SGBD et aide à la décision, Gestion des données, Big Data...

Transcription

1 SGBD et aide à la décision, Gestion des données, Big Data... Les données sont au cœur du système d'information. L'efficience de leur organisation et de leur exploitation est une préoccupation majeure pour le développement de l'entreprise. A l'heure de la Business Intelligence, du Big Data, du géomarketing, du Data Mining,... les enjeux deviennent multiples et d'importance croissante. Vision d'ensemble, expertise métier et compréhension des solutions techniques sont des clés essentielles. C'est pourquoi Orsys vous propose des séminaires et stages de synthèse, issus de l'expérience de nos consultants formateurs, pour faire le point sur les technologies et les meilleures pratiques du domaine. Séminaires Systèmes décisionnels : démarche et solutions... Best ( p3 ) Social Media Analytics : stratégie et usages... ( p9 ) Data Mining : synthèse... ( p13 ) Géomarketing : principes et solutions... ( p17 ) Big Data : synthèse... Best ( p20 ) Réseaux de stockage SAN/NAS... Best ( p22 ) Bases de données NoSQL : enjeux et solutions... Best ( p24 ) Cours de synthèse Construire un Data Warehouse... Best ( p5 ) Master Data Management, la gouvernance des données... ( p11 ) Stages pratiques Cycle certifiant Data Scientist... Nouveau ( p2 ) Modélisation en étoile, conception et mise en œuvre... Best ( p7 ) Statistiques, maîtriser les fondamentaux... ( p15 ) Big Data, méthodes et solutions pratiques pour l'analyse des données... Best ( p18 ) Bases de données, modélisation et choix techniques... Best ( p26 ) PowerAMC, concevoir une base de données... ( p28 ) Conception d'une base de données avec Oracle Data Modeler... ( p30 ) UML 2, modéliser et créer vos bases de données... ( p32 ) Bases de données et langage SQL pour non-informaticiens... Best ( p33 ) ORSYS, La Grande Arche, Paroi Nord, La Défense cedex. Tél : +33 (0) Fax : +33(0) page 1

2 Stage pratique de 12 jour(s) Réf : KDS Data Miner, Data Scientist, analyste, responsable de reporting décisionnel, statisticien, tout acteur ayant à consolider et faire valider ses connaissances pour être reconnu Data Scientist. Connaissances de base en mathématiques / logique (cumul, pourcentage, fonctions conditionnelles). Prix 2016 : 6130 HT 24 mar. 2016, 23 juin sep Composition du cycle - Statistiques, maîtriser les fondamentaux Réf : STA, Durée : 2 j - Data Mining : synthèse Réf : DMI, Durée : 2 j - Big Data, méthodes et solutions pratiques pour l'analyse des données Réf : BID, Durée : 5 j - Master Data Management, la gouvernance des données Réf : CYE, Durée : 2 j - Journée de certification du cycle certifiant Data Scientist Réf : KSW, Durée : 1 j Dates d'examen 04 avril septembre 16 Cycle certifiant Data Scientist Nouveau La "science des données" nécessite des compétences spécifiques afin de prévoir le comportement des clients ou anticiper des tendances. Ce cycle Data Scientist vous apportera les meilleures pratiques en vigueur, et vous permettra de mettre en œuvre les méthodes et outils destinés à "faire parler les données". OBJECTIFS PEDAGOGIQUES Comprendre le rôle stratégique des données dans l'entreprise et savoir maîtriser leur qualité Comprendre et mettre en pratique l'essentiel des modèles statistiques Mettre en pratique les techniques de modélisation du Data Mining Maîtriser les outils et pratiques d'analyse des données propres au Big Data 1) Présentation de la gouvernance des données 2) L'essentiel des modèles statistiques Méthodes pédagogiques 3) Data Mining, extraction de connaissances à partir de données brutes 4) Big Data, analyse des données massives Le socle des connaissances en statistiques est fondamental. Le stage STA doit être suivi avant le séminaire DMI et le stage BID. Pas d'autres contraintes sur le suivi des cours pendant ce cycle. 1) Présentation de la gouvernance des données - Rôle stratégique des données pour l'entreprise. - Etat des lieux sur la qualité des données. Définition des notions "Donnée" et "Information". - Evaluer la qualité des données des entreprises. Réconciliation des données. - Contrôle de qualité et bonnes pratiques. - Cycle de vie des données : archivage de base de données. Confidentialité des données. - Présentation des offres de MDM. Travaux pratiques Arriver à un consensus sur la qualité des données. Lien qualité des données et solvabilité II. 2) L'essentiel des modèles statistiques - Fondamentaux de la statistique descriptive. - Démarche et modélisation d'une analyse statistique. - Paramètre de position et de dispersion. - Analyses prédictives : mise en place d'un modèle de régression linéaire. - Tests et intervalle de confiance. Valider la précision d'une estimation. - Panorama des outils (R, SAS...). Travaux pratiques Etude d'une population et dimensionnement d'un échantillon. Modélisation statistique d'un phénomène. Calcul de paramètres de position et de dispersion sur différents échantillonnages. 3) Data Mining, extraction de connaissances à partir de données brutes - Définition et finalité du Data Mining (DM). - Les méthodes prédictives et descriptives. Les arbres de décisions. Les réseaux de neurones. - La méthode descriptive du clustering. - Exemples d'application du DM : le scoring, le géomarketing. - Méthodologie de projet. Les outils du marché. Travaux pratiques Présentation d'applications du clustering. Mise en œuvre de la méthode de scoring. Cas pratique d'utilisation de géomarketing. 4) Big Data, analyse des données massives - Origines et définition du Big Data : la BI face à la croissance et à la diversité des données. - Les technologies du Big Data. - Gérer les données structurées et non structurées. - Les méthodes d'analyse des données pour le Big Data. - Data visualisation et cas d'usage concrets. Travaux pratiques Installation d'une plateforme Big Data. Talend For Big Data, implémentation de flux de données. Mise en place d'analyses avec le logiciel R. ORSYS, La Grande Arche, Paroi Nord, La Défense cedex. Tél : +33 (0) Fax : +33(0) page 2

