Facilitate Open Science Training for European Research
Etablir un plan de gestion des données dans le 
cadre d’un projet européen  
Aurore Cartier
Magalie Moysan 
Nathalie Reymonet
Plan de l’intervention
1. Les enjeux d’une bonne gestion : le cycle 
de vie de la données
2. Les outils d’une bonne gestion : le plan de 
gestion de données
3. Rédiger un plan de gestion de données
• Structures et attendus 
• Outils et guides en ligne
• Compétences et acteurs
Les enjeux d’une bonne gestion
Le cycle de vie de la donnée
La donnée est une information factuelle enregistrée sur un support,
produite ou collectée, selon divers procédés au cours d’un processus.
Qu’est ce qu’une donnée de recherche ?
Produit
Equipe de recherche
Partenaire
Types de données Définitions Valeur et spécificité Exemples
Données d’observation 
(Observational datas)
Données obtenues en 
temps réel
Souvent uniques et 
irremplaçables
Données atmosphériques, 
d’enquêtes, échantillons, 
neuro-image 
Données expérimentales
(Experimental datas)
Données obtenues en 
laboratoire à partir 
d’équipements spécifiques
Reproductibles mais à 
des coûts dissuasifs
Séquence de génome, 
chromatographie,  spectres 
RMN
Données de simulation
(Simulation datas)
Données générées à partir 
de modèles test
Métadonnées et modèles 
ont  une valeur 
supérieure aux résultats 
Modèles climatiques, 
modèles économiques
Données dérivées ou 
compilées
(Derived or compiled data)
Données obtenues par 
compilations ou traitement 
des données brutes
Reproductibles mais à 
des coûts dissuasifs
Texte et data mining, bases 
de données compilées, 
modèles 3D
Données de référence ou 
données canoniques
(Reference or canonical datas)
Collections statiques ou 
organiques de jeux de 
données validées
Données publiées ou qui 
ont fait l’objet d’une 
curation
Banque de données sur le 
génome, structure
chimiques, portail de 
données spatiale
Données publiées
Données 
retenues
Données 
traitées
Données 
produites
Données exploitées pour 
l’élaboration des résultats 
Données intégrées à titre d’illustrations ou de 
résultats dans une publication papier ou en ligne
Données analysées, 
agrégées, compilées, 
transformées
Données primaires produites ou 
collectées au cours de la recherche 
Perte d’information 
importante au cours 
du processus de 
publication
Que deviennent les données aujourd’hui ? 
Les enjeux de la diffusion et de la conservation                
des données
Générer de nouvelles 
sources pour la recherche
Réduire les coûts de 
production des données
Valoriser la production 
scientifique de l’établissement
Fiabiliser les résultats 
de recherche
Données non reproductibles
Détectables / citables
Fiables et intelligibles
Accessibles
RéutilisablesInteropérables
Quelles attentes pour les données 
dans H2020 ?
 Identifiant pérenne (DOI, Handle) 
 Indexées
 En ligne sur le web
 Gratuites
 Validées
 Décrites , documentées
 Normalisées
 Entrepôts ouverts
 Protocoles moissonnables
 Licence libres
 Formats non propriétaires
 Archivage pérenne
Métadonnées
9Documenter les données pour les rendre 
réutilisables
Description  
des données
Création
Stockage
Diffusion
Archivage
Vérification des résultats
Partage des données
Authenticité des données
Accès à long terme
Le cycle de la 
donnée
Les initiatives internationales pour l’ouverture des 
données
• Politiques d’ouverture des données
• Université d’Harvard (Etats-Unis)
• Université d’Edimbourg  (Royaume-Uni)
• Université de Göttingen (Allemagne)
• Université de Leiden (Pays-Bas)
• Data management plans
• U.S. National Science Foundation (Etats-Unis)
• U.S. Department of Energy (Etats-Unis)
• U.K. Research Councils (Royaume-Uni)
• The Netherlands Organisation for Scientific Research 
(Pays-Bas)
Les outils d’une bonne gestion 
Le plan de gestion de données 
dans Horizon 2020 
Les attendus de l’Open research data pilot
 produire un plan de gestion des données 
• Draft à remettre dans les 6 mois suivant l’acceptation du projet
• anticiper la dissémination des données générées au cours de la 
recherche
• Prévoir des mises à jour au minimum à mi-parcours et au rapport final
 déposer les données dans un entrepôt  de données 
• Concerne les données et métadonnées nécessaires à la validation des 
résultats présentés dans les publications
• les autres données et métadonnées mentionnées dans le plan de 
gestion de données  
 documenter les résultats
• Fournir les informations et outils nécessaires à la validation et à la 
réutilisation des résultats et jeux de données déposées
• Préciser les conditions  et les perspectives d’utilisation et de 
réutilisation des données déposées
A data management plan describes the data management life cycle for all
data sets that will be collected, processed or generated by the research
project. It is a document outlining how research data will be handled during
the research project, and even after the project is completed, describing what
data will be collected, processed or generated and following what
methodology and standards, whether and how data will be shared and/or
made open, and how it will be curated and preserved.“
Le plan de gestion de données (DMP) 
dans Horizon 2020
Définition
Guidelines on Data Management in Horizon 2020
• décrire le cycle de gestion et de vie des données produites,
collectées ou générées tout au long du projet de recherche.
