SlideShare une entreprise Scribd logo
1  sur  15
BIG DATA
PRÉPARÉ PAR: Karima Ghali
Génie Réseaux et Télécoms
PLAN
Définition
Pourquoi le BD?...Statistiques
Caractéristiques du Big Data
Manipulation des Big Data
D’où viennent les données?
Applications
Avantages
Risques
Perspectives
Définition
• Littéralement, les Big Data
signifient mégadonnées, grosses données ou
encore données massives. Ils désignent un
ensemble très volumineux de données qu’aucun
outil classique de gestion de base de données ou
de gestion de l’information ne peut vraiment
travailler.
Pourquoi le BD?...Statistiques
• ↗ des capacités de stockage.
• ↗ de la puissance de traitement.
• Disponibilité de divers types de données.
• IBM affirme que 90% des données stockées
aujourd'hui ont été générées au cours des deux
dernières années.
• Facebook génère 10 TB de données chaque jour.
• Twitter génère 7 TB chaque jour
Caractéristiques du Big Data
Vélocité
Variété
Volume
La quantité de données générées
est très importante; c’est la
taille de données qui
détermine la valeur et le
potentiel de ces données
et si elles peuvent être
considérées big data
ou non.
Ce terme réfère à la
vitesse de génération de
data ou à quel point cette
vitesse satisfait au
demandes et au défis du
développement actuel.
L’analyse des big data inclut différents types de données.
Big data ne sont pas que des nombres. Ce sont aussi des
données géospatiales, des données 3D, audio, vidéo et du
texte non structuré ainsi que les fichiers de journalisation.
Manipulation des Big Data
Stockage:
 Analyse de caractéristiques de data:
 Sélectionner les sources de data.
 Eliminer les données redondantes.
 Vue d’ensemble des outils de stockage:
 Modèles: Graphe, document, feuille ou classeur, valeur clé…etc.
 Le système distribué Hadoop.
Sélection:
 On choisit le bon modèle de stock selon les caractéristiques de
données. Puis on ajoute du code aux données. Ensuite, on
implémente des solutions polyglottes de stock. En fin, on adapte
les buts du business au stock de données approprié.
Traitement:
 Intégrer des stocks de données dispatchés.
 Utiliser La méthode Hadoop MapReduce.
D’où viennent les données?
Les données parviennent de ++ sources:
 Les utilisateurs: utilisation de pc quotidiennement pour
activités diverses.
 Les applications, trouvées sur tablettes et smartphones
génèrent beaucoup de données.
 Les systèmes, les entreprises comme Google, qui se base
sur Google Chrome pour donner les data en relation avec
les comportements des utilisateurs.
 Les capteurs, dans les équipements électroniques comme
les portables qui génèrent des données de localisation, de
météo...etc.
Applications (1/2)
• Soins de santé plus intelligents: données utiles
pour la prévention de maladie ou la découverte
de remèdes;
• Contrôle de trafic: gérer le trafic facilement et
efficacement pour éviter les accidents;
• Sécurité: par une prédiction plus exacte de crimes
aidant à éviter les attaques terroristes;
• Optimisation de business, illustré dans les
activités de l’entreprise postale UPS United Parcel
Service;
Applications (2/2)
 L’UPS faisait la capture et suivi d’une variété de mouvements de paquets
et de transactions dès les années 1980. La société suit maintenant les
données sur 16,3 millions de colis par jour pour 8,8 millions de clients,
avec une moyenne de 39,5 millions de demandes de suivi des clients par
jour.
 La société stocke plus de 16 pétaoctets de données. Une grande partie de
ses données récentes acquises, cependant, vient de capteurs télématiques
dans plus de 46.000 véhicules. Les données sur les paquets de camion UPS
(camions), par exemple, comprennent leur vitesse, la direction, le freinage
et les performances du train d'entraînement.
 Les données ne sont pas seulement utilisées pour surveiller les
performances quotidiennes, mais pour conduire une reconception
majeure des structures des itinéraires des pilotes UPS. Le projet a déjà
permis d'économiser en 2011 plus de 8,4 millions de gallons de carburant
en supprimant 85 millions de milles des itinéraires quotidiens.
 L'entreprise tente également d'utiliser les données et les analyses pour
optimiser l'efficacité de ses vols de 2000 avions par jour.
Avantages (1/2)
• Les big data en temps réel ne sont pas seulement un
processus de stockage des téraoctets ou des hexa
octets de données dans un stock de données. Il s'agit
de la capacité de prendre de meilleures décisions et de
prendre des mesures significatives au bon moment.
• L’utilisation des technologies comme Hadoop assure la
scalabilité et la souplesse pour stocker des données
avant de savoir comment elles seront traitées.
• Des technologies telles que MapReduce, Hive et
Impala permettent d'exécuter des requêtes sans
modifier les structures de données en dessous.
Avantages (2/2)
• Il offre des opportunités commerciales d'une échelle
comparable à l'explosion des médias sociaux
d'aujourd'hui.
• Big Data occupe déjà une place importante dans le
marché des bases de données et des analyses de
données, d'une valeur de 64 milliards de dollars.
• Une recherche récente révèle que les organisations
utilisent le big data pour cibler les résultats axés sur le
client, exploiter les données internes et construire un
meilleur écosystème d'information.
Risques
• Risque de surcharge: besoin de résoudre ce problème par
les bonnes personnes.
• Confidentialité et respect de la vie privée: données
personnelles sur les social media, caméras de surveillance,
achat sur internet, carte de fidélité au supermarché, retrait
d’argent du guichet..etc → identification inévitable
• Risque d’être manipulé: Mr tout le monde ne lit pas les
conditions générales d’utilisation!
• Sécurité des données mise en question malgré les
promesses de l’e/se de les bien conserver.
• Données de santé pouvant être exploitées par les
assurances de maladie..
Perspectives
• Potentiel du big data:
 300 milliards de dollars de valeur annuelle potentielle
pour les soins de santé aux États-Unis.
 600 milliards de dollars de surplus annuel potentiel pour
le consommateur provenant de l'utilisation de données
de localisation personnelle.
 60% du potentiel est dans les marges d'exploitation des
détaillants et des revendeurs.
 ON AVAIT BESOIN EN FIN 2015 DE PLUS DE 4.4
MILLION DE SCIENTIFIQUES SPECIALISTES EN DATA.
FIN.
MERCI

