Mise en Place d’une Plateforme de Données (Data Lake et Data Warehouse) -ITCEQ Retour vers les opportunités

 Mise en Place  d’une Plateforme de Données (Data Lake et Data  Warehouse) au sein de l’ITCEQ 

Ministère de l’Economie et de la Planification 

1 Contexte de l’intervention d’Expertise France en appui à  l’ITCEQ 

Depuis le 1er février 2023, Expertise France met en œuvre le projet « Savoirs Éco en Tunisie » sur un  financement de l’Union européenne de 4,5 millions d’EUR pour une durée de 3 ans1. L’objectif du  Projet est d’appuyer le débat public sur les enjeux économiques et de développement durable en  Tunisie à travers un renforcement des Structures Productrices de Savoirs Économiques (SPSE) c’est-à dire : i) les structures publiques d’analyse économique et d’aide à la décision ; ii) les structures de  recherche en économie ; et iii) les think-tanks issus de la société civile. 

Parmi les SPSE publiques avec lesquelles le projet collabore, l’Institut Tunisien de la Compétitivité et  des Études Quantitatives (ITCEQ) est appuyé en assistance technique à travers quatre activités  principales :  

∙ Modélisation et analyses quantitatives 

∙ Système d’information 

∙ Organisation interne  

∙ Communication et diffusion  

L’activité sur le Système d’information de l’ITCEQ a fait l’objet d’une assistance technique ayant permis  de mener un audit du Système d’Information (SI) et d’élaborer un Schéma Directeur du Système  d’Information (SDSI). A l’issue de la mission de l’expert, l’ITCEQ s’est engagé sur les 3 volets suivants :  

1. i) Système de base de données intégré.  
2. ii) Refonte du site Web. Un cahier des charges a été rédigé. 

iii) Déploiement d’un ERP (logiciel de gestion des ressources humaines). L’activité est prise en  charge sur le budget de l’ITCEQ et devrait être finalisée d’ici fin 2025 – début 2026 

Il a été décidé en comité de pilotage (08/07/2025) que le projet Savoirs Eco appuierait l’ITCEQ dans la  mise en place d’un système de base de données intégré (objet des présents termes de référence). 

2 Contexte et justification du projet sur le système de base de données 

L’Institut Tunisien de la Compétitivité et des Etudes Quantitatives (ITCEQ) est un  établissement public en charge de la production d’analyses économiques et sociales. La qualité  et la disponibilité des données sont essentielles à l’accomplissement de ses missions. L’étude  du Schéma Directeur du Système d’Information de l’ITCEQ réalisée dans le cadre du projet de  1Se clôturant initialement le 31/01/2026, le projet Savoirs Eco sera prolongé pour une durée de 7 mois  supplémentaire jusqu’au 31/08/2026. 

“SavoirEco” financé par l’Union Européenne est exécuté par Expertise France a mis en évidence  des limites structurelles dans le processus de centralisation, de nettoyage et d’exploitation des  données gérées par l’ITCEQ. 

En réponse aux insuffisances susmentionnées, le SDSI préconise la mise en œuvre d’une  architecture de données unifiée, articulée autour d’un Data Warehouse pour la gestion des  données structurées et d’un Data Lake pour l’intégration et le stockage des données brutes ou  semi-structurées, en vue d’une exploitation analytique et prospective renforcée. 

Ce projet constitue un levier stratégique pour le renforcement des capacités internes d’analyse  de données, l’amélioration de l’interopérabilité entre les différents sous-systèmes d’information  de l’ITCEQ, ainsi que pour l’appui à une prise de décision fondée sur des données fiables,  consolidées et accessibles. 

3 Objectifs 

∙ Renforcer la gouvernance et la maîtrise des données au sein de l’ITCEQ par la mise en  place d’une infrastructure unifiée de stockage, de traitement et d’analyse des données. ∙ Garantir la centralisation, la qualité, la traçabilité et l’accessibilité des données internes,  en assurant leur structuration et leur historisation. 

∙ Offrir une capacité d’exploitation avancée des données via des outils modernes  d’analyse (reporting, tableaux de bord, IA, machine learning) adaptés aux besoins des  études économiques et sociales. 

∙ Soutenir les processus d’aide à la décision stratégique à travers la mise à disposition de  données consolidées, fiables et exploitables en temps réel. 