3 Séminaire de 3 jour(s) Réf : SID Responsables informatiques, responsables des études, architectes SI, consultants et chefs de projet décisionnel, autres chefs de projets fonctionnels et techniques. Aucune connaissance particulière. Prix 2016 : 2680 HT 5 avr. 2016, 21 juin sep. 2016, 29 nov Bruxelles 13 juin 2016 Geneve 13 juin 2016 Luxembourg 13 juin 2016 Systèmes décisionnels : démarche et solutions Best Aujourd'hui, 80% des dirigeants attribuent une importance stratégique à l'extraction de la valeur de l'information par le datamining et l'analyse. Pourtant, 43% des entreprises ne dégagent que peu d'avantages concrets de leurs informations. Devant ces constats, et face au levier de croissance que représentent les données, les dirigeants souhaitent en tirer parti en intégrant les technologies type Big Data, à leur décisionnel existant. Tout l'enjeu est une intégration cohérente pour servir au mieux l'analyse des données dans un souci de liberté, de réactivité et d'opportunités. OBJECTIFS PEDAGOGIQUES Comprendre la valeur ajoutée, les enjeux et les principes des systèmes décisionnels Percevoir le rôle fondamental de la modélisation des informations dans la conception d'un SID Mettre en œuvre une démarche pour concevoir un référentiel des données d'entreprise Intégrer le Big Data dans le SID existant Suivre pas à pas les étapes pour piloter son projet SID Faire les bons choix d'outils en ayant un panorama global du marché 1) Finalité et principes des SID 2) Démarche de conception du SID 3) Construire les référentiels 4) Optimiser l'accès aux données 5) Mesurer les performances du SID Exemple 6) Mise en production et fiabilisation d'un SID 7) Etat de l'art des outils décisionnels 8) Opportunité et création de valeur pour l'entreprise 9) Organisation d'un projet SID Un exemple complet de mise en œuvre d'un système d'information décisionnel sera traité. 1) Finalité et principes des SID - Positionnement du SID par rapport au SIO (Système d'information Opérationnel). - Tendances et évolutions primordiales du décisionnel. Data Lake, promesse et réalité. - Les nouveaux enjeux : valorisation de l'information, corrélation rapide. Les besoins des directions générales. - L'architecture d'organisation des données. - Les choix stratégiques d'architecture : fonctionnelle et technique. - Le rôle fondamental de la modélisation des informations et sa réussite. 2) Démarche de conception du SID - La typologie des demandes sur un SID. - Déterminer le processus de conception adapté aux besoins exprimés et aux différentes restitutions à produire. - Comment passer de datamarts en silo à un système décisionnel partagé? - Cohérence des modèles en étoile : multidimensionnel et relationnel. Analyse en mémoire contre modèle en étoile. - Différence entre l'analyse multidimensionnelle et prédictive. - Modèle en vecteur pour l'analyse du comportement client (ou autre). - Impacts du NoSQL sur les modèles existants. - Eviter le foisonnement d'agrégats et d'indicateurs en réutilisant les développements. Etude de cas Proposer une démarche de conception à partir de besoins d'analyse exprimés. 3) Construire les référentiels - Comment faciliter l'accès aux informations? Réconcilier MOA, MOE autour du référentiel. - Construire le référentiel d'entreprise. Les dimensions d'analyse et les indicateurs partageables. - Construire une architecture couvrant toutes les étapes, du pilotage à l'analyse des comportements. - Construire les dictionnaires pour le SID, utiliser les métadonnées pour gérer la cohérence. Etude de cas Déploiement des méthodes proposées sur des exemples. 4) Optimiser l'accès aux données - Comment répondre aux besoins et définir les réponses informatiques optimales? - Le multidimensionnel, ROLAP, MOLAP ou Hybride : les critères de choix, les évolutions futures. - Résoudre les problèmes de volumétrie. - Couvrir un besoin avec plusieurs cubes multidimensionnels. - Gérer la montée en puissance de la solution multidimensionnelle. ORSYS, La Grande Arche, Paroi Nord, La Défense cedex. Tél : +33 (0) Fax : +33(0) page 3

4 - Appliquer une normalisation décisionnelle à vos modèles en étoile. 5) Mesurer les performances du SID - Comment mettre le SID en adéquation avec la stratégie de l'entreprise? - Process décisionnels et urbanisation du SID pour éviter trop de traitements et des couches sémantiques surchargées. - Identifier les zones éligibles au Cloud Computing. - Définir les critères d'efficacité d'un SID. - Quantifier la valeur ajoutée du décisionnel. Mesurer la performance du SID. 6) Mise en production et fiabilisation d'un SID - Avoir la vision complète de son décisionnel. - Construire un plan de production informatique pour son SID. - Check-list des recommandations. - Industrialiser des cubes multidimensionnels. - Comment garantir la fiabilité des données et des informations? - Mettre en place le processus de la gestion de la qualité. - Définir les contrôles qualité minimum. Définir le phasing des contrôles. 7) Etat de l'art des outils décisionnels - Panorama des suites décisionnelles : SAS, Microsoft suite BI, SAP Business Objects... - Intégration d'un ETL. Outils multidimensionnels. Déploiement Web. - Les outils Open Source : Pentaho, Jaspersoft... - Analytique temps réel. Big Data intégré au SID. BD NoSQL. Analyse en mémoire. Exemple QlikView. - Positionnement de l'écosystème HADOOP dans l'analyse du comportement client. - Comment intégrer les nouvelles architectures dans le SID existant? - Basculer le SID sur une BD NoSQL ou intégrer les approches? - Combiner une solution agile de data-discovery et des capacités d'industrialisation de la BI. 8) Opportunité et création de valeur pour l'entreprise - Comment évaluer la valeur ajoutée pour l'entreprise? - Gérer son portefeuille de projets. Quel projet pilote choisir? - Prioriser vos projets décisionnels. Critères de lotissement d'un projet décisionnel. - Les spécificités de la recette d'un projet décisionnel en particulier pour le multidimensionnel. - Les techniques d'analyse de besoin en décisionnel, les pièges à éviter. - Comment évaluer la complexité, la maturité des besoins? - Comment conduire le passage de l'infocentre, du décisionnel éparpillé au SID? 9) Organisation d'un projet SID - Les différents acteurs et leurs rôles respectifs. La relation MOA-MOE. - Positionner le décisionnel au sein de l'entreprise. Organiser la gouvernance. - L'organisation pour exploiter son SID : centralisée ou décentralisée? - Coordonner l'exploitation interfonctionnelle des données en cohérence avec les objectifs métier. - Préserver l'autonomie des utilisateurs. Gérer la réactivité. - Administrer les différents composants du système d'information décisionnel. - Organiser un centre de compétences décisionnelles. Faire du décisionnel un centre de valeur. ORSYS, La Grande Arche, Paroi Nord, La Défense cedex. Tél : +33 (0) Fax : +33(0) page 4

