DATA MANAGEMENT

Pr. Youssef GAHI

13/11/2023

1
OBJECTIFS

01 06
> TRANSFORMATION ET
> INTRODUCTION À LA LINÉAGE DES DONNÉES
GESTION DES DONNÉES

02 > GOUVERNANCE DES

DONNÉES 07 > RÔLE ET RESPONSABILITÉ

03 > ARCHITECTURE DES

DONNÉES 08 > METADATA ET MASTER DATA
MANAGEMENT

04 > DOCUMENTATION &

DICTIONNAIRES DE DONNÉES

05 > CLASSIFICATION ET
SECURITÉ DES DONNÉES

2
01 INTRODUCTION À LA GESTION DES
DONNÉES
 VISION DATA

 Gouvernance
 Documentation Big Data
 Qualité Management
 Sécurité Process and
 Rôles Tools  Intégration des données
 Stockage et
Vision Historisation
Big Data Temps Réel
Data 
 Architecture &
 Data Analytics
plateformes
 Data Science Analytics &  Déploiement et
 Data visualisions Predictive monitoring
 Business Intelligence Models
Use cases
 Reporting
 Extractions

LA VISION DATA C’EST L’AMBITION DE TIRER UN AVANTAGE DE L’ANALYSE DES DONNÉES INTERNES ET EXTERNES
AVEC L’AIDE DE LA TECHNOLOGIE ET LA GESTION EFFICACE DES DONNÉES

4
VISION DATA
Cycle de vie
La BDVC est introduite pour décrire le flux d'informations au sein d'un système Big Data comme une série d'étapes
nécessaires pour générer de la valeur et des informations utiles à partir des données.

5
VISION DATA ➔ PROFILES

Data Engineer DataOps Engineer Data Scientist

● Il est responsable de la ● Il est responsable de la mise à ● Il mène des recherches et

disponibilité des données, jour régulière des pipelines de aborde des questions ouvertes
conservation et nettoyage. données et produits de données sur les données
● Il met en place les mécanismes
pour capturer des données de ● Il gère et automatise la mise à ● Il a une expertise du domaine
différentes sources disposition des environnements, métier et des connaissances
● Il intègre les données après des données sur les plateformes approfondies pour créer de
nettoyage et transformation. de données, déploiement, tests, nouveaux algorithmes et
● Il est intrinsèquement lié à release modèles qui répondent à des
l'ingestion de données et au questions ou résolvent des
traitement; par conséquent, il ● Il a les compétences DevOPS problèmes
est vital qu'il garde une nécessaires pour travailler avec
communication forte avec les plusieurs équipes et personas ● Il construit des modèles de
Data Scientists et Data Analystes afin de recommander de Machine Learning, souvent par
● Il collabore avec les manière proactive des l'expérimentation et l'itération
développeurs pour adopter et améliorations des pipelines de
injecter de nouvelles données, des processus et outils ● Il monitore et contrôle le résultat
technologies d’ingestion, de ses modèles de manière à
traitement et d'analyse de garantir une valeur optimale de
données. son travail

6
 VISION DATA ➔ PROFILES

Administrateur fonctionnel Data Analyst Data Administrator

● Responsable du suivi ● Il effectue des analyses pour ● Il est responsable de la

fonctionnel des plateformes résumer et synthétiser des maintenance et de
data quantités massives de données l’organisation des données sous
dans des entrepôts data créés ses diverses formes
● Responsable du suivi du bon par des Data Engineers.
déroulement des déploiements ● Il travaille généralement avec
● Il crée des représentations de grandes bases de données
● Responsable du bon visuelles des données qui contenant des informations
fonctionnement des workloads permettront de communiquer sensibles et de natures diverses
efficacement de l’Information
● Veille à ce que les problèmes ● Son travail consiste à s’assurer
d’ingestion, de performance ou ● Il peut également jouer le rôle que ces données sont
de capacité soient résolus d’analyste de la qualité des organisées et structurées de
données manière à faciliter leur
recherche et leur utilisation

7
VISION DATA ➔ PROFILES

Data Architect Statisticien Machine Learning Engineer

● Il est chargé de définir des ● Un statisticien rassemble des ● Il est un membre essentiel de
politiques, des procédures , des données numériques, les l'équipe Data Science
modèles et des technologies qui analyse, décortique puis les ● Ses tâches consistent à
seront utilisées pour collecter affiche afin d’aider rechercher , construire et
organiser, stocker et récupérer l’organisation à donner un sens concevoir les modèles
des informations aux données, à repérer les d’intelligence artificielle, et à
● Il formule la stratégie globale tendances et à faire des maintenir et améliorer les
de gestion technique des prévisions modèles existants
données, l’organisation des flux ● Il transmet des informations ● Son rôle consiste aussi à servir
de données tout en tenant complexes à des personnes qui de communicateur essentiel
compte des enjeux de sécurité ne sont pas des spécialistes sous entre les autres membres de
de données une forme simple à comprendre l’équipe Data Science .
● Un architecte de données a la ● Son expertise dans les données ● il travaille directement avec les
capacité de modéliser et de complexes ou de faible taille en Data scientist qui développent
concevoir en amont tout le fait un acteur de choix pour les modèles pour la construction
cycle de vie de la donnée de certains types d’analyses de système d’IA et les personnes
manière afin d’anticiper les qui les construisent et les gèrent
développements et grandes ● Son expertise statistique le
inflexions stratégiques et distingue du reste des membres
innovantes de l’équipe et il est en appui de
● Il représente un lien essentiel toutes les initiatives nécessitant
entre les entreprises et la un approfondissement
technologie

8
VISION DATA ➔ PROFILES

Business Analyst MLOps Engineer Data and Analytics Manager

● Il se charge d’assurer ● Il maintient et optimise les ● Il a un rôle globale de

l’interface entre les équipes modèles de machine learning management sur les fonctions
informatiques, Data et les entités ● Il est généralement chargé de de valorisation de la donnée et
métiers sur des problématiques piloter, avec le Machine travaille de concert avec les
terrain Learning Engineer, de nouveaux équipes de Data Gouvernance
● Il contribue également à modèles et d'améliorer ceux qui et les squads Data
déterminer la politique existent déjà ● Il coach les équipes de
commerciale appliquée par ● il possède un large éventail de datascience et de machine
l’entreprise ainsi que les objectifs compétences, notamment des learning et garanti leur
à atteindre connaissances en sciences des alignement avec la stratégie de
● Il aide l’organisation à mettre données, en génie logiciel et l’entreprise
en œuvre des solutions une expertise dans le domaine ● Il peut proposer des
technologiques qui peuvent de l’industrie dans laquelle il ajustements structurants sur les
bénéficier aux métiers travaille process de data gouvernance
● Le Business Analyst se base sur de manière à améliorer la
des tableaux de bord et des productivité des équipes
business plans ajustés à chaque ● Il supervise le travail analytics
type de projet de manière à garantir son
excellence et exactitude
● Il garanti la montée en
compétence des équipes sur les
volets scientifiques à travers des
parcours de formation dédiés

