Formation Kibana analyse de données et visualisation

Cette formation Kibana (Data Analysis with Kibana) rend le participant autonome dans l'analyse de données : recherche, visualisation, présentation, alerting, machine learning et fonctionnalités avancées (Lens, runtime fields, Canvas, Vega).

Elle s'appuie sur les jeux de données d'exemple Sample eCommerce et Sample web logs fournis par Kibana, avec des ateliers pratiques à chaque étape. La formation prépare à la certification Elastic Certified Data Analyst.

Objectifs pédagogiques

• Naviguer dans Kibana et exploiter les Spaces, Saved Objects et Data Views.
• Chercher, filtrer et visualiser des données depuis Discover.
• Construire des visualisations riches avec Lens et Maps.
• Concevoir des dashboards interactifs avec drilldowns.
• Présenter et partager les résultats : reports PDF/PNG, Canvas, RBAC, anonymat.
• Détecter des anomalies grâce au machine learning et à l'AIOps.
• Mettre en œuvre des fonctionnalités avancées : formules Lens, runtime fields, Vega.
• Définir et gérer des règles d'alerting.

Module 1 — Premiers pas

• Introduction à Kibana : rôle d'UI sur Elasticsearch, parcours de la donnée (Beats / Agent / Logstash → Elasticsearch → Kibana), jeux de données d'exemple.
• Hello, Dashboard ! : page d'accueil, import d'un jeu de données d'exemple, ouverture d'un premier dashboard.
• Votre espace : Spaces et portée, Data Views (indices, data streams, aliases), Saved Objects, Copy to spaces.
• Lab : créer un espace Nova et y copier un dashboard.

Module 2 — Rechercher la donnée

• Discover et Data Visualizer : documents, champs, valeurs ; types Elasticsearch (text vs keyword, searchable vs aggregatable), histogramme et statistiques.
• KQL et filtres : filtres Kibana vs query bar, pinning, opérateurs booléens, saved queries vs saved searches.
• Focus sur les champs : visualiser depuis la liste de champs (Lens, Maps pour les géo points), top values, panneau de suggestions.
• Labs : requêter et filtrer les logs avec KQL, créer des visualisations depuis Discover.

Module 3 — Visualiser la donnée

• Éditeur Lens : workspace, fields list, layer pane ; types Tabular, Bar, Goal, Line/Area, Magnitude, Map, Proportion ; multi-layers et quick functions.
• Ajuster les visualisations : options visuelles, légendes, axes, time shift, couleurs de séries, format des valeurs.
• Créer des cartes : éditeur Maps, gestion des layers (fit to data, show/hide, edit, clone), superposition de couches.
• Labs : construire des visualisations Lens, ajuster des visualisations et créer des cartes.

Module 4 — Visualisations complémentaires

• Texte et métriques : panneaux Markdown (liens, images, navigation), visualisation Metric (primary, secondary, break down by, supporting visualization).
• Tables : rows, split metrics, metrics, coloration conditionnelle des valeurs.
• Dashboards interactifs : filtres au clic, add filter, drilldowns vers un autre dashboard ou une URL paramétrée.
• Labs : Metrics et Markdown, tables et dashboards interactifs.

Module 5 — Présenter la donnée

• Partager un dashboard : custom branding, liens directs (saved object vs snapshot), embed / iframe, authentification anonyme, reports PDF/PNG.
• Partager avec des utilisateurs : RBAC Kibana, rôles Elasticsearch (cluster / index privileges, field/document-level access), rôles Kibana.
• Canvas : workpads et templates, éléments statiques et visualisations, sources de données, expressions, export PDF infographique.
• Labs : liens et PDF de partage, rôle et utilisateur viewer, présentation Canvas.

Module 6 — Analyser avec le Machine Learning

• Introduction au ML Elastic : supervisé / non supervisé, detectors, fonctions, influencers, assistant de création de job (single / multi-metric, population, rare…), bucket span, forecasting.
• Analyser les résultats : Anomaly Explorer et Single Metric Viewer, bucket / record score, influencers, annotations.
• Data Frame Analytics : transforms (Pivot, Latest), outlier detection.
• AIOps Labs : explain log rate spikes, log pattern analysis, change point detection.
• Labs : jobs single- et multi-metric, AIOps Labs.

Module 7 — Kibana avancé

• Formules Lens : filter ratio, week-over-week, percent of total ; fonctions time series (cumulative_sum, moving_average), exemples avec shift='1w'.
• Runtime fields : schema on write vs schema on read, Painless (emit), création depuis Data Views, Discover ou Lens, bénéfices et compromis.
• Vega : visualisations personnalisées en Vega / Vega-Lite, sources de données, clause data, tokens dynamiques (%timefield%, %context%, %timefilter%).
• Labs : runtime fields et visualisations Vega.

Module 8 — Alerting

• Rules et connectors : anatomie d'une règle (schedule, conditions, actions), connecteurs built-in (Email, Index, Slack, PagerDuty, ServiceNow, Webhook…).
• Alertes in-app : Discover (Elasticsearch query), Maps (tracking containment), ML (anomaly detection, types Bucket / Record / Influencer, sévérité).
• Gestion des alertes : Stack Management > Rules, statuts, historique, snooze, maintenance windows, diagnostic.
• Lab : créer des alertes in-app.

Mathieu ELIE assure votre cours. Avec plus de 110 formations données sur les technos elastic, votre formateur passe aussi 50% de son temps en production en tant que consultant elk et elastic stack . Vous avez donc un formateur qui a aussi l'experience de la production.

En savoir plus sur le formateur .