∙ Favoriser l’interopérabilité avec les systèmes existants et les sources externes de  données pour enrichir les analyses de l’Institut. 

∙ Permettre la montée en compétence des équipes internes par le biais de formations  ciblées et d’un transfert de compétences structuré. 

∙ Garantir la centralisation, la qualité et la traçabilité des données internes. ∙ Permettre à l’ITCEQ de disposer d’une capacité renforcée d’analyse et de valorisation  des données via la mise en place d’outils de visualisation avancée (tableaux de bord  dynamiques), de modèles prédictifs, et de solutions de reporting interactif, au service  des activités d’études, de veille et depilotage stratégique. 

4 Portée fonctionnelle du projet 

Le projet vise la mise en place d’une plateforme intégrée de gestion et d’exploitation de données,  articulée autour d’un Data Lake pour la collecte et la conservation de données massives et  hétérogènes, et d’un Data Warehouse pour leur structuration, leur consolidation et leur  valorisation à des fins analytiques. Cette infrastructure permettra de répondre aux besoins  croissants de l’ITCEQ en matière d’études, de modélisation économique, de suivi de la  compétitivité et de production de rapports stratégiques.

Elle permettra notamment : 

∙ La centralisation et la structuration de l’ensemble des données institutionnelles. ∙ Le développement de capacités analytiques avancées pour appuyer les missions de  veille et d’aide à la décision. 

∙ La mise à disposition d’un environnement unifié, sécurisé et interopérable pour tous les  métiers utilisateurs. 

∙ La possibilité d’intégrer, traiter et analyser des données multi-sources, internes et  externes. 

∙ Le soutien aux initiatives futures de transformation numérique et d’ouverture des  données publiques. 

∙ Le développement des dispositifs nécessaires à la collecte, à la normalisation et à  l’alimentation automatisée du Data Warehouse à partir des données structurées  existantes. 

∙ La mise en œuvre des mécanismes d’ingestion, de stockage et de catalogage permettant  au Data Lake d’accueillir durablement les données non structurées et semi-structurées  dans leurs formats natifs. 

4.1 Fonctionnalités du Data Warehouse 

∙ Centralisation des données structurées (ERP, CRM, bases statistiques). ∙ Préparation au reporting et aux requêtes analytiques complexes. 

∙ Nettoyage, dédoublonnage, harmonisation via ETL. 

∙ Historisation des données pour analyse temporelle. 

∙ Gouvernance, contrôle d’accès, audit, conformité. 

4.2 Fonctionnalités du Data Lake 

∙ Intégration des données brutes multi-formats (structurées, semi-structurées, non  structurées). 

∙ Lecture flexible (schema-on-read). 

∙ Support pour l’IA, machine learning, exploration data science. 

∙ Coût de stockage optimisé (technologies Hadoop, Cloud). 

∙ Zones logiques : Raw, Trusted, Refined, Sandbox. 

4.3 Fonctionnalités complémentaires 

∙ Architecture Data Lake house hybride. 

∙ Flux de données entre les composants. 

∙ Optimisation coûts/performances.

5 Architecture technique recommandée 

L’architecture technique à mettre en place doit reposer sur une stratégie modulaire fondée  essentiellement sur des solutions open source à chaque niveau de la chaîne de traitement des  données. Elle devra garantir la flexibilité, la maîtrise des coûts, la sécurité, la scalabilité, et  l’interopérabilité avec les systèmes existants. 

5.1 Couches fonctionnelles et outils 

1. Couche de collecte et ingestion des données 

o Doit permettre l’intégration de flux de données issus de multiples sources (bases SQL, fichiers plats, API, web services, flux temps réel). 

o Outils recommandés : plateformes d’intégration de données open source comme  Apache NiFi, Talend Open Studio ou Airbyte. 

2. Couche de stockage des données (Data Lake) 

o Doit permettre le stockage massif de données brutes, multi-formats (Parquet,  JSON, CSV, etc.). 

o Organisation en zones : Raw Zone, Trusted Zone, Refined Zone, Sandbox. o Outils recommandés : systèmes de fichiers distribués open source comme  Hadoop HDFS ou stockage objet compatible S3. 

3. Couche de transformation (ETL/ELT) 

o Doit assurer le nettoyage, l’enrichissement, la validation et la structuration des  données. 

o Outils recommandés : Apache Airflow pour l’orchestration, outils ETL open  source (Talend, Pentaho). 

