big data : concepts, cas d'usage et tendances

Download Big Data : concepts, cas d'usage et tendances

Post on 14-May-2015

4.320 views

Category:

Technology

0 download

Embed Size (px)

DESCRIPTION

Présentation générales du Big Data et zoom sur des cas d'usage dans l'industrie et les services. Présentation réalisée à l'occasion de l'événement Big data de Niort du 20 mars 2014

TRANSCRIPT

  • 1.Big Data Tendances, perspectives et cas dusage 20/03/2014 Jean-Michel Franco Directeur de linnovation et des solutions jean-michel.franco@businessdecision.com Twitter : @jmichel_franco

2. 2 Dfinition 03/2014 Big Data Les challenges incluent la collecte, la curation, le stockage, lenrichissement, le croisement, la partage, lanalyse et la visualisation. Le Big Data vise tirer un avantage concurrentiel au travers de mthodes de collecte, danalyse et dexploitation des donnes quon ne pouvait utiliser jusqu prsent du fait des contraintes conomiques, fonctionnelles et techniques lies aux volumtries, la vitesse de traitement et la varit des donnes considrer. Source The 451 Group & Gartner Source Wikipedia 3. 3 Le Big data : une cible mouvante mais qui dsormais nous concerne tous 03/2014 Big Data 1950 1960 1970 1980 1990 2000 2010 100 Ptas 20 Ptas Assurances 600 MB Voyages 807 MB Transports 80 GB 40 Ptas 60 Ptas 1 Pta = 1.000.000.000.000.000 octets (1015) = 1.000.000 Giga octets = 1000 tra octets 80 Ptas Banque 450 GB Retail 180 TB Medias 100 PB Medias 25 PB 4. 4 Popularit Information disponible Notre enjeu : le principe de la longue trane, appliqu la gestion de linformation La gestion de linformation telle quon la connait - capital informationnel constitu sur la base des SI internes de lentreprise - information exploite transversalement uniquement en temps diffr - information modlise priori La gestion de linformation telle quon la voudrait La gestion de linformation telle quon la connait + information gnrs par les humains + information gre par les machines + information en juste temps (vitesse) + information modlisable, assemblable, et extensible au fil de leau (lasticit) 03/2014 Big Data 5. 5 Exemple dinnovation dans la distribution: Au plus prs du terrain et de la demande client La grande distribution a t pionnire dans la mise en uvre de data warehouses dentreprise, notamment pour lanalyse des donnes extraites des tickets de caisse. Mais il devient ncessaire de tirer encore plus de valeur de ces donnes, dapprofondir les capacits danalyse et de les rendre actionnables . Gestion plus fine et dynamique des prix de vente Personnalisation des offres pour les programmes de fidlit Gestion proactive des fraudes Ajustement de loffre et de la demande, par zone gographique Gestion du on line multi-canal (e-commerce, magasins, drive) 03/2014 Big Data 6. 6 Passer dune conomie de lattention une conomie de lintention Tester le bien fond des offres, les remettre en cause en permanence Offrir le mme niveau de service au travers des canaux dinteraction Mieux maitriser les recommandations associes aux htels du groupe et les interactions avec les promoteurs et dtracteurs Exemple dinnovation dans le secteur de lhtellerie: recommandations temps rel Amliorer le taux de transformation (ROI en neuf mois) Capacit tester les nouvelles offres, et de les retirer si peu efficaces Capacit dcoute, de ractivit et d influence sur les promoteurs et dtracteurs Fdration de la connaissance client pour sadapter aux changements dorganisation et intgrer les mdias sociaux Offre et communication personnalise pour chaque client 03/2014 Big Data 7. 7 Exemple dinnovation dans les utilities : Le Smart Watering (*) Source : SIA conseil En France , 25% de leau injecte sur le rseau est perdue en fuites et fraudes ; Le manque gagner pour les citoyens slve 2,4 milliards deuros par an. (*) Les canaux numriques et lInternet des objets ouvrent de nouvelles opportunits pour collecter/exploiter les donnes, et les mettre disposition de tous Informations en temps rel sur les dbits et la qualit de leau Services valeur ajoute pour les consommateurs et les collectivits Dtection au plus tt des problmes sur le rseau et en bout de chaine Engagement commun au principe de consommation responsable Automatisation du processus de collecte 03/2014 Big Data 8. 8 Exemple dinnovation dans le secteur des assurances : innover par de nouvelles offres Une start-up ddie lassurance des exploitations agricoles face aux alas du climat. La collecte dun ensemble dinformations un niveau trs fin sur les tempratures, lhumidit, les prcipitations Des offres personnalises pour chaque agriculture en fonction des spcificits de son exploitation et de son environnement Gestion des sinistres totalement dmatrialiss : paiement automatis en fonction des conditions Un potentiel de dploiement sans limites gographiques, permettant datteindre des marchs encore peu exploits 03/2014 Big Data 9. 