5 Cours de synthèse de 3 jour(s) Réf : DAW Responsables Infocentre, responsables informatiques, responsables des études, architectes de systèmes d'information, chefs de projets fonctionnels et techniques. Bonnes connaissances en gestion de bases de données. Connaissances de base en analyse décisionnelle. Prix 2016 : 2190 HT 18 avr. 2016, 21 juin sep. 2016, 29 nov Bruxelles 14 mar. 2016, 20 juin 2016 Geneve 14 mar. 2016, 20 juin 2016 Luxembourg 14 mar. 2016, 20 juin 2016 Construire un Data Warehouse qualité des données et performance du SI décisionnel Best Le Data Warehouse est au coeur de l'analyse décisionnelle. Au travers d'une démarche structurée et pragmatique, vous découvrirez les meilleures méthodes et outils pour élaborer un entrepôt de données, à partir des besoins métier, l'alimenter et le rendre fiable et évolutif. Vous découvrirez également quels sont les rôles clés dans ce type de projet, et quel est l'impact sur l'architecture SI et la qualité du référentiel de données d'entreprise. Un séminaire centré sur l'expérience pratique qui vous donnera aussi une première approche de la modélisation " en étoile ". OBJECTIFS PEDAGOGIQUES Comprendre les enjeux stratégiques d'un SI décisionnel et ses avantages Repérer les différentes couches de l'organisation d'un système décisionnel Modéliser Data Warehouse au coeur du système décisionnel Identifier les étapes essentielles dans la démarche de construction d'un Data Warehouse Maitriser les rôles et les livrables sur un projet de construction de Data Warehouse Avoir une vue complète et synthétique des solutions BI du marché 1) Le Data Warehouse, finalité et principes 2) L'architecture d'un SI décisionnel d'entreprise 3) Les principes de la modélisation Data Warehouse 4) La démarche de construction d'un Data Warehouse 1) Le Data Warehouse, finalité et principes 5) Organisation du projet, les acteurs et les livrables 6) Les outils dans le domaine du décisionnel 7) Synthèse - Les enjeux stratégiques d'un SI décisionnel - Les raisons techniques et culturelles qui conduisent au Data Warehouse. - Définition du Data Warehouse selon Bill Inmon. - Les solutions apportées par l'architecture technique et fonctionnelle du Data Warehouse. - Caractéristiques des données du SI décisionnel - L'Infocentre et le SI décisionnel. - Présentation des différentes approches Data Warehouse et Infocentre, leurs avantages et inconvénients. 2) L'architecture d'un SI décisionnel d'entreprise - Les différentes couches de l'organisation d'un Data Warehouse. - La collecte et l'intégration des données. - L'operational Data Store et la Data Staging area. - La couche de présentation, le portail décisionnel. - Les moteurs d'analyse OLAP : (MOLAP) et/ou relationnel OLAP (ROLAP). - Les techniques d'analyse "Data Mining" : méthodes prédictives, méthodes descriptives. - Croissance du volume et de la nature des données, les enjeux du Big Data. - La documentation des données du DW : notions de référentiel de données. - Comment le DW fiabilise la gestion du référentiel de données (MDM). - La gestion des flux : la capture des données sources, les règles de transformation. Exemple Présentation d'exemples de projets d'analyse décisionnelle divers. 3) Les principes de la modélisation Data Warehouse - Les modèles relationnels opérationnels et dénormalisés. - Les modèles hybrides. - Les modèles génériques. - Comprendre le modèle en étoile, sa finalité. - Comprendre les notions de faits et d'analyse. Les hiérarchies d'axe d'analyse. - Le modèle en flocon. - La problématique des dimensions à évolution. - Gestion des agrégats et de la stabilité du périmètre fonctionnel. - Quelle approche favorise les informations de détail ou les agrégats? Bonnes pratiques, questions à poser au métier. Réflexion collective Construction collective et enrichissement d'un modèle de données en étoile, suivant plusieurs études de cas données. Elaboration du questionnement a proposer pour recueillir le besoin utilisateur. ORSYS, La Grande Arche, Paroi Nord, La Défense cedex. Tél : +33 (0) Fax : +33(0) page 5

6 4) La démarche de construction d'un Data Warehouse - Identifier le périmètre fonctionnel candidat. Déterminer l'objectif et les événements de gestion à suivre. - Estimer la volumétrie du périmètre. - Analyse fonctionnelle, recueil des besoins utilisateurs. - Conception de l'architecture technique détaillée. - Etablir une démarche générique de mise en oeuvre. - Les apports d'une démarche itérative, le contenu d'une itération. - Première itération ou projet pilote, bien le choisir. Rôle du sponsor, de la MOA, de la MOE, impact sur l'organisation. - L'administration et le suivi de la solution opérationnelle. Echanges Présentation de la démarche de conception d'un périmètre fonctionnel du Data Warehouse. 5) Organisation du projet, les acteurs et les livrables - Le rôle fondamental du sponsor ou promoteur. - Le comité de pilotage. - Rôle de l'équipe fonctionnelle, du groupe de projet utilisateurs : valider le design de l'environnement utilisateur. - Le transfert de compétences vers les utilisateurs finaux par l'équipe fonctionnelle : formation et documentation. - L'équipe technique, les architectes. - Les principaux livrables d'un projet décisionnel. Echanges Présentation des livrables et de leur responsable suivant les étapes de la démarche. 6) Les outils dans le domaine du décisionnel - Les dernières évolutions techniques des SGBDR dans le domaine du décisionnel. - Panorama et typologie des solutions BI du marché. Les offres en mode Saas. - Les solutions de Reporting : SSRS, IBM Cognos, SAS, BusinessObjects... La mise en œuvre des outils de requête. - Les outils d'analyse OLAP côté serveur et côté client : Utilisation, évolutivité, approche DataMart, temps de réponse. - Les solutions d'analyse Data Mining : SAS Enterprise Miner, IBM, OBI Datamining. Exigences et points forts. - Les solutions ETL : IBM, Informatica, Oracle, SAP, Talend.. - Les outils de modélisation relationnelle : possibilités et limites. Exemple Présentation des possibilités de divers outils BI. 7) Synthèse - Les tendances d'évolution des systèmes décisionnels. - Bonnes pratiques pour la modélisation. - Recommandations pour l'organisation du projet Data Warehouse. ORSYS, La Grande Arche, Paroi Nord, La Défense cedex. Tél : +33 (0) Fax : +33(0) page 6