• anticiper les questions de gestion qui surviennent au cours d’une
recherche et les conditions d’une conservation et diffusion future
des données.
Le plan de gestion de données (PGD) 
ou « data management plan » (DMP)
Un plan de gestion de données est un document formel précisant
la manière dont seront produites, traitées, décrites, diffuser et
conserver les données au cours et à l’issue du projet.
Il permet de : 
Les étapes de 
rédaction d’un 
DMP
Le DMP formalise au sein d’un
document unique, prospectif et
évolutif, des informations utiles
au suivi du projet et à la bonne
gestion des résultats obtenus,
auparavant dispersées entre
divers acteurs ou documents.
Le DMP dans le  montage des réponses aux 
appels à projet 
 Where relevant, applicants must provide a short, general outline of  
their policy for  data management […] 
 The described policy should reflect the current state of  consortium 
agreements regarding data management and be consistent with 
those referring to exploitation and protection of  results. 
 The data management section can be considered also as a checklist 
for the future and as a reference for the resource and budget 
allocations related to data management.
Project’s proposal submission and evaluation
Guidelines on Data Management in Horizon 2020
Exemple de prévision de DMP
Rédiger un DMP
Structures et attendus 
Les principaux champs d’un DMP
• Section 1 : Informations relatives au projet
• Section 2 : Responsabilité des données : répartition des rôles
• Section 3 : Ressources nécessaires à la mise en œuvre du PGD
• Section 4 : Jeux de données
• 4.1 Description du jeu de données
• 4.2 Stockage, accès et sécurité des données – au cours du projet
• 4.3 Métadonnées : documentation et organisation des données
• 4.4 Dissémination des jeux de données – à l’issue du projet
• Section 5 : Sélection et archivage – obligatoire que les données 
soient diffusées ou non 
Valable pour 
l’ensemble du 
projet 
Valable pour 
l’ensemble du 
projet 
Propre à 
chaque jeu de 
données
Un jeu de données est un ensemble de données techniquement 
homogènes ou intellectuellement cohérentes.
