- Cours pratique
- FSE
- Informatique
Formation Sensibilisation à la Data en entreprise
Les données au cœur de la transformation numérique
- Durée
- 3 jours
- Niveau
- Fondamental
- Modalités
- Présentiel / Distanciel
Description de la formation Comprendre Data
Conceptuellement un système d’information se résume à des données et des traitements. Dans la pratique, les choses sont plus complexes car les données sont partout (locales, réparties, dans le cloud, embarquées sur mobile, etc.). Elles se présentent sous différents formats (fichiers texte, SGBD, NoSQL, CSV, JSON, bureautique...) qui cohabitent souvent sur un même système et dans un volume sans cesse croissant (Big Data).
Les traitements eux-mêmes évoluent (micro services, web services, API, ETL, reporting intelligent, etc.) ainsi que le besoin de traitement de flux de données (stream) en temps réel sans passer par du stockage. Au final on peut donc rencontrer beaucoup d’architectures et d’outils différents. Cette formation vous propose une approche globale de la donnée afin d'une part de démystifier les technologies et les outils associés mais aussi de comprendre tout ce que le traitement des données peut apporter aux entreprises sur un plan interne et externe (ouverture du système d'information) en comprenant les imbrications des métiers et des technologies dans les différents projets.
Objectifs pédagogiques
Objectifs pédagogiques :
À l'issue de cette formation
- Connaître le cycle de vie des données : conception, format, stockage, extraction, visualisation, exploitation, etc.
- Connaître les principes de base sur les systèmes distribués et plus classique non distribués
- Connaître les périmètres et les recouvrements des projets : Big Data, Data Science, bases de données relationnelles, BI (Business Intelligence), etc.
- Connaître les métiers autour de la data (compétences) : administrateur de base de données, consultant BI, développeur SQL, analyste, data scientist, etc.
- Connaître les outils et technologies standards autour de la data (SGBDR, Talend, Power BI, Hadoop, Spark, NoSQL, Kafka, etc.)
Programme
Contenu du cours, module par module
9 modules
- Comment conçoit-on une base de données relationnelles ?
- Exemple de MCD (Modèle Conceptuel de Données)
- Les standards du marché : MySQL, PostgreSQL, Oralce, DB2, SQL Server, etc.
- Comment laisser la base dans un état intègre : contraintes d’intégrité sur les données (clefs primaires/étrangères)
- Notions de transactions, verrous et de visibilité des données entre les applications
- Le minimum du SQL à connaître pour extraire des informations
- Qu’entend-on par données non structurées ?
- Spécificité du stockage distribué (notion de cluster)
- Connaître le cycle de vie des données : conception, format, stockage, extraction, visualisation, exploitation, etc.
- Limites des SGBDR (Système de Gestion de Bases de Données Relationnelles) pour les besoins métiers
- Que propose la BI ?
- Vocabulaire conceptuel associé à la modélisation des données : fait, dimension, étoile, cubes, etc.
- Vocabulaire technique : infocentre, datawarehouse, datamart, etc.
- Rôle d’un ETL (Extract, Transform, Load) dans l’exploitation des données
- Les outils de reporting et d’analyse : PowerBI, Tableau, Business Objects (BO), etc.
- Pourquoi typer les données : entier, réel, date, chaîne de caractères, etc. ?
- Exemples de problèmes liés au typage des données (incompatibilité, erreur de précision, erreur de conversions, etc.)
- L’encodage des données : ascii, utf-8, etc.
- Exemples de “problèmes rencontrés” (fichier corrompu, caractères « bizarres » dans les mails ou sur des pages web, etc.)
- Ce qu'apporte les normes (ISO, ASCII, …) ?
- Comment sont-elles utilisées concrètement par les développeurs ou les DBA (DataBase Administrator) ?
- Intérêts et inconvénients du format binaire par rapport au “texte”
- État de l’art sur la compression des données
- Le standard XML (eXtensible Markup Language) pour décrire les données
- Apports du format JSON
- Liens entre Web Services et XML ou JSON
- Exemple de flux de données dans les applications Big Data (notion de streaming)
- Exemples de traitements à partir d’un fichier JSON (web service, export de données, conversion de documents en PDF, fichier de configuration, descriptions d’une page web, etc.)