9
VISION DATA ➔ PROFILES

Data Visualization (Artisant) Product Owner Profile Métier

● Comprendre les besoins métier ● Il est chargé d’assurer le succès ● Comprendre les besoins
en matière de visualisation des d’un projet dans Scrum spécifiques en données de son
données. domaine
● Il est responsable de la gestion
● Sélectionner les types de et de l’optimisation du backlog ● Identifier et spécifier les types
visualisations appropriés en du produit afin de maximiser la de données nécessaires à
fonction des données et des valeur du produit l'analyse et à la prise de
objectifs decision
● Un PO est considéré comme le
● Concevoir et implémenter des point de contact au nom du ● Participer à la définition des
designs visuels attrayants et client pour identifier les critères de qualité des données
informatifs exigences du produit pour
l'équipe de développement ● Collaborer avec les équipes de
● Documenter les choix de gestion des données pour
conception, les sources de ● Il a l’entière responsabilité et la accéder aux sources de
données et les methodologies propriété de définir et même de données pertinentes
hiérarchiser les besoins des
● Collaborer avec d'autres utilisateurs ● Développer des rapports, des
professionnels, y compris les tableaux de bord et des
data scientists, les analystes de analyses
données et les concepteurs UX.

● Documentation dataviz
10
INTRODUCTION A LA GESTION DES DONNEES
Facteurs ou Moteurs de Data Management

 De nombreuses organisations reconnaissent que leurs données sont un actif vital de

l'entreprise.

 Les données et l'information peuvent leur fournir des informations sur leurs clients, leurs
produits et leurs services. Cela peut les aider à innover et à atteindre leurs objectifs
stratégiques.

 Malgré cette reconnaissance, peu d'organisations gèrent activement les données en tant
qu'actif dont elles peuvent tirer une valeur continue

 Tirer de la valeur des données ne se produit pas dans le vide ni par hasard. Cela nécessite une
intention, une planification, une coordination et un engagement. Cela nécessite une gestion et
un leadership.

 La gestion des données est le développement, la mise en œuvre et la supervision de plans, de

politiques, de programmes et de pratiques visant à fournir, contrôler, protéger et améliorer la
valeur des actifs de données et d'information tout au long de leur cycle de vie.

11
INTRODUCTION A LA GESTION DES DONNEES
Facteurs ou Moteurs de Data Management

 Les activités de Data Management sont variées. Elles comprennent tout, depuis la capacité à prendre
des décisions cohérentes sur la manière d'obtenir une valeur stratégique à partir des données
jusqu'au déploiement technique et à la performance des bases de données.

 La gestion des données requiert à la fois des compétences techniques et non techniques (c'est-à-dire
des compétences 'métier’).

 La responsabilité de la gestion des données doit être partagée entre les rôles métier et les rôles liés
aux technologies de l'information, et les personnes des deux domaines doivent être en mesure de
collaborer pour garantir qu'une organisation dispose de données de haute qualité qui répondent à
ses besoins stratégiques.

 L'information et la connaissance détiennent la clé de l'avantage concurrentiel.

 Les organisations disposant de données fiables et de haute qualité concernant leurs clients, leurs
produits, leurs services et leurs opérations peuvent prendre de meilleures décisions que celles qui
n'ont pas de données ou qui ont des données peu fiables.

 Ne pas gérer les données équivaut à ne pas gérer le capital. Cela entraîne du gaspillage et des
opportunités perdues. Le principal moteur de la gestion des données est de permettre aux
organisations de tirer de la valeur de leurs actifs de données, tout comme une gestion efficace des
actifs financiers et physiques permet aux organisations de tirer de la valeur de ces actifs.

12
INTRODUCTION A LA GESTION DES DONNEES
Objectifs

 À l'intérieur d'une organisation, les objectifs de gestion des données comprennent:

> Comprendre et soutenir les besoins en information de l'entreprise et de ses parties

prenantes, y compris les clients, les employés et les partenaires commerciaux.

> Capturer, stocker, protéger et garantir l'intégrité des actifs de données.

> Garantir la qualité des données et de l'information.

> Assurer la confidentialité et la protection des données des parties prenantes.

> Prévenir l'accès non autorisé ou inapproprié, la manipulation ou l'utilisation des données et
de l'information.

> Garantir que les données peuvent être utilisées efficacement pour ajouter de la valeur.

13
INTRODUCTION A LA GESTION DES DONNEES
Concepts essentiels
 Les données sont généralement des faits bruts ou des chiffres qui n'ont pas encore été
interprétés ou organisés. L'information résulte du traitement et de la structuration des
données, ce qui permet de les rendre significatives. La connaissance va plus loin en impliquant
la compréhension et l'application de l'information dans un contexte spécifique, ce qui permet
de prendre des décisions éclairées ou d'appliquer des connaissances pour résoudre des
problèmes.

Categorie Description Exemple

Raw facts and figures, often Les chiffres bruts d'une enquête de
Données
unprocessed. satisfaction.

Un tableau de bord affichant la

Data that has been processed and
Information satisfaction moyenne de la clientèle
organized.
par trimestre.
L'utilisation de l'analyse des données
La compréhension et l'application sur la satisfaction client pour identifier
Connaissance
de l'information dans un contexte. les domaines d'amélioration des
produits et services.

14
INTRODUCTION A LA GESTION DES DONNEES
Concepts essentiels

 La plupart des gens supposent que, parce que les données représentent des faits, elles sont
une forme de vérité. Les 'faits' ne sont pas toujours simples ni directs !!

 Les données sont à la fois une interprétation des objets qu'elles représentent et un objet qui
doit être interprété. Cela revient à dire que nous avons besoin de contexte pour que les
données aient un sens.

 Le contexte peut être considéré comme le système de représentation des données ; un tel
système comprend un vocabulaire commun et un ensemble de relations entre les composants.
Si nous connaissons les conventions d'un tel système, nous pouvons alors interpréter les
données qui s'y trouvent.

 Ces conventions sont souvent documentées dans un type spécifique de données appelé
métadonnées et documenté dans des dictionnaires de données.

15
INTRODUCTION A LA GESTION DES DONNEES
Concepts essentiels

 Même au sein d'une seule organisation, il existe souvent plusieurs façons de représenter la
même idée.