7 Stage pratique de 3 jour(s) Réf : AMT Maîtres d'ouvrage et maîtres d'œuvre, responsables des systèmes décisionnels, responsables informatiques, responsables des études, architectes de systèmes d'information, chefs de projets. Connaissances de base de l'analyse décisionnelle et des SGBD relationnelles. Prix 2016 : 1600 HT 14 mar. 2016, 6 juin sep. 2016, 5 déc Aix 20 juin 2016, 19 sep déc Bordeaux 14 mar. 2016, 6 juin oct. 2016, 5 déc Bruxelles 29 mar. 2016, 20 juin sep Geneve 29 mar. 2016, 20 juin sep Grenoble 20 juin 2016, 19 sep déc Lille 20 juin 2016, 19 sep déc Luxembourg 29 mar. 2016, 20 juin sep Lyon 20 juin 2016, 19 sep déc Montpellier 14 mar. 2016, 6 juin oct. 2016, 5 déc Nantes 14 mar. 2016, 6 juin oct. 2016, 5 déc Rennes 14 mar. 2016, 6 juin oct. 2016, 5 déc Sophia-antipolis 20 juin 2016, 19 sep déc Strasbourg 20 juin 2016, 19 sep déc Toulouse 14 mar. 2016, 6 juin oct. 2016, 5 déc Modélisation en étoile, conception et mise en œuvre Best Ce cours, construit autour de nombreux cas pratiques, vous donnera une idée précise de la démarche de modélisation en étoile dans le cadre du projet Data Warehouse. Vous verrez pourquoi elle est l'expression même du besoin de la maîtrise d'ouvrage et comment elle permet de faire converger la vision des opérationnels, des analystes et des pilotes sur les activités de l'entreprise. OBJECTIFS PEDAGOGIQUES Conduire des interviews pour recueillir les besoins d'analyse auprès des métiers Définir les critères de qualité d'un Data Warehouse A partir d'un cahier des charges d'analyse, identifier les dimensions et les faits à placer dans le modèle Concevoir et décrire un macro-modèle en étoile Optimiser le modèle en étoile en vue de la prise en compte de la volumétrie et des problématiques de reporting Décrire une architecture de chargement des données dans le modèle en étoile décrit 1) Introduction et rappels 2) Les architectures en réponse aux besoins décisionnels 3) Principes et définitions de base sur la modélisation en étoile 4) Conception du modèle en étoile 5) Optimisation fonctionnelle du modèle en étoile 1) Introduction et rappels - Qu'est-ce qu'un système d'information décisionnel? - Evolution des exigences de décision dans le contexte actuel. - Infocentres, SIAD, EIS, Data Warehouse, définition et positionnement. - Comprendre la finalité de l'approche Data Warehouse. 2) Les architectures en réponse aux besoins décisionnels - Les composants principaux, Data Warehouse, ODS ou "staging area", datamarts. - Les architectures proposées par Kimball et Inmon. Avantages et inconvénients. - Positionnement du modèle en étoile dans le Data Warehouse selon l'architecture. - Les phases du cycle de vie d'un Data Warehouse. - Les critères de qualité d'un Data Warehouse. - La notion de métadonnée, de référentiel. Réflexion collective Définition des critères de qualité d'un Data Warehouse. 6) Replacer la modélisation dans le cadre du projet décisionnel 7) Optimisation physique du modèle 8) Alimentation du modèle en étoile 9) Restitution des informations d'un modèle en étoile 10) Conclusion 3) Principes et définitions de base sur la modélisation en étoile - Rappels sur la modélisation des bases de données opérationnelles. - Différences entre OLTP et OLAP. - Entités, attributs, cardinalités, formes normales. - Le principe de la dénormalisation pour concevoir un modèle en étoile. - Comprendre les notions de fait, dimension et axe d'analyse. - Les alternatives de modélisation : modèle en flocon, en galaxie. - Les règles et bonnes pratiques de modélisation en étoile. Proposition alternative de Kortink et Moody. Etude de cas A partir d'un cahier des charges d'analyse, identifier les dimensions et faits principaux d'un modèle. 4) Conception du modèle en étoile - Organisation et synthèse des interviews utilisateur pour le recueil du besoin. - Compréhension et identification des processus métiers à modéliser. - Choix des dimensions d'analyse. - Création de hiérarchies dans les dimensions. - Identification des mesures et croisements avec les dimensions. - Définition de la granularité de l'analyse. - Définition des règles d'agrégation. - Utilisation d'outils de modélisation. A partir d'objectifs fournis par la MOA, réaliser un macro-modèle, en reliant les dimensions. ORSYS, La Grande Arche, Paroi Nord, La Défense cedex. Tél : +33 (0) Fax : +33(0) page 7

8 5) Optimisation fonctionnelle du modèle en étoile - Gestion de l'évolution des référentiels et du changement des nomenclatures. - Gestion des dimensions à évolution lente et rapide. - Les clés de substitution. - Gestion de la qualité, fiabilité des données. - Gestion du contexte non renseigné ou inconnu. - Les dimensions dégénérées. Echanges Décrire l'impact d'un changement donné à partir d'un modèle proposé. Optimisation du modèle pour son évolution. 6) Replacer la modélisation dans le cadre du projet décisionnel - Présentation de la méthode Kimball et Inmon pour l'organisation du projet. - Les acteurs et livrables du projet. - Recueil des besoins métier. Formalisation des exigences techniques et d'organisation. - Identification des priorités et du périmètre pilote. - Modélisation des informations. - Choix de l'infrastructure. Implémentation et recette. - Déploiement et maintenance du modèle. - Gestion des historiques. Jeu de rôle Conduite d'interview de recueil de besoin pour l'analyse. 7) Optimisation physique du modèle - Gestion de la performance des requêtes. - Estimation de l'espace disque requis pour le modèle. - Limitation de la taille occupée par une dimension. - Agrégation directe de certains éléments dans les tables. - Dimensions techniques pour assurer la traçabilité des faits. Estimations de volumétrie moyenne sur quelques cas d'analyse. 8) Alimentation du modèle en étoile - Contraintes des systèmes opérationnels sources. - Rôle des ODS dans l'alimentation. - L'organisation des traitements dans la DSA (Data Staging Area). - Les différents types d'alimentation (delta, stock, complète). - Les étapes, les règles et les prérequis de l'alimentation. - Gestion des rejets. - Gestion des sources différentes pour l'alimentation d'une dimension ou d'un fait. - ETL, les solutions d'alimentation disponibles sur le marché. Sur une étude de cas, proposer une architecture de chargement : ODS / Staging Area. 9) Restitution des informations d'un modèle en étoile - Les différents types d'outils au service de la restitution. - Le marché des outils de restitution. - Optimisation du modèle pour l'exploration des données. - Optimisation des index. - Utilisation du partitionnement des tables. Echanges Présentation de bonnes pratiques pour optimiser le modèle en vue du reporting. 10) Conclusion - Ce qu'il faut retenir. - Les pièges à éviter. - Pour aller plus loin. ORSYS, La Grande Arche, Paroi Nord, La Défense cedex. Tél : +33 (0) Fax : +33(0) page 8

