Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

Spécialiste en mégadonnées et intelligence d’affaires Attestation D’études coll

Spécialiste en mégadonnées et intelligence d’affaires Attestation D’études collégiales (AEC) Programme LEA.C0 Plan de cours Concepts et modèles d’affaires de gestion des mégadonnées (Big Data) 420-BD2-SF Pondération : 1-2-3 Automne 2019 - Bloc 1 - UBR4117 - Groupe 10124 Professeur : Frédérick Guillot, M.Sc. Bureau : n/a Téléphone (Cégep) : n/a Courriel : fguillot@cegep-ste-foy.qc.ca Conseillère pédagogique : Françoise Cloutier Bureau : P-271 Téléphone (Cégep) : 418-659-6620, poste 5043 Courriel : fcloutier@cegep-ste-foy.qc.ca Frédérick Guillot 420-BD2-SF PC_420-BD2-SF_A2019_4117_FG Page 2 Ce plan de cours est un guide mis à votre disposition pour organiser vos activités d’études et de travail liées à ce cours. Il est donc important que vous en preniez connaissance, de façon attentive, puisqu’il vous renseigne sur les apprentissages à réaliser, les exigences du cours et les éléments essentiels de son déroulement. Après que l’enseignant vous ait remis et expliqué le plan de cours, son contenu ne peut pas être modifié sans que vous ayez été consulté. Thématique générale Le cours « Concepts et modèles d’affaires de gestion des mégadonnées » (420-BD2-SF) est destiné aux étudiants adultes du programme d’Attestation d’études collégiales offert par le cégep de Sainte-Foy qui s’intitule « Spécialiste en mégadonnées et intelligence d’affaires » (LEA.C0). Ce cours a pour objectif de permettre aux étudiants d’être en mesure de décrire les concepts liés à la gestion des mégadonnées, et de traduire les besoins d’un client en un système d’extraction et d’analyse de connaissance. Ainsi, ce cours permettra à l’étudiant d’acquérir des notions et de développer des compétences de base sur les thèmes suivants : ✓ Évolution des bases de données vers les mégadonnées ✓ Cas d’utilisation des mégadonnées et métiers du Big Data ✓ Conception d’un système d’extraction et d’analyse de mégadonnées en fonction des besoins d’un client ✓ Considérations éthiques et juridiques, et questions de gouvernances liées aux mégadonnées Place du cours dans le programme d’études Ce cours fera découvrir aux étudiants les principaux concepts liés à la gestion des mégadonnées. Il comporte un seul préalable (co-requis) : • 420-BD1-SF Initiation à la fonction de travail Ce cours est offert lors de la première session du programme. Il s’agit d’un cours de 45 heures d’enseignement qui se divisent en en 13 séances de 3 heures (les soirs de la semaine), ainsi qu’une séance de 6 heures (le samedi). Frédérick Guillot 420-BD2-SF PC_420-BD2-SF_A2019_4117_FG Page 3 OBJECTIFS DU COURS Objectifs généraux Compétence(s) à atteindre dans ce cours Éléments de compétence (principales étapes de réalisation) BDAB Décrire les concepts liés à la gestion des données volumineuses (Big Data) ❖ S’initier aux mégadonnées (Big Data) ✓ Décrire l’évolution des bases de données ✓ Comprendre les cas d’utilisation ✓ Reconnaitre quand le Big Data est nécessaire ✓ Énumérer les métiers du Big Data ❖ Traduire les besoins d’un client en un système d’extraction et d’analyse de connaissance Frédérick Guillot 420-BD2-SF PC_420-BD2-SF_A2019_4117_FG Page 4 Objectifs spécifiques 1. S’initier aux mégadonnées et apprendre à recueillir les besoins d’affaires 1.1 Décrire l’évolution des bases de données Identifier les différents types de données • Les structures de données : structurées, semi-structurées, non structurées • Exemples d’applications pour chaque type de données Identifier les différents types de bases de données • Les bases de données : SQL, NoSQL, Time Series, Graph… • Les critères de choix de base de données selon la source 1.2 Comprendre les cas d’utilisation Comprendre ce qu’est une décision • Les différents types de décision • Comment prend-on une décision en entreprise Comprendre les sources de données possibles • Exemples d’applications internes, web, capteurs, machines • Exemples de cas d’usage dans les principales industries (Banques / Assurances, Télécommunications, Distribution, Internet, Transports…) 1.3 Reconnaître quand le Big Data est nécessaire Faire la différence entre un projet big data et un projet d’intelligence d’affaires traditionnel • Cas d’usage de chacun des types de projets dans différents domaines (commercial, finance, logistique, …) 1.4 Énumérer les métiers du Big Data Les profils de postes en rapport avec le Big Data Les compétences rattachées à chaque profil de poste. Présentation et mise en avant de ses compétences face à différents profils de postes. Connaître les compétences : • Rattacher les compétences et les technologies • Faire le lien entre les postes et les compétences • Comment se former en continue et mettre à jour ses compétences Frédérick Guillot 420-BD2-SF PC_420-BD2-SF_A2019_4117_FG Page 5 2. Traduire les besoins d’un client en un système d’extraction et d’analyse de connaissance. 