 C'est pourquoi il est nécessaire d'avoir une architecture des données, une modélisation, une
gouvernance, une gestion des données et des métadonnées, ainsi qu'une gestion de la qualité
des données, qui aident les personnes à comprendre et à utiliser les données.

 À l'échelle des organisations, le problème de la multiplicité se multiplie. C'est pourquoi il est

nécessaire d'avoir des normes de données au niveau de l'industrie qui peuvent apporter plus
de cohérence aux données.

 Beaucoup de débats sur la relation entre les données et l'information. Les données ont été
appelées la ‘RAW DATA’, et l'information a été appelée ‘DATA In CONTEXT'. Souvent, une
pyramide en couches (Layers) est utilisée pour décrire la relation entre les données (RAW),
l'information, la connaissance et les différentes granularités.

 À l'intérieur d'une organisation, il peut être utile d'établir un lien entre l'information et les
données dans le but de faciliter une communication claire concernant les besoins et les
attentes des différents utilisateurs et parties prenantes (Source, Contexte, Nature, etc).

16
INTRODUCTION A LA GESTION DES DONNEES
Concepts essentiels (Data Asset)

 Un Data Asset est une ressource, qu'il est possible de ‘partager ou de contrôler, et qui détient
ou produit de la valeur.

 Les assets peuvent être monetizable. Les données sont largement reconnues en tant qu’asset
de l'entreprise, bien que la compréhension de ce que signifie gérer les données en tant
qu’asset soit encore en évolution (Data as an Asset ou Data as a product).

 Les organisations d'aujourd'hui comptent sur leurs assets de données pour prendre des
décisions plus efficaces et fonctionner de manière plus efficiente. Les entreprises utilisent les
données pour comprendre leurs clients, créer de nouveaux produits et services, et améliorer
l'efficacité opérationnelle en réduisant les coûts et en contrôlant les risques.

 De nombreuses organisations se définissent comme étant ‘Data-Driven'. Les entreprises qui

souhaitent rester compétitives doivent cesser de prendre des décisions basées sur des
intuitions ou des sentiments, et au contraire, utiliser des déclencheurs d'événements et
appliquer des analyses pour obtenir des informations exploitables. Être Data-Driven inclut la
reconnaissance que les données doivent être gérées efficacement et avec une discipline
professionnelle, grâce à un partenariat entre les métiers et l’IT.

17
INTRODUCTION A LA GESTION DES DONNEES
Les 13 principes du Data Management

 Data Management implique de savoir quelles

données une organisation possède et ce qui
pourrait être accompli avec cette donnée, puis
de déterminer la meilleure façon d'utiliser les
données pour atteindre les objectifs de
l'organisation.

 Data Management doit équilibrer les besoins

stratégiques et opérationnels. Cet équilibre peut
être le mieux atteint en suivant un ensemble de
principes qui reconnaissent les caractéristiques
et guident la pratique de Data Management

18
INTRODUCTION A LA GESTION DES DONNEES
Les 13 principes du Data Management
1. Data Asset sont un actif doté de propriétés uniques
Les données sont un actif très spécifique en termes de gestion et
interprétation

2. La valeur des données peut et devrait être exprimée en

termes économiques
Qualifier les données comme ‘asset’ implique qu'elles ont de la valeur.
Bien qu'il existe des techniques pour mesurer la valeur qualitative et
quantitative des données, il n'existe pas encore de normes à cet
égard. Les organisations qui souhaitent prendre de meilleures
décisions concernant leurs données devraient développer des
méthodes cohérentes pour quantifier cette valeur. Elles devraient
également mesurer à la fois les coûts liés à des données de faible
qualité et les avantages de données de haute qualité.

3. Gérer les données signifie gérer la qualité des données

S'assurer que les données sont adaptées à leur usage est un objectif
principal de la gestion des données. Pour gérer la qualité, les
organisations doivent s'assurer qu'elles comprennent les exigences
des parties prenantes en matière de qualité et mesurer les données
par rapport à ces exigences.

4. Utilisation des Metadata

Pour gérer n'importe quel asset, il est nécessaire de disposer de
données à propos de cet asset. Les données utilisées pour gérer et
utiliser les données sont appelées métadonnées. Étant donné que les
données ne peuvent pas être tenues ou touchées, comprendre ce
qu'elles sont et comment les utiliser nécessite une définition et des
connaissances sous forme de métadonnées. Les métadonnées
proviennent d'une gamme de processus liés à la création, au
traitement et à l'utilisation des données, notamment l'architecture, la
modélisation, la gestion de la qualité des données, la gouvernance.

19
INTRODUCTION A LA GESTION DES DONNEES
Les 13 principes du Data Management
5. Il faut de la planification pour gérer les données
Même les petites organisations peuvent avoir des paysages
techniques et des processus commerciaux complexes. Les données
sont créées en de nombreux endroits et sont déplacées d'un endroit à
l'autre pour être utilisées. Pour coordonner le travail et maintenir
l'alignement des résultats finaux, il faut une planification du point de
vue architectural et des processus.

6. La gestion des données est transversale

elle requiert une gamme de compétences et d'expertises : Une seule
équipe ne peut pas gérer toutes les données d'une organisation. La
gestion des données 'nécessite à la fois des compétences techniques
et non techniques et la capacité à collaborer

7. La gestion des données nécessite une perspective

d'entreprise
La gestion des données a des applications locales, mais elle doit être
appliquée à l'ensemble de l'entreprise pour être aussi efficace que
possible. C'est l'une des raisons pour lesquelles la gestion des données
et la gouvernance des données sont étroitement liées.

8. La gestion des données doit prendre en compte une

gamme de perspectives
Les données sont fluides. La gestion des données doit constamment
évoluer pour suivre les façons dont les données sont créées et
utilisées, ainsi que les consommateurs de données qui les utilisent.
20
INTRODUCTION A LA GESTION DES DONNEES
Les 13 principes du Data Management
9. La gestion des données est une gestion du cycle de vie
Les données ont un cycle de vie, et gérer les données nécessite de gérer leur
cycle de vie. Étant donné que les données génèrent plus de données, le cycle
de vie des données lui-même peut être très complexe. Les pratiques de
gestion des données doivent tenir compte du cycle de vie des données.

10. Différents types de données ont des caractéristiques de

cycle de vie différentes
Et pour cette raison, ils ont des exigences de gestion différentes. Les
pratiques de gestion des données doivent reconnaître ces différences et être
suffisamment flexibles pour répondre aux différentes exigences de cycle de
vie des données.

11. Gérer les données inclut la gestion des risques associés aux
données
En plus d'être un actif, les données représentent également un risque pour
une organisation. Les données peuvent être perdues, volées ou mal utilisées.
Les organisations doivent prendre en compte les implications éthiques de
leurs utilisations des données. Les risques liés aux données doivent être
gérés dans le cadre du cycle de vie des données.

