Big Data – Gestion de référentiels de données

Objectifs pédagogiques

• Développer des applications de Machine Learning et d’IA (Intelligence Artificielle) avec Spark et Python
• Utiliser la programmation parallèle sur un cluster
• Développer et optimiser des algorithmes standards de Machine Learning et d’IA
• Utiliser les bibliothèques Python pour le Machine Learning et d’IA
• Décrire le cycle de vie d’un projet Data Science

Programme

Introduction

• Présentation du cours
• Concepts et glossaire des données de référence
• Rappel sur l’architecture des référentiels SI
• Les données de référence
• Définition des données de référence (Master Data)
• Types et nature des données de référence
• Les principaux référentiels du SI
• Architecture applicative d’un référentiel
• Master Data Management (MDM)

Définition du MDM

• Qu’est-ce que le MDM ?
• Les sources de MDM
• Les conséquences d’un MDM faible
• Pourquoi le MDM est-il difficile ?
• Les différents types de MDM
• Aperçu du marché des solutions de MDM
• Les données ambiguës
• L’importance de connaître les données ambiguës

Les risques de l’engagement « Business »

• Les « Business Cases » faibles
• Excès d’ambitions
• L’ignorance de la qualité des données
• MDM n’est pas une cible mais un process
• Architecture et technologie
• Architectures MDM
• Vue simpliste du scope MDM
• MDM dans les entreprises multinationales

Les styles de MDM

• Opérationnel vs analyse MDM
• Chevauchement de styles
• Le taux de succès
• La question de fédération
• La fédération en pratique
• La gouvernance des données

Rôle de la gouvernance

• Aspects de la gouvernance de données
• Cycle de vie de la donnée
• Niveau d’intérêt dans la gouvernance de données
• Organisation de la gouvernance de données
• Zones de mise en valeur
• Le coût de la faible qualité des données
• Data gouvernance (comité et staff)
• Les 5 niveaux de maturité
• Les principaux drivers pour la gouvernance de données
• La qualité des données
• La qualité des données et le MDM
• Les dimensions de la qualité des données
• L’utilité de la qualité des données
• Les technologies utilisées dans la qualité des données
• La perception des éditeurs dans la qualité des données

Le contenu de ce programme peut faire l’objet d’adaptation selon les niveaux, prérequis et besoins des apprenants.