1 – Enjeux et perspectives : aligner les gouvernances

• Les enjeux de la gouvernance au service de l’économie des données
  • Le monde de la donnée, des infocentres au big data
  • Typologie des données, structurées et non-structurées
  • Passer du coût de la donnée, à la valeur de la donnée
  • Particularités des données destinées à l’entraînement des modèles d’intelligence artificielle

• Gouvernance des données, gouvernance des informations
  • Les « régimes » de gouvernance d’entreprise : centralisation, fédéralisme…, comment choisir ?
  • Aligner les démarches de « gouvernance du système d’information » et de « gouvernance des données »
  • Approches académiques et théoriques existantes de la gouvernance (DMBOK, Data Governance Institut, TOGAF, COBIT, ITIL,..)
  • Transférer la gouvernance des données aux métiers : dans quel cadre, pourquoi et comment ?
  • La norme ISO 24143 : aligner ses pratiques, et se préparer à une éventuelle certification

2 – Mise en place des équipes, rôles et architectures

• Équipes, personnes, rôles et fonctions de la gouvernance, de la qualité et de la conformité des données
  • Les métiers liés à la gouvernance des données : Chief Data Officer (CDO), data steward, data owner, data product manager, data custodian, data compliance manager, DPO…
  • Comité de gouvernance des données : organisation et composition, mode de fonctionnement, la charte de gouvernance des données

• Les architectures de données et leurs liens avec le choix d’un régime de gouvernance
  • Concept de gravité des données vs gravité des applications : architecture applicative ou architecture de données ?
  • Architecture centralisée : construire une plateforme de données autour du data warehouse et du data lake
  • Architecture fédéralisée : passer du data warehouse au data mesh
  • Quelle gouvernance pour les data products et les data contracts
  • Impact des choix d’architecture sur la disponibilité et le partage de l’information
  • La place du cloud computing dans les architectures de données
  • Contraintes liées au transfert des données depuis/vers le cloud
  • Impact du développement du low-code / no-code sur la répartition des rôles

• Conduire le projet « Gouvernance des données »
  • Définir le périmètre global, identifier les priorités, planifier et démarrer les ateliers de gouvernance
  • Mettre en place les indicateurs et le tableau de bord spécifique de la gouvernance (modèle fourni)

3 – Catalogue de données

• Créer un dictionnaire-référentiel des données orienté métiers
  • Cartographier données, personnes et processus
  • Modéliser les données au travers des processus métiers (du Domain Driven Design au Data Mesh)
  • Élaborer à partir d’un modèle sa fiche de référentiel et animer les ateliers de cartographie
  • Étude de cas : comparaison des fiches réalisées par plusieurs entreprises

• Valorisation des données – Mettre en place des métriques de valorisation
  • Normes IAS vs normes françaises : travaux en cours
  • Data as a Product : comment les métiers doivent percevoir leurs données ?
  • Du Data Catalog au Data Product Catalog
  • Comment référencer les données ouvertes (Open Data) ?

• Solutions tactiques pour obtenir un premier retour sur investissement
  • Une base de données graph pour formaliser son catalogue de données
  • Utiliser l’Intelligence Artificielle Générative pour accélérer certaines étapes

• Panorama comparatif des principaux outils du marché : Collibra, Alation, Castor, Data Galaxy, Atlan, Magda, Orkestra Data, Microsoft Pureview, SAP DataSphere, IBM Data Product Hub…

4 – Démarche qualité, critères et indicateurs

• Impact de la qualité des données sur les performances
• Construisez le tableau de bord de la santé de vos données – L’observabilité des données
• Les 15 indicateurs principaux de mesure de la qualité : construisez votre indice personnalisé de qualité des données
• Lien entre qualité des données et gouvernance : le rôle du data steward
• Le projet « qualité des données » en 10 étapes
• Quelles tâches liées à la qualité des données peuvent être automatisées  ? Quel est le rôle de l’Intelligence Artificielle ?
• Panorama et comparatif des principaux outils de contrôle, gestion et amélioration de la qualité des données

5 – Master Data Management (MDM)

• Enjeux et ROI d’un projet MDM
  • Définition, sélection et synchronisation des données maîtres
  • Le MDM, principal outil d’obtention d’un ROI rapide de la gouvernance des données

• Comparaison des architectures MDM : Consolidée unique, consolidée avec références multiples, décentralisée, virtualisée
  • Les 3 architectures types d’un MDM : avantages et inconvénients
  • La virtualisation du MDM : promesses et contraintes
  • Combiner MDM et Product Information Management (PIM)
  • MDM et catalogue de données – quelles différences ?

• Panorama et comparatif des principaux outils de gestion des données de référence

6 – Conformité et synthèse des éléments du projet

• Conformités
  • Impliquer le DPO dans la gouvernance des données
  • Les conformités sectorielles : banques, assurances, secteur public, données de santé…
  • Conformité et sécurité informatique : réduire les risques pesant sur les données
  • Disponibilité et résilience : aligner PCA (Plan de Continuité d’Activité) et gouvernance des données
  • Le rôle de la gouvernance dans la recherche de sobriété numérique

• Les législations européennes et américaines, en cours et à venir : Data Governance Act, Data Act, CSRD…

• Panorama et comparatif des principaux outils de suivi de la conformité des données

7 – Conclusion et synthèse

• De la gouvernance des données à la gouvernance de l’intelligence artificielle
• Le rôle du CDO, du Data Governance Manager, du DPO dans l’alignement de la gouvernance des données et de la gouvernance de l’IA
• Améliorer l’alphabétisation à la donnée de l’ensemble de l’entreprise
• Erreurs à éviter, meilleures pratiques : partage d’expériences entre les participants

Ce programme a été mis à jour le 22 juillet 2024.