Le problème à résoudre
Les données utiles sont éparpillées dans des bases cloisonnées et des fichiers, alimentées par des scripts fragiles. Construire un reporting consolidé exige des extractions manuelles, lentes et non fiables — la donnée n’est pas un actif exploitable.
La promesse pour la direction
Votre DBA devient ingénieur data : il construit des pipelines automatisés et orchestrés (Airflow, Spark) qui collectent, nettoient et consolident la donnée de façon fiable et reproductible.
Ce que le parcours débloque
Pipelines fiables
Fiabilité de la donnée
Automatisé
Délai de mise à disposition
Garantie
Reproductibilité
Le cadre
| Élément | Valeur |
|---|---|
| Profil cible | DBA / développeur SQL confirmé |
| Prérequis | SQL avancé, bases Python |
| Durée | 6 mois (accélérateur) |
| Format | Blended · 70 % de pratique |
Pile technique maîtrisée à l’issue
Apache Airflow · Apache Spark · dbt · PostgreSQL · Python · Parquet · MinIO
Les jalons
Une trajectoire pour un collaborateur déjà en poste. Chaque mois est validé par un livrable et un critère d’acceptation écrit à l’avance.
| Mois | Thème | Atelier | Validation |
|---|---|---|---|
| M1 | Du SQL au pipeline Modélisation & ETL/ELT | Construire un premier pipeline ELT | ✔ Pipeline reproductible et planifié |
| M2 | Orchestration Apache Airflow | Orchestrer des traitements dépendants | ✔ Workflow planifié et supervisé |
| M3 | Traitement à l’échelle Apache Spark | Traiter un gros volume de données | ✔ Volume important traité efficacement |
| M4 | Transformation dbt | Industrialiser les transformations | ✔ Transformations testées et versionnées |
| M5 | Qualité & fiabilité Tests de données | Détecter les anomalies dans les flux | ✔ Données validées automatiquement |
| M6 | Projet data Plateforme de pipelines | Industrialiser un flux data réel | ✔ Soutenance + flux fiabilisé |
Ce parcours dans une carrière
Il figure dans un cursus documenté. Voici où il se situe.
B1 · De la donnée au pilotage
Aboutissement : Direction data