 Objectifs : informer sur le contexte administratif  et 
scientifique du projet de recherche auquel est lié le 
PGD
 Principaux champs : 
 Identifiant de l’appel à projets
 Thématiques, 
 Objectifs du projet
A l’échelle du projet 
Section 1 : les informations relatives au projet 
Section 2 : responsabilité des données
 Objectifs : identifier la ou les personne(s) qui seront 
en charge l’application et de la mise à jour du DMP 
tout au long du projet
 Principaux champs : 
 Responsable des données 
 Propriété des données (renvoi vers Accord de 
consortium)
Objectifs : Estimez les compétences, ressources et coûts 
nécessaires à la mise en œuvre du DMP : gestion, 
curation, formation et archivage
Principaux champs : 
 Matériel
 Personnel
 Formation
 Coûts
A l’échelle du projet 
Section 3 : ressources nécessaires 
Section 5 : Sélection et archivage des données
 Objectifs : sélectionner et prévoir l’archivage à long 
terme des données ayant vocations à être conservées
 Principaux champs : 
 Sort 
 Sélection
 Volume 
 Durée de conservation préconisée
A l’échelle du jeu de données (dataset) 
Section 4.1 : Description des données
Section 4.2 : Stockage, accès et sécurité des 
données  (au cours du projet)
 Objectifs : présenter le type de données du jeu qui 
seront produites et reçues dans le cadre du projet 
 Principaux champs : 
 Identifiant et nature du jeu de données
 Réutilisation de données existantes
 Méthode(s) de production
 Format des données 
 Objectifs : préciser modalités d’hébergement, de sauvegarde et d’accès aux 
données pendant la phase active du projet
 Principaux champs : 
 Support et volumétrie prévisionnelle
 Type d’hébergement
 Garantie de confidentialité, intégrité, traçabilité et disponibilité des données
 Gestion des accès
 Condition d’échange et de partage 
A l’échelle du jeu de données (dataset) 
Section 4.3 : Métadonnées
Section 4.4 : Dissémination (à l’issue du projet)
 Objectifs : préciser la manière dont seront décrites et 
organisées les données produites ou reçues au cours du 
projet 
 Principaux champs : 
 Standards et formats des métadonnées
 Modes de production et responsabilités 
 Arborescence et règle de nommage
 Documentation associée
 Objectifs : préciser les modalités et les éventuelles précautions éthiques, 
juridiques et techniques selon lesquelles les données seront diffusées
 Principaux champs : 
 Principe général de diffusion
 Licence et potentiel de réutilisation
 Choix de dépôt et de dissémination des données
 Identification des jeux de données sensibles 
 Dérogation aux principes de diffusion et mesures de protection
 Période d’embargo
Dépôt et partage des données : politiques et infrastructures
Pratiques 
disciplinaires 
Organismes de 
financement
Établissements de 
recherche
Éditeurs
Partage des données inscrit dans les 
pratiques de recherche dans certaines 
disciplines (ex. : astronomie, génétique, 
environnement)
Financements conditionnés par le 
respect de certaines règles relatives à 
la gestion et au partage des données
Politiques institutionnelles définissant 
les conditions dans lesquelles doivent 
être conservées et rendues accessibles 
les données
Obligation de dépôt dans une archive 
ouverte des données sur lesquelles 
reposent les conclusions d’un article
+ data journals
Chercheurs
Initiatives personnelles de mise à 
disposition de la communauté 
scientifique de ses données
F
o
rm
a
ti
o
n
 a
u
x
 c
o
rr
e
s
p
o
n
d
a
n
ts
 E
u
ro
p
e
 -
S
P
C
Trouver le bon entrepôt:
Les exceptions à la diffusion des 
données
Le chercheur peut justifier de la non-diffusion globale (opt-out) ou partielle 
de ses données  pour diverses raisons : 
• Si le projet ne collecte ou ne génère aucune donnée
• En cas d’incompatibilité avec l’exploitation industrielle et commerciale
• En cas d’incompatibilité avec des questions de sécurité 
• Pour protéger des données personnelles
• Si la diffusion des données risque de compromettre l’objectif  du projet
• Pour toute autre raison légitime faisant l’objet d’une explication
Ces exceptions ne dispensent pas de l’élaboration 
d’un plan de gestion des données… 
… afin de rester cohérent avec son projet de 
recherche !
Exemple d’exception de diffusion
Candidature
Production et 
documentation 
des données
Curation
Dissémination et conservation dans 
les projets H2020
27
Rédiger un DMP
Outils et guides en ligne
Le DMP Online du Digital Curation Center 

Le DMP Tool de la California Digital 
Library de l’Université de  Californie 
Guide d’accompagnement des Universités : 
Paris Descartes et Paris Diderot 
URL : 
http://www.univ-paris-diderot.fr/DocumentsFCK/recherche/Realiser_un_DMP_V1.pdf
Ce document contient : 
• Un rappel synthétique des exigences
H2020 en matière de gestion et d’ouverture
des données
• Une présentation des acteurs et échéances
intervenant dans la rédaction du DMP
• Un modèle de DMP sous forme de grille
avec exemples à l’appui
Tutoriels de l’ INIST-CNRS
URL : http://www.inist.fr/?-Tutoriels-multimedias-H2020-
L’institut de l’information scientifique et technique (INIST) du CNRS
propose des tutoriels sur le libre accès aux résultats de recherche
dans Horizon 2020.
