Présentation de la formation AWS – Big Data & Analytics (EMR, Kinesis, QuickSight)
Plongez dans le monde du Big Data avec notre formation. En 4 jours intensifs, vous apprendrez à traiter des volumes importants de données avec Amazon EMR, à capturer des flux temps réel grâce à Kinesis, puis à visualiser les résultats via QuickSight pour des tableaux de bord percutants. Cette formation combine théorie, ateliers pratiques et cas d’usage pour vous rendre opérationnel rapidement. Destinée aux professionnels déjà à l’aise avec AWS et les bases de données, elle met l’accent sur la maîtrise des coûts, la performance et la sécurité.
Objectifs de la formation AWS – Big Data & Analytics (EMR, Kinesis, QuickSight)
Objectifs pédagogiques :
- Comprendre l’écosystème Big Data et Analytics d’AWS.
- Mettre en place des clusters EMR pour le traitement distribué.
- Ingestion et traitement en streaming avec Kinesis.
- Créer des dashboards interactifs avec QuickSight.
- Appliquer les bonnes pratiques de sécurité et d’optimisation des coûts
Objectifs opérationnels :
- Concevoir, déployer et exploiter une chaîne complète Big Data sur AWS : de l’ingestion des données (batch & streaming) à leur traitement (EMR), jusqu’à la visualisation et la prise de décision via QuickSight, tout en appliquant les meilleures pratiques de sécurité, gouvernance et optimisation des coûts.
Programme de la formation AWS – Big Data & Analytics (EMR, Kinesis, QuickSight)
Jour 1 – Introduction au Big Data et Amazon EMR
Concepts fondamentaux du Big Data
Les 3V (Volume, Vélocité, Variété)
Architectures Big Data : Data Lake, Data Warehouse, Data Mesh
Positionnement AWS dans l’écosystème Big Data
Amazon EMR (Elastic MapReduce)
Architecture et composants : Master Node, Core Node, Task Node
Frameworks disponibles : Hadoop, Spark, Hive, Presto
Intégration avec S3 (Data Lake) et DynamoDB
Gestion des clusters
Modes de déploiement (On-Demand, Spot Instances, Auto Scaling)
Optimisation des coûts et des performances
Atelier pratique : déploiement d’un cluster EMR et exécution d’un job Spark simple (analyse de logs)
Jour 2 – Traitement de données en temps réel avec Amazon Kinesis
Amazon Kinesis Data Streams
Concepts : shards, producteurs, consommateurs
Consommation avec KCL (Kinesis Client Library)
Kinesis Data Firehose
Ingestion de données en temps réel vers S3, Redshift, OpenSearch
Transformation à la volée (Lambda)
Kinesis Data Analytics
Analyse temps réel avec SQL
Cas d’usage : analyse de logs applicatifs, clickstream, IoT
Intégration avec d’autres services AWS
Kinesis + Lambda pour traitement serverless
Kinesis + S3 + Athena pour analytics
Atelier pratique : création d’un pipeline temps réel avec Kinesis Streams + Firehose vers S3, analyse des données avec Athena
Jour 3 – Business Intelligence avec Amazon QuickSight
Introduction à QuickSight
Connexion aux sources de données : S3, Redshift, Athena, RDS
Gestion des datasets et préparation des données
Visualisation et dashboards
Création de rapports et graphiques interactifs
Paramètres, filtres et contrôle d’accès
Fonctionnalités ML intégrées (détection d’anomalies, prévisions)
Sécurité et gouvernance
Gestion des utilisateurs et groupes
Partage sécurisé des dashboards
Atelier pratique : création d’un dashboard BI complet à partir de données en temps réel ingérées par Kinesis et stockées dans S3
Jour 4 – Cas d’usage complet et gouvernance Big Data
Intégration bout en bout des services Big Data AWS
Pipeline type : ingestion (Kinesis) → traitement batch/stream (EMR + Lambda) → stockage (S3/Redshift) → visualisation (QuickSight)
Supervision et optimisation
CloudWatch Logs et métriques pour EMR et Kinesis
Alertes et optimisation des coûts des clusters EMR
Étude de cas complet
Mise en place d’une plateforme Big Data pour un site e-commerce (analyse des logs utilisateurs + tableaux de bord BI)
Préparation certification
AWS Certified Data Analytics – Specialty : thèmes couverts et exemples de questions
Les autres formations en Data Engineering & Streaming
AWS – Data Engineering (Glue, Athena, Redshift, Lake Formation)
Construire des pipelines de données et un data lake sur AWS pour l’analyse et la BI
Big Data & Analytics avec Azure (Data Lake, Synapse, Databricks, Power BI)
Intégrer, transformer et visualiser des données massives avec les services Azure pour une analyse avancée
BigQuery & Data Warehouse Moderne
Exploiter BigQuery pour construire un entrepôt de données moderne : performance, modélisation & intégration BI