Matin [3h] : Structuration d’un projet

M1 – Qu’est-ce qu’un projet Data ?
solutions apportées par la Data Science et le Big Data aux problématiques métiers
1. Rupture technologique / nouvelles
2. Les 5V du Big Data
3. Présentation des nouveaux cas d’usage
4. L’exemple des données non structurées
5. Temps réel / Performance

M2 – Spécificité organisationnelle
De la nécessité de mobiliser l’ensemble des acteurs
1. Critères de réussite et de rentabilité d’un projet Big Data
2. Implication et rôles des acteurs projet

M3 – Spécificité méthodologique
Une approche progressive et itérative
1. Test and learn
2. Delivery en continu
3. Agilité / User Story

M4 – Spécificité technologique
Un écosystème en constante évolution
1. Quels outils pour quels usages ?
2. L’intégration du big data dans un SI existant
3. Pérennité des technologies Big Data

M5 – Spécificité économique
Savoir se repérer dans le monde de la donnée
1. Multiplicité des acteurs sur le marché
2. Cout d’infrastructure (Cloud, On premise, …)

M6 – Spécificité juridique et humaine
RGPD et conduite du changement
1. Loi « Informatique et Libertés » / futur règlement européen
2. Données publiques (Open data)
3. Conservation et transfert des données
4. Propriété intellectuelle de la donnée
5. Cas des objets connectés

Après-Midi [4h] : Manager le processus de mise en place d’un projet Data – 1ère partie

M1 – Composer et piloter une équipe Data
Les différents acteurs d’un projet et l’organisation d’un groupe dans un projet
1. Les compétences
2. Une équipe type existe-t-elle ?
3. L’encadrement d’une équipe Data

M2 – Construire un cas d’usage Data
Mettre en valeur et exploiter sa donnée
1. Identifier les besoins et le type de données à traiter avec les métiers (use cases)
2. Exemple de cas d’usages classiques Data
3. Retour d’expérience sur quelques cas déjà instruits chez Quantmetry
4. Expression de besoin d’un use case data (Cadrage du besoin avec la méthode SMART)

M3 – Atelier #1 : Idéation autour d’un cas d’usage Data
Réfléchir autour des meilleures applications possibles selon votre contexte
1. Présentation de l’atelier et explication du scénario (use case type)
2. Constitution des groupes (3 à 4)
3. Réflexion par groupe autour des questions Data
4. Mise en commun des réponses

Matin [3h] : Manager le processus de mise en place d’un projet Data – 2ème partie

M1 – Les différentes phase d’un projet Data
Apprendre à découper un projet data en étapes distinctes
1. le cadrage du projet : définition des critères et de la méthodologie de priorisation

M2 – La collecte et le stockage des données
comment mettre en place une collecte de donnée efficace
1. Écosystème Hadoop
2. Bases de données NoSQL
3. Lambda architecture
4. Présentation d’architectures type de collecte et stockage

M3 – L’exploitation des données
critères et méthode pour vérifier l’exploitabilité des données
1. Traitements analytiques
2. Calcul distribué

M4 – L’analyse des données
Une multitude d’approches
1. Qu’est-ce que la Data science ?
2. Machine Learning
3. Présentation simplifiée de quelques algorithmes

M5 – La visualisation des données
Quelles méthodes pour présenter efficacement les données ?
1. Concepts généraux de la Data Visualisation
2. Présentation des principaux outils de Data Visualisation : Tableau, Js…

M6 – Piloter et maîtriser les risques des projets Data
Les écueils types d’un projet Data
1. Rappel sur la gestion des risques projet IT
2. Les risques spécifiques aux projets Data (implication métier, gouvernance des données, sécurité, maturité des acteurs)
3. Ratios projets / Abaques
4. Liste des facteurs clés de succès
5. Liste des pièges à éviter

M7 – Tests et analyses de performances
Mesurer et suivre l’état d’avancement d’un projet, anticiper les complications
1. Importance des tests de performances dans un projet Data
2. Les différents types de tests (évaluation des modèles, charge, stress test)
3. Choix des métriques

Après-midi [3h30] : Études de cas / mises en situation

M4 – Atelier #2 : Initiation au cadrage d’un projet Data : POC Data Science
Mise en condition en atelier groupé pour la mise en place d’un projet type
1. Présentation de l’atelier et constitution des groupes (3 à 4)
2. Prise de connaissance d’une demande simplifiée de création d’un POC Data Science (type RFI)
3. Préparation par groupe d’une liste de questions type Q&A
4. Échange et réponses aux questions sur le besoin par le formateur
5. Préparation d’une macro proposition : compréhension du besoin, solution technique, Méthodologie projet, Macro-Planning et charge
6. Mise en commun des propositions et échanges