Qu'est-ce que l'expérimentation dit ou fait des territoires?
Big Data : au delà du proof of concept et de l'expérimentation (Matinale business decision 2016)
-
Upload
jean-michel-franco -
Category
Technology
-
view
338 -
download
1
Transcript of Big Data : au delà du proof of concept et de l'expérimentation (Matinale business decision 2016)
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
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