Plan du cours
Fondements et Principes du Data Mesh
Module 1 : Introduction et contexte
• Évolution de l'architecture des données : DW, Data Lake et l'émergence du Data Mesh
• Problèmes courants dans les architectures centralisées
• Principes directeurs de l'approche Data Mesh
Module 2 : Principe 1 – Propriété des données par domaine
• Organisation orientée par domaines
• Avantages et défis de la décentralisation des responsabilités
• Études de cas : définition des domaines dans une entreprise réelle
Module 3 : Principe 2 – Données comme produit
• Qu'est-ce qu'un “data product”
• Rôles du propriétaire de produit de données
• Bonnes pratiques pour concevoir des produits de données
• Exercice pratique : conception d'un data product par équipe
Plateforme, Gouvernance et Conception Opérationnelle
Module 4 : Principe 3 – Plateforme en libre-service
• Composants d'une plateforme de données moderne
• Outils courants dans un écosystème Data Mesh (Kafka, dbt, Snowflake, etc.)
• Exercice : conception d'une architecture de plateforme en libre-service
Module 5 : Principe 4 – Gouvernance fédérée
• Gouvernance dans les environnements distribués
• Politiques, normes et automatisation
• Mise en œuvre des politiques de qualité, sécurité et confidentialité des données
Module 6 : Conception organisationnelle et changement culturel
• Nouveaux rôles dans Data Mesh : propriétaire de produit de données, équipe de plateforme, équipes de domaine
• Comment aligner les incitations entre les domaines
• Transformation culturelle et gestion du changement
Implémentation, Outils et Simulation
Module 7 : Stratégies d'adoption et de mise en œuvre
• Feuille de route pour mettre en œuvre Data Mesh par phases
• Critères pour sélectionner les domaines pilotes
• Leçons apprises des mises en œuvre réelles
Module 8 : Outils, technologies et études de cas
• Stack technologique compatible avec Data Mesh
• Exemples d'implémentation (Netflix, Zalando, etc.)
• Analyse de succès et d'échec
Module 9 : Simulation d'examen et études de cas
• Exercices de révision par module
• Simulation d'examen type certification
• Révision des résultats et discussion
Pré requis
• Connaissances de base en gestion des données, architecture des données ou ingénierie des données
• Familiarité avec les concepts tels que Data Warehouse, Data Lake, ETL/ELT
• Souhaitable : expérience dans des projets de données au niveau entreprise
Nos clients témoignent (1)
La capacité à s'engager sur une base individuelle et à s'assurer que je comprenais bien les concepts abordés.
Dave - Sea
Formation - Data Architecture Fundamentals
Traduction automatique