- Les origines du Big Data
- Les données au cœur des enjeux
- Explosion du nombre de données
- La place des objets connectés dans le Big Data
- Comment disposer de données de « qualité » ?
- Les limites des architectures actuelles
- Définition d’un système Big Data
- Différences entre BI, Big Data et Data Science ?
- Philosophie des données ouvertes (Open Data)
- Cohabitation des solutions SGBDR et NoSQL
- Exemple de traitement avec un ETL dédié Big data
- L’apport d’un MDM (Master Data Manager)
- Le stockage avec Hadoop : base de données Hbase, système de fichiers distribué HDFS
- Les solutions Cloud : AWS (Amazon Web Services), GCP, Azure
- Définition de l’analyse statistique
- La nécessité de “nettoyer” les données : dataquality, datacleaning
- Requêter avec Hive
- Analyser les données : Pig, Mahout, etc.
- Intégrer les données grâce à Sqoop
- Format des données utilisées par MapReduce : clef, valeur
- Le framework Spark
- Exemple d’unification de données hétérogènes (CSV, JSON) avec Spark pour pouvoir requêter en SQL
- Machine learning et prédiction des données
- Les outils : Scala, Spark MLibs, etc.
- Comment manipuler des flux de données distribués en temps réel ?
- L'exemple de la solution proposée par Kafka (vue générale)
- Conclusion : quelle famille et quel type de langage/framework pour quel besoin ?
- Comment peut-on faire « parler » les données ?
- Liens entre Machine Learning et Data Science
- Vocabulaire et technologies sous-jacentes : algorithme, statistiques, mathématiques
- La mise en place de la récolte des données : ETL, APIs, data warehouses/ data lakes, etc.
- Méthodes d’analyse et préparation des données
- Application des algorithmes
- Représenter les données avec des graphes (Data Graph)
- Principes généraux des réseaux de neurones
- Ce que les statistiques ne disent pas
- Data visualisation et cas d'usage concrets
- Quels graphes pour quels usages ?
- Représentation de données complexes : encodage visuel, visualisation interactive
- Savoir communiquer sur les analyses de données : Data Storytelling
- Quelques outils de reporting utilisés dans les projets (Power BI, Qlik Sense, Google Data Studio, etc.)
Travaux pratiques
Lors de ce cours Comprendre la Data, vous assisterez à des démonstrations sur Talend, Power BI, Spark, NoSQL avec MongoDB, pour illustrer les domaines d’application et les concepts liés aux données.
Programme mis à jour le 26/08/2025
Public concerné
Cette formation Comprendre la Data s'adresse aux DSI, directeurs techniques, chefs de projets, architectes, consultants, administrateurs de bases de données, ingénieurs systèmes et réseaux, développeurs, data scientists, et plus généralement toute personne désirant disposer d’une vue globale et détaillée sur les concepts et technologies autour des données dans les projets.
Prérequis
Il est recommandé d'avoir une culture générale de base en informatique (OS, base de données, etc.) pour suivre cette formation d'intiation à la Data.
J’évalue mes connaissances pour vérifier que je dispose des prérequis nécessaires pour profiter pleinement de cette formation en faisant le test de prérequis.
Faire le testFinancement
Cette formation peut être prise en charge par votre entreprise, seule ou avec l’appui de son opérateur de compétences. Nous fournissons le devis et les pièces attendues par l’OPCO.
Formations liées
- Big Data - Gestion de référentiels de donnéesRéf. AMDM2 joursIntermédiaireProchaine session : 7 déc.2 120 €
- Big Data : Architecture et InfrastructureRéf. OAIH3 joursFondamentalProchaine session : 4 nov.2 090 €
- Big Data : Concevoir et piloter un projet Big DataRéf. OCPP3 joursFondamentalProchaine session : 7 déc.2 090 €
- Big Data : Enjeux, concepts, architectures et outilsRéf. OBIF2 joursFondamentalProchaine session : 3 déc.1 790 €