1©2016 Talend Inc

Big Data : au delà du proof of concept et de l’expérimentationCas d’usage et trajectoires d’adoption

22006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016(Revenue Growth)

DataIntégration

Master DataManagement

DataQuality

Big Data

ApplicationIntegration

Hadoop 2.0

Spark & Cloud

Talend : une Histoire d’Innovation1ère plate-forme unifiée pour la

data prep & l’intégration Data Preparation

1er sur Spark

1er sur YARN & Hadoop 2.0

1er plate-forme unifiée pour le batch et le temps réel

1er ETL open source

• Notre mission : équiper

l’entreprise pilotée par les

données

• La plate-forme d’intégration

Big Data de référence sur la

marché

• Développement 10X plus

rapide

• Une unique solution pour le

batch et le streaming,

intégrant le machine

learning

3

La transformation digitale s’accélère

Source Gartner 2016

Entreprises Secteur Public Quel pourcentage de votre chiffre d’affaire est digital ? Quel pourcentage de vos processus est digital ?

16%

25%

37%

22%

31%

41%

Aujourd'hui Dans 2 ans Dans 5 ans

CIO (n = 609) CEO (n = 400)

42%

60%

77%

Aujourd'hui Dans 2 ans Dans 5 ans

CIO (n = 344)

4

“Hier soir encore, vous pensiez être dans une entreprise industrielle, ce matin vous vous réveillez dans une entreprise de software et d’analytique”

Jeff Immelt, chairman and CEO of GE

5

Les moteurs du changement

1. Global data created and copied annually to reach 44 trillion gigabytes by 2020. Source: IDC, 7th Annual IDC Digital Universe Study. April 2015.2. Worldwide Public IT Cloud Services Revenue in 2019. Source: IDC, Worldwide and Regional Public IT Cloud Services Forecast, 2015-2019. December 2015.3. “Data scientists spend up to 80% of their time preparing data for analysis.” Source: Sagence Consulting, What is Really Missing in Big Data ROI? February 2015.4. 82% of organizations are in some phase of adopting real-time analytics or planning to within the next 12 months. Source: IDC, CloudView Survey 2016: Real-Time Analytics Adoption to Grow Rapidly, Especially for IoT,

March 2016.

La proliferationdes données

44Trillion

Gigabytes1

Le Cloud

$141BPublic Cloud

Spend2

Le Temps réel

82%Adopting

Real-Time4

Le Self-Service

80%Time Preparing

Data3

6

Les principaux cas d’usages se précisent

Réinventer le paysage IT

Rapprocher le réel et le numérique

Inventer de nouveaux services

Redéfinir

les parcours

clients

Créer de nouveaux marchés

Lac de données Offloading

Maintenance prédictive

Villes et bâtiments intelligents

Monétisation de l’information

Assurance sur mesure

Vues clients 360°

Assistants intelligents

Economie de fonctionnalité

Economie collaborative

7

Un lac de données pour réinventer les systèmes décisionnels, diminuer leurs coûts et délais de déploiement, et démocratiser leur accès, jusque sur le terrain.

Quand le magasin devient data driven

Intégrer la Business Intelligencedans les processus opérationnels

Réinventer le paysage IT

8

Anticiper les pannes, planifier les interventions et diagnostiquer les problèmes en 5 mins vs. 6 heures

24,000 capteurs permettent de comprendre, de mieux résoudre et même d’anticiper les pannes, évitant les interruptions de service non planifiés et les impacts financiers associés.

http://www.usinenouvelle.com/article/le-big-data-anticipe-les-pannes-de-l-a-380.N383711

Maintenance prédictive dans l’industrie

Transformer les opérations grâce aux données

9

Cas Sidetrade

Permettre aux directions financières d’optimiser leur performance en délais de paiement -accordés ou subis-dans une approche fondée sur l’analyse de données et non sur une intuition.

Prévoir les comportements de paiements de ses clients en s’appuyant sur le machine learning et sur un historique détaillé de plusieurs millions de transactions

Optimiser la gestion du cash-flowet mieux maîtriser les recouvrements

Inventer de nouveaux services

10

75% de réduction du temps et des coûts liés pour démarrer le service chez un nouveau client

Des assistants santé orientent vers le service le mieux adapté, selon le profil du patient, son problème, et les prestataires de services accessibles contractuellement.

Personnalisation des services santé et amélioration du parcours patient

Redéfinir les parcours client

11

Des laboratoires mobiles permettent de collecter les informations multiples sur le terrain et l’environnement et de recommander le bon dosage d’engrais pour optimiser la récolte.

Démocratiser l’adoption des bonnes pratiques de production en réduisant leur coût de mise en œuvre par un facteur 10

Optimiser le rendement des exploitations agricoles

Créer de nouveaux marchés

12

Accompagner la transformation numérique de l’expérimentation à la généralisation

Trajectoires d’adoption

Initialiser le data lab

Aménager le lac de données

Opérer l’entreprise data-driven

Valeur

Seuil de rentabilité

Proof of concept

Projetapprouvé

Généra-lisation

Transfor-mation

13

La Plateforme moderne de données

Forrester: Create A Road Map For A Real-Time, Agile, Self-Service Data Platform December 16, 2015

Phase 1: Supprimer les barrières informationelles

• Intégrer toutes les données

Phase 2: Eliminer les temps de latences

• Réduire les traitements différés et opérer en temps réel

Phase 3: Organiser la plate-forme pour un accès en self-service

• Faire évoluer la data governance

Phase 4: Généraliser l’ accès des données en temps reel et en self service

• Permettre à quiconque d’accéder à l’information en libre service

14

Une plate forme moderne pour le Big Data et le Cloud

Data FabricAPPLICATION INTEGRATION

CLOUD INTEGRATION

DATAINTEGRATION

DATAPREPARATION

BIG DATA INTEGRATION

MASTER DATA MANAGEMENT

15

Talend Big Data Sandbox

• Un environnement rapide à installer et prêt à l’emploi

• Un guide pour accompagner la phase de découverte

• Des cas d’usage concrets pré-paramétrés utilisant Spark, Kafka, MapReduce & NoSQL

Le chemin le plus pour Hadoop, Spark et le Machine Learning

16

Analytique pour l’internet des objets

RecommandationsTemps réel

Analyse Clickstreams

Modernisation dudata warehouse

Analyse des performance des joueurs en temps pour

les paris en ligne

Recommandation d’achat personnalisé en temps avec Machine Learning

Analyse du trafic web pour la demand génération et le placement média en ligne

Migration d’un data warehouse vers Hadoop pour

augmenter la capacité de traitement et réduire les coûts

17

Systèmes de suivi vidéo

Une série de caméras vidéos autour du terrain enregistre les positions des joueurs et de la balle EN DIRECT

18

agréger la vitesse et la distance parcourue par chaque joueur EN TEMPS RÉEL

Notre but :

19

• Les caméras vidéos transmettent 25 images par seconde• Chaque image enregistre les coordonnées x, y, z de chaque joueur • Un flux de données sportives en temps réel ? Un vrai cas de Big Data !

Défis

20

Démonstration : Analytique pour l’internet des objets

Ingest Process Store VisualizeDeliver

Database

21

A vous de jouer avec Talend Big Data Sandbox

• Un environnement Docker pret à l’emploi

• Un guide pour accompagner la phase de découverte

• Des scenarios réel utilisant Spark, Kafka,MapReduce & NoSQL

www.talend.com/BigDataSandbox

Le chemin le plus pour Hadoop, Spark et le Machine Learning

22©2016 Talend Inc

Big Data : au delà du proof of concept et de l’expérimentationCas d’usage et trajectoires d’adoption