Recommandé
Recommandé
Contenu connexe
Tendances
Tendances (20)
En vedette
En vedette (20)
Similaire à Memoire recherche
Similaire à Memoire recherche (20)
Memoire recherche
- 1. Mémoire Recherche Application du Big Data aux PME digitales
- 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.
- 8. Limites d’adoption Couts élevé 8 Difficulté de la discipline Difficulté de l’implémentation
- 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
- 11. Difficulté d’implémentation 11 Difficulté de l’implémentation Tableaux de bord Clefs en main Sous traiter: conseil Internaliser Complexité, sécurité
- 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
- 14. MERCI
- 15. Conclusion 15 Couts élevé Difficulté de la discipline Difficulté de l’implémentation
Notes de l'éditeur
- 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)