9 Séminaire de 2 jour(s) Réf : BIM Directeurs marketing, directeurs du digital, DSI, responsables organisation ou études, chefs de projet fonctionnel, responsables Business Intelligence. Aucune connaissance particulière. Prix 2016 : 1950 HT Social Media Analytics : stratégie et usages Tous les jours, des millions d'internautes partagent leurs expériences sur les médias sociaux. L'enjeu pour les entreprises est aujourd'hui d'intégrer cet échange entre leur marque et les internautes dans les processus de l'entreprise, afin de produire un véritable avantage concurrentiel. Dans ce contexte, l'adoption d'une démarche de «Social Data Analytics», permettant de définir les bons indicateurs et décider, nécessite une vision éclairée de son propre niveau de maturité, les bonnes clés pour s'aligner avec la stratégie de son entreprise, et une maitrise des freins à sa mise en place. OBJECTIFS PEDAGOGIQUES Comprendre les changements et les enjeux du Social Business Savoir cadrer une stratégie BI pour le Social Business Connaître les étapes clés de mise en oeuvre de la BI pour le Social Media Savoir mesurer la performance de cette stratégie 2 juin 2016, 29 sep &15 déc ) Comprendre les enjeux du Social Business 2) Cadrer la stratégie de Business Intelligence pour le Social Business 3) Mettre en œuvre la stratégie BI pour le Social Business 4) Cas concret d'usage de KPI et tableaux de bord Social Business 5) Synthèse et compléments 1) Comprendre les enjeux du Social Business - Définition du Social media et de ses usages. - Compréhension et définition des médias sociaux, Social CRM, Social Analytics. - Social media, ou l'empowerment du consommateur. - Panoramas et chiffres clés du Social Business dans le monde et en France. - Evolutions et impacts sur le Social Business. - Analyse du contexte : de la relation à l'interaction Web via des technologies complexes. - Le Paid Media, le Owned media, le Earnied media, définitions et bénéfices. - Typologies d'usages du Social Business dans les entreprises. - Les applications du Social Business au Marketing, aux RH, R&D, Innvoatisn et ventes. - Les enjeux du Social Business : image, trafic, conversion et fidélisation. Les enjeux de son pilotage. - Le social media, un risque à anticiper. 2) Cadrer la stratégie de Business Intelligence pour le Social Business - Les facteurs clés du succès de la Business Intelligence pour le Social Business. - Les principaux risques à éviter sur les objectifs, l'apport de valeur, l'organisation, les impacts IT, l'implication. - Les principales étapes et la méthodologie. Questions clés et facteurs de réussite. - Diagnostiquer la maturité dans l'entreprise et le changement. - Les questions clé pour établir un diagnostic, les différents stades de maturité. - Identifier les freins à l'adoption d'une stratégie Social Business. - Définir les objectifs métiers et les usages cibles, lier les objectifs du Social Business aux objectifs Business. - Exemple d'une Roadmap Social Business. - Piloter la stratégie et mettre en place une organisation adaptée. Les différents modes d'organisation. - Zoom sur les équipes consacrées aux médias sociaux. - Construire un plan de veille technologique, objectifs et bonnes pratiques. - Benchmark des solutions du marché, les bonnes questions à se poser. - Respecter la réglementation (vie privée, CNIL). Les données personnelles et les réseaux sociaux. 3) Mettre en œuvre la stratégie BI pour le Social Business - Définir la tactique en mode intégré ou spécifique. - Vue d'ensemble de l'approche intégrée. - Panorama des solutions du marché (Outils de Social Media Management, de Social CRM. - Vue d'ensemble de l'approche spécifique, de ses avantages et des contraintes. - Panorama des technologies : représentation d'une plateforme Big Data, outils de Data vizualisation (DataViz). - Etablir la méthode de benchmark des solutions. - Comparaison des deux approches. Analyse des avantages et inconvénients de chaque méthode. - Mettre en œuvre de manière agile l'approche retenue. Mise en œuvre d'un Proof of Concept, de l'idée à l'action. - Zoom sur la conduite du changement. Principes, règles et actions du changement. - Maintenir et optimiser la stratégie. Bonnes pratiques globales, et points spécifiques à chaque méthode. 4) Cas concret d'usage de KPI et tableaux de bord Social Business - Pourquoi mettre en place des indicateurs de performance? Les différents indicateurs (de résultat, de performance..) ORSYS, La Grande Arche, Paroi Nord, La Défense cedex. Tél : +33 (0) Fax : +33(0) page 9

10 - Mesurer l'e-réputation et la notoriété de sa marque. Une frontière qui s'amenuise entre réputation et e- réputation. - Les indicateurs de mesure de l'e-réputation : mentions, analyse sentimentale, reach/exposition, Share of Voce (SOV). - Comment mesurer les différents indicateurs et quand les utiliser? - Mesurer le ROI des influenceurs et l'efficacité des programmes Social Business. - Les influenceurs, qui sont-ils? Leurs différentes catégories. Comment bien les choisir, stratégie à adopter. - Audience Growth rate, engagement, partage, influence.. Un exemple concret de calcul du ROI des réseaux sociaux. - Optimiser le ROI des campagnes marketing, facteurs à prendre en compte et bonnes pratiques. - Identifier l'apport de valeur ajoutée des différents canaux digitaux. Les plateformes sociales préférées des marketeurs. - Mesurer l'impact des médias sociaux sur le cycle et le processus de vente des produits ou services. - Mesurer l'expérience et la satisfaction client, optimiser le parcours client. 5) Synthèse et compléments - Opportunités du social media. - Perspectives pour demain. - Pour aller plus loin. ORSYS, La Grande Arche, Paroi Nord, La Défense cedex. Tél : +33 (0) Fax : +33(0) page 10

11 Cours de synthèse de 2 jour(s) Réf : CYE Toute personne qui doit mettre en place ou comprendre la qualité et la pertinence des données d'une entreprise. Aucune connaissance particulière. Master Data Management, la gouvernance des données Les enjeux concurrentiels et la nécessité accrue de transparence sur les données impose de disposer d'un référentiel de données maitrisé et de qualité. C'est toute la finalité du MDM, Master Data Management. Ce séminaire vous présentera les enjeux liés à la qualité des données de l'entreprise et à leur gestion. OBJECTIFS PEDAGOGIQUES Comprendre le rôle stratégique de la gestion des données pour l'entreprise. Découvrir la notion de "qualité des données" et son évaluation Identifier toutes phases d'un processus de gestion de la qualité des données. Connaitre les bonnes pratiques en matière de contrôle de qualité des données Savoir identifier les différents acteurs du MDM et leur positionnement Prix 2016 : 1690 HT 10 mar. 2016, 9 juin sep. 2016, 8 déc ) Introduction 2) Processus d'évaluation de la qualité des données 3) Processus de gestion de la qualité des données 1) Introduction - Définition de la qualité. - Rôle stratégique des données pour l'entreprise. - Les différentes sources de données de l'entreprise. - Les différentes formes d'exploitation de données. - Système d'information opérationnel. - Système d'information décisionnel. - Architectures : Relationelle, NoSQL ou BigData. - Etat des lieux sur la qualité des données. 4) Contrôle de qualité et bonnes pratiques 5) Cycle de vie des données 6) Présentation des offres de MDM Echanges Echanges sur le rôle stratégique des données pour l'entreprise. 2) Processus d'évaluation de la qualité des données - Définition des notions "Donnée" et "Information". - Définition de la notion. - Différences entre "données" et " information". - Définition de "qualité des données". - Evaluer la qualité des données des entreprises. - Niveau d'approche et de granularité. - Réconciliation des données. Echanges Arriver à un consensus sur la qualité des données. 3) Processus de gestion de la qualité des données - Processus de gestion de la qualité des données. - Collecte des données. - Stockage des données. - Exploitation des données. - Audit de la qualité. - Identification des données de faible qualité. - Traitement des données de faible qualité. - Gestion de la qualité des données. Réflexion collective Présentation des données d'une entreprise. Analyse. 4) Contrôle de qualité et bonnes pratiques - Définition de bonnes pratiques. - Une approche centralisée de la qualité des données. - Types de contrôles de qualité des données. - Processus d'évaluation de la qualité des données. - Processus d'évaluation des utilisateurs. - Audits et suivis. Echanges Lien qualité des données et solvabilité II. Importance de la qualité des données. ORSYS, La Grande Arche, Paroi Nord, La Défense cedex. Tél : +33 (0) Fax : +33(0) page 11

