Big Data – L’essentiel
Objectifs
- Comprendre le concept du Big Data
- Être capable d’identifier l’écosystème et comprendre les technologies associées
- Savoir anticiper son intégration dans les activités informatiques de l’entreprise
- Être en mesure de l’exploiter dans le respect des règles de sécurité et de confidentialité
Programme
Exemples d’usage pertinent du Big Data
- Réseaux sociaux : Google, Twitter, Youtube
- Gestion des clients (CRM) : Vue 360° des clients / Multicanal
- Sécurité informatiques (étude de logs) : identification des tentatives d’attaques
- Analyse des logs d’Internet (Web)
- Profiling d’individus : ADN numérique
- Synthèse des critères de succès d’un projet Big Data et causes d’échec
Définition commune du Big Data selon les grands acteurs du marché
- Caractéristiques techniques des 3V de Gartner (Vélocité, Variété et Volume) et les variantes (Véracité, Valeur, Validité….)
- Collecte et traitement des données structurées, semi-structurées et non-déstructurées
- Transformation des données en informations
- Création de la valeur à partir des données / Exemple de monétisation
- Exemple : gestion des données en cycles, de l’acquisition à la gouvernance
Technologies de référence du Big Data à connaître
- Stockage des données à traiter : fichiers, blocs et objets
- Différents types de base des données NoSQL (Not Only SQL)
- Architecture de cluster et composants économiques
- Traitement parallèle des données (Grid)
- Hadoop : un modèle d’open source du Big Data adopté par les grands acteurs de l’informatique (IBM, Oracle, Microsoft, Amazone, EMC, Google…)
- Principaux composants d’Hadoop : HDFS (Hadoop Distributes File System), MapReduce…
- Ecosystème et technologies associées à Hadoop : Pig, Flume, Zookeeper, H-BASE, Lucine, Hive, Oozie, Cassandra, Machine Learning…
- Exemple de traitement en temps réel : traitement des données à la volée (Data Streaming)
- Analyse de données (Data Analytics et Business Intelligent)
Introduction aux architectures des solutions de calcul distribué
- Stockage objets (pas de verrouillage de fichier dans la cadre des multiutilisateurs)
- Serveurs NoSQL et HDFS (Fichiers distribués)
- Scalabilité horizontale
- Enjeux des architectures distribuées selon l’organisme CSA (Cloud Security Alliance) dédié au Big Data : Sécurité, gestion des données en grandes quantités
- Limitations en termes d’usages (Analytiques)
- Impacts des choix de technologies et d’architectures sur les usages (traitement des données en batch, temps réel, streaming ….)
Plates-formes Cloud public Big Data aPaaS (Data as a Service) à exploiter
- IBM Analytics de la plate-forme Bluemix
- Amazone Web Services (stockage des données et plates-formes d’analytiques)
- Google Platform Big Data
- Microsoft Azure Big Data
- Points communs et différents entre les plates-formes Big Data
Trois approches de déploiement du Big Data : sur site et dans le Cloud DaaS
- Causes des nombreux échecs de projets Big Data selon des cabinets d’étude du secteur
- Trois approches de déploiement « sur site » : Hadoop et son écosystème à télécharger, Big Data en versions distribuées et Data as a Service
- Déploiement sur site : définition des objectifs, choix des solutions d’analyse et d’intégration, présentation des informations (Data Visualization) / revue des fournisseurs de composants Big Data
- Déploiement sur site en version distribuée : Hortonworks, MapR, Cloudera, IBM
- Déploiement dans les plates-formes Cloud Big Data et les précautions à prendre (métriques de qualité)
Qualité des données
- Les 11 principales étapes de traitement des données selon les organismes internationaux
- Processus de qualification des données (temporel, contextuel, liens aux autres données…) / cadres juridiques (CNIL, usages libres, payants…), formats ouverts et propriétaires
- Approche d’enrichissement avec l’Open Data / WiKiData.org
Sécurité des données et confidentialité du Big Data
- Loi européenne et CNIL (protection de la vie privée)
- Recommandation des bonnes pratiques de l’organisme international CSA (Cloud Security Alliance) pour le Big Data
- Panorama des moyens conventionnels de sécurité des données et d’accès au Datacenter (cryptage et DLP : Data Lost Prevention….)
Impacts du Big Data à anticiper
- Évolution des données (Internet des objets, mobilité…)
- Impacts sur les compétences des équipes informatiques, de DRH, du Management…
- Rôle de la DSI face à la montée du Big Data et des solutions numériques
MOYENS PÉDAGOGIQUES ET TECHNIQUES D’ENCADREMENT DES FORMATIONS
Modalités pédagogiques :
- Évaluation des besoins et du profil des participants.
- Apport théorique et méthodologique : séquences pédagogiques regroupées en différents modules.
- Contenus des programmes adaptés en fonction des besoins identifiés pendant la formation.
- Le formateur évalue la progression pédagogique du participant tout au long de la formation au moyen de travaux pratiques, étude de cas et mise en situation.
- Méthodes expositive, active et participative.
- Réflexion et échanges sur cas pratiques.
- Retours d'expériences.
- Corrections appropriées et contrôles des connaissances à chaque étape, fonction du rythme de l’apprenant mais également des exigences requises au titre de la formation souscrite.
Éléments matériels :
- Mise à disposition des outils nécessaires au bon déroulement des travaux pratiques.
- Support de cours au format numérique projeté sur écran et transmis au participant en fin de la formation.
Référent pédagogique et formateur :
- Chaque formation est sous la responsabilité du directeur pédagogique de l’organisme de formation.
- Le bon déroulement est assuré par le formateur désigné par l’organisme de formation.
MOYENS PERMETTANT LE SUIVI ET L’APPRÉCIATION DES RÉSULTATS
- Feuilles de présences signées des participants et du formateur par demi-journée.
- Attestation de fin de formation mentionnant les objectifs, la nature et la durée de l’action et les résultats de l’évaluation des acquis de la formation.
Please login to get access to the quiz
Back to Big Data
