Big Data / Etat de l’Art – Enjeux pour l’entreprise et tendances

I/ Historique et contexte de l’explosion des usages autour des données

• Les origines du Big Data : un monde de données numériques, chronologie
• Une définition par les trois V, et les V complémentaires
• La valeur de la donnée : une prise de conscience
• La donnée en tant que matière première : pourquoi et comment comparer pétrole et données
• La prise de décision : origine et évolution des outils d’aide à la décision

II/ L’Economie des données

• Principes de l’économie des données et des algorithmes
• Etudes de cas liés à la transformation numérique
• Analyse illustrée de différents modèles économiques liés à l’analyse de
  données
• Les métiers liés à la donnée
• Les entreprises du domaine de la donnée
• Exercice pratique de réflexion sur l’analyse de données non structurées

III/ Gestion du patrimoine informationnel et pilotage de la valeur

• Préparation d’un projet Big Data : définition des cas d’usage
• Construction d’un Business Model Canvas et d’une matrice d’évaluation
• Les architectures techniques : data warehouse, data lake, etc.
• Les acteurs du Big Data
• Analyse détaillée des évolutions technologiques dans les domaines de
  l’acquisition des données, du stockage et de la restitution
• Exercice pratique de rétro-analyse d’une architecture Big Data

IV/ Big Data : Acquisition des données

• 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 Big Data : Stockage des données
• Les différentes formes de stockage des données structurées : SQL, OLAP, Bases Graphes
• NoSQL : différences et apports
• Panorama des solutions NoSQL
• HADOOP : de quoi s’agit-il ?
• Détails du fonctionnement et de l’architecture d’un système HADOOP
• L’écosystème Hadoop : Hive, Pig. Les difficultés d’Hadoop
• HADOOP et Big Data sont-ils indissociables ?
• Les autres solutions de stockage de données (Data Lake)
• Le modèle d’architecture des Clouds publics et privés
• Les objectifs et avantages des architectures Cloud
• Les infrastructures
• Les égalités et les différences entre Cloud et Big Data
• Les Clouds de stockage
• Les outils de restitution : de la Data Visualization au Data Storytelling
• Panorama des outils tels que Qlik, Tableau, TIBCO Spotfire, Microsoft PowerBI.

V/ Machine Learning, Deep Learning, Intelligence Augmentée

• Comprendre les concepts et les définitions
• Différences entre intelligence artificielle et intelligence augmentée
• Qu’est-ce que le machine learning
• Détails du processus d’apprentissage machine : modélisation,
  apprentissage, exécution, rétroaction
• Cas pratiques de mises en place
• Exercice pratique de conception d’une matrice d’apprentissage

VI/ Cas d’usage à travers des exemples et conclusion

• L’anticipation : besoins des utilisateurs dans les entreprises, maintenance des équipements.
• La sécurité : des personnes, détection de fraude (postale, taxes), le réseau.
• La recommandation. Analyses marketing et analyses d’impact.
• Analyses de parcours. Distribution de contenu vidéo.
• Big Data pour l’industrie automobile ? Pour l’industrie pétrolière
• Faut-il se lancer dans un projet Big Data ?
• Gouvernance du stockage des données : rôle et recommandations, le Data Scientist, les compétences d’un projet Big Data