2.1 Analyse des besoins d’une solution Big Data Questionner les gestionnaires pour identifier leurs besoins actuels. • Le guide d’entretien. Conduite d’un entretien. • Rédaction d’une synthèse de l’entretien. • Regroupement des résultats de plusieurs entretiens dans un même compte-rendu. • Évaluation des demandes/attentes par rapport à l’existant, et par rapport au besoin réel. Questionner les gestionnaires pour identifier et imaginer leurs besoins futurs • Rédaction d’un guide d’entretien. Conduite d’un entretien ouvert. Suggestions des usagers pour faire progresser la réflexion des gestionnaires. • Rédaction d’une synthèse de l’entretien. • Regroupement des résultats de plusieurs entretiens dans un même compte-rendu. • Évaluation de l’impact des demandes du point de vue technique (ressources, outils). 2.2 Analyser l’évolution des modèles d’affaires sous l’angle des données disponibles Conception et proposition de nouvelles méthodes d’analyse créatrices de valeurs. Mise en place d’une vigie des meilleures pratiques dans son industrie. Évaluation de l’impact de ces nouveaux usages de données sur les modèles d’affaires de la compagnie. Chiffrage du coût de collecte de ces nouvelles données. 2.3 Concevoir un système de traitement des données, adapté aux besoins L’architecture d’un système décisionnel. Les trois grandes étapes : collecte, stockage, restitution. Les principaux outils utilisés lors de ces trois phases. Les principaux fournisseurs du marché et leur positionnement. Le schéma d’architecture pour supporter les flux de données décisionnels et atteindre les objectifs d’analyse retenus. Frédérick Guillot 420-BD2-SF PC_420-BD2-SF_A2019_4117_FG Page 6 2.4 Présenter les différents types d’architecture Comparaison des différentes architectures possibles et classement en fonction de leur adéquation au besoin. Présentation à son responsable du schéma d’architecture préconisé. Présentation, argumentation de ces préconisations, et justification de l’architecture recommandée. 2.5 Définir les processus du système de traitement des données Description des principaux processus d’alimentation, transport, et analyse de données. Conception des rapports et tableaux de bord analytiques. Mise en place d’un suivi de projet agile, suivant une méthode interactive et itérative. 2.6 Sélectionner les bonnes technologies pour chaque cas d’utilisation Construction d’une grille de fonctionnalités, avec pondération des critères. Mise en place d’une procédure de sélection et de choix des technologies. Collecte des réponses des fournisseurs, vérification de leur qualité et analyse. Comparaison des réponses pour produire une recommandation cohérente. 2.7 Évaluer l’environnement juridique des nouvelles données collectées Connaissance des règles de base qui régissent la collecte et l’utilisation des données personnelles selon les pays. Documentation d’un plan d’utilisation des données à soumettre au département juridique. Frédérick Guillot 420-BD2-SF PC_420-BD2-SF_A2019_4117_FG Page 7 2.8 Évaluer l’impact de l’utilisation des mégadonnées du point de vue éthique Les règles et pratiques responsables qui régissent la collecte et l’utilisation des données personnelles du point de vue de l’éthique. Les traitements : la notion de croisement des données et sa perception par le client. Les réactions des clients face à l’utilisation de leurs données personnelles (les limites acceptables). Documentation d’un plan de communication sur les données collectées et les traitements pratiqués sur ces données. 2.9 Intégrer le Big Data dans le cycle de vie des données Compréhension des caractéristiques et de l’utilité des métadonnées. Évaluation de la qualité des données. Création des procédures de validation de la qualité des données. Intégration du Big Data dans un plan général de gouvernance des données d’entreprise. Définition et rédaction des procédures associées. Frédérick Guillot 420-BD2-SF PC_420-BD2-SF_A2019_4117_FG Page 8 Déroulement du cours Ce cours comprend deux sections, articulées de la manière suivante : • La première vise à s’initier aux mégadonnées et analyser des besoins clients • La seconde vise à apprendre à l’étudiant à concevoir une solution de mégadonnées La note du cours sera calculée comme suit : • Travail pratique individuel #1 : 20% • Examen intra : 25% • Travail pratique individuel #2 : 20% • Examen final : 35% SÉQUENCE D’APPRENTISSAGE ET ÉVALUATIONS Première séquence d’apprentissage L’apprentissage s’appuie d’abord sur des présentations magistrales du professeur, des discussions en groupe, des exemples et des exercices, en relation avec des mises en situation concrètes inspirées de cas réels. Section : initiation aux mégadonnées et analyser des besoins clients Éléments de compétence ciblés : 1.1 ; 1.2; 1.3 ; 1.4 et 2.1 ; 2.2 Habiletés et contenus essentiels : • Décrire les cas d’usage des mégadonnées dans les différentes industries. Évaluation formative : Des exercices de laboratoire individuels et en équipe seront utilisés pour l’apprentissage des différents concepts de mégadonnées et les cas d’usages dans les différentes industries. Ces évaluations se feront à chaque 2 leçons. Évaluations sommatives : Elles sont détaillées dans les tableaux suivants. Titre Travail individuel #1 Compétences évaluées 1.1 à 1.4 Date À remettre le 30 nov 2019 à 18h30 Pondération 20 % Type d’activité Travail écrit où l’étudiant devra décrire en détail un exemple uploads/Management/ plan-de-cours-420-bd2-sf-fguillot-2019-10-28.pdf