12 5) Cycle de vie des données - Volume de données. - Archivage de base de données. - Gestion des données de test. - Confidentialité des données. - Retrait d'applications. Réflexion collective Echanges sur la gestion des données et leur cycle de vie. 6) Présentation des offres de MDM - Informatica Data Quality / MDM. - L'offre IBM MDM. - SAP Business Object Data Quality. - MDM Microsoft. - Talend MDM. Echanges Echanges sur les différentes offres présentés. ORSYS, La Grande Arche, Paroi Nord, La Défense cedex. Tél : +33 (0) Fax : +33(0) page 12

13 Séminaire de 2 jour(s) Réf : DMI Responsables Infocentre, responsables marketing, statisticiens, responsables informatiques, chefs de projets et experts décisionnels. Utilisateurs et gestionnaires métiers de bases de données. Connaissances de base en analyse décisionnelle. Connaissances de base en statistiques. Prix 2016 : 1950 HT 24 mar. 2016, 9 juin oct. 2016, 8 déc Bruxelles 17 mar. 2016, 2 juin 2016 Geneve 17 mar. 2016, 2 juin 2016 Luxembourg 17 mar. 2016, 2 juin 2016 Data Mining : synthèse Le Data Mining apporte des solutions pour l'extraction de connaissances à partir de données brutes. Ce séminaire, alliant principes théoriques et expériences pratiques, vous propose une synthèse sur le Data Mining, ses applications, ses apports pour l'entreprise, ainsi que sur les méthodes et outils les plus utilisés. OBJECTIFS PEDAGOGIQUES Comprendre les principes et la finalité du Data Mining (DM) Identifier les principales techniques du DM et leur cas d'utilisation Mettre en oeuvre sur un cas simple les méthodes de scoring et de geomarketing Découvrir les méthodes prédictives et les méthodes descriptives du DM Connaitre les principales étapes d'un projet Data Mining 1) Le Système d'information Décisionnel (SID) 2) Comprendre le Data Mining (DM) 3) Les techniques du Data Mining 4) La méthode descriptive du Clustering 1) Le Système d'information Décisionnel (SID) 5) Exemples d'application du DM 6) Les données de l'entreprise 7) Méthodologie de projet Data Mining 8) Panorama des outils - Les enjeux du SID : besoins, domaines d'application. - Architecture type d'un SID, état de l'art. - Elaboration des informations décisionnelles. - Conception d'un SID : étapes, optimisation, organisation des données, dictionnaires. 2) Comprendre le Data Mining (DM) - Définition et finalité du Data Mining (DM). - Quel lien entre le DM et les statistiques, quelle dépendance entre le DM et l'informatique? - Différence entre DM et OLAP? - Les attentes des entreprises, les réponses du DM. 3) Les techniques du Data Mining - Les différentes familles du DM. - Les méthodes prédictives et les méthodes descriptives. - Analyse factorielle, typologique. La classification... - Les arbres de décisions, les réseaux de neurones... - Classification des techniques de DM. 4) La méthode descriptive du Clustering - Définition et méthodologie. - Les critères pour structurer les données à classer. - Evaluation et validation des classes obtenues. - Les différentes sous-familles du Clustering. Exemple Présentation d'applications du Clustering. 5) Exemples d'application du DM - Le scoring : définition, finalité, méthodologie. - Le géomarketing : définition, finalité, méthodologie. Exemple Mise en œuvre de la méthode de scoring. Cas pratique d'utilisation de géomarketing. 6) Les données de l'entreprise - Rappel de la problématique des données du SI. - Qualité des données et administration des données. - Processus de collecte et d'exploration. - Création d'agrégats et de nouvelles données. - Transformation des données. 7) Méthodologie de projet Data Mining - Définition du problème métier à résoudre et des objectifs à atteindre. - Inventorier, décrire et classer les données. - Concevoir et alimenter la base Data Mining. - Explorer, segmenter des entités analysées. ORSYS, La Grande Arche, Paroi Nord, La Défense cedex. Tél : +33 (0) Fax : +33(0) page 13

14 - Etablir et appliquer les modèles d'analyse. - Itérer, déployer auprès des utilisateurs. - Maintenir le modèle et le logiciel associé. 8) Panorama des outils - Principaux outils du marché : SAS, R, IBM SPSS... - Zoom sur l'outil SAS et sur l'etl Powercenter. - Quels critères de choix pour ce type d'outils? ORSYS, La Grande Arche, Paroi Nord, La Défense cedex. Tél : +33 (0) Fax : +33(0) page 14