12. Les exigences de gestion des données doivent orienter

les décisions en matière de technologie de l'information
Les données et la gestion des données sont étroitement liées à la
technologie de l'information et à la gestion de la technologie de
l'information. La gestion des données nécessite une approche qui
garantit que la technologie 'sert, plutôt que de diriger, les besoins
stratégiques en données d'une organisation
21
INTRODUCTION A LA GESTION DES DONNEES
Les 13 principes du Data Management
13. La gestion efficace des données nécessite l'engagement
de la direction
La gestion des données implique un ensemble complexe de processus
qui, pour être efficaces, nécessitent une coordination, une
collaboration et un engagement. Pour y parvenir, il faut non
seulement des compétences en gestion, mais aussi la vision et le
dessein qui découlent d'une direction engagée.

22
INTRODUCTION A LA GESTION DES DONNEES
Les enjeux du Data Management

 Parce que la gestion des données présente des caractéristiques distinctes découlant des
propriétés des données elles-mêmes, elle présente également des défis pour suivre ces
principes:

1. La donnée est un actif dangereux

2. Évaluation des données
3. Qualité des données
4. Planification pour de meilleures données
5. Gestion des Metadata
6. La gestion transversale
7. Mise en place d’une perspective DATA
8. Mise en place des perspectives diverses
9. Cycle de vie
10. Diversité de données
11. Données et risques
12. La gestion des données et la technologie
13. Le leadership et l’engagement

23
INTRODUCTION A LA GESTION DES DONNEES
Les enjeux du Data Management → La donnée est un actif dangereux

 Les données sont faciles à copier et à transporter. Cependant, elles ne sont pas faciles à
reproduire si elles sont perdues ou détruites.

 Parce qu'elles ne sont pas consommées lorsqu'elles sont utilisées, elles peuvent même être
volées sans disparaître. Les données sont dynamiques et peuvent être utilisées à plusieurs fins.

 Les mêmes données peuvent même être utilisées par plusieurs personnes en même temps et
engendrer des incoherences.

 De nombreuses utilisations des données génèrent encore plus de données. La plupart des
organisations doivent gérer des volumes croissants de données et les relations entre les
ensembles de données.

 L’actif Data soulève également d'autres problèmes qui affectent la gestion des données, tels
que la définition de la propriété des données, l'inventaire du volume de données détenu par
une organisation, la protection contre la mauvaise utilisation des données, la gestion des
risques liés à la redondance des données, et la définition et l'application des normes de qualité
des données.

24
INTRODUCTION A LA GESTION DES DONNEES
Les enjeux du Data Management → Évaluation des données

 Pour les données, le calcul de la valeur et l’importance est très compliqué, car ni les coûts ni les
avantages des données ne sont normalisés.

 Les données de chaque organisation sont uniques, une approche de la valorisation des
données doit commencer par articuler des catégories générales de coûts et d'avantages qui
peuvent être appliquées de manière cohérente au sein d'une organisation.

 Voici quelques dimensions:

1. Coût d'obtention et de stockage des données
2. Coût de remplacement des données en cas de perte
3. Impact sur l'organisation si les données étaient manquantes
4. Coût de la mitigation des risques et coût potentiel des risques associés aux données
5. Coût de l'amélioration des données/Avantages des données de meilleure qualité
6. Ce que les données pourraient être vendues.
7. Revenus attendus des utilisations innovantes des données.

 Les organisations doivent comprendre les actifs en termes financiers pour prendre des
décisions cohérentes. Accorder une valeur aux données devient la base des activités Data
Management

25
INTRODUCTION A LA GESTION DES DONNEES
Les enjeux du Data Management → Qualité des données

 S'assurer que les données sont de haute qualité est au cœur de la gestion des données.

 Les organisations gèrent leurs données parce qu'elles veulent les utiliser. Si elles ne peuvent
pas compter sur elles pour répondre à leurs besoins commerciaux, alors les efforts déployés
pour les collecter, les stocker, les sécuriser et les rendre accessibles sont gaspillés.

 Pour garantir que les données répondent aux besoins commerciaux, elles doivent travailler
avec les consommateurs de données pour définir ces besoins, y compris les caractéristiques
qui rendent les données de haute qualité.

 Les personnes qui veulent utiliser les données ne peuvent pas se permettre de négliger la
qualité. Elles partent généralement du principe que les données sont fiables et dignes de
confiance, jusqu'à ce qu'elles aient une raison d'en douter. Une fois qu'elles perdent confiance,
il est difficile de la regagner

 Des données de mauvaise qualité sont simplement coûteuses pour toute organisation. Les
estimations varient, mais les experts estiment que les organisations dépensent entre 10 et 30
% de leur chiffre d'affaires pour résoudre les problèmes de qualité des données.

26
INTRODUCTION A LA GESTION DES DONNEES
Les enjeux du Data Management → Planification pour de meilleures données

 La planification pour des données meilleures nécessite une approche stratégique de

l'architecture, de la modélisation et d'autres fonctions de conception. Elle dépend également
d'une collaboration stratégique entre les equipes métier et les equipes IT.

 Cette planification depend principalement de plusieurs axes:

1. Les moyens par lesquels les données relient les processus métier qui pourraient autrement
être considérés comme séparés
2. La relation entre les processus métier et la technologie qui les soutient
3. La conception et l'architecture des systèmes et les données qu'ils produisent et stockent
4. Les façons dont les données pourraient être utilisées pour faire progresser la stratégie
organisationnelle.

 Le défi réside dans le fait qu'il y a généralement des pressions organisationnelles, ainsi que les
pressions perpétuelles du temps et de l'argent, qui entravent une meilleure planification. Les
organisations doivent équilibrer leurs objectifs à long et à court terme tout en mettant en
œuvre leurs stratégies.

27
INTRODUCTION A LA GESTION DES DONNEES
Les enjeux du Data Management → Gestion des metadata

 Les organisations ont besoin de métadonnées fiables pour gérer les données en tant qu’ASSET.

 Les métadonnées doivent être comprises de manière exhaustive. Elles englobent non
seulement les métadonnées métier, techniques et opérationnelles, mais aussi les
métadonnées intégrées dans l'architecture des données, les modèles de données, les
exigences en matière de sécurité des données, les normes d'intégration des données et les
processus opérationnels des données.

 Le défi réside dans le fait que les métadonnées sont une forme de données et doivent être
gérées en tant que telles.

