Formation Architectures Data modernes — Data Mesh, Lakehouse et Data Fabric
Description
Cette formation de niveau intermédiaire permet de comprendre les limites des architectures data centralisées et d’analyser trois approches modernes : Data Mesh, Lakehouse et Data Fabric. Elle aide les participants à distinguer les principes, les impacts organisationnels et les implications techniques de chaque modèle afin de choisir une stratégie adaptée à leur contexte. La formation s’appuie sur des comparaisons structurées, des cas d’usage sectoriels et un travail pratique de modélisation d’architecture sur un cas réel.
- Identifier les limites d’une architecture data centralisée
- Expliquer les principes du Data Mesh et le rôle des data products
- Décrire le fonctionnement d’une approche Data Fabric fondée sur les métadonnées actives
- Comprendre les principes d’un Lakehouse et différencier Delta Lake, Apache Iceberg et Apache Hudi
- Comparer les architectures Data Mesh, Data Fabric et Lakehouse selon des critères techniques, organisationnels et métiers
- Choisir une architecture data adaptée à un contexte donné
- Modéliser une architecture cible pour un cas réel
- Data engineers
- Architectes data
- Chief Data Officers
- Responsables plateformes data
- Leads analytics ou data platform
- Maîtriser les bases des architectures data classiques
- Connaître les notions de data warehouse, data lake, pipeline et gouvernance des données
- Disposer d’une première expérience en environnement data ou BI
- 1
JOUR 1- Module 1- Limites du data warehouse centralisé (1h30)
- Rappel des principes du data warehouse centralisé
- Identification des limites dans les contextes multi-domaines et multi-équipes
- Analyse des problèmes de scalabilité organisationnelle et de dépendance aux équipes centrales
- Mise en perspective des nouveaux besoins en autonomie, gouvernance et rapidité d’accès à la donnée
- TP: Identifier, à partir d’un cas type, les limites d’une architecture centralisée, Formaliser les principaux irritants techniques et organisationnels
- 2
JOUR 1- Module 2- Data Mesh : principes et fonctionnement (2h00)
- Origine et logique du Data Mesh
- Domain ownership et responsabilité décentralisée
- Data as a product
- Self-serve data platform
- Federated governance
- Conditions de réussite et points de vigilance
- TP : Découper un système data fictif en domaines- Identifier les responsabilités associées à chaque domaine- Positionner les premiers data products
- 3
JOUR 1- Module 3- Data products et federated governance (1h30)
- Définition d’un data product
- Différence entre dataset, pipeline et data product
- Composants attendus d’un data product : qualité, documentation, exposition, usage
- Rôle de la gouvernance fédérée
- Standards communs et autonomie encadrée
- TP: Définir un data product à partir d’un besoin métier- Renseigner ses attributs clés : propriétaire, consommateurs, fréquence, qualité, règles d’accès
- 4
JOUR 1- Module 4- Data Fabric : métadonnées actives et intégration automatisée (2h00)
- Définition et positionnement du Data Fabric
- Rôle des métadonnées actives
- Découvrabilité, traçabilité, lineage et automatisation
- Intégration de sources hétérogènes
- Cas d’usage typiques du Data Fabric dans des environnements complexes
- TP : Cartographier les métadonnées utiles pour piloter un flux transverse- Identifier les règles pouvant être automatisées : qualité, classification, accès, traçabilité
- 5
JOUR 2- Module 5- Lakehouse : principes et formats de table ouverts (2h00)
- Positionnement du Lakehouse entre data lake et data warehouse
- Principes de stockage et de gouvernance dans une architecture Lakehouse
- Présentation de Delta Lake
- Présentation d’Apache Iceberg
- Présentation d’Apache Hudi
- Différences clés : gestion des transactions, évolutivité, interopérabilité, mises à jour, time travel
- TP: Associer des besoins projet à l’option Lakehouse la plus adaptée- Comparer Delta Lake, Apache Iceberg et Apache Hudi selon plusieurs critères de décision
- 6
JOUR 2- Module 6- Comparaison et critères de choix (1h30)
- Différences entre logique organisationnelle, logique plateforme et logique d’intégration
- Critères de choix selon la structure de l’entreprise, les cas d’usage, la gouvernance et le patrimoine existant
- Contextes favorables au Data Mesh
- Contextes favorables au Data Fabric
- Contextes favorables au Lakehouse
- Possibilités de combinaison entre plusieurs approches
- TP: Évaluer plusieurs contextes d’entreprise à l’aide d’une grille multicritère- Choisir une stratégie d’architecture argumentée
- 7
JOUR 2- Module 7- Cas d’usage par secteur (1h30)
- Industrie : données de production, maintenance, supply chain
- Banque et assurance : traçabilité, conformité, qualité
- Retail et e-commerce : omnicanal, rapidité d’exploitation, segmentation
- Secteur public et grands opérateurs : silos historiques, urbanisation progressive, gouvernance forte
- Santé et recherche : diversité des sources, sensibilité des données, exigences d’accès
- TP : Choisir un cas sectoriel proche de son environnement- Identifier les enjeux, contraintes et architecture la plus pertinente
- 8
JOUR 2- Module 8- Atelier de conception d’une architecture data pour un cas réel (2h30)
- Analyse d’un cas réel ou réaliste d’entreprise confrontée à des enjeux de modernisation de son architecture data
- Identification des contraintes métiers, organisationnelles, techniques et de gouvernance
- Sélection de l’approche la plus pertinente : Data Mesh, Data Fabric, Lakehouse ou combinaison de plusieurs approches
- Sélection de l’approche la plus pertinente : Data Mesh, Data Fabric, Lakehouse ou combinaison de plusieurs approches
- Définition des composants clés de l’architecture cible
- Formalisation des principaux arbitrages de conception
- TP: Analyser la situation initiale et les limites de l’existant- Identifier les besoins de gouvernance, de qualité, d’intégration et de consommation- Choisir une architecture cible adaptée- Représenter les grands composants de la solutio- Justifier les choix réalisés au regard des critères étudiés pendant la formation
Ils nous font Confiance
Nos partenaires de confiance
Questions fréquentes
FAQ : Formation Architectures Data modernes — Data Mesh, Lakehouse et Data Fabric
Oui, mais la prise en charge d'une formation professionnelle par un OPCO dépend de votre opérateur de compétences, de votre branche d'activité et des critères de financement applicables. Ascent Formation vous accompagne dans l'identification des possibilités de financement adaptées à votre entreprise.
Une formation inter-entreprises réunit des participants issus de différentes organisations, tandis qu'une formation intra-entreprise est organisée pour les collaborateurs d'une même entreprise. Le format intra permet notamment d'adapter le contenu et les modalités aux besoins spécifiques de vos équipes.
Selon la formation proposée, il est possible de suivre une formation professionnelle à distance, en présentiel ou selon d'autres modalités disponibles. Consultez les informations de la session concernée ou contactez-nous pour connaître les formats possibles.
Oui, une formation professionnelle peut être adaptée aux objectifs, au niveau des participants et aux besoins opérationnels de votre entreprise. Ascent Formation vous propose des parcours personnalisés pour accompagner le développement des compétences de vos équipes.
Formations similaires
IA & DataFormation Migration vers le Cloud
IA & DataFormation Agents IA — Concevoir des systèmes autonomes avec LangChain et LangGraph - Avancé
IA & DataFormation AI Act européen — Comprendre vos obligations et vous mettre en conformité - Niveau débutant
IA & Data