15 Stage pratique de 2 jour(s) Réf : STA Responsables Infocentre, responsables marketing, responsables Qualité, utilisateurs et gestionnaires métiers de bases de données. Connaissances de base en mathématiques / logique (cumul, pourcentage, fonctions conditionnelles) Statistiques, maîtriser les fondamentaux Ce stage présente l'essentiel des modèles statistiques. Il vous permettra de comprendre leur rôle dans le monde de l'analyse décisionnelle, du Big Data et du Data Mining, ainsi que les mécanismes qui permettent de transformer et d'affiner des données pour en tirer des informations métiers utiles. OBJECTIFS PEDAGOGIQUES Comprendre le principe de la statistique descriptive et les méthodes d'échantillonnage Dimensionner un échantillon de population Calculer des paramètres de position et dispersion (médiane, étendue, quantile, écart-type) Exploiter les paramètres statistiques pour modéliser un phénomène sur une population Mettre en place un modèle de régression linéaire pour estimer une valeur et faire de l'analyse prédictive Valider la précision d'une estimation, à l'aide des intervalles de confiance Prix 2016 : 1410 HT 22 mar. 2016, 23 juin sep. 2016, 24 nov ) Rappels des fondamentaux de la statistique descriptive 2) Démarche et modélisation d'une analyse statistique 3) Paramètre de position et de dispersion 4) Analyses prédictives 5) Tests et intervalle de confiance 6) Panorama des outils 1) Rappels des fondamentaux de la statistique descriptive - Définition de la statistique descriptive. - Analyse d'une population. - Méthodes d'échantillonnage. - Variables qualitatives et quantitatives. - Effectifs et calcul des fréquences. - Effectifs cumulés croissants et décroissants. - Séries statistiques. - Représentation graphique des variables qualitatives et quantitatives. Etude de cas Etude d'une population et dimensionnement d'un échantillon. 2) Démarche et modélisation d'une analyse statistique - Statistique descriptive. - Phase d'apprentissage. - Statistique prédictive pour estimer et anticiper. - Modélisation statistique d'un phénomène. 3) Paramètre de position et de dispersion - Mode, valeur modale, valeur la plus probable. - Moyenne d'une population (ou d'un échantillon). - Médiane, partager une série numérique. - Etendue, différence entre valeurs extrêmes. - Utiliser les quantiles. - Comprendre l'utilisation de la variance et co-variance. - Ecart-Type, calculer la dispersion d'un ensemble de données. Etude de cas Calcul de paramètres de position et de dispersion sur différents échantillonnages et comparaisons des résultats. 4) Analyses prédictives - Régression linéaire simple. - Régression linéaire multiple. - Régression logistique. - Analyse de la variance et de la co-variance et recherche de corrélation. Mise en place d'un modèle de régression linéaire multiple pour estimer une valeur. 5) Tests et intervalle de confiance - Tests. - Intervalle de confiance. - Lois statistiques et intervalle de confiance. - Valider la précision d'une estimation. Amplitude de l'intervalle. Etude de cas ORSYS, La Grande Arche, Paroi Nord, La Défense cedex. Tél : +33 (0) Fax : +33(0) page 15

16 Détection de produits finis défectueux sur une chaîne de production. 6) Panorama des outils - Zoom sur le logiciel Open Source "R". - Initiation au logiciel Open Source "R". - Les principaux outils : SAS, SPSS. Travaux pratiques Ecriture de scripts pour calculer des métriques, moyennes, variances. Régression linéaire simple. ORSYS, La Grande Arche, Paroi Nord, La Défense cedex. Tél : +33 (0) Fax : +33(0) page 16

17 Séminaire de 3 jour(s) Réf : GEM Tout cadre et collaborateur désirant s'initier au géomarketing et comprendre comment mieux valoriser les données géolocalisées. Aucune connaissance particulière. Géomarketing : principes et solutions Les données géolocalisées sont devenues des éléments incontournables dans les processus de prise de décision. Ce séminaire vous apprendra à mieux valoriser la composante spatiale de vos données et vous donnera les clés nécessaires pour mettre en œuvre un projet de géomarketing au sein de votre entreprise. OBJECTIFS PEDAGOGIQUES Comprendre les principes et les applications des logiciels de SIG Identifier comment mieux valoriser la composante spatiale de ses données Découvrir les possibilités de la cartographie et de la data-visualisation pour l'aide à la décision Appréhender les étapes essentielles de mise en œuvre d'un projet de géomarketing Prix 2016 : 2680 HT 4 avr. 2016, 13 juin oct. 2016, 12 déc ) Les données géolocalisées au service de l'aide à la décision 2) Les données géolocalisées et les Systèmes d'information Géographiques (SIG) 3) Quels usages de la composante spatiale? Mieux valoriser ses données Méthodes pédagogiques 4) Cartographie et data-visualisation pour l'aide à la décision 5) Mise en œuvre d'un projet de géomarketing Cours théorique s'appuyant sur de nombreux exemples concrets et des études de cas. 1) Les données géolocalisées au service de l'aide à la décision - La géolocalisation composante stratégique du marketing direct. - Le géomarketing : de la cartographie à l'analyse spatiale. - Les enjeux actuels du géomarketing, localiser pour contextualiser, Big Data géographique. Exemple Exemples concrets d'applications et retours d'expériences. Echanges avec les participants. 2) Les données géolocalisées et les Systèmes d'information Géographiques (SIG) - Définitions et concepts. - Géolocaliser l'information, systèmes de référence et projections. - Les référentiels géographiques : sources et producteurs de données. Démonstration Démonstration d'un logiciel de SIG et de son fonctionnement. 3) Quels usages de la composante spatiale? Mieux valoriser ses données - Géocodage, modèles de localisation, maillages et grilles. - Business to Business : secteurs de clientèle, réseaux de distribution. - Business to Consumer : potentiels de marché, zones de chalandises. - Croiser des données hétérogènes : contextualisation de contrats, activités et fichiers. - Analyse de clientèle. Etude de cas Chaque participant identifie comment mieux valoriser la composante spatiale de ses propres données au travers des études de cas proposées. 4) Cartographie et data-visualisation pour l'aide à la décision - Bases et principes de la sémiologie graphique. - Traitement des données pour la cartographie : fondamentaux. - Des données géolocalisées dans les tableaux de bord : prospective en data-visualisation. Réflexion collective Approche critique des cartes pour la décision : échanges avec les participants autour d'une sélection de cartes. 5) Mise en œuvre d'un projet de géomarketing - Les différentes étapes d'un projet SIG. - Cahier des charges fonctionnel. - Coûts et moyens humains. - Panorama des solutions techniques (logiciels de SIG orienté géomarketing, portails Web). - Les outils de la Géo Business Intelligence. Démonstration Démonstration d'outils et de solutions techniques pour le géomarketing. ORSYS, La Grande Arche, Paroi Nord, La Défense cedex. Tél : +33 (0) Fax : +33(0) page 17