 Les métadonnées décrivent quelles données une organisation possède, ce qu'elles

représentent, comment elles sont classifiées, d'où elles proviennent, comment elles circulent
au sein de l'organisation, comment elles évoluent avec leur utilisation, qui peut les utiliser et
qui ne le peut pas, et si elles sont de haute qualité. Les données sont abstraites. Les définitions
et autres descriptions de contexte permettent de les comprendre. Elles rendent les données, le
cycle de vie des données et les systèmes complexes qui les contiennent compréhensibles.

 Les organisations qui ne gèrent pas bien leurs données ne gèrent généralement pas du tout
leurs métadonnées. La gestion des métadonnées constitue souvent un point de départ pour
des améliorations globales de la gestion des données.

28
INTRODUCTION A LA GESTION DES DONNEES
Les enjeux du Data Management → Gestion transversale

 La gestion des données est un processus complexe. Les données sont gérées à différents
endroits au sein d'une organisation par des équipes ayant la responsabilité de différentes
phases du cycle de vie des données.

 La gestion des données nécessite des compétences en conception pour planifier des systèmes,
des compétences hautement techniques pour administrer le matériel informatique et
développer des logiciels, des compétences en analyse des données pour comprendre les
problèmes et les enjeux, des compétences analytiques pour interpréter les données, des
compétences linguistiques pour parvenir à un consensus sur les définitions et les modèles,
ainsi qu'une réflexion stratégique pour identifier les opportunités de servir les clients et
atteindre les objectifs (USE CASES).

 Le défi consiste à amener des personnes ayant cette gamme de compétences et de

perspectives à reconnaître comment les pièces s'emboîtent afin de collaborer efficacement
dans le but d'atteindre des objectifs communs.

29
INTRODUCTION A LA GESTION DES DONNEES
Les enjeux du Data Management → Mise en place d’une perspective DATA

 La gestion des données nécessite de comprendre la portée et la variété des données au sein
d'une organisation.

 Les données sont l'un des 'horizontaux' d'une organisation. Elles circulent à travers les
'verticales', telles que les ventes, le marketing et les opérations... Ou du moins elles devraient.

 Les données ne sont pas seulement propres à une organisation ; parfois, elles sont spécifiques
à un service ou à une autre sous-partie d'une organisation. Parce que les données sont souvent
simplement considérées comme un sous-produit des processus opérationnels

 Les données proviennent de plusieurs endroits au sein d'une organisation. Différents services
peuvent avoir différentes manières de représenter le même concept.

 Les choix de représentation présentent des défis pour la gestion des données au sein d'une
organisation. En même temps, les parties prenantes supposent que les données d'une
organisation devraient être cohérentes, et l'objectif de la Data Management est de les faire
coïncider de manière logique afin qu'elles soient utilisables par un large éventail de
consommateurs de données (PERSPECTIVE DATA).

30
INTRODUCTION A LA GESTION DES DONNEES
Les enjeux du Data Management → Mise en place des perspectives diverses

 Les organisations d'aujourd'hui utilisent des données qu'elles créent en interne, ainsi que des
données qu'elles acquièrent auprès de sources externes.

 Elles doivent tenir compte de différentes exigences légales et de conformité nationales et

sectorielles.

 Les personnes qui créent des données oublient souvent que quelqu'un d'autre utilisera ces
données plus tard.

 La connaissance des utilisations potentielles des données permet une meilleure planification
du cycle de vie des données et, par conséquent, de meilleures données de qualité.

 Les données peuvent également être mal utilisées. La prise en compte de ce risque réduit la
probabilité de mauvaise utilisation.

31
INTRODUCTION A LA GESTION DES DONNEES
Les enjeux du Data Management → Cycle de vie

 Les données ont un cycle de vie. Pour gérer efficacement les DATA ASSET, les organisations doivent
comprendre et planifier le cycle de vie des données.

 Les données bien gérées sont gérées de manière stratégique, avec une vision de la manière dont
l'organisation utilisera ses données. Une organisation stratégique définira non seulement ses besoins
en contenu de données, mais aussi ses besoins en DATA MANAGEMENT. Cela comprend la
conception, les politiques, l'utilisation, la qualité, les contrôles et la sécurité

 Le cycle de vie des données est basé sur le cycle de vie du produit. Il ne doit pas être confondu avec
le cycle de vie du développement des systèmes. Conceptuellement, le cycle de vie des données est
facile à décrire.

 Les détails du cycle de vie des données au sein d'une organisation donnée peuvent être assez
compliqués, car les données ont non seulement un cycle de vie, mais aussi un LINEAGE (c'est-à-dire
un chemin le long duquel elles se déplacent depuis leur point d'origine jusqu'à leur point d'utilisation,
parfois appelé la chaîne de données).

 Comprendre le lineage des données nécessite de documenter l'origine des ensembles de données,
ainsi que leur mouvement et leur transformation à travers les systèmes où elles sont accessibles et
utilisées.

 Le cycle de vie et le lineage se croisent et peuvent être compris en relation les uns avec les autres.
Plus une organisation comprendra bien le cycle de vie et le lineage de ses données, mieux elle pourra
gérer ses données.

32
INTRODUCTION A LA GESTION DES DONNEES
Les enjeux du Data Management → Cycle de vie ➔ Processus

 Il comprend des processus qui créent ou

obtiennent des données, ceux qui les déplacent,
les transforment, les stockent et les rendent
maintenables et partageables, ainsi que ceux qui
les utilisent ou les appliquent, ainsi que ceux qui
les éliminent.

 Tout au long de son cycle de vie, les données

peuvent être nettoyées, transformées,
fusionnées, améliorées ou agrégées.

 À mesure que les données sont utilisées ou

améliorées, de nouvelles données sont souvent
créées, de sorte que le cycle de vie comporte des
itérations internes qui ne sont pas montrées sur
le schéma.

 Les données sont rarement statiques. La gestion

des données implique un ensemble de processus
interconnectés alignés sur le cycle de vie des
données.

33
INTRODUCTION A LA GESTION DES DONNEES
Les enjeux du Data Management → Diversité de données

 La gestion des données est rendue plus compliquée par le fait qu'il existe différents types de
données qui ont des exigences de gestion de cycle de vie différentes.

 Tout système de gestion doit classer les objets qu'il gère. Les données peuvent être classées
par type de données (par exemple, données transactionnelles, données de référence, données
maîtresses, métadonnées , données de catégorie, données de ressources, données
d'événements, données de transaction détaillées) ou par contenu (par exemple, domaines de
données, domaines thématiques) ou par format ou par le niveau de protection nécessaire pour
les données.

 Les données peuvent également être classées en fonction de la manière dont elles sont
stockées ou accessibles.