Contenu connexe

Tendances

Big Data, Hadoop & Spark
Big Data, Hadoop & SparkBig Data, Hadoop & Spark
Big Data, Hadoop & SparkAlexia Audevart
 
Big Data... Big Analytics à travers les âges, les industries et les technologies
Big Data... Big Analytics à travers les âges, les industries et les technologiesBig Data... Big Analytics à travers les âges, les industries et les technologies
Big Data... Big Analytics à travers les âges, les industries et les technologiesHassan Lâasri
 
Chapitre1 introduction
Chapitre1 introductionChapitre1 introduction
Chapitre1 introductionMouna Torjmen
 
Présentation PFE Hachem Selmi et Ahmed Dridi Big data
Présentation PFE Hachem Selmi et Ahmed Dridi Big data Présentation PFE Hachem Selmi et Ahmed Dridi Big data
Présentation PFE Hachem Selmi et Ahmed Dridi Big data HaShem Selmi
 
Big Data : concepts, cas d'usage et tendances
Big Data : concepts, cas d'usage et tendancesBig Data : concepts, cas d'usage et tendances
Big Data : concepts, cas d'usage et tendancesJean-Michel Franco
 
Mémoire de fin d'étude - La big data et les réseaux sociaux
Mémoire de fin d'étude - La big data et les réseaux sociauxMémoire de fin d'étude - La big data et les réseaux sociaux
Mémoire de fin d'étude - La big data et les réseaux sociauxChloé Marty
 
BigData_Chp1: Introduction à la Big Data
BigData_Chp1: Introduction à la Big DataBigData_Chp1: Introduction à la Big Data
BigData_Chp1: Introduction à la Big DataLilia Sfaxi
 
Introduction to Machine learning
Introduction to Machine learningIntroduction to Machine learning
Introduction to Machine learningQuentin Ambard
 
La Big Data et ses applications
La Big Data et ses applicationsLa Big Data et ses applications
La Big Data et ses applicationsAffinity Engine
 
Chp1 - Introduction à l'Informatique Décisionnelle
Chp1 - Introduction à l'Informatique DécisionnelleChp1 - Introduction à l'Informatique Décisionnelle
Chp1 - Introduction à l'Informatique DécisionnelleLilia Sfaxi
 
Comprendre l’intelligence artificielle [webinaire]
Comprendre l’intelligence artificielle [webinaire]Comprendre l’intelligence artificielle [webinaire]
Comprendre l’intelligence artificielle [webinaire]Technologia Formation
 
