Plan de Cours 420-BD2-SF FGuillot 2019-10-28

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
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).
PC_420-BD2-SF_A2019_4117_FG Page 2
OBJECTIFS DU COURS
Objectifs généraux
Éléments de compétence
Compétence(s) à atteindre dans ce cours
(principales étapes de réalisation)
❖ S’initier aux mégadonnées (Big Data)
✓ Décrire l’évolution des bases de

données
BDAB Décrire les concepts liés à la gestion des ✓ Comprendre les cas d’utilisation
données volumineuses (Big Data) ✓ 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
PC_420-BD2-SF_A2019_4117_FG Page 3
Objectifs spécifiques
1. S’initier aux mégadonnées et apprendre à recueillir les besoins d’affaires
1.1 Décrire l’évolution des bases de Identifier les différents types de données
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 Comprendre ce qu’est une décision

d’utilisation • 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 Faire la différence entre un projet big data et un projet
est nécessaire 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 Les profils de postes en rapport avec le Big Data Les
Data 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
PC_420-BD2-SF_A2019_4117_FG Page 4
2. Traduire les besoins d’un client en un système d’extraction et d’analyse de connaissance.
2.1 Analyse des besoins d’une Questionner les gestionnaires pour identifier leurs besoins
solution Big Data 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 Conception et proposition de nouvelles méthodes d’analyse

modèles d’affaires sous créatrices de valeurs.
l’angle des données
disponibles 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 L’architecture d’un système décisionnel.

traitement des données,
adapté aux besoins 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.
PC_420-BD2-SF_A2019_4117_FG Page 5
2.4 Présenter les différents types Comparaison des différentes architectures possibles et
d’architecture 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 Description des principaux processus d’alimentation,

système de traitement des transport, et analyse de données.
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 Construction d’une grille de fonctionnalités, avec pondération
technologies pour chaque des critères.
cas d’utilisation
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 Connaissance des règles de base qui régissent la collecte et
juridique des nouvelles l’utilisation des données personnelles selon les pays.
données collectées
Documentation d’un plan d’utilisation des données à
soumettre au département juridique.
PC_420-BD2-SF_A2019_4117_FG Page 6
2.8 Évaluer l’impact de l’utilisation Les règles et pratiques responsables qui régissent la collecte
des mégadonnées du point et l’utilisation des données personnelles du point de vue de
de vue éthique 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 Compréhension des caractéristiques et de l’utilité des
cycle de vie des données 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.
PC_420-BD2-SF_A2019_4117_FG Page 7
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 : Habiletés et contenus essentiels :

1.1 ; 1.2; 1.3 ; 1.4 et 2.1 ; 2.2 • 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 réel de situation faisant intervenir les
mégadonnées afin de démontrer sa compréhension des
concepts vus en classe.
Contexte de réalisation Travail individuel d’une durée de 3 semaines.
Tous les documents sont autorisés.
Modalités de rétroaction Commentaires écrit par le professeur
PC_420-BD2-SF_A2019_4117_FG Page 8
Titre Examen intra

Compétences évaluées 1.1 à 1.4 et 2.1, 2.2
Date 3 déc 2019 de 18h30 à 20h30
Pondération 25%
Type d’activité L’étudiant devra :
- Décrire l’évolution du Big data, comprendre les cas
d’utilisation et reconnaitre lorsque le Big Data est
nécessaire.
- Savoir énumérer les métiers du Big Data
- Analyser les besoins d’une solution Big Data.
Contexte de réalisation Cette activité d’évaluation sera en 2 parties :
- Partie 1 : Dans les 2 premières heures, le professeur
donnera une liste de questions ouvertes (différentes,
mais similaires aux questions de l’évaluation qui suivra
lors de la partie 2) et donnera du temps aux étudiants
pour réfléchir en groupe sur ces questions.
- Partie 2 : Par la suite, un travail en classe individuel
(dont les questions seront similaires, mais différentes aux
questions de la partie 1) sur papier d’une durée de 1
heure sera remis aux étudiants. Ce travail constituera
l’évaluation.
PC_420-BD2-SF_A2019_4117_FG Page 9
Deuxième 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 : conception d’une solution de mégadonnées

