[{"data":1,"prerenderedAt":45},["ShallowReactive",2],{"course-data-lake-et-lakehouse-formats-ouverts":3,"highlight-sql-CREATE TABLE ventes ":44},{"id":4,"name":5,"slug":6,"location":7,"targetAudienceFormatMarkdown":8,"prerequisitesFormatMarkdown":9,"objectivesFormatMarkdown":10,"descriptionFormatMarkdown":11,"teachingMethodsFormatMarkdown":12,"teachingResourcesFormatMarkdown":13,"evaluationMethodsFormatMarkdown":14,"accessibilityFormatMarkdown":15,"accessMethodsFormatMarkdown":16,"minimumParticipants":7,"maximumParticipants":7,"duration":17,"reference":18,"trainerType":7,"updated_at":19,"created_at":20,"price":21,"organizationMode":22,"theme":25,"code":29,"tags":34,"metadata":35},"/api/courses/0b10d1c4-b298-11f1-a993-d8ca06000363","Data lake et lakehouse : formats ouverts","data-lake-et-lakehouse-formats-ouverts",null,"Architectes de données, ingénieurs données, responsables de plateformes analytiques, administrateurs de données.","Connaissance des architectures de données et du traitement distribué.","Structurer un data lake ou un lakehouse et choisir les formats adaptés (Parquet, ORC, Iceberg, Delta).","--day1--\n\n## Du lac de données au lakehouse\n\n-   Promesses du lac de données et raisons fréquentes de son échec\n-   Organisation en zones de qualité croissante et règles de promotion\n-   Limites du stockage de fichiers bruts : cohérence, mise à jour, performance\n-   Architecture lakehouse : apports et positionnement\n-   Séparation du stockage et du calcul\n-   Travaux pratiques : conception de l'organisation en zones d'un lac de données\n\n--break--\n\n## Formats de fichiers\n\n-   Formats ligne et colonne : conséquences sur la lecture et la compression\n-   Parquet : structure, compression, statistiques, élagage\n-   Formats de sérialisation et échange entre systèmes\n-   Partitionnement physique et problème des petits fichiers\n-   Mesure de l'impact des choix de format sur les performances\n-   Travaux pratiques : comparaison mesurée de formats et de partitionnements sur un même jeu de données\n\n--day2--\n\n## Formats de tables transactionnelles\n\n-   Apports : transactions, évolution de schéma, voyage dans le temps, mises à jour\n-   Delta Lake, Apache Iceberg, Apache Hudi : architecture et différences\n-   Critères de choix et compatibilité avec les moteurs de calcul\n-   Opérations de maintenance : compactage, purge des versions, optimisation\n-   Interopérabilité entre formats et tendances du marché\n-   Travaux pratiques : mise en œuvre d'une table transactionnelle avec évolution de schéma et retour arrière\n\n--break--\n\n## Gouvernance et exploitation\n\n-   Catalogue technique, métadonnées et découverte des données\n-   Contrôle d'accès fin et cloisonnement par domaine\n-   Lignage, qualité et contrats de données entre producteurs et consommateurs\n-   Cycle de vie, rétention et coûts de stockage\n-   Organisation décentralisée par domaine et gouvernance associée\n-   Travaux pratiques : définition des contrats de données et des règles de gouvernance d'un domaine","Présentiel, distanciel, hybride","Les supports pédagogiques sont remis aux stagiaires sous format numérique et/ou papier selon les modalités de la formation.\n\nIls comprennent des supports de cours, des présentations, des fiches pratiques, des études de cas, des exercices applicatifs ainsi que des QCM d’entraînement selon la formation. (adapté au choix du formateur)\n\nLes formations s’appuient sur des moyens techniques adaptés : ordinateurs, logiciels professionnels, connexion internet, écran ou vidéoprojecteur, ainsi que des outils collaboratifs et de visioconférence pour les formations à distance.\n\nL’ensemble des supports pédagogiques est accessible pendant et après la formation afin de favoriser l’appropriation et la mise en pratique des compétences acquises.","En amont de la formation, un recueil des besoins permet de récolter des informations sur le stagiaire et ses attentes. L’évaluation se fait en cours de formation, par des études de cas ou des travaux pratiques. En fin de formation, par un questionnaire d’auto-évaluation et/ou un examen.\n\nUn suivi de qualité est effectué grâce à nos sessions en groupe restreint (entre 2 et 9 participants maximum). Le stagiaire émargera par demi-journée et recevra une attestation de formation.","Nous informons l’ensemble de nos clients et stagiaires que nous sommes dans la capacité d’adapter les sessions selon les handicaps et les situations spécifiques. Nous nous engageons à répondre à toutes vos demandes sous un délai de 48h ouvré.","Si l’une de nos formations vous intéresse, contactez-nous au +33 4 93 65 34 24 ou à l’adresse mail contact@m2g-intellect.fr. Selon votre besoin et vos attentes, nous organiserons un échange téléphonique avec le formateur pressenti afin d’adapter la formation et ses modules, puis nous vous adresserons un devis.