34
INTRODUCTION A LA GESTION DES DONNEES
Les enjeux du Data Management → Données et risques

 Les données représentent non seulement une valeur, mais aussi un risque.

 Les données de mauvaise qualité (inexactes, incomplètes ou obsolètes) représentent

évidemment un risque car leur information n'est pas correcte. Mais les données sont
également risquées car elles peuvent être mal comprises et mal utilisées.

 À mesure que les consommateurs prennent davantage conscience de la manière dont leurs
données sont utilisées, ils s'attendent non seulement à un fonctionnement plus fluide et plus
efficace des processus, mais également à la protection de leurs informations et au respect de
leur vie privée.

 Avec la croissance rapide au cours de la dernière décennie des réglementations sur la

protection des données (couvrant le traitement des données concernant les personnes dans
de nombreux secteurs et juridictions), il est clair que, bien que nous attendions toujours que
l'information soit inscrite au bilan en tant qu'actif, l'environnement réglementaire s'attend de
plus en plus à la voir figurer sur le registre des risques, avec les atténuations et les contrôles
appropriés qui lui sont appliqués.

35
INTRODUCTION A LA GESTION DES DONNEES
Les enjeux du Data Management → La gestion des données et la technologie

 Les activités de DATA MANAGEMENT sont variées et nécessitent à la fois des compétences
techniques et commerciales. Étant donné que presque toutes les données d'aujourd'hui sont
stockées électroniquement, les tactiques de gestion des données sont fortement influencées
par la technologie.

 Depuis sa création, le concept de gestion des données est étroitement lié à la gestion de la
technologie

 La gestion réussie des données nécessite des décisions judicieuses concernant la technologie,
mais la gestion de la technologie n'est pas la même chose que la gestion des données. Les
organisations doivent comprendre l'impact de la technologie sur les données, afin d'éviter que
la tentation technologique ne dicte leurs décisions concernant les données.

 Les besoins en données alignés sur la stratégie commerciale devraient orienter les décisions
concernant la technologie.

36
INTRODUCTION A LA GESTION DES DONNEES
Les enjeux du Data Management → Le leadership et l’engagement

 La plupart des organisations reconnaissent leurs données comme un actif (ASSET), mais elles sont
loin d'être DATA-DRIVEN. Beaucoup ne savent pas quelles données elles possèdent ni quelles
données sont les plus cruciales pour leur entreprise.

 La plupart des entreprises confondent données et technologie de l'information et gèrent mal les
deux.

 La plupart des entreprises n'abordent pas les données de manière stratégique. Et elles sous-estiment
le travail nécessaire à la gestion des données.

 Ces conditions ajoutent aux défis de la gestion des données et soulignent un facteur essentiel pour le
potentiel de réussite d'une organisation : un leadership engagé et la participation de tous à tous les
niveaux de l'organisation.

 La gestion des données n'est ni facile ni simple. Mais parce que peu d'organisations le font bien, elle
représente une source d'opportunités largement inexploitées. Pour s'améliorer dans ce domaine, il
faut de la vision, de la planification et la volonté de changer.

 Un CDO peut diriger les initiatives de gestion des données et permettre à une organisation de tirer
parti de ses actifs de données et d'en tirer un avantage concurrentiel. Cependant, un CDO ne se
contente pas de diriger des initiatives. Il ou elle doit également conduire un changement culturel qui
permet à une organisation d'adopter une approche plus stratégique de ses données.

37
INTRODUCTION A LA GESTION DES DONNEES
Data Management Strategy → Principes

 Une stratégie est un ensemble de choix et de décisions qui tracent ensemble un plan d'action
de haut niveau pour atteindre des objectifs de haut niveau.
 Une stratégie de données (Data Strategy) devrait inclure des plans commerciaux pour utiliser
l'information à un avantage concurrentiel et soutenir les objectifs de l'entreprise.
 La stratégie de données (Data Strategy) doit découler d'une compréhension des besoins en
données inhérents à la stratégie commerciale : quelles données l'organisation a besoin,
comment elle les obtiendra, comment elle les gérera et assurera leur fiabilité dans le temps, et
comment elle les utilisera.
 La stratégie data requiert une stratégie de programme de gestion des données de soutien - un
plan pour maintenir et améliorer la qualité des données, l'intégrité des données, l'accès et la
sécurité tout en atténuant les risques connus et implicites. La stratégie doit également aborder
les défis connus liés à la gestion des données.
 La stratégie de Data Management est détenue et entretenue par le CDO (Chief Data Officer) et
mise en œuvre par une équipe de gouvernance des données, soutenue par un Conseil de
Gouvernance des Données (Top Management). Souvent, le CDO rédigera une stratégie initiale
de gestion des données même avant la formation d'un Conseil de Gouvernance des Données,
afin d'obtenir l'engagement du Top Management pour mettre en place la gestion de la
gouvernance et la gestion des données.

38
INTRODUCTION A LA GESTION DES DONNEES
Data Management Strategy → Composants

 Les composantes d'une stratégie de gestion des données devraient inclure :

1. Une vision convaincante de la gestion des données.

2. Un argumentaire économique résumé pour la gestion des données, avec des exemples
sélectionnés.
3. Des principes directeurs, des valeurs et des perspectives de gestion.
4. La mission et les objectifs directionnels à long terme de la gestion des données.
5. Des mesures proposées du succès (Success Criteria) de la gestion des données.
6. Des objectifs à court terme (12-24 mois) du programme de gestion des données qui sont
SMART (spécifiques, mesurables, réalisables, pertinents, limités dans le temps) (specific,
measurable, actionable, realistic, time-bound)
7. Des descriptions des rôles et des organisations de gestion des données, ainsi qu'un résumé de
leurs responsabilités et de leurs droits décisionnels.
8. Des descriptions des composants et des initiatives du programme de gestion des données.
9. Un programme de travail priorisé avec des limites de portée.
10. Une ébauche de feuille de route de mise en œuvre avec des projets et des actions à
entreprendre.

39
INTRODUCTION A LA GESTION DES DONNEES
Data Management Strategy → Livrables

 Les livrables issus de la planification stratégique de la gestion des données comprennent :

 Un Charte de Gestion des Données

> Vision globale, argumentaire économique, objectifs, principes directeurs, mesures de
succès, facteurs de succès critiques, risques reconnus, modèle opérationnel, etc.

 Une Déclaration de Portée de Gestion des Données

> Objectifs pour une certaine période de planification (généralement 3 ans) et les rôles,
organisations et leaders individuels responsables de leur réalisation.

 Une Feuille de Route de Mise en Œuvre de la Gestion des Données

> Identification de programmes spécifiques, de projets, d'assignations de tâches et de jalons
de livraison.