Éléments de compétence ciblés : Habiletés et contenus essentiels :
2.3 à 2.9 • Concevoir un système de traitement des
données, adapté aux besoins en considérant la
gouvernance, ainsi que les aspects éthiques et
juridiques.
Évaluation formative :
Des exercices de laboratoire individuels et en équipe seront utilisés pour pratiquer l’étudiant à la conception de solutions
de mégadonnées. Ces évaluations se feront à chaque 2 leçons.
Évaluations sommatives :
Elles sont détaillées dans les tableaux suivants.
Titre Travail pratique individuel #2

Date À remettre le 14 jan 2020 à 18h30
Pondération 20 %
Type d’activité Travail écrit où l’étudiant aura à décrire et
schématiser la mise en place de l’architecture d’un
système décisionnel, notamment les trois grandes
étapes : collecte, stockage, restitution, ainsi que les
principaux outils utilisés lors de ces phases et les
principaux fournisseurs du marché et leur
positionnement.
Contexte de réalisation Travail individuel d’une durée de 2 semaines.
Titre Examen Final (EFCS)

Date 4 fév 2020 de 18h30 à 20h30
Pondération 35%
Type d’activité L’étudiant devra :
-Déterminer l’architecture d’une solution Big Data.
-Identifier les bases de données et les outils de
réalisation(développement).
- Considérer la gouvernance, ainsi que les aspects
éthiques et juridiques dans sa solution.
Contexte de réalisation Cette activité d’évaluation sera en 2 parties :
- Partie 1 : Dans la dernière heure de la séance du 25 avril
2019, le professeur donnera une liste de questions
ouvertes (différentes, mais similaires aux questions de
PC_420-BD2-SF_A2019_4117_FG Page 10
l’évaluation qui suivra lors de la partie 2) et donnera du

temps aux étudiants pour réfléchir en groupe sur ces
questions.
- Partie 2 : Le 29 avril 2019, un travail en classe individuel
(dont les questions seront similaires, mais différentes aux
questions de la partie 1) sur papier d’une durée de 2
heure sera remis aux étudiants. Ce travail constituera
l’évaluation sommative qui aura pour but d’évaluer la
capacité à intégrer l’ensemble des compétences
essentielles du cours.
PC_420-BD2-SF_A2019_4117_FG Page 11
Calendrier
Ce calendrier est fourni à titre indicatif et peut être modifié en fonction des circonstances (sauf dans le cas
des examens).
Date Contenu
29 oct 2019 • Accueil
• Présentation du professeur et des étudiants
• Présentation du plan de cours
• Les différents types de données
• Les différents types de bases de données
30 oct 2019 • Retour sur la séance 1
• Exemples de sources de données possibles
• Qu’est-ce qu’une décision?
5 nov 2019 • Retour sur la séance 2
• Différence entre un projet big data et un projet d’intelligence d’affaires
traditionnel
• Les profils de postes en rapport avec le Big Data Les compétences rattachées à
chaque profil de poste
• TENTATIF - Conférence (Identifier les besoins des clients, environ 30 mins) : M. François
Dumont –Président, Conseiller stratégique sénior en intellignece d’affaires, NessIA
Services Conseils Inc.
• Questionner les gestionnaires pour identifier leurs besoins actuels
• Questionner les gestionnaires pour identifier et imaginer leurs besoins futurs
• Remise de l’énoncé du travail individuel #1
• Conception et proposition de nouvelles méthodes d’analyse créatrices de valeur
• Mise en place d’une vigie des meilleures pratiques dans son industrie
• Évaluation de l’impact des nouveaux usages de données sur les modèles d’affaires de
la compagnie
• Chiffrage du coût de collecte de ces nouvelles données
(SAMEDI - am) • Temps alloué pour le travail pratique individuel #1
30 nov 2019 • Révision préparatoire à l’examen intra
(SAMEDI – pm) • Remise du travail pratique individuel #1
3 déc 2019 • Examen intra
10 déc 2019 • 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
PC_420-BD2-SF_A2019_4117_FG Page 12
• Le schéma d’architecture pour supporter les flux de données décisionnels et atteindre

