7 changements nécessaires pour sauvervos SI décisionnelsJoseph GlorieuxOCTO Technology1
2
3
S’adapter ou mourrir4
5Staging aeraODSDatawarehouseArchivageDatamartCube
6
7
L’offre de service8
Reporting « standard »9ARCHITECTUREArchitecture classique, s’appuyant sur undatawarehouse et des datamarts (logiques ouphy...
Le laboratoire10ARCHITECTUREArchitecture de type « datalabs », avec desworkspaces par utilisateur ou par équipe (sur leser...
Archivage on line11ARCHITECTUREStockage supplémentaire sur un système defichiers distribué sur commodities hardwareOUTILS-...
Break the wall12
TestsPolitique de tests aujourdhui13UnitairesD’intégrationFonctionnelsD’IHMDe recetteDeperformance
TestsPolitique de tests demain?14UnitairesD’intégrationFonctionnelsD’IHMDe recetteDeperformance
Software factory : pourquoi?151 - Productivité• Standardisation des outils• Automatiser les tâches répétitives : déploieme...
16IntégrateurEquipes dévGestionnaire de buildDBUnitLiquibaseClient sourceAntJenkinsInt. continueTeradataCognosSPSSClient C...
Java is the new heaven17
Cherchez l’intrus18
Une mise à niveau en cours19
Le reporting n’est pas en reste20DataminingSAS (SAS/ACCESS et SAS BASE)R RevoScaleBusiness IntelligenceSAP Business Object...
Un datawarehouse agile,c’est…21
Les projets décisionnels « agile »228%31%34%27%VentesTousLa plupartQuelques projetsAssez peu73%
31%7%55%7%0%0%0%0%ne sait pas=><Pour quels résultats?2332%19%41%8%0%0%0%0%ne sait pas=><45%8%45%2%0%0%0%0%ne sait pas=><33...
L’agile adaptée au décisionnel24
Les statistiquesc’est…25
L’analyste de données ou data scientist doitdévelopper des compétences multiples26Métiers• La préparation desdonnées (donn...
David contre goliath27VS
Si vous n’avez pasde problème…28…ne changezrien
29
L’amélioration continue30
31S’adapter ou mourirOne size doesn’t fit allBreak the wallJava is the new heavenUn datawarehouse agile, c’est…Les statist...
Merci !32
Prochain SlideShare
Chargement dans…5
×

USI 2013 : 7 changements nécessaires pour sauver vos SI décisionnels

695 vues

Publié le

Présentation de ma session à l'USI 2013 : www.usievents.com

Les principes des architectures décisionnelles ont... 20 ans.

Si on peut leur souhaiter de vivre aussi longtemps que le mainframe, il va être nécessaire de s’adapter à un contexte riche en changement :

- L'explosion de la volumétrie, des usages, de la diversité, l'instantanéité, bref Big Data

- La réduction du time to market dans un contexte de baisse du budget

- La volonté d'indépendance des utilisateurs et des métiers

- Le raz de marée apporté par de nouveaux paradigmes et solutions (NoSQL, in memory, dataviz, R....)

Ce que je propose donc dans cette session c'est un petit guide de survie en 7 points touchant aussi bien à l'architecture, qu'aux pratiques de développements ou à l'organisation.

Mon objectif est de redonner de l'espoir, ou au moins de faire persister encore quelques années les systèmes d'information décisionnels afin de fêter les noces de perles !!

Publié dans : Technologie
0 commentaire
0 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

  • Soyez le premier à aimer ceci

Aucun téléchargement
Vues
Nombre de vues
695
Sur SlideShare
0
Issues des intégrations
0
Intégrations
6
Actions
Partages
0
Téléchargements
0
Commentaires
0
J’aime
0
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