Rapport data-mining
Rapport data-miningRapport data-mining
Rapport data-miningSawsen Larbi
 
Les clés de la transformation digitale
Les clés de la transformation digitaleLes clés de la transformation digitale
Les clés de la transformation digitaleFrederic CAVAZZA
 
Cours Big Data Chap5
Cours Big Data Chap5Cours Big Data Chap5
Cours Big Data Chap5Amal Abid
 
Présentation pfe Big Data Hachem SELMI et Ahmed DRIDI
Présentation pfe Big Data Hachem SELMI et Ahmed DRIDIPrésentation pfe Big Data Hachem SELMI et Ahmed DRIDI
Présentation pfe Big Data Hachem SELMI et Ahmed DRIDIHaShem Selmi
 
TP1 Big Data - MapReduce
TP1 Big Data - MapReduceTP1 Big Data - MapReduce
TP1 Big Data - MapReduceAmal Abid
 

Tendances (20)

Big Data, Hadoop & Spark
Big Data, Hadoop & SparkBig Data, Hadoop & Spark
Big Data, Hadoop & Spark
 
Big Data... Big Analytics à travers les âges, les industries et les technologies
Big Data... Big Analytics à travers les âges, les industries et les technologiesBig Data... Big Analytics à travers les âges, les industries et les technologies
Big Data... Big Analytics à travers les âges, les industries et les technologies
 
Chapitre1 introduction
Chapitre1 introductionChapitre1 introduction
Chapitre1 introduction
 
Chapitre i-intro
Chapitre i-introChapitre i-intro
Chapitre i-intro
 
Présentation PFE Hachem Selmi et Ahmed Dridi Big data
Présentation PFE Hachem Selmi et Ahmed Dridi Big data Présentation PFE Hachem Selmi et Ahmed Dridi Big data
Présentation PFE Hachem Selmi et Ahmed Dridi Big data
 
Histoire du big data
Histoire du big dataHistoire du big data
Histoire du big data
 
Big Data : concepts, cas d'usage et tendances
Big Data : concepts, cas d'usage et tendancesBig Data : concepts, cas d'usage et tendances
Big Data : concepts, cas d'usage et tendances
 
Mémoire de fin d'étude - La big data et les réseaux sociaux
Mémoire de fin d'étude - La big data et les réseaux sociauxMémoire de fin d'étude - La big data et les réseaux sociaux
Mémoire de fin d'étude - La big data et les réseaux sociaux
 
BigData_Chp1: Introduction à la Big Data
BigData_Chp1: Introduction à la Big DataBigData_Chp1: Introduction à la Big Data
BigData_Chp1: Introduction à la Big Data
 
Introduction to Machine learning
Introduction to Machine learningIntroduction to Machine learning
Introduction to Machine learning
 
Etude sur le Big Data
Etude sur le Big DataEtude sur le Big Data
Etude sur le Big Data
 
La Big Data et ses applications
La Big Data et ses applicationsLa Big Data et ses applications
La Big Data et ses applications
 
Chp1 - Introduction à l'Informatique Décisionnelle
Chp1 - Introduction à l'Informatique DécisionnelleChp1 - Introduction à l'Informatique Décisionnelle
Chp1 - Introduction à l'Informatique Décisionnelle
 
Comprendre l’intelligence artificielle [webinaire]
Comprendre l’intelligence artificielle [webinaire]Comprendre l’intelligence artificielle [webinaire]
Comprendre l’intelligence artificielle [webinaire]
 
Rapport data-mining
Rapport data-miningRapport data-mining
Rapport data-mining
 
Les clés de la transformation digitale
Les clés de la transformation digitaleLes clés de la transformation digitale
Les clés de la transformation digitale
 
Cours Big Data Chap5
Cours Big Data Chap5Cours Big Data Chap5
Cours Big Data Chap5
 
Présentation pfe Big Data Hachem SELMI et Ahmed DRIDI
Présentation pfe Big Data Hachem SELMI et Ahmed DRIDIPrésentation pfe Big Data Hachem SELMI et Ahmed DRIDI
Présentation pfe Big Data Hachem SELMI et Ahmed DRIDI
 
TP1 Big Data - MapReduce
TP1 Big Data - MapReduceTP1 Big Data - MapReduce
TP1 Big Data - MapReduce
 
Cours Big Data Part I
Cours Big Data Part ICours Big Data Part I
Cours Big Data Part I
 