les objectifs d’analyse retenus
• Remise de l’énoncé du travail individuel #2
17 déc 2019 • Retour sur la séance 8
• 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
14 jan 2020 • Retour sur la séance 9
• 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
• 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
• Remise du travail pratique individuel #2
• Temps pour travail dirigé sur le travail pratique individuel #2
• 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
• 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
• 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
• Révision préparatoire à l’examen final
4 fév 2020 • Examen final
PC_420-BD2-SF_A2019_4117_FG Page 13
Médiagraphie
Document obligatoire : aucun
Ces documents de base sont des références qui peuvent vous être utiles dans vos activités d’apprentissage.
• Le pilotage de la performance, Reda Gomery
• Le projet décisionnel, Jean-Marie Gouarne
• Qualité des données: Quelle(s) Vérité(s) dans les entreprises, Philippe Trouchaud, Reda Gomery et
Zouheir Guédri
• Les bases de données NoSQL et le Big Data; Comprendre et mettre en œuvre, Rudi Bruchez
• Strategies Big Data, Thomas Davenport
• Big Data Applications and Use Cases, Patrick C. K. Hung

• Big Data Application Architecture Q&A: A Problem - Solution Approach, Nitin Sawant
PC_420-BD2-SF_A2019_4117_FG Page 14
RÈGLES INSTITUTIONNELLES
Les règles présentées ici proviennent de la Politique d’évaluation des apprentissages adoptée par la direction
du collège en avril 2013 et des principaux règlements du collège. On les retrouve, en partie, dans l’Agenda
étudiant et au complet sur le site du Cégep1. Il est de votre responsabilité de prendre connaissance de l’article
7.1 de ladite politique concernant les responsabilités de l’étudiant (les articles 7.1.2 et 7.1.3 sont inclus ci-
après).
Par ailleurs, la connaissance de la section no 6 Normes et règles et, plus particulièrement des articles décrits
ci-après, est essentielle. Elle balise les conditions de votre réussite :
I- Politique d’évaluation des apprentissages (extraits des sections 6 et 7)

6.1.8 Évaluation du français
6.1.9 Évaluation de la présentation et de la composition des travaux
6.1.10 Présence aux activités d’évaluation sommative
6.1.11 Remise des travaux
6.1.12 Plagiat et fraude
6.1.13 Conditions de réussite d’un cours
6.5 La révision de notes
7.1 L’étudiant a la responsabilité
PEA - 6.1.8 - ÉVALUATION DU FRANÇAIS ÉCRIT
[. . .] Le professeur peut refuser un travail lorsque les erreurs de langue entraînent des problèmes majeurs de
clarté dans l’expression et demander à l’étudiant de corriger ses erreurs avant qu’il remette à nouveau le
travail en question. Les pénalités prévues à l’article 6.1.11 s’appliquent dans un tel cas. [. . .]
Dans toutes les activités d’évaluation sommative, chaque erreur de langue est soustraite du résultat de
l’étudiant à raison de 0, 5% de la pondération de l’activité en cause jusqu’à concurrence de 10% de cette
pondération. [. . .] Lorsque le contexte de réalisation de l’activité d’évaluation permet aux étudiants le recours
aux outils de référence linguistique, le département peut déterminer une pénalité pour les erreurs de langue
qui va au-delà de 10% de la note, jusqu’à un maximum de 20%. [. . .]
PEA - 6.1.9 - ÉVALUATION DE LA PRÉSENTATION ET DE LA COMPOSITION DES TRAVAUX
Les étudiants doivent présenter leurs travaux écrits en conformité avec les normes de présentation adoptées
par le Cégep et les règles départementales qui viennent les préciser et les compléter. Dans le cas où le type de
travail ne se prête pas à ces normes de présentation, les étudiants suivent les consignes du professeur. (Nous vous
recommandons de vous référer à l’outil de présentation des travaux2).
PEA - 6.1.10 - PRÉSENCE LORS DES ACTIVITÉS D’ÉVALUATION SOMMATIVE
L’étudiant doit être présent pour chacune des activités d’évaluation sommative, selon ce qui est prévu au plan
de cours. Une absence à une activité d’évaluation sommative entraîne un échec à cette activité, à moins d’une
raison de force majeure.
(Précision : Il est de la responsabilité de l’étudiant de faire le suivi de ses absences et de prendre les mesures
nécessaires avec son enseignant pour une reprise éventuelle si applicable. Dans l’éventualité où la justification
1 Voici le lien pour consulter les politiques et règlements du collège :