USI 2013 : 7 changements nécessaires pour sauver vos SI décisionnels

  1. 1. 7 changements nécessaires pour sauvervos SI décisionnelsJoseph GlorieuxOCTO Technology1
  2. 2. 2
  3. 3. 3
  4. 4. S’adapter ou mourrir4
  5. 5. 5Staging aeraODSDatawarehouseArchivageDatamartCube
  6. 6. 6
  7. 7. 7
  8. 8. L’offre de service8
  9. 9. Reporting « standard »9ARCHITECTUREArchitecture classique, s’appuyant sur undatawarehouse et des datamarts (logiques ouphysiques)OUTILS- Balance scorecard, reporting réglementaire- Reporting régulier à large diffusion au sein del’entreprise- Reporting ad-hoc volumétrie faible <100 000lignes- Processus industriel- lead time de 3 mois- SLA MoyenneCAS D’USAGE CARACTÉRISTIQUESSOSODWHDMDMETL / ELT ETL / ELT
  10. 10. Le laboratoire10ARCHITECTUREArchitecture de type « datalabs », avec desworkspaces par utilisateur ou par équipe (sur leserveur avec ressources cappées, ou sur leposte utilisateur). Possibilité d’intégrer auxworkspaces des données externes à des fins decroisement.OUTILS- Prédiction de tendance- Segmentation, classification- Analyse factorielle- Toutes activités de datamining/machinelearning- Processus propre aux utilisateurs- lead time à la semaine / à la journée- SLA 99% hors workspaceCAS D’USAGE CARACTÉRISTIQUESSOSODWHETL/ELT WorkspWorkspAutresource
  11. 11. Archivage on line11ARCHITECTUREStockage supplémentaire sur un système defichiers distribué sur commodities hardwareOUTILS- Archivage des données anciennes et fines,avant purge du datawarehouse- Requêtes exceptionnelles sans contraintes deperformance sur des historiques sur desdizaines d’années- Accès à des données archivées- Processus indutriel- lead time au mois- SLA 99%CAS D’USAGE CARACTÉRISTIQUESSOSODWHETL / ELTMapreduceDWHDonnéesfroidesDMDMETL / ELTRequêtage
  12. 12. Break the wall12
  13. 13. TestsPolitique de tests aujourdhui13UnitairesD’intégrationFonctionnelsD’IHMDe recetteDeperformance
  14. 14. TestsPolitique de tests demain?14UnitairesD’intégrationFonctionnelsD’IHMDe recetteDeperformance
  15. 15. Software factory : pourquoi?151 - Productivité• Standardisation des outils• Automatiser les tâches répétitives : déploiement, contrôle…• Génération de la documentation2 - Qualité• Outiller la stratégie de test• Limiter les régressions• Partager le harnais de test3 – Coopération• Cadre de travail commun• Partage des mêmes informationsDe « plug & pray »à « plug & play »
  16. 16. 16IntégrateurEquipes dévGestionnaire de buildDBUnitLiquibaseClient sourceAntJenkinsInt. continueTeradataCognosSPSSClient CFTPoste de dévIDEClientsCognos-SPSSDBUnitLiquibaseClientTeradataAntRecetteTeradataCognosSPSSClient CFTQualificationTeradataCognosSPSSClient CFTProductionTeradataCognosSPSSClient CFTDataData Data Data DataChangelogframeworkSQLKsh, XMLJeux detest USource SVNEspace docSites de reporting(qualité, tests …)JIRAFitnesseConfluenceCommitPullTagReportingDeploy + migrate + test(automatique)Deploy + migrate + test(manuel)Deploy + migrate(manuel)PackageDév destemplates dereportingproductionMOA, Dév, …MOA +
  17. 17. Java is the new heaven17
  18. 18. Cherchez l’intrus18
  19. 19. Une mise à niveau en cours19
  20. 20. Le reporting n’est pas en reste20DataminingSAS (SAS/ACCESS et SAS BASE)R RevoScaleBusiness IntelligenceSAP Business ObjectOracle BIEEMicroStrategyIBM BigSheetsIBM CognosTableauTibco SpotfirePentahoQlikTechHDFS File Hive QL MapReducescripting
  21. 21. Un datawarehouse agile,c’est…21
  22. 22. Les projets décisionnels « agile »228%31%34%27%VentesTousLa plupartQuelques projetsAssez peu73%
  23. 23. 31%7%55%7%0%0%0%0%ne sait pas=><Pour quels résultats?2332%19%41%8%0%0%0%0%ne sait pas=><45%8%45%2%0%0%0%0%ne sait pas=><33%17%33%17%0%0%0%0%ne sait pas=<>Productivité SatisfactionQualité Coûts
  24. 24. L’agile adaptée au décisionnel24
  25. 25. Les statistiquesc’est…25
  26. 26. L’analyste de données ou data scientist doitdévelopper des compétences multiples26Métiers• La préparation desdonnées (donnéesnon structurées)• La qualité desdonnées traitées• Les outils et langages(perl, python, R,mapreduce…)• Les représentationsvisuelles• Identifier les sources dedonnées• Définir la stratégied’analyse• Interpréter des résultatset leur communiquer• La démarchescientifique• Les algorithmesutilisables et leuroptimisation• L’automatisation del’analyse des résultatsSystèmed’informationMathématiqueset statistiques
  27. 27. David contre goliath27VS
  28. 28. Si vous n’avez pasde problème…28…ne changezrien
  29. 29. 29
  30. 30. L’amélioration continue30
  31. 31. 31S’adapter ou mourirOne size doesn’t fit allBreak the wallJava is the new heavenUn datawarehouse agile, c’est…Les statistiques, c’est chicSi vous n’avez pas de problème…
  32. 32. Merci !32

×