Memoire recherche

384 vues

Publié le

Memoire recherche

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

  • Soyez le premier à aimer ceci

Aucun téléchargement
Vues
Nombre de vues
384
Sur SlideShare
0
Issues des intégrations
0
Intégrations
2
Actions
Partages
0
Téléchargements
5
Commentaires
0
J’aime
0
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive
  • 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)
  • Memoire recherche

    1. 1. Mémoire Recherche Application du Big Data aux PME digitales
    2. 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. 3. Pourquoi le Big Data? Omniprésence médiatique 3 Curiosité entrepreunariale Explosion des données Une discipline restreinte aux experts
    4. 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
    5. 5. Définition 5 Volume Variété Vélociété Véracité Valeur
    6. 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. 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. 8. Limites d’adoption Couts élevé 8 Difficulté de la discipline Difficulté de l’implémentation
    9. 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. 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. 11. Difficulté d’implémentation 11 Difficulté de l’implémentation Tableaux de bord Clefs en main Sous traiter: conseil Internaliser Complexité, sécurité
    12. 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. 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. 14. MERCI
    15. 15. Conclusion 15 Couts élevé Difficulté de la discipline Difficulté de l’implémentation

    ×