Finalité et principes des SID

• Positionnement du SID par rapport au big data et au SIO (système d'information opérationnel).
• Tendances et évolutions du décisionnel. Data lake versus data warehouse.
• Nouveaux enjeux : valorisation de l'information, corrélation rapide.
• L'architecture d'un SID.
• Les choix stratégiques d'architecture : intégration du data lake.
• Nouvel équilibre entre modélisation préalable et analyse dynamique.

Démarche de conception du SID, impact du mode découverte

• La typologie universelle des demandes sur un SID autour du pilotage et de l'analyse comportementale prédictive.
• Maîtriser le processus de conception des data marts et des data labs.
• Comment passer de data marts en silo à un SI ouvert à la BI découverte et au big data ?
• Cohérence des modèles en étoile : multidimensionnel. Analyse en mémoire contre modèle en étoile. Modèle du data lab.
• Dénormalisation NoSQL versus dénormalisation décisionnelle classique.
• Différence entre analyse multidimensionnelle et prédictive.
• Éviter le foisonnement d'agrégats et indicateurs en réutilisant les développements.
• Concevoir une architecture mixte BI classique-BI découverte-analytique dynamique.

Construire les référentiels

• Comment faciliter l'accès aux informations ? Réconcilier MOA et 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.

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.
• Le multidimensionnel in-memory.
• Organiser son data lake. Construire les data labs.
• Appliquer une normalisation décisionnelle à vos modèles en étoile.

Mesurer la valeur du SID

• Faire de son SID un levier de la stratégie d'entreprise.
• Réunir les cas d'usage en processus décisionnels.
• Urbanisation du SID : éviter trop de traitements et des couches sémantiques surchargées.
• Identifier les zones éligibles au cloud computing.
• Cartographier son SID pour lier finalité d’usage et données utilisées pour le RGPD.
• Définir les critères d'efficacité d'un SID.
• Piloter la valeur des données.

Big data en mode industriel

• Principaux types de cas d’usage.
• Problème de l’industrialisation des projets big data.
• Check-list des recommandations.
• Analytique – prédictif temps réel et streaming (CEP : complex event processing).

État de l'art des outils décisionnels

• Lier ou fusionner son data lake et son data warehouse pour créer la data factory.
• Panorama des suites décisionnelles : SAS, Microsoft, SAP BusinessObjects...
• Degré d'intégration du mode découverte, de l'analytique et de la data visualisation.
• ETL. Outils multidimensionnels. Déploiement web.
• Big data intégré au SID. BD NoSQL. BD NewSQL. Cohabitation entre les différentes bases de données.
• Analyse in-memory. Appliance ou commodity hardware.
• Positionnement de l'écosystème Hadoop dans l'analyse du comportement client.
• Basculer le SID sur une base de données NoSQL, NewSQL ou intégrer les approches ?
• Combiner une solution Agile de data discovery et des capacités d'industrialisation de la BI.

Opportunité et création de valeur pour l'entreprise

• Évaluer la valeur ajoutée pour l'entreprise et la conduite du changement utile.
• Gérer son portefeuille de projets, les prioriser. Critères de lotissement.
• Spécificités d'un projet décisionnel et d'un projet big data.
• Techniques d'analyse de besoin en décisionnel : les pièges à éviter.
• Comment évaluer la complexité, la maturité des besoins ?
• Conduire le passage du décisionnel classique au mixte classique-analytique en mode libre.

Organisation de la gouvernance : équipes - processus - données

• Différents acteurs et rôles respectifs. Nouvelle relation entre métiers et IT.
• Leviers de la BI découverte, du big data et de la data science.
• Positionner le décisionnel au sein de l'entreprise. Organiser la gouvernance, la cohérence globale des données.
• Créer une organisation cohérente et pluridisciplinaire.
• Préserver l'autonomie des utilisateurs. Gérer la réactivité.
• Intégrer les métiers dans le pilotage de la valeur : données et cas d’usage.
• Organiser la data factory. Administrer les composants du SID.
• Garantir la fiabilité des données et des informations.
• Mettre en place le processus de la gestion de la qualité et de la véracité.
• Définir les contrôles qualité minimum. Définir le phasage des contrôles.
• Impact de la réglementation RGPD sur la sécurité d’accès aux données.

• Le plan de développement des compétences de votre entreprise : rapprochez-vous de votre service RH.
• Le dispositif FNE-Formation.
• L’OPCO (opérateurs de compétences) de votre entreprise.
• France Travail sous réserve de l’acceptation de votre dossier par votre conseiller France Travail.

• Le plan de développement des compétences de votre entreprise : rapprochez-vous de votre service RH.
• Le dispositif FNE-Formation.
• L’OPCO (opérateurs de compétences) de votre entreprise.
• France Travail sous réserve de l’acceptation de votre dossier par votre conseiller France Travail.