4. Couche de stockage structuré (Data Warehouse) 

o Doit permettre le stockage de données modélisées, optimisées pour les requêtes  analytiques. 

o Le système doit être compatible avec les moteurs SQL open source comme  PostgreSQL avec extension analytique, ou Apache Druid. 

5. Couche d’accès et d’analyse (BI / Data Science) 

o Doit permettre la visualisation (reporting, tableaux de bord), l’exploration et  l’analyse avancée (IA, ML). 

o Outils recommandés : outils de BI open source (Metabase, Superset) et langages  analytiques (Python, R). 

6. Couche de gouvernance et métadonnées 

o Doit permettre la documentation, le catalogage, la traçabilité et le contrôle  d’accès aux données. 

o Outils recommandés : solutions open source de gouvernance telles qu’Apache  Atlas ou Amundsen. 

5.2 Principes architecturaux 

∙ Modularité : chaque couche doit être indépendante mais intégrée.

∙ Interopérabilité : usage de formats standards et d’API REST. 

∙ Scalabilité : architecture distribuée et évolutive. 

∙ Sécurité : chiffrement, gestion fine des accès, audit des actions. 

∙ Maîtrise des coûts : recours prioritaire à des solutions open source ou gratuites.

Schéma d’architecture technique cible du système de gestion des données (Data Lake &  Data Warehouse) 

6 Exigences techniques et de sécurité 

Le système à mettre en place devra respecter un ensemble d’exigences techniques et de sécurité  pour garantir la robustesse, la performance et la conformité de la plateforme aux besoins  stratégiques de l’ITCEQ. 

6.1 Exigences de stockage 

∙ Support des formats standards (CSV, JSON, Parquet, Avro, ORC). 

∙ Capacité à gérer des volumes massifs de données en croissance constante. ∙ Systèmes de fichiers distribués ou stockage objet open source, compatibles avec les  environnements Cloud et on-premise. 

∙ Gestion de l’archivage et de l’évolutivité des données. 

6.2 Exigences de performance 

∙ Réduction de la latence pour les requêtes analytiques complexes. 

∙ Traitement parallèle des données via architecture distribuée. 

∙ Intégration d’outils de supervision open source (Prometheus, Grafana, etc.) pour le  monitoring en temps réel des performances et des flux.

6.3 Intégration de l’intelligence artificielle 

Les solutions à mettre en place devront intégrer, de manière progressive et maîtrisée, des  composants basés sur l’intelligence artificielle, afin de répondre à plusieurs besoins spécifiques  de l’ITCEQ, notamment : 

∙ L’analyse automatisée des données statistiques issues du Data Warehouse et du Data  Lake, incluant la détection d’anomalies, les corrélations multi-variables et  l’identification de tendances économiques. 

∙ L’aide à la conduite d’études prospectives, en s’appuyant sur des modèles prédictifs  et des simulations alimentées par les données consolidées. 

∙ L’exploitation intelligente des jeux de données non structurés, notamment les textes,  documents et publications, via des technologies de traitement du langage naturel (NLP). ∙ L’assistance à la rédaction automatisée de rapports analytiques ou de synthèses à  partir de modèles IA entraînés sur les données sectorielles. 

Les outils IA doivent être open source ou compatibles avec des frameworks libres (comme  TensorFlow, PyTorch, Scikit-learn, HuggingFace) afin d’assurer leur pérennité, leur évolutivité  et leur intégration dans l’architecture globale proposée. Leur déploiement devra être  documenté, maîtrisé et validé dans le respect des principes d’éthique et de transparence  algorithmique. 

7 Livrables attendus 

Le projetdoit déboucher sur la remise d’un ensemble de livrables techniques, documentaires et  opérationnels permettant à l’ITCEQ d’exploiter efficacement l’infrastructure mise en place. Les  livrables attendus sont : 

∙ Un environnement complet et opérationnel de Data Lake et de Data Warehouse, est  configuré, testé et sécurisé. 

∙ Des pipelines d’intégration, de transformation et de chargement des données  (ETL/ELT), sont automatisés, documentés et reproductibles. 

∙ Un ensemble de tableaux de bord de supervision technique (monitoring des flux, qualité  des données, performances) sont conçus. 

∙ Une documentation technique exhaustive incluant une architecture déployée,  procédures de sauvegarde et de restauration, consignes de sécurité, journalisation des  accès… est élaborée. 

