1 – Architectures et architectes

• Le métier d’architecte de données
  • Liste de ses tâches – Fiches de postes
  • Les différents « architectes » (applications, données, système, technique, informatique, d’entreprise…)
• Points d’interaction avec les autres métiers du Data Office (CDO…)
• De l’application à la donnée : la Data Gravity
• Les livrables

2 – Typologie et formats de données

• Carte mentale des données d’entreprise
• Matrice multidimensionnelle de classement des types de données
  • Structure, accessibilité (ouvertes, lisibles, chiffrées, anonymisées…), origine (données métiers, données techniques), température de stockage (froides, tièdes, chaudes), utilisation
  • Les métadonnées derrière chaque donnée (de structure, d’exécution)
• Cycle de vie de la donnée, traitements et outils
• Rôle du catalogue de données

3 – Modélisation des données

• Modélisation vs non-modélisation
• Modélisation conceptuelle (MCD), logique (MLD) et physique (MPD)
• Quelques formes de modélisation : Relationnelle, Graphe, Multidimensionnelle, Colonnes, Documents, Clefs-valeurs, Vectorielle
• Quelle type de modélisation pour préparer ses données à l’intelligence artificielle ?
• Domain Driven Design (DDD)

4 – Cas d’applications et architectures types

Pour chacun des modèles ci-dessous, détaillons schéma d’architecture, technologies utilisées, cas d’application, et avantages / inconvénients de chaque architecture.

• Architecture d’un système opérationnel centralisé vs fédéralisé – le Domain Driven Design
• Architecture d’un système décisionnel centralisé (autour d’un data warehouse)
• Architecture d’un système de type Data Vault
• Architecture d’un système décisionnel orienté métiers – le Data Mesh
• Architecture d’un système Big Data autour du Data Lake
• Architecture de préparation des données pour l’apprentissage machine (Machine Learning) et l’IA générative
  • Identification, traitement et stockage des données d’entraînement
• Architecture globale d’une plate-forme de données (Data Hub, Data Fabric…) sous plusieurs variantes
  • Modern Data Stack : composants et positionnement
• Architecture globale d’une plateforme IoT (Internet des Objets)

5 – Architectures matérielles

• Les serveurs dédiés au stockage de données
  • Les puces GPU pour le calcul, DPU (Data Processing Unit) et IPU (Infrastructure Processing Unit), les grappes de données (clusters)
• Panorama des solutions cloud de plateformes de données
  • Stockage et conformité : La notion de « cloud souverain »
  • Cloud, on-premise, hybride, ou edge
• Aligner le schéma d’architecture et les choix d’hébergement
• Température des données
  • Les principales technologies (mémoire, disque SSD, disque dur, Hadoop, Amazon Glacier…) et automatisation des mouvements de données en fonction de leur température
• Stratégies de sauvegarde et restauration
• Sécurité des données (physique et logicielle)
  • Sécurité des données et des transactions : Chiffrement, Authentification, Autorisations, Gestion des accès à privilèges
  • Gestion d’une sécurité de bout en bout

6 – Architectures logicielles

• Panorama des bases de données opérationnelles et décisionnelles
  • Bases de données graphes (Neo4j) et in-memory
  • Plateformes combinant plusieurs types de données (Snowflake, Databricks…)
  • Impact du Low-code / No-Code
  • Bases de données partagées – Database as a Service (DBaaS)
  • Virtualisation des données (Denodo, TIBCO, Informatica…)
• Les architectures d’alimentation
  • ETL vs ELT, ESB (Enterprise Service Bus), CDC (Change Data Capture), API (Interfaces de Programmation d’Applications)
    • Passer du traitement par lots aux flux de données en temps réel
    • Le cas des objets connectés (IoT)
  • Intégrité, consistance et gestion des versions
  • Gestion des données de référence – Master Data Management (MDM)
  • Comparaison des architectures possibles pour un MDM
  • Sélectionner ses données de référence
  • Les collecter, les stocker, et les exposer
  • Panorama des solutions de Master Data Management
• La Business Intelligence (BI)
  • Du reporting à la BI en libre-service
  • Prévenir, identifier, traiter et intégrer l’informatique fantôme (Shadow IT)
• Notion de disponibilité
  • Répartition, affectation de quotas, priorisation de services, équilibrage automatique…
  • Bâtir un contrat de service (SLA) interne – Data Mesh et Data Contracts
• Mise en production : du DevOps au DataGovSecOps…

7 – Architectures de service

• Formes d’hébergement et solutions du marché (Amazon S3, Google Cloud Platform, Microsoft Azure…)
• Migrer ses données vers le cloud – solutions logicielles et matérielles (Amazon Snowball…)
• Critères de choix d’un prestataire
• Dans quels cas rester hébergé en interne

8 – Gouvernance des données

• Pas de gouvernance sans métadonnées
• Le rôle de l’architecte de données dans le comité de gouvernance

9 – Coûts et retour sur investissement (ROI)

• Budgétisation et mesure des coûts d’un hébergement hybride
  • Le Finops, contrôleur de gestion de l’architecture de données
• Impact de l’architecture sur la valorisation des données : outils de mesure
• Participation au reporting CSRD (Comptabilité carbone)

10 – Réglementaire, normes et conformité

• Sur quelles normes s’appuyer pour construire son architecture de données
  • DMBOK, le travail de l’association DAMA, Cobit 2019, ISO 24143 – la norme de gouvernance en devenir, ISO 8000 – Qualité des données…
• Contraintes règlementaires applicables aux architectures de données
  • Sécurité : prévention des pertes / vols de données
  • Data Act, Digital Act, Data Governance Act… réglementations européennes actuelles et futures
• Focus RGPD
  • Place du registre des traitements dans l’architecture
  • Position et gestion de la base des consentements

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