http://www.cegep-ste-foy.qc.ca/notre-cegep/politiques-et-reglements/politiques-et-reglements/
2 Lien : http://sites.cegep-ste-foy.qc.ca/presentationtravaux/accueil/
PC_420-BD2-SF_A2019_4117_FG Page 15
serait rejetée, l’étudiant devra rencontrer le conseiller pédagogique pour évaluer les possibilités de poursuite du
programme).
PEA - 6.1.11 - REMISE DES TRAVAUX
Les rapports et les travaux exigés des étudiants doivent être remis au professeur à la date, à l’heure et au
lieu indiqués. Une journée ouvrable de retard est tolérée entraînant une pénalité de 15% de la note. Au-delà de
ce délai, le travail est refusé et la note ”0” est attribuée. En cas de force majeure, le professeur n’applique pas
cette règle et convient avec l’étudiant d’autres modalités de remise du travail. [. . .]
Pour les fins de l’application de la règle sur la remise des travaux, une journée ouvrable est une journée de
cours, d’évaluation, de relâche ou une journée périscolaire prévue au calendrier scolaire. Une journée
ouvrable a une durée de 24 heures et cette période s’applique à partir de l’heure à laquelle le travail doit être
remis.
PEA - 6.1.12 - PLAGIAT ET FRAUDE
Tout acte de plagiat et de fraude sera sanctionné. [. . .]
En cas de plagiat, de coopération à un plagiat ou de fraude lors d’un examen ou d’un travail, l’étudiant obtient
la note ”0” pour cet examen ou ce travail, sans exclure la possibilité d’autres sanctions compte tenu de la
gravité de la faute ou du fait qu’il s’agisse d’une récidive. Chaque cas de plagiat ou de fraude doit être signalé à
la Direction des études ou à la Direction de la formation continue selon les modalités en vigueur.
PEA - 6.1.13 - CONDITIONS DE RÉUSSITE D’UN COURS
La note de passage est de 60%. Dans le respect des normes et des règles prévues dans la présente politique,
cette note traduit l’atteinte minimale des objectifs d’un cours.
En plus d’une note de 60% pour l’ensemble des évaluations sommatives, la réussite d’un cours peut exiger que
les étudiants obtiennent la note de passage pour certains objectifs d’apprentissage ou éléments de
compétence jugés prépondérants. [. . .]
PEA - 6.5 - LA RÉVISION DE NOTES
Tout étudiant a le droit de demander une révision de notes. Il est responsable de fournir tous les documents
pertinents qui lui ont été remis.
6.5.1 – La révision en cours de session
L’étudiant désireux d’obtenir une révision de sa note à une activité d’évaluation sommative en cours de session
en fait la demande directement au professeur concerné dans la semaine qui suit la réception de sa note. Il
appartient au professeur de maintenir ou de modifier la note et ce dernier communique sa décision à
l’étudiant au plus tard une semaine après la date de la demande.
6.5.2 – La révision de la note finale (précision pour la formation continue)
L’étudiant désireux d’obtenir la révision de la note finale à un cours s’adresse d’abord à l’enseignant concerné. À
défaut de pouvoir le faire ou s’il s'estime toujours lésé après l’avoir fait, l’étudiant doit remplir et signer un
formulaire « révision de note finale », disponible à la réception de la Formation continue.
La Direction de la formation continue transmettra par écrit la décision. Pour être admissible, la demande de
l’étudiant doit préciser les activités d’évaluation visées par cette demande, être accompagnée de tous les
documents nécessaires (évaluations remises à l’étudiant ainsi que les autres pièces justificatives) et d’une
lettre de justification pertinente.
PC_420-BD2-SF_A2019_4117_FG Page 16
PEA - 7.1 - L’ÉTUDIANT A LA RESPONSABILITÉ