Similaire à Big data

BigData & Cloud @ Excelerate Systems France
BigData & Cloud @ Excelerate Systems FranceBigData & Cloud @ Excelerate Systems France
BigData & Cloud @ Excelerate Systems FranceExcelerate Systems
 
Big data et marketing digital
Big data et marketing digital Big data et marketing digital
Big data et marketing digital Hamza Sossey
 
3 minutes pour comprendre ... le Big Data
3 minutes pour comprendre ... le Big Data3 minutes pour comprendre ... le Big Data
3 minutes pour comprendre ... le Big DataAlain KHEMILI
 
Big Data Des méandres des outils au potentiel business
Big Data   Des méandres des outils au potentiel businessBig Data   Des méandres des outils au potentiel business
Big Data Des méandres des outils au potentiel businessMouhsine LAKHDISSI
 
Baina bigdata le futur eldorado
Baina bigdata le futur eldoradoBaina bigdata le futur eldorado
Baina bigdata le futur eldoradoKarim Baïna
 
Etude Apec - Les métiers de la data
Etude Apec - Les métiers de la dataEtude Apec - Les métiers de la data
Etude Apec - Les métiers de la dataApec
 
La protection de la vie privée à l'heure du BIG DATA
La protection de la vie privée à l'heure du BIG DATALa protection de la vie privée à l'heure du BIG DATA
La protection de la vie privée à l'heure du BIG DATAISACA Chapitre de Québec
 
Quel est l'avenir des stratégies de données?
Quel est l'avenir des stratégies de données?Quel est l'avenir des stratégies de données?
Quel est l'avenir des stratégies de données?Denodo
 
Le Big Data dans la Banque et l'Assurance
Le Big Data dans la Banque et l'AssuranceLe Big Data dans la Banque et l'Assurance
Le Big Data dans la Banque et l'AssuranceAMNIS Consulting
 
Livre blanc big data et data lake le duo gagnant extrait_itelligence
Livre blanc big data et data lake le duo gagnant extrait_itelligenceLivre blanc big data et data lake le duo gagnant extrait_itelligence
Livre blanc big data et data lake le duo gagnant extrait_itelligenceHélène Etienne
 
La Banque de demain : Chapitre 4
La Banque de demain : Chapitre 4 La Banque de demain : Chapitre 4
La Banque de demain : Chapitre 4 OCTO Technology
 
Livre Blanc ALTARES: La Data, nouveau disrupteur du business model des entrep...
Livre Blanc ALTARES: La Data, nouveau disrupteur du business model des entrep...Livre Blanc ALTARES: La Data, nouveau disrupteur du business model des entrep...
Livre Blanc ALTARES: La Data, nouveau disrupteur du business model des entrep...Altares D&B
 
Big Data: quelle valeur pour l'entreprise
Big Data: quelle valeur pour l'entrepriseBig Data: quelle valeur pour l'entreprise
Big Data: quelle valeur pour l'entrepriseGenève Lab
 
Pourquoi l'analytique est un enjeu important
Pourquoi l'analytique est un enjeu importantPourquoi l'analytique est un enjeu important
Pourquoi l'analytique est un enjeu importantSolutions IT et Business
 
Bluemix Paris Meetup : Big data et Analytics - 15 avril 2015
Bluemix Paris Meetup :  Big data et Analytics - 15 avril 2015Bluemix Paris Meetup :  Big data et Analytics - 15 avril 2015
Bluemix Paris Meetup : Big data et Analytics - 15 avril 2015IBM France Lab
 

Similaire à Big data (20)

Introduction au Big data
Introduction au Big data Introduction au Big data
Introduction au Big data
 
BigData & Cloud @ Excelerate Systems France
BigData & Cloud @ Excelerate Systems FranceBigData & Cloud @ Excelerate Systems France
BigData & Cloud @ Excelerate Systems France
 
BigData BigBuzz @ Le Node
BigData BigBuzz @ Le Node BigData BigBuzz @ Le Node
BigData BigBuzz @ Le Node
 
bgi-data-1 (1).pptx
bgi-data-1 (1).pptxbgi-data-1 (1).pptx
bgi-data-1 (1).pptx
 
Big data et marketing digital
Big data et marketing digital Big data et marketing digital
Big data et marketing digital
 
3 minutes pour comprendre ... le Big Data
3 minutes pour comprendre ... le Big Data3 minutes pour comprendre ... le Big Data
3 minutes pour comprendre ... le Big Data
 