 Tutoriel 1 : principes généraux
 Tutoriel 2 : DMP – Présentation générale
 Tutoriel 3 : DMP – Description des données
 Tutoriel 4 : Standards et métadonnées
 Tutoriel 5 : DMP – Partage des données
 Tutoriel 6 : DMP – Archivage des données
 Tutoriel 7 : Déposer ses données dans un entrepôt
Rédiger un DMP
Compétences et acteurs 
Compétences et savoir-faire nécessaires  pour la 
rédaction d’un DMP
 Connaître les enjeux du droit et de la propriété intellectuelle en 
matière de production et de diffusion des données
 Repérer les principaux standards et formats de métadonnées 
disciplinaires pour la description des données
 Identifier les besoins en matière de gestion, stockage et sécurité 
des données et les coûts associés 
 Pouvoir anticiper les coûts éligibles pour la mise en open access
des publications et des données  et leur conservation 
 Connaître les principaux entrepôts d’archives ouvertes de 
publications et de données et leur fonctionnement 
 Anticiper les coûts et besoins de la conservation pérenne des 
données, ses coûts et acteurs
Coordinateur 
DMP et 
chercheurs
Ingénieurs-
projets (Europe)
Services 
informatique
Référents IST Archivistes
Section 1 : 
Informations sur 
le projet
Section 2 : 
Responsabilité des 
données
Section 3 : 
Ressources 
nécessaires
Section 4.1 : 
description des 
données
Section 4.2 
Au cours du projet
stockage, accès et 
sécurité
Section 4.3 
Métadonnées
Documentation et 
organisation
Section 4.4 
Dissémination
Partage, diffusion et 
réutilisation
Section 5 
Archivage, Sélection 
et conservation
V1 : reprise des 
éléments de la 
proposal
V1 : reprise partielle des 
éléments de l’accord de 
consortium
V1 : appui sur 
des standards 
disciplinaires
V1 : reprise des 
éléments de la 
proposal
V2 :  révision et 
mappings éventuels
V2 :  mise à jour à l’issue du 
projet : embargos, entrepôts, 
licences, données sensibles…
Rédaction 
du DMP
Mise à jour 
du DMP
Projet
Dataset
Projet
Merci pour votre attention
Aurore Cartier – aurore.cartier@parisdescartes.fr
Magalie Moysan – magalie.moysan@univ-paris-diderot.fr
Nathalie Reymonet - nathalie.reymonet@univ-paris-diderot.fr
Références bibliographiques
38
• ANRT, CURIF. Séminaire conjoint « HORIZON 2020 : les enjeux et les conditions du succès » (25 
juin 2014) 
• European Commission . Guidelines on Open Access to Scientific Publications and Research Data 
in Horizon 2020 (déc. 2013) 
http://ec.europa.eu/research/participants/data/ref/h2020/grants_manual/hi/oa_pilot/h2020-hi-oa-
pilot-guide_en.pdf
• European Commission. Guidelines on Data Management in Horizon 2020 (déc. 2013) 
http://ec.europa.eu/research/participants/data/ref/h2020/grants_manual/hi/oa_pilot/h2020-hi-oa-
data-mgt_en.pdf
• Open Access in Horizon 2020 - EC funded projects. Briefing paper for Project Coordinators . 
https://www.openaire.eu/guide-for-project-coordinators-in-horizon-2020/document-details
• Commission européenne. Recommandation de la commission du 17.7.2012 relative à l'accès aux 
informations scientifiques et à leur conservation (17.7.2012) C(2012) 4890 final 
http://medoanet.sciencesconf.org/conference/medoanet/pages/recommendation_access_and_pre
servation_scientific_information_fr_copie.pdf
• OCDE. Principes et lignes directrices de l’OCDE pour l’accès aux données de la recherche 
financée sur fonds publics (2007) http://www.oecd.org/fr/science/sci-tech/38500823.pdf
• Commission européenne. La charte européenne du chercheur (2005)
http://ec.europa.eu/euraxess/pdf/brochure_rights/eur_21620_en-fr.pdf