∙ Un manuel utilisateur adapté aux différents profils (administrateurs, analystes,  utilisateurs métiers) est élaboré. 

∙ Des guides d’administration de la plateforme (Data Lake, Data Warehouse, ETL, BI) sont élaborés. 

∙ Une démonstration fonctionnelle de l’exploitation de cas d’usage concrets en lien avec  les missions d’études économiques de l’ITCEQ est faite. 

∙ Un environnement Data Lake et Data Warehouse est déployé.

∙ Des Pipelines ETL/ELT sont documentés et automatisés. 

∙ Un Tableau de bord de monitoring des flux de données est mis en place.

∙ Une Documentation technique complète (manuel utilisateur) est élaborée. 

8 Phasage du projet 

Le projet sera structuré en quatre phases distinctes, permettant une mise en œuvre progressive,  modulaire et maîtrisée de l’ensemble de l’infrastructure de données, incluant le développement  des modules applicatifs, la gestion des métadonnées, et la mise à disposition d’outils de  reporting et d’analyse. 

Chaque phase doit intégrer la production de livrables validés par l’ITCEQ et couvrir l’ensemble  des besoins fonctionnels définis, notamment : 

Les quatre phases sont définies comme suit : 

Phase 1 : Analyse, cadrage technique et architecture cible 

Cette phase constitue le socle préparatoire du projet. Elle comprend : 

∙ La cartographie détaillée des sources de données internes et externes exploitées par  l’ITCEQ ; 

∙ L’analyse des besoins fonctionnels des directions métiers en matière d’accès, de qualité,  de fréquence et de volumétrie des données ; 

∙ La définition des cas d’usage prioritaires (études statistiques, tableaux de bord,  modélisation économique, veille, etc.) ; 

∙ L’élaboration de l’architecture cible intégrant les composants Data Lake, Data  Warehouse, pipelines ETL/ELT, gouvernance, sécurité, IA, visualisation et  interopérabilité ; 

∙ Le choix des solutions techniques open source adaptée à chaque couche du système  (collecte, stockage, traitement, exposition des données) ; 

∙ La planification détaillée du projet, incluant les jalons, ressources, charges estimées,  outils de suivi et modalités de coordination ; 

∙ La définition des prérequis techniques (infrastructure, connectivité, sécurité, droits  d’accès) ; 

∙ La préparation des environnements de test pour valider progressivement les composants  à venir ; 

∙ La rédaction d’un dossier de conception générale à valider avec le comité de pilotage  avant passage à la phase suivante. 

Phase 2 : Déploiement du Data Lake, des outils de gestion des métadonnées  et des bases NoSQL

Cette phase couvre la mise en œuvre du socle technique du Data Lake, la structuration des zones  logiques (Raw, Trusted, Refined, Sandbox), l’installation des outils d’ingestion de données  multi-formats, et la mise en place des dispositifs de catalogage, traçabilité et gouvernance des  données non structurées et semi-structurées. 

Afin d’assurer la performance, la flexibilité et la gestion adaptée de certains types de contenus  (textes, documents, données événementielles ou faiblement structurées), le projet inclura  également la sélection, la conception et l’implémentation de bases de données NoSQL lorsque cela s’avère pertinent. Cette activité comprendra : 

∙ L’analyse des besoins en structuration NoSQL selon les cas d’usage métier ; ∙ Le choix de technologies open source appropriées (ex. MongoDB, Elastic search,  Neo4j, etc.) ; 

∙ La configuration, l’intégration au Data Lake et les premiers tests d’exploitation de ces  bases dans les chaînes de traitement. 

L’intégration progressive des premières sources de données internes (rapports, fichiers non  structurés, logs applicatifs, etc.) sera assurée dans un cadre maîtrisé, avec suivi des métadonnées  et contrôle de qualité. 

Phase 3 : Déploiement du Data Warehouse, des modules de saisie et des  pipelines de traitement 

Cette phase couvre la conception et la modélisation du Data Warehouse, ainsi que le  développement des interfaces applicatives dédiées à la saisie des données structurées. Ces  interfaces devront permettre aux unités opérationnelles de l’ITCEQ de saisir manuellement ou  semi-automatiquement des données statistiques, économiques et administratives, tout en  assurant : 

∙ La validation des champs en temps réel, 

∙ L’historisation automatique des versions de données, 

∙ Le contrôle qualité à l’entrée (logique métier, alertes, doublons), 

∙ L’ergonomie adaptée aux différents profils utilisateurs. 