[. . .]
7.1.2 - d’être présent, ponctuel, de participer avec intérêt aux cours, aux séances de laboratoire, aux stages ou
autres activités d’apprentissage avec le matériel nécessaire, de se conformer aux règles départementales
prévues à cet effet et, en cas d’absence, de s’informer ce qu’il a manqué;
7.1.3 - dans la mesure du possible de prévenir son professeur lorsqu’il doit s’absenter. [. . .]
I- Règlements (extraits des règlements 5, 6 et 18)

RÈGLEMENT NO 5 RELATIF À CERTAINES CONDITIONS DE VIE ET AUX COMPORTEMENTS ATTENDUS AU
CÉGEP
Article 3 : DISPOSITIONS GÉNÉRALES
[. . .] se rend passible de sanctions, la personne qui :
- entrave la bonne marche des activités du Cégep, le déroulement d’un cours ou d’une activité ou, de
façon générale, trouble la paix; [. . .]
- commet des actes de harcèlement, de violence, de discrimination, d’intimidation ou de
cyberintimidation3; [. . .]
Article 9 : MATÉRIEL ÉLECTRONIQUE
L’utilisation à des fins d’apprentissage de matériel électronique, tel qu’un ordinateur portable ou un appareil
mobile, est autorisée dans les locaux d’enseignement ou de stage dans le respect des balises établies afin de
préserver un contexte favorable à l’apprentissage. Ces balises se retrouvent sur le site web du Cégep4. En cas
de non-respect de celles-ci, des sanctions peuvent être encourues.
RÈGLEMENT NO 6 POUR FAVORISER LA RÉUSSITE SCOLAIRE

Article 7 : PRÉSENCE AUX COURS
La présence en classe est obligatoire. Lorsque l’étudiant n’assume pas cette responsabilité avec sérieux et
qu’il s’absente à plus de 15% des heures d’un cours, y compris les heures de laboratoire ou de stage, son
professeur pourra alors cesser de corriger ses activités d’évaluation et pourra, dès lors, ne pas cumuler ses
résultats.
RÈGLEMENT NO 18 RELATIF AU TRAITEMENT DES PLAINTES DES ÉTUDIANTS ET AU RECOURS AU

PROTECTEUR COLLÉGIAL
Article 3 : DISPOSITIONS GÉNÉRALES
[. . .] Si l’étudiant estime qu’il y a litige, avant de déposer une plainte, il doit dans la mesure du possible
s’adresser à l’employé ou au professeur impliqué et chercher à ce qu’une solution soit apportée au différend
qu’il a identifié. Advenant le cas où cette démarche est impossible ou ne conduit pas à la résolution de la
situation litigieuse, il peut déposer une plainte. [. . .]
3Voir la Politique pour contrer la discrimination, le harcèlement et la violence.

