2. Sommaire
Pourquoi le Big Data ?
Notre méthode
Définition
Une discipline “Hype”
Les applications
Les limites de l’adoption du Big Data
Couts élevés
Difficulté de la discipline
Difficulté d’implémentation
Du Big Data au Smart Data
Conclusion
2
3. Pourquoi le Big Data?
Omniprésence
médiatique
3
Curiosité
entrepreunariale
Explosion des données
Une discipline
restreinte aux experts
4. La méthode
Entretients
Joshua Rock
Louis Guthman
Karl Neuberger
Alexandre Schweitzer
4
Analyses des études
sur le sujet
Concenter notre étude sur les PME du
numeriques
Sondage aupres de
300 étudiants
6. Une Discipline “Hype”
Intéret médiatique croissant
Data Déluge : Croissance de 21% des services liés au Big
Data jusqu’en 2016
6
Nouvelle source
de richesse
Nouvelles
formations
Nouvelle activité
économique
7. Les applications
L’expemple des grandes entreprises
7
Offre Personalisée Prix adapté
Assotiment optimiséCampagnes géolocalisé
Des domaines d’exploitation sans frontieres
RH Marketing Opération Santé Sécurité etc.
9. Couts élevés
Solutions Open Source
Hadoop
Changement de défintion:
Raisoner en terme de machine et non plus de données
Principal probleme: le recrutement de talents
9
Couts élevé
10. Difficulté de la discipline
Nouvelles formations
Mooc accessibles a tous
Multiplication des masteres spécialisé
Interet des étudiants
75% ont déja entendu parler du Big Data
66% souhaitent implémenter le Big Data dans leur futur métier
10
Difficulté de la
discipline
12. Du Big Data au Smart Data
Certes toutes les PME peuvent exploiter le Big Data…
“Tant qu’il y a de la donnée, elle peut etre exploitée” Karl Neuberger
… Mais pas a meme échelle
12
Prestataires
de services
Web,
Télécoms Analytics
13. Du Big Data au Smart Data
Risques liés a l’utilisation du Big Data
13
Fiabilité des
données
Analyse
Biaisée
More Data,
More Noise
SMART Data
Stratégie Sourcer SignifierSélectionner Symboliser
Prestataires de service pour aider les PME à optimiser leurs ressources grâce au Big Data.
Ex: Captain Dash utilise le Big Data pour mieux exploiter les données disponibles sur les réseaux sociaux à des fins marketing.
Un produit qui permettrait aux utilisateurs une solution clef en main pour analyser de gros volumes de données. Du type Google Adwords qui permet aux entreprises une solution clef en main: à partir de certains critères définis par l’entreprise, mieux cibler des publicités en ligne grâce a une connaissance de l’utilisateur.
- Chaque entreprise doit d’abord identifier ses objectifs et se demander si l’analyse des data est essentielle pour les atteindre.
Les objectifs se fixent sur le cœur du business, les solutions techniques s’alignent ensuite en fonction. Il s’agit ensuite de déterminer quelles données analyser puis s’il est nécessaire de les collecter en grande quantité.
La boulangerie de quartier, pas besoin du Big Data.
Pour les PME intensément concurrencées par de grands groupes qui eux utilisent le Big Data.
- 9% des comptes Facebook sont faux. Who likes my Virtual Bagel? 4600 likes
Nassim Taleb, Antifragile: plus on analyse les données, plus il y a de bavardages (i.e plus il y a de données inutiles qui rendent les analyses inexactes)ratio « signal-‐to-‐noise », où noise data inutiles et signal les données utilisables observer les données 1/an ratio de 1. Si la data est analysée chaque heure, le split devient 99,5% de noise et 0,5% de signal soit 200 fois plus de données inutiles que d’informations utiles. Le ratio diminue donc avec la fréquence d’observation
Hal Varian, directeur économique de Google : l’entreprise n’analyse que 0,3% de la donnée disponible chaque jour comme échantillon aléatoire représentatif
les 5S (moins de données)