Les modules devront être accessibles via le Web, multilingues, sécurisés (authentification,  droits d’accès) et interopérables avec les autres briques du système. 

En parallèle, les pipelines de traitement (ETL/ELT) seront développés pour automatiser la transformation, le nettoyage, et le chargement des données vers le Data Warehouse. Cette phase  inclut également les connexions aux sources internes, les tests de cohérence, et la validation des  premiers jeux de données consolidées. 

Phase 4 : Intégration des outils analytiques, mise en production et transfert  de compétences

Déploiement des outils de visualisation, de reporting et d’analyse avancée (statistique,  économique, prospective). Cette phase devra inclure l’intégration progressive de solutions  d’intelligence artificielle pour : 

∙ L’interrogation intelligente et l’exploration assistée des données consolidées ; ∙ L’analyse prédictive et la simulation de scénarios économiques ; 

∙ La détection automatisée de tendances, ruptures ou anomalies dans les séries statistiques  ; 

∙ L’exploitation de textes, rapports ou documents via des algorithmes de traitement du  langage naturel (NLP). 

Les outils devront s’appuyer sur des frameworks open source (ex. TensorFlow, PyTorch, Scikit learn, HuggingFace) interopérables avec l’infrastructure existante. 

La phase inclura également la réalisation des tests de performance, la finalisation de la  documentation technique et utilisateur, les formations ciblées, et la bascule contrôlée en  environnement de production, avec suivi post-livraison. 

Durées et charges estimées : 

Phase Intitulé Durée
Phase 1	Analyse, cadrage & architecture cible	4 semaines   maximum
Phase 2	Data Lake, métadonnées & NoSQL	6 semaines   maximum
Phase 3	Data Warehouse, modules de saisie, pipelines ETL/ELT	7 semaines   maximum
Phase 4	Analytique, mise en production & transfert de compétences	5 semaines   maximum

 

9 Profils requis des experts 

L’équipe proposée par le soumissionnaire devra justifier d’une expertise technique,  fonctionnelle et organisationnelle avérée dans les domaines de la gestion de données massives,  des architectures de Data Lake/Data Warehouse, de la science des données et de l’intelligence  artificielle appliquée. Les experts devront également démontrer une capacité à interagir avec  des interlocuteurs institutionnels et à produire une documentation technique de qualité. 

Les profils minimums requis sont présentés dans le tableau suivant : 

Fonction Diplômes / Expérience requis
Chef de projet  technique	Diplôme universitaire Bac+5 minimum en informatique, systèmes  d’information ou équivalent ; minimum 7 ans d’expérience ;

 

	maîtrise des architectures BI, ETL, Cloud et open source ;  certification projet (PMP, PRINCE2) souhaitée.
Architecte Data / Big  Data	Diplôme Bac+5 en systèmes d’information ou data engineering ;  minimum 5 ans d’expérience dans la conception et l’implémentation  de solutions Data Lake/Data Warehouse ; connaissance des  technologies open source et NoSQL.
Expert en science des  données / IA	Bac+5 ou doctorat en statistiques, économie quantitative ou science  des données ; expérience avérée dans les modèles prédictifs et  analyses avancées ; maîtrise de Python/R et bibliothèques IA open  source.
Développeur   ETL/ELT &  Intégration	Bac+3 minimum ; au moins 3 ans d’expérience en développement  de flux de données, automatisation, connecteurs API ; bonne  maîtrise des outils ETL open source recommandés.
Spécialiste en  visualisation de  données	Bac+3 minimum ; expérience avec des outils BI open source  (Superset, Metabase, etc.) ; capacité à produire des tableaux de bord  adaptés aux besoins des utilisateurs métiers.
Administrateur   système / sécurité	Bac+3 minimum ; expertise dans le déploiement sécurisé  d’infrastructures de données ; connaissance des mécanismes IAM,  chiffrement, monitoring et outils open source de supervision.

 

10 Critères de sélection 

Le soumissionnaire devra démontrer ses capacités techniques, méthodologiques et  organisationnelles à travers les éléments suivants : 

10.1 Références techniques et expériences similaires 

∙ Fourniture d’au moins trois références pertinentes réalisées au cours des cinq dernières  années, dans des contextes similaires de mise en place de solutions Data Lake/Data  Warehouse, incluant des modules analytiques et d’intégration de l’IA. 

