IA & Data

Architectures Data modernes : Data Mesh, Lakehouse et Data Fabric

2 jour(s) • 14h

Description

Comprendre et comparer les architectures data modernes afin de choisir la stratégie la plus adaptée aux enjeux techniques, organisationnels et métiers de l’entreprise.

Objectifs pédagogiques

Identifier les limites d’une architecture data centralisée
Comprendre les principes du Data Mesh, du Data Fabric et du Lakehouse
Différencier les usages, avantages et limites de chaque approche
Évaluer les critères de choix selon le contexte de l’organisation
Relier les architectures data aux besoins métiers, à la gouvernance et à la scalabilité
Modéliser une architecture cible sur un cas concret

Public concerné

Data engineers

architectes data

CDO

responsables data

responsables de plateformes data

Prérequis

Connaître les bases des environnements data (ETL, data warehouse, data lake)

Avoir une expérience en data, BI, analytics ou architecture SI

Déroulé du programme

PARTIE 1- Limites du data warehouse centralisé et évolution des besoins (JOUR 1- 3h30)

Rappels sur les architectures centralisées et leurs apports
Limites en matière de passage à l’échelle, de gouvernance et de réactivité
Nouveaux enjeux : self-service, data products, multi-domaines, IA et temps réel
Activité pratique : étude de cas : Analyse d’une organisation confrontée à la saturation de son modèle centralisé. Identification des freins techniques, organisationnels et métiers

PARTIE 2 - Data Mesh : principes, data products et federated governance (JOUR 1- 3h30)

Les quatre principes du Data Mesh
Notion de data product et responsabilités par domaine
Gouvernance fédérée et articulation entre équipes métier et plateforme
Activité pratique : cas pratique : Définition de domaines data et de data products pour un cas d’entreprise. Répartition des rôles entre équipes métiers, data et gouvernance.

PARTIE 3- Data Fabric : métadonnées actives et intégration automatisée (jour 2- 2h30)

Positionnement du Data Fabric dans un SI data moderne
Rôle des métadonnées actives, du lineage et de l’automatisation
Apports pour l’intégration, la qualité, la gouvernance et l’exploitation transverse
Activité pratique : exercice : Cartographie simplifiée d’un flux de données avec métadonnées et automatisation. Repérage des gains possibles en intégration et en gouvernance.

PARTIE 4 - Lakehouse : principes et technologies clés (JOUR 2- 2h30)

Convergence entre data lake et data warehouse
Principes du Lakehouse pour l’analytics, la BI et les usages data avancés
Technologies de référence : Delta Lake, Apache Iceberg, Apache Hudi
Activité pratique : cas pratique : Comparaison de plusieurs options Lakehouse selon un besoin métier donné. Choix d’une technologie en fonction des contraintes de performance, gouvernance et évolutivité.

PARTIE 5- Comparaison des architectures et critères de choix (JOUR 2- 1h00)

Comparaison Data Mesh, Data Fabric et Lakehouse
Critères de choix : maturité data, organisation, gouvernance, volumétrie, usages
Complémentarités et logiques hybrides selon les contextes d’entreprise
Activité pratique : discussion guidée : Analyse comparative de plusieurs scénarios d’architecture, Argumentation collective autour du choix de la solution la plus adaptée.

PARTIE 6- Cas d’usage sectoriels et TP de modélisation (JOUR 2 - 1h00)

Exemples d’usage dans l’industrie, la banque, l’assurance, le retail ou les services
Facteurs de succès et points de vigilance selon les secteurs
Méthode de cadrage d’une architecture cible
Activité pratique : TP fil rouge : Modélisation d’une architecture data moderne pour un cas réel d’entreprise. Présentation et justification des choix techniques, organisationnels et de gouvernance.