\n\nLes dates de la formation seront à convenir sous 30 jours maximum.","14.00","L1-DAT-17","2026-09-18T09:45:10+00:00","2026-09-17T15:02:31+00:00","1660.00",{"id":23,"name":24},"/api/organization_mode_types/6","HYBRID",{"id":26,"name":27,"slug":28},"/api/themes/0ac0e95d-b298-11f1-a993-d8ca06000363","Bases de données, outils décisionnels, Big Data et Cloud computing","bases-de-donnees-outils-decisionnels-big-data-et-cloud-computing",{"id":30,"label":31,"domain":32},"/api/training_specialities/163","326 - Informatique, traitement de l’information, réseaux de transmission des données",{"label":33},"32 - Communication et information",[],{"desc-accroche":36,"Description":37,"icon-color":38,"icon-name":39,"code-langage":40,"code-snippet":41,"courte-description":42,"titre-accroche":43},"Organisez votre lac de données en zones exploitables et choisissez les bons formats de fichiers et tables transactionnelles : Parquet, ORC, Delta Lake, Apache Iceberg, Apache Hudi, gouvernance des données et critères de sélection entre formats ouverts.","Un lac de données mal structuré devient rapidement un dépôt inexploitable où personne ne retrouve une donnée fiable. Cette formation aborde l'organisation d'un data lake en zones — brute, préparée, exploitable — et le choix des formats de fichiers colonnes comme Parquet et ORC pour l'analytique. Elle traite les tables transactionnelles en formats ouverts Delta Lake, Apache Iceberg et Apache Hudi : gestion des mises à jour et suppressions, du schéma et de ses évolutions, et critères concrets pour choisir entre ces formats selon l'écosystème de traitement (Spark, Trino, Flink). La gouvernance des données — catalogues, métadonnées, contrôle d'accès — est également couverte. Cette formation experte s'adresse aux architectes de données, ingénieurs données, responsables de plateformes analytiques et administrateurs de données concevant un lakehouse en production.","#4F46E5","mdi:database-sync","sql","CREATE TABLE ventes (\n    id BIGINT,\n    client STRING,\n    montant DECIMAL(10,2),\n    date_vente DATE\n)\nUSING DELTA\nPARTITIONED BY (date_vente);\n\nMERGE INTO ventes AS cible\nUSING maj AS source\nON cible.id = source.id\nWHEN MATCHED THEN UPDATE SET *\nWHEN NOT MATCHED THEN INSERT *;","Formation experte pour structurer un data lake ou lakehouse en zones exploitables, choisir entre Parquet, ORC, Delta Lake, Iceberg et Hudi, et éviter le dépôt de données inexploitable.","Structurez un data lake ou lakehouse durable en maîtrisant Parquet, ORC, Delta Lake, Iceberg et Hudi pour garantir gouvernance et performance à grande échelle.","\u003Cpre class=\"hljs\">\u003Ccode class=\"language-sql\">\u003Cspan class=\"hljs-keyword\">CREATE TABLE\u003C/span> ventes (\n    id \u003Cspan class=\"hljs-type\">BIGINT\u003C/span>,\n    client STRING,\n    montant \u003Cspan class=\"hljs-type\">DECIMAL\u003C/span>(\u003Cspan class=\"hljs-number\">10\u003C/span>,\u003Cspan class=\"hljs-number\">2\u003C/span>),\n    date_vente \u003Cspan class=\"hljs-type\">DATE\u003C/span>\n)\n\u003Cspan class=\"hljs-keyword\">USING\u003C/span> DELTA\nPARTITIONED \u003Cspan class=\"hljs-keyword\">BY\u003C/span> (date_vente);\n\n\u003Cspan class=\"hljs-keyword\">MERGE\u003C/span> \u003Cspan class=\"hljs-keyword\">INTO\u003C/span> ventes \u003Cspan class=\"hljs-keyword\">AS\u003C/span> cible\n\u003Cspan class=\"hljs-keyword\">USING\u003C/span> maj \u003Cspan class=\"hljs-keyword\">AS\u003C/span> source\n\u003Cspan class=\"hljs-keyword\">ON\u003C/span> cible.id \u003Cspan class=\"hljs-operator\">=\u003C/span> source.id\n\u003Cspan class=\"hljs-keyword\">WHEN\u003C/span> MATCHED \u003Cspan class=\"hljs-keyword\">THEN\u003C/span> \u003Cspan class=\"hljs-keyword\">UPDATE\u003C/span> \u003Cspan class=\"hljs-keyword\">SET\u003C/span> \u003Cspan class=\"hljs-operator\">*\u003C/span>\n\u003Cspan class=\"hljs-keyword\">WHEN\u003C/span> \u003Cspan class=\"hljs-keyword\">NOT\u003C/span> MATCHED \u003Cspan class=\"hljs-keyword\">THEN\u003C/span> \u003Cspan class=\"hljs-keyword\">INSERT\u003C/span> \u003Cspan class=\"hljs-operator\">*\u003C/span>;\u003C/code>\u003C/pre>",1789717727753]