∙ Chaque référence devra inclure une description du projet, la période de réalisation, les  technologies utilisées, les résultats obtenus et une attestation de bonne exécution. 

10.2 Compréhension du besoin et qualité de l’offre technique 

∙ Pertinence de l’approche méthodologique proposée. 

∙ Qualité de l’architecture cible et cohérence avec les principes du présent CCT.

∙ Capacité à proposer une solution modulaire, sécurisée et évolutive, fondée sur des  technologies open source.

10.3 Compétences de l’équipe projet 

∙ Adéquation des profils proposés avec les exigences détaillées dans la section 9. ∙ Expérience sur des projets similaires et complémentarité des compétences (data  engineering, IA, sécurité, visualisation, etc.). 

10.4 Transfert de compétences et accompagnement 

∙ Qualité du plan de formation proposé pour les utilisateurs et les administrateurs. ∙ Capacité à documenter, transférer et pérenniser les savoir-faire. 

10.5 Aspects organisationnels 

∙ Réalisme du planning de mise en œuvre. 

∙ Modalités de pilotage du projet, de gestion des risques et de suivi qualité. 10.6 Conditions financières 

∙ Clarté de la proposition financière. 

∙ Optimisation des coûts par l’usage de solutions open source. 

∙ Une décomposition de l’offre financière présentée sous la forme d’un prix unitaire et  avec une estimation du nombre de jours nécessaires à exécuter pour les 4 phases  précisées ci-dessus et couvrant l’ensemble des prestations dues au titre du marché.  

10.7 Grille de notation des offres 

L’évaluation des soumissionnaires se fera sur la base d’une note globale NG composée d’une note  technique (NT) pour l’évaluation de l’offre technique et une note Financière (NF) pour l’évaluation de  l’offre financière. 

La note globale est détaillée comme suit : 

∙ LA NOTE TECHNIQUE : 

La note technique sera calculée selon les critères suivants :

Critère Description Note  maximale
1. Références techniques et  expériences similaires	Projets similaires réalisés, attestation de bonne  exécution, pertinence des contextes présentés	25pts
2. Qualité de l’offre  technique et compréhension	Cohérence de l’approche méthodologique,  architecture proposée, adéquation aux besoins	20pts
3. Compétences de l’équipe  projet	Pertinence des profils, complémentarité, conformité  aux exigences de la section 8	25pts
4. Transfert de compétences  et accompagnement	Plan de formation, clarté des supports, pérennité des  savoir-faire transférés	15pts
5. Organisation, pilotage,  délais	Réalisme du planning, mécanismes de pilotage,  gestion des risques et qualité	15pts

 

Total

100 pts

 

∙ LA NOTE FINANCIERE : 

La note financière sera attribuée selon la formule suivante : 

NF=offre financière du moins disantx 100 

L’offre financière du soumissionnaire 

∙ LA NOTE GLOBALE : 

NG= 70% NT + 30% NF 

Le marché sera attribué au soumissionnaire ayant la meilleure note globale (NG). 

11 Candidature : 

Les éléments d’offre ainsi que toute correspondance et documents relatifs à la présente consultation  doivent être rédigés en français. 

Les candidats devront remettre un dossier constitué des documents suivants : 

– Preuve d’enregistrement au registre des sociétés (RNE, Patente,k-bis ou équivalent) 

11.1 Date limite de soumission des offres 

Toutes les offres devront être adressées à l’adresse suivante : sonia.gharbi@expertisefrance.fr au plus  tard le 18 septembre 2025 à midi (Heure Tunis). 

11.2 Renseignements Complémentaires 

Pour tout renseignement complémentaire ou clarification concernant les Termes de Référence,  veuillez contacter manel.chlibi@.expertisefrance.fr et sonia.gharbi@expertisefrance.fr au plus tard  le 11 septembre 2025 à midi (Heure Tunis).  

Il est prévu que les phases d’évaluation et de contractualisation aient lieu au mois d’octobre 2025 

11.3 Droit de Révision  

L’organisation se réserve le droit de réviser ou d’annuler cet appel d’offres en tout ou en partie sans  encourir aucune obligation envers les soumissionnaires.

EF_Savoirs Eco_Termes de référence_Mise en Place d’une Plateforme de Don…