9 Exemple dinnovation dans le secteur des assurances : gestion des fraudes Appliquer les principes du Scoring Crdit pour analyser les dclarations de sinistre. Exploitation des donnes non structures pour mettre en exergue les incohrences dans les dclarations Laide la dcision pousse sur le terrain au plus prs des clients Taux de succs des investigations : de 50 85% 25% des dossiers sont rgls ds le premire tape, contre 4% auparavant Le scoring influence la suite du processus et amliore son efficacit (aide la dcision actionnable ) Le systme est actif lors de la dclaration de sinistre, ce qui incite le client renoncer poursuivre sil se sent suspect 03/2014 Big Data 10. 10 Exemple dinnovation dans le secteur des utilities -> un datalab pour dcouvrir les donnes concurrence et les croiser avec les donnes internes Lyonnaise des Eaux est leader sur la qualit de leau et cherche conforter son leadership en se dotant dun outil de benchmark permettant lanalyse de ses performances et la comparaison avec les autres dlgataires et rgies. Rcuprer des donnes publiques partir de sources de donnes non structures et externe au S.I (site web http://www.sante.gouv.fr) Cration dun datalab sur le cloud permettant un data scientist de qualifier la qualit de donnes et de les rapprocher avec les donnes internes de lentreprise 03/2014 Big Data 11. 11 Data Warehouse Systmes transactionnels Systmes dcisionnels dentreprise Big Data De la BI telle quon la connait au Big Data : la recherche de la longue traine Exploiter et fdrer les donnes non structures Documents, contenu numrique riche Donnes publiques du web et rseaux sociaux Aller puiser la connaissance dans de nouvelles sources de donnes structures Capteurs, Internet des objets Donnes externes Etendre les principes fondateurs des concepts du Data Warehouse et lInformation Management : Immdiatet Prcision Agilit 03/2014 Big Data 12. 12 Big Data : pour qui, pour quoi ? Industrie Produit comme un service Qualit, innovation R&D Maintenance prventive Assurance Fraudes et risques Recommandation client Tarification lusage, personnalisation Secteur public Services informationnels Fraudes, abus Scurit publique Personnalisation de la relation citoyen Distribution Offres temps rel et service personnaliss Optimisation de lexprience magasin Pricing dynamique Sant Gestion des effets indsirables Traitements personnaliss. Amlioration des diagnostics Telecom Parcours clients multi- canaux Partage de donnes de go localisation Fraudes et analyse du comportement client Banques Parcours clients multi- canaux Fraude, anti blanchiment Partage des donnes consommateurs pour personnalisation Transports, loisirs Planification et gestion des evts lis la logistique Service client temps rel Economie dnergie Pricing dynamique Produits gde conso. Analyse de sentiments et retour produits Relation personnalise avec le consommateur Produit comme un service 03/2014 Big Data Des armes et ingrdients qui se dclinent dans tous les secteurs dactivit 13. 13 Le Big Data, appliqu au rle dtudiant, a donnerait quoi ? http://www.knewton.com/platform/resources/ 03/2014 Big Data 14. 14 Le big data : avec quelles donnes ? Tous secteurs confondus Banque et services financiers 03/2014 Big Data 15. 15 Le big data : Pour quoi faire ? La relation client avant tout, puis lefficacit des processus et linnovation 0 10 20 30 40 50 60 Exprience client Efficacit des processus Innovation produit Marketing cibl Rduction des cots Gestion des risques Montisation de l'information Governance et rglementations Scurit Autres 03/2014 Big Data Sources : Gartner 16. 16 Si linformation devient un actif, alors il faut sorganiser et se spcialiser en consquence 03/2014 Big Data Sources : R Casonato/Gartner : Addressing the Big Data Skills Crisis 17. 1703/2014 Big Data Institutions are becoming naked, and if you're going to be naked fitness is no longer optional. If you're going to be naked, you better get buff. Vers un monde de plus en plus transparent pour le meilleur et pour le pire Don Tapscott : four principles for the open world Ne pas utiliser la donne au- del dun primtre bien dlimit Traitez les autres comme vous accepteriez dtre traits Solliciter le consentement, partagez les rsultats et les bnfices avec vos partenaires Source : F Buytendijk Dfinir au plus tt son thique vis--vis du big data 18. 18 Quelles technologies pour le Big Data ? Sources : Ray Wang 03/2014 Big Data 19. 19 Appliances Bases de donnes analytiques In memory analytics In memory Extreme processing Moteurs de recherche NoSQL Zoom sur Les technologies de gestion des donnes ( stockage ) : la taille unique nexiste pas, la solution dpend des usages 03/2014 Big Data rinventer les principes fondateurs des bases de donnes Le Hardware la rescousse du software Spcialiser la base de donnes chaque cas dusage Traiter linformation comme elle vient au fil de leau Saffranchir des contraintes mcaniques Appliquer les principes du net linformatique dentreprise 20. 20 Appliances Bases de donnes analytiques In memory analytics In memory Extreme processing Moteurs de recherche No SQLExalead Endeca (Oracle) Data Explorer(IBM) Autonomy (HP) Teradata Pure Data (IBM) Exadata (Oracle) Vertica / Autonomy (HP) Paraccel (Actian) Sybase IQ (SAP) Infobright Bases Olap Streams (IBM) Times Ten (Oracle) Aleri et Hana (SAP) Teracota (Software AG) Streambase (Tibco) SQLServer 2014 (MS) Ex