Big Data Des méandres des outils au potentiel business
Big Data   Des méandres des outils au potentiel businessBig Data   Des méandres des outils au potentiel business
Big Data Des méandres des outils au potentiel business
 
Baina bigdata le futur eldorado
Baina bigdata le futur eldoradoBaina bigdata le futur eldorado
Baina bigdata le futur eldorado
 
Etude Apec - Les métiers de la data
Etude Apec - Les métiers de la dataEtude Apec - Les métiers de la data
Etude Apec - Les métiers de la data
 
La protection de la vie privée à l'heure du BIG DATA
La protection de la vie privée à l'heure du BIG DATALa protection de la vie privée à l'heure du BIG DATA
La protection de la vie privée à l'heure du BIG DATA
 
Quel est l'avenir des stratégies de données?
Quel est l'avenir des stratégies de données?Quel est l'avenir des stratégies de données?
Quel est l'avenir des stratégies de données?
 
Le Big Data dans la Banque et l'Assurance
Le Big Data dans la Banque et l'AssuranceLe Big Data dans la Banque et l'Assurance
Le Big Data dans la Banque et l'Assurance
 
Livre blanc big data et data lake le duo gagnant extrait_itelligence
Livre blanc big data et data lake le duo gagnant extrait_itelligenceLivre blanc big data et data lake le duo gagnant extrait_itelligence
Livre blanc big data et data lake le duo gagnant extrait_itelligence
 
La Banque de demain : Chapitre 4
La Banque de demain : Chapitre 4 La Banque de demain : Chapitre 4
La Banque de demain : Chapitre 4
 
Livre Blanc ALTARES: La Data, nouveau disrupteur du business model des entrep...
Livre Blanc ALTARES: La Data, nouveau disrupteur du business model des entrep...Livre Blanc ALTARES: La Data, nouveau disrupteur du business model des entrep...
Livre Blanc ALTARES: La Data, nouveau disrupteur du business model des entrep...
 
Big Data: quelle valeur pour l'entreprise
Big Data: quelle valeur pour l'entrepriseBig Data: quelle valeur pour l'entreprise
Big Data: quelle valeur pour l'entreprise
 
Pourquoi l'analytique est un enjeu important
Pourquoi l'analytique est un enjeu importantPourquoi l'analytique est un enjeu important
Pourquoi l'analytique est un enjeu important
 
Bluemix Paris Meetup : Big data et Analytics - 15 avril 2015
Bluemix Paris Meetup :  Big data et Analytics - 15 avril 2015Bluemix Paris Meetup :  Big data et Analytics - 15 avril 2015
Bluemix Paris Meetup : Big data et Analytics - 15 avril 2015
 