4Balises du Cégep sur l'utilisation du matériel électronique à des fins d'apprentissage en lien avec l'article 9 du Règlement 5 :
http://www.cegep-ste-foy.qc.ca/fileadmin/documents/notre_cegep/politiques_et_reglements/Balises_institutionnelles_TIC_v6__annexes.pdf
PC_420-BD2-SF_A2019_4117_FG Page 17

Langue

Plan de Cours 420-BD2-SF FGuillot 2019-10-28

Transféré par

Informations du document

Description :

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Description :

Droits d'auteur :

Formats disponibles

Plan de Cours 420-BD2-SF FGuillot 2019-10-28

Transféré par

Description :

Droits d'auteur :

Formats disponibles

Spécialiste en mégadonnées et intelligence d’affaires

Attestation D’études collégiales (AEC)

Automne 2019 - Bloc 1 - UBR4117 - Groupe 10124

Professeur : Frédérick Guillot, M.Sc.

Conseillère pédagogique : Françoise Cloutier

✓ Évolution des bases de données vers les mégadonnées

Place du cours dans le programme d’études

• 420-BD1-SF Initiation à la fonction de travail

✓ Décrire l’évolution des bases de

1. S’initier aux mégadonnées et apprendre à recueillir les besoins d’affaires

Identifier les différents types de bases de données

1.2 Comprendre les cas Comprendre ce qu’est une décision

Comprendre les sources de données possibles

Présentation et mise en avant de ses compétences face à

Connaître les compétences :

2. Traduire les besoins d’un client en un système d’extraction et d’analyse de connaissance.

Questionner les gestionnaires pour identifier et imaginer leurs

2.2 Analyser l’évolution des Conception et proposition de nouvelles méthodes d’analyse

Évaluation de l’impact de ces nouveaux usages de données

Chiffrage du coût de collecte de ces nouvelles données.

2.3 Concevoir un système de L’architecture d’un système décisionnel.

Les principaux outils utilisés lors de ces trois phases.

Les principaux fournisseurs du marché et leur

Le schéma d’architecture pour supporter les flux de données

Présentation à son responsable du schéma d’architecture

Présentation, argumentation de ces préconisations, et

2.5 Définir les processus du Description des principaux processus d’alimentation,

Mise en place d’un suivi de projet agile, suivant une méthode

Collecte des réponses des fournisseurs, vérification de leur

Comparaison des réponses pour produire une

Les traitements : la notion de croisement des données et sa

Les réactions des clients face à l’utilisation de leurs données

Documentation d’un plan de communication sur les données

Évaluation de la qualité des données.

Création des procédures de validation de la qualité des

Intégration du Big Data dans un plan général de gouvernance

Définition et rédaction des procédures associées.

La note du cours sera calculée comme suit :

SÉQUENCE D’APPRENTISSAGE ET ÉVALUATIONS

Première séquence d’apprentissage

Section : initiation aux mégadonnées et analyser des besoins clients

Éléments de compétence ciblés : Habiletés et contenus essentiels :

Titre Travail individuel #1

Titre Examen intra

Deuxième séquence d’apprentissage

Section : conception d’une solution de mégadonnées

Titre Travail pratique individuel #2

Titre Examen Final (EFCS)

l’évaluation qui suivra lors de la partie 2) et donnera du

• Le schéma d’architecture pour supporter les flux de données décisionnels et atteindre

• Big Data Applications and Use Cases, Patrick C. K. Hung

I- Politique d’évaluation des apprentissages (extraits des sections 6 et 7)

1 Voici le lien pour consulter les politiques et règlements du collège :

PEA - 7.1 - L’ÉTUDIANT A LA RESPONSABILITÉ

I- Règlements (extraits des règlements 5, 6 et 18)

RÈGLEMENT NO 6 POUR FAVORISER LA RÉUSSITE SCOLAIRE

RÈGLEMENT NO 18 RELATIF AU TRAITEMENT DES PLAINTES DES ÉTUDIANTS ET AU RECOURS AU

3Voir la Politique pour contrer la discrimination, le harcèlement et la violence.

Centres d'intérêt liés

Vous aimerez peut-être aussi