40
INTRODUCTION A LA GESTION DES DONNEES
Data Management Frameworks

 La gestion des données implique un ensemble de fonctions interdépendantes, chacune ayant

ses propres objectifs, activités et responsabilités.

 Les professionnels de la gestion des données doivent tenir compte des défis inhérents à la
tentative d'obtention de valeur à partir d'un actif d'entreprise abstrait tout en équilibrant les
objectifs stratégiques et opérationnels, les besoins spécifiques en matière d'affaires et de
technologie, les exigences en matière de risques et de conformité, ainsi que les divergences
d'opinions quant à ce que représentent les données et à leur qualité.

 Les Frameworks data management fournissent différents niveaux d'abstraction offrent une
gamme de perspectives sur la manière d'aborder la gestion des données. Ces perspectives
fournissent des informations qui peuvent être utilisées pour clarifier la stratégie, élaborer des
feuilles de route, organiser les équipes et aligner les fonctions.

 Plusieurs types de frameworks avec différents niveaux d’abstractions :

> Strategic Alignment Model
> Amsterdam Information Model
> “DAMA-DMBOK Framework”: DAMA Wheel, Hexagon, DAMA Wheel Evolué

41
INTRODUCTION A LA GESTION DES DONNEES
Data Management Frameworks ➔ Strategic Alignment Model

 Le modèle d'alignement stratégique résume les

facteurs fondamentaux de toute approche Data
Management.

 Au cœur de ce modèle se trouve la relation entre

les données et l'information. L'information est le
plus souvent associée à la stratégie commerciale et
à l'utilisation opérationnelle des données.

 Les données sont associées aux technologies de

l'information et aux processus qui soutiennent la
gestion physique des systèmes qui rendent les
données accessibles à des fins d'utilisation.

 Chacun des hexagones situés aux coins possède ses

propres dimensions sous-jacentes.

42
 INTRODUCTION A LA GESTION DES DONNEES
Data Management Frameworks ➔ Amsterdam Information Model

 Le Modèle d'Information d'Amsterdam, tout

comme le Modèle d'Alignement Stratégique,
adopte une perspective stratégique sur
l'alignement entre les activités commerciales et
les technologies de l'information

 Il est Connu sous le nom de modèle à 9 cellules,

il reconnaît une couche intermédiaire qui se
concentre sur la structure et les tactiques, y
compris la planification et l'architecture.

 il reconnaît la nécessité de la communication de

l'information exprimée sous forme de pilier de
gouvernance de l'information et de qualité des
données.

 Les créateurs des cadres SAM et AIM décrivent

en détail la relation entre les composants, à la
fois d'un point de vue horizontal (stratégie
commerciale / informatique) et vertical
(stratégie commerciale / opérations
commerciales).

43
INTRODUCTION A LA GESTION DES DONNEES
Data Management Frameworks → DAMA-DMBOK Framework

 Le cadre DAMA-DMBOK approfondit davantage les domaines de connaissance qui constituent

la portée globale du Data Management.

 Trois visuels illustrent le Cadre de Gestion des Données de DAMA :

> DAMA Wheel
> Hexagon
> The Knowledge Area Context Diagram

 Alors que la Roue DAMA présente l'ensemble des Domaines de Connaissance à un niveau
élevé, l'Hexagone reconnaît les composantes de la structure des Domaines de Connaissance, et
les Diagrammes de Contexte présentent les détails au sein de chaque Domaine de
Connaissance.

44
INTRODUCTION A LA GESTION DES DONNEES
Data Management Frameworks ➔ DAMA-DMBOK Framework ➔ DAMA Wheel

 La Roue DAMA définit les Domaines de

Connaissance de la Gestion des Données.

 Elle place la gouvernance des données au

centre des activités de gestion des données,
car la gouvernance est nécessaire pour
assurer la cohérence au sein des fonctions et
l'équilibre entre elles.

 Les autres Domaines de Connaissance

(Architecture des Données, Modélisation des
Données, etc.) sont équilibrés autour de la
Roue. Ils constituent tous des parties
nécessaires d'une fonction de gestion des
données mature, mais ils peuvent être mis
en œuvre à différents moments, en fonction
des besoins de l'organisation.

45
INTRODUCTION A LA GESTION DES DONNEES
Data Management Frameworks ➔ DAMA-DMBOK Framework ➔ Hexagon

 L'hexagone des Facteurs Environnementaux

montre la relation entre les personnes, les
processus et la technologie.

 Il fournit une clé de lecture des diagrammes

de contexte du DMBOK. Il place les objectifs
et les principes au centre, car ils fournissent
des directives sur la manière dont les
personnes doivent exécuter les activités et
utiliser efficacement les outils nécessaires à
la gestion réussie des données.

46
INTRODUCTION A LA GESTION DES DONNEES
Data Management Frameworks ➔DAMA-DMBOK Framework ➔ Context
Diagram

 Les Diagrammes de Contexte des Domaines

de Connaissance décrivent en détail les
Domaines de Connaissance, y compris les
détails relatifs aux personnes, aux processus
et à la technologie.

 Ils sont basés sur le concept d'un diagramme

SIPOC utilisé pour la gestion des produits
(Fournisseurs, Entrées, Processus, Sorties et
Consommateurs).

 Les Diagrammes de Contexte placent les

activités au centre, car elles produisent les
livrables qui répondent aux besoins des
parties prenantes.

47
INTRODUCTION A LA GESTION DES DONNEES
Data Management Frameworks ➔DAMA-DMBOK Framework ➔ Context
Diagram
 Chaque diagramme de contexte commence
par la définition et les objectifs du Domaine
de Connaissance. Les activités qui contribuent
aux objectifs (au centre) sont classées en
quatre phases :
> Plan (P),
> Développer (D),
> Exploiter (O)
> et Contrôler (C).
 À gauche (entrant dans les activités), on
trouve les Entrées et les Fournisseurs.
 À droite (sortant des activités), on trouve les
Livrables et les Consommateurs.
 Les participants sont répertoriés en dessous
des Activités.
 En bas se trouvent les Outils, Techniques et
Métriques qui influencent les aspects du
Domaine de Connaissance.

48
INTRODUCTION A LA GESTION DES DONNEES
Data Management Frameworks ➔DAMA-DMBOK Framework ➔ Context
Diagram
 Les éléments composants du diagramme de
contexte comprennent :
 Définition : Cette section définit de manière
concise le domaine de connaissance.
 Les objectifs décrivent le but du domaine de
connaissance et les principes fondamentaux
qui guident l'exécution des activités au sein
de chaque domaine de connaissance.
 Les activités sont les actions et les tâches
nécessaires pour atteindre les objectifs du
domaine de connaissance. Certaines activités
sont décrites en termes de sous-activités, de
tâches et d'étapes. Les activités sont classées
en quatre catégories : Planifier, Développer,
Exploiter et Contrôler.
 Les Entrées sont les éléments tangibles dont
chaque Domaine de Connaissance a besoin
pour initier ses activités. De nombreuses
activités nécessitent les mêmes entrées. Par
exemple, beaucoup requièrent la
connaissance de la Stratégie d'Entreprise en
tant qu'entrée.