IBM Data lake
IBM Data lakeIBM Data lake
IBM Data lake
 
Big data
Big dataBig data
Big data
 

Big data

  • 1. BIG DATA PRÉPARÉ PAR: Karima Ghali Génie Réseaux et Télécoms
  • 2. PLAN Définition Pourquoi le BD?...Statistiques Caractéristiques du Big Data Manipulation des Big Data D’où viennent les données? Applications Avantages Risques Perspectives
  • 3. Définition • Littéralement, les Big Data signifient mégadonnées, grosses données ou encore données massives. Ils désignent un ensemble très volumineux de données qu’aucun outil classique de gestion de base de données ou de gestion de l’information ne peut vraiment travailler.
  • 4.
  • 5. Pourquoi le BD?...Statistiques • ↗ des capacités de stockage. • ↗ de la puissance de traitement. • Disponibilité de divers types de données. • IBM affirme que 90% des données stockées aujourd'hui ont été générées au cours des deux dernières années. • Facebook génère 10 TB de données chaque jour. • Twitter génère 7 TB chaque jour
  • 6. Caractéristiques du Big Data Vélocité Variété Volume La quantité de données générées est très importante; c’est la taille de données qui détermine la valeur et le potentiel de ces données et si elles peuvent être considérées big data ou non. Ce terme réfère à la vitesse de génération de data ou à quel point cette vitesse satisfait au demandes et au défis du développement actuel. L’analyse des big data inclut différents types de données. Big data ne sont pas que des nombres. Ce sont aussi des données géospatiales, des données 3D, audio, vidéo et du texte non structuré ainsi que les fichiers de journalisation.
  • 7. Manipulation des Big Data Stockage:  Analyse de caractéristiques de data:  Sélectionner les sources de data.  Eliminer les données redondantes.  Vue d’ensemble des outils de stockage:  Modèles: Graphe, document, feuille ou classeur, valeur clé…etc.  Le système distribué Hadoop. Sélection:  On choisit le bon modèle de stock selon les caractéristiques de données. Puis on ajoute du code aux données. Ensuite, on implémente des solutions polyglottes de stock. En fin, on adapte les buts du business au stock de données approprié. Traitement:  Intégrer des stocks de données dispatchés.  Utiliser La méthode Hadoop MapReduce.
  • 8. D’où viennent les données? Les données parviennent de ++ sources:  Les utilisateurs: utilisation de pc quotidiennement pour activités diverses.  Les applications, trouvées sur tablettes et smartphones génèrent beaucoup de données.  Les systèmes, les entreprises comme Google, qui se base sur Google Chrome pour donner les data en relation avec les comportements des utilisateurs.  Les capteurs, dans les équipements électroniques comme les portables qui génèrent des données de localisation, de météo...etc.
  • 9. Applications (1/2) • Soins de santé plus intelligents: données utiles pour la prévention de maladie ou la découverte de remèdes; • Contrôle de trafic: gérer le trafic facilement et efficacement pour éviter les accidents; • Sécurité: par une prédiction plus exacte de crimes aidant à éviter les attaques terroristes; • Optimisation de business, illustré dans les activités de l’entreprise postale UPS United Parcel Service;
  • 10. Applications (2/2)  L’UPS faisait la capture et suivi d’une variété de mouvements de paquets et de transactions dès les années 1980. La société suit maintenant les données sur 16,3 millions de colis par jour pour 8,8 millions de clients, avec une moyenne de 39,5 millions de demandes de suivi des clients par jour.  La société stocke plus de 16 pétaoctets de données. Une grande partie de ses données récentes acquises, cependant, vient de capteurs télématiques dans plus de 46.000 véhicules. Les données sur les paquets de camion UPS (camions), par exemple, comprennent leur vitesse, la direction, le freinage et les performances du train d'entraînement.  Les données ne sont pas seulement utilisées pour surveiller les performances quotidiennes, mais pour conduire une reconception majeure des structures des itinéraires des pilotes UPS. Le projet a déjà permis d'économiser en 2011 plus de 8,4 millions de gallons de carburant en supprimant 85 millions de milles des itinéraires quotidiens.  L'entreprise tente également d'utiliser les données et les analyses pour optimiser l'efficacité de ses vols de 2000 avions par jour.
  • 11. Avantages (1/2) • Les big data en temps réel ne sont pas seulement un processus de stockage des téraoctets ou des hexa octets de données dans un stock de données. Il s'agit de la capacité de prendre de meilleures décisions et de prendre des mesures significatives au bon moment. • L’utilisation des technologies comme Hadoop assure la scalabilité et la souplesse pour stocker des données avant de savoir comment elles seront traitées. • Des technologies telles que MapReduce, Hive et Impala permettent d'exécuter des requêtes sans modifier les structures de données en dessous.
  • 12. Avantages (2/2) • Il offre des opportunités commerciales d'une échelle comparable à l'explosion des médias sociaux d'aujourd'hui. • Big Data occupe déjà une place importante dans le marché des bases de données et des analyses de données, d'une valeur de 64 milliards de dollars. • Une recherche récente révèle que les organisations utilisent le big data pour cibler les résultats axés sur le client, exploiter les données internes et construire un meilleur écosystème d'information.
  • 13. Risques • Risque de surcharge: besoin de résoudre ce problème par les bonnes personnes. • Confidentialité et respect de la vie privée: données personnelles sur les social media, caméras de surveillance, achat sur internet, carte de fidélité au supermarché, retrait d’argent du guichet..etc → identification inévitable • Risque d’être manipulé: Mr tout le monde ne lit pas les conditions générales d’utilisation! • Sécurité des données mise en question malgré les promesses de l’e/se de les bien conserver. • Données de santé pouvant être exploitées par les assurances de maladie..
  • 14. Perspectives • Potentiel du big data:  300 milliards de dollars de valeur annuelle potentielle pour les soins de santé aux États-Unis.  600 milliards de dollars de surplus annuel potentiel pour le consommateur provenant de l'utilisation de données de localisation personnelle.  60% du potentiel est dans les marges d'exploitation des détaillants et des revendeurs.  ON AVAIT BESOIN EN FIN 2015 DE PLUS DE 4.4 MILLION DE SCIENTIFIQUES SPECIALISTES EN DATA.