Le problème à résoudre
Les traitements de données tournent la nuit, par lots : l’entreprise prend ses décisions sur des données vieilles de 24 heures. Pour la détection de fraude ou le suivi des transactions, ce délai est inacceptable.
La promesse pour la direction
Votre développeur passe au temps réel : il traite la donnée au fil de l’eau (Kafka, Flink), permettant des tableaux de bord, des alertes et des décisions instantanées sur des événements à la seconde.
Ce que le parcours débloque
Temps réel
Fraîcheur de la donnée
Instantanée
Détection d’événements
À la seconde
Capacité d’alerte
Le cadre
| Élément | Valeur |
|---|---|
| Profil cible | Développeur ETL / data |
| Prérequis | SQL, Python, bases data |
| Durée | 6 mois (accélérateur) |
| Format | Blended · 70 % de pratique |
Pile technique maîtrisée à l’issue
Apache Kafka · Apache Flink · Kafka Streams · ksqlDB · Druid · Grafana
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 batch au streaming Paradigme temps réel | Identifier les cas exigeant le temps réel | ✔ Cas d’usage temps réel cadrés |
| M2 | Ingestion Kafka | Mettre en place un flux d’événements | ✔ Flux d’événements opérationnel |
| M3 | Traitement de flux Flink / Kafka Streams | Traiter et agréger un flux en continu | ✔ Agrégations temps réel calculées |
| M4 | Fenêtrage & état Stream processing | Gérer fenêtres temporelles et état | ✔ Fenêtres et état maîtrisés |
| M5 | Restitution Dashboards temps réel | Alimenter un tableau de bord live | ✔ Indicateurs à la seconde |
| M6 | Projet streaming Flux réel | Traiter un flux transactionnel réel | ✔ Soutenance + alerte temps réel |