49
INTRODUCTION A LA GESTION DES DONNEES
Data Management Frameworks ➔DAMA-DMBOK Framework ➔ Context
Diagram
 Les Livrables sont les résultats des activités
au sein du Domaine de Connaissance, les
éléments tangibles dont chaque fonction est
responsable de produire. Les Livrables
peuvent être des fins en soi ou des entrées
pour d'autres activités.

 Les Rôles et Responsabilités décrivent

comment les individus et les équipes
contribuent aux activités au sein du Domaine
de Connaissance. Les rôles sont décrits de
manière conceptuelle, en mettant l'accent
sur les groupes de rôles nécessaires dans la
plupart des organisations. Les rôles
individuels sont définis en termes de
compétences et d'exigences en matière de
qualification. Le Cadre de Compétences pour
l'Ère de l'Information (SFIA) a été utilisé pour
aider à aligner les titres de rôles. De
nombreux rôles seront interfonctionnels.

50
INTRODUCTION A LA GESTION DES DONNEES
Data Management Frameworks ➔DAMA-DMBOK Framework ➔ Context
Diagram
 Les Fournisseurs sont les personnes
responsables de fournir ou de permettre
l'accès aux entrées pour les activités.

 Les Consommateurs sont ceux qui

bénéficient directement des livrables
principaux créés par les activités de gestion
des données.

 Les Participants sont les personnes qui

exécutent, gèrent l'exécution ou approuvent
les activités dans le Domaine de
Connaissance.

 Les Outils sont les applications et autres

technologies qui permettent d'atteindre les
objectifs du Domaine de Connaissance

51
INTRODUCTION A LA GESTION DES DONNEES
Data Management Frameworks ➔DAMA-DMBOK Framework ➔ Context
Diagram
 Les Techniques sont les méthodes et
procédures utilisées pour réaliser des
activités et produire des livrables dans un
Domaine de Connaissance. Les Techniques
comprennent des conventions courantes, des
recommandations de bonnes pratiques, des
normes et protocoles, et, le cas échéant, des
approches alternatives émergentes.

 Les Métriques sont des normes de mesure ou

d'évaluation de la performance, du progrès,
de la qualité, de l'efficacité ou d'autres
aspects. Les sections sur les métriques
identifient les aspects mesurables du travail
effectué dans chaque Domaine de
Connaissance. Les métriques peuvent
également mesurer des caractéristiques plus
abstraites, comme l'amélioration ou la valeur

52
INTRODUCTION A LA GESTION DES DONNEES
Data Management Frameworks Evolué

 Une autre manière de considérer les

Domaines de Connaissance DAMA consiste à
explorer les dépendances entre eux.

 La version evolué reconnaît que les fonctions

de Business Intelligence et d'Analyse
dépendent de toutes les autres fonctions de
Data Management.

 Elles dépendent directement des données de

reference (Master Data) et des solutions de
data warehouse. Mais ceux-ci dépendent à
leur tour des systèmes et des applications
sources. Des pratiques fiables de qualité des
données, de conception des données et
d'interopérabilité des données sont à la base
de systèmes et d'applications fiables.

 De plus, la gouvernance des données, qui

dans ce modèle inclut la gestion des
métadonnées, la sécurité des données,
l'architecture des données et la gestion des
données de référence, constitue un socle sur
lequel toutes les autres fonctions dépendent.

53
INTRODUCTION A LA GESTION DES DONNEES
Data Management Frameworks ➔ Une autre alternative

 Une troisième alternative à la Roue DAMA est

representee à coté.
 Cela s'appuie également sur des concepts
architecturaux pour proposer un ensemble de
relations entre les Domaines de Connaissances
DAMA.
 Il fournit des détails supplémentaires sur le
contenu de certains Domaines de
Connaissances afin de clarifier ces relations.
 Le cadre commence par le but directeur de la
gestion des données : permettre aux
organisations d'obtenir de la valeur à partir de
leurs ASSETs.
 Obtenir de la valeur nécessite une gestion du
cycle de vie, c'est pourquoi les fonctions de
gestion des données liées au cycle de vie des
données sont représentées au centre du
diagramme.
 Cela inclut la planification et la conception de
données fiables et de haute qualité,
l'établissement de processus et de fonctions
grâce auxquels les données peuvent être
activées pour une utilisation et également
maintenues, et enfin, l'utilisation des données
dans divers types d'analyses et grâce à ces
processus, l'amélioration de sa valeur.

54
INTRODUCTION A LA GESTION DES DONNEES
Data Management Frameworks ➔ DAMA Wheel Evoluée

55
02 CADRAGE DATA
Cadrage
Atelier Persona
Data

57
 Description des personas Domaine 1 Domaine 2 Domaine 3

Persona X
Ses besoins fonctionnels
Prénom - age ans
Responsabilité/Métier/Fonction 10min

15min

Ses enjeux Ses douleurs

There is a better way

58
10min
Ses besoins data
Son usage de La Plateforme
Data
15min

20min
15min

OCTO Part of Acc enture © 2020 - All rights reserved

 Typologies d’usages
Cartographie des besoins persona
Accès aux données Analyse des données Tableau de bord Exposition Intelligence artificielle

Analyse croisée de données Travailler collectivement sur Utilisation des données

Tableau de bord prêt à historiques pour créer des
Données externes internes et de données une représentation des
l’emploi modèles d’IA
externes données

Données brutes (non- Création de rapport Partage de tableau de

Analyse descriptive: KPI ou Faire des simulations &
agrégées) avec des spécifique à partir de bord avec une
autre prédictions
cleaning et transformations données communauté
There is a better way

Données agrégées avec

Analyse exploratoire Présentation visuelle des
capacité de zoom sur du Exposition des modèles IA

59
(comprendre la donnée) indicateurs Diffusion des données
détail

Reporting opérationnel
Catalogue de données
Self-BI périodique (quotidien, Reporting Auto IA
(documentés)
hebdomadaire, mensuel)

Analyse de données en Tableau de bord

Exports et restitutions Exposition sous forme d’API
temps réel stratégiques

Analyse des données non

Import de données
structurées

Évaluer et vérifier la qualité

Accès en mode API
des données

OCTO Part of Acc enture © 2020 - All rights reserved