18 Stage pratique de 5 jour(s) Réf : BID Dataminers, chargés d'études statistiques, développeurs, chefs de projet, consultants en informatique décisionnelle. Connaissances de base des modèles relationnels, des statistiques et des langages de programmation. Connaissances de base des concepts de la Business Intelligence. Prix 2016 : 2910 HT 15 fév. 2016, 7 mar avr. 2016, 30 mai juil. 2016, 29 aoû &26 sep. 2016, 10 oct nov. 2016, 12 déc Bordeaux 21 mar Geneve 14 mar. 2016, 12 sep Grenoble 14 mar Luxembourg 12 sep Big Data, méthodes et solutions pratiques pour l'analyse des données Best Ce stage vous permettra de comprendre les enjeux et les apports du Big Data ainsi que les technologies pour le mettre en œuvre. Vous apprendrez à intégrer des volumétries massives de données structurées et non structurées via un ETL, puis à les analyser grâce à des modèles statistiques et des dashboards dynamiques. OBJECTIFS PEDAGOGIQUES Comprendre les concepts et l'apport du Big Data par rapport aux enjeux métiers Comprendre l'écosystème technologique nécessaire pour réaliser un projet Big Data Acquérir les compétences techniques pour gérer des flux de données complexes, non structurés et massifs Implémenter des modèles d'analyses statistiques pour répondre aux besoins métiers Appréhender un outil de data visualisation pour restituer des analyses dynamiques 1) Comprendre les concepts et les enjeux du Big Data 2) Les technologies du Big Data 3) Gérer les données structurées et non structurées 4) Les méthodes d'analyse des données pour le Big Data 5) Data visualisation et cas d'usage concrets 6) Conclusion Mettre en place une plateforme Hadoop et ses composants de base, utiliser un ETL pour gérer les données, créer des modèles d'analyse et dashboards. 1) Comprendre les concepts et les enjeux du Big Data - Origines et définition du Big Data : la BI face à la croissance et à la diversité des données. - Les chiffres clés du marché dans le monde et en France. - Les enjeux du Big Data : ROI, organisation, confidentialité des données. - Un exemple d'architecture Big Data. 2) Les technologies du Big Data - Description de l'architecture et des composants de la plateforme Hadoop. - Les modes de stockage (NoSQL, HDFS). - Principes de fonctionnement de MapReduce. - Présentation des distributions principales du marché et des outils complémentaires (Hortonworks, Cloudera, MapR, Aster). - Installer une plateforme Hadoop. - Présentation des technologies spécifiques pour le Big Data (Talend, Tableau, Qlikview...). Installation d'une plateforme Big Data complète via Cloudera et ses composants. 3) Gérer les données structurées et non structurées - Principes de fonctionnement de Hadoop Distributed File System (HDFS). - Importer des données externes vers HDFS. - Réaliser des requêtes SQL avec HIVE. - Utiliser PIG pour traiter la donnée. - Utiliser un ETL pour industrialiser la création de flux de données massives. - Présentation de Talend For Big Data. Implémentation de flux de données massives. 4) Les méthodes d'analyse des données pour le Big Data - Les méthodes d'exploration. - Segmentation et classification. - Estimation et prédiction. - L'implémentation des modèles. Mise en place d'analyses avec le logiciel R. 5) Data visualisation et cas d'usage concrets - Les outils de restitution du marché. - Méthodologie de mise en forme des rapports. ORSYS, La Grande Arche, Paroi Nord, La Défense cedex. Tél : +33 (0) Fax : +33(0) page 18

19 - Apport du Big Data pour le "Social Business". - Mesurer l'e-réputation et la notoriété d'une marque. - Mesurer l'expérience et la satisfaction clients, optimiser le parcours client. Installation et utilisation d'un outil de Data Visualisation pour constituer des analyses dynamiques, récupération de données issues de réseaux sociaux et création d'analyse d'e-réputation. 6) Conclusion - Ce qu'il faut retenir. - Synthèse des bonnes pratiques. - Bibliographie. ORSYS, La Grande Arche, Paroi Nord, La Défense cedex. Tél : +33 (0) Fax : +33(0) page 19

20 Séminaire de 2 jour(s) Réf : BGA DSI, directeurs techniques, chefs de projet, architectes, responsables SI. Connaissances de base des architectures techniques. Prix 2016 : 1950 HT 24 mar. 2016, 23 juin sep. 2016, 15 déc Bruxelles 13 juin 2016 Geneve 7 avr. 2016, 13 juin 2016 Luxembourg 13 juin 2016 Big Data : synthèse Best OBJECTIFS L'accroissement continuel des données numériques dans les entreprises et les organismes publics a conduit à l'émergence du «Big Data». Ce concept recouvre les questions de stockage et de conservation de vastes quantités de données, mais aussi celles liées au gisement potentiel de valeur que représentent ces masses de données. Ce séminaire présente les problèmes spécifiques du Big Data et les solutions techniques potentielles, de la gestion des données aux différents types de traitement, qui témoignent d'une rupture par rapport aux moyens usuels d'analyse du fait des quantités traitées. 1) Introduction 2) Big Data : traitements, depuis l'acquisition jusqu'au résultat 3) Relations entre Cloud et Big Data 4) Introduction à l'open Data 1) Introduction 5) Matériel pour les architectures de stockage 6) Protection des données 7) Méthodes de traitement et champs d'application 8) Cas d'usage à travers des exemples et conclusion - Les origines du Big Data : un monde de données numériques, l'e-santé, chronologie. - Une définition par les quatre V : la provenance des données. - Une rupture : changements de quantité, de qualité, d'habitudes. - La valeur de la donnée : un changement d'importance. - La donnée en tant que matière première. - Le quatrième paradigme de la découverte scientifique. 2) Big Data : traitements, depuis l'acquisition jusqu'au résultat - L'enchaînement des opérations. L'acquisition. - Le recueil des données : crawling, scraping. - La gestion de flux événementiel (Complex Event Processing, CEP). - L'indexation du flux entrant. - L'intégration avec les anciennes données. - La qualité des données : un cinquième V? - Les différents types de traitement : recherche, apprentissage (machine learning, transactionnel, data mining). - D'autres modèles d'enchaînement : Amazon, e-santé. - Un ou plusieurs gisements de données? De Hadoop à l'in-memory. - De l'analyse de tonalité à la découverte de connaissances. 3) Relations entre Cloud et Big Data - Le modèle d'architecture des Clouds publics et privés. - Les services XaaS. - Les objectifs et avantages des architectures Cloud. - Les infrastructures. - Les égalités et les différences entre Cloud et Big Data. - Les Clouds de stockage. - Classification, sécurité et confidentialité des données. - La structure comme critère de classification : non structurée, structurée, semi-structurée. - Classification selon le cycle de vie : données temporaires ou permanentes, archives actives. - Difficultés en matière de sécurité : augmentation des volumétries, la distribution. - Les solutions potentielles. 4) Introduction à l'open Data - La philosophie des données ouvertes et les objectifs. - La libération des données publiques. - Les difficultés de la mise en œuvre. - Les caractéristiques essentielles des données ouvertes. - Les domaines d'application. Les bénéfices escomptés. 5) Matériel pour les architectures de stockage - Les serveurs, disques, réseau et l'usage des disques SSD, l'importance de l'infrastructure réseau. - Les architectures Cloud et les architectures plus traditionnelles. - Les avantages et les difficultés. - Le TCO. La consommation électrique : serveurs (IPNM), disques (MAID). - Le stockage objet : principe et avantages. ORSYS, La Grande Arche, Paroi Nord, La Défense cedex. Tél : +33 (0) Fax : +33(0) page 20