Démasquez les promesses surdimensionnées grâce au cycle de vie des technologies émergentes. Cette session vous expliquera comment gérer les risques et les attentes liés aux projets technologiques. Deux panelistes expérimentés du monde de la Business Intelligence et du Big Data viendront vous parler de technologies émergentes et des attentes surdimensionnées qu’elles créent dans l’organisation. Imaginez de retrouver vos projets sur la courbe du cycle de vie des attentes technologiques et de pouvoir les gérer en conséquence. Venez nous voir le 10 mars pour en apprendre d'avantage sur les nouvelles tendances technologiques et leurs impacts sur votre gestion de projet. Conférenciers: Jean-Michel Laroche M.MIAGE, PMP, Scrummaster est un chargé de programme et de projet indépendant. Il apporte son soutien et ses compétences de gestion aux décideurs et aux entreprises depuis plus de 18 ans, dans différents secteurs tels que la Finance, l’Energie, les Services et les loisirs et ce, dans plusieurs pays en Europe et en Amérique du Nord. Démontrant une expérience majeure en Programmes et Projets d’Intelligence d’affaires et décisionnels, il apporte également son expertise sur tous types de projets organisationnels et stratégiques ou encore technologiques, qu’il s’agisse de développement, d’intégration, d’infrastructure ou de transformation. Denis Archambault M.Sc., CPA, CMA. est Fondateur & chef de la visualisation chez Data Viz Pro Inc. Il a pris part au développement de 34 applications analytiques depuis 1991. Il a aidé des clients de premiers rangS tels que le Cirque du Soleil, l’American Automobile Association (AAA) et la Caisse de dépôt et de placement du Québec. Il est régulièrement conférencier lors d’événements publiques qui ont trait au Business Intelligence et au Business Analytics, de même qu’à l’Université lors d’invitations spéciales. Il détient une maîtrise en sciences (M.Sc.) et un baccalauréat en administration des affaires (B.A.A.) de l'École des Hautes Études Commerciales (HEC). Il est aussi membre de l'Ordre des comptables professionnels agréés (CPA, CMA) du Québec.

1. 1
Conférence
La vérité sur le Big Data, Hadoop,
l‘Internet des objets et les tendances
technologiques
Démasquez les promesses
surdimensionnées grâce au cycle de vie
des technologies émergentes

2. Au programme de cette conférence…
Le cycle de vie des technologies : Hype curve et
promesses d’Eden.
3 panélistes expérimentés pour 3 angles d’approche.
2

3. Déroulement de notre rencontre…
Introduction, présentation de vos hôtes
Hype curve et cycle de vie
Approches d’experts et débats
• Technologies
• Données
• Organisation
Conclusion et période de questions
3

4. Qui sommes nous ?
Titulaire d’un MBA de McGill et d’un BAC en génie logiciel, Charles
est architecte en intelligence d’affaires, présentement expert
Microsoft de la plateforme de données. Il couvre les grands comptes
commerciaux et du secteur public de l’est du Canada, d’Ottawa à
l’Atlantique. Charles a œuvré dans l’industrie du transport, du
commerce de détail et le bancaire. Passionné par l’analytique et les
visualisations de données interactives, il s’active à créer la culture
des données dans les entreprises.
4
Leader de la pratique de consultation Gestion de l’Information et
Technologies Analytiques au Québec et participant actif à la
transformation analytique du cabinet à l’échelle nationale, Guillaume
possède plus de 15 ans d’expérience en services professionnels en
intelligence d’affaires et analytique. Il a contribué activement au
développement de ces disciplines au sein de nombreuses organisations à
Montréal et ailleurs dans le monde. Cette vaste expérience, ajoutée à son
esprit innovateur et son implication au sein de la communauté
d’intelligence d’’affaires du Québec, font de lui un des leader local de cette
industrie florissante.
Guillaume Bédard
Charles Verdon

5. Qui sommes nous ?
Denis détient une maîtrise en sciences (M.Sc.) et un baccalauréat en administration des
affaires (B.A.A.) d’HEC. Il est aussi membre de l'Ordre des comptables professionnels
agréés (CPA, CMA) du Québec.
Denis est un expert reconnu et certifié Tableau en visualisation des données. Il est
fondateur et chef de pratique chez DATA VIZ PRO, compagnie spécialisée en analytique et
en visualisation de données. Denis aide les décideurs par la visualisation de données et la
mise en récit des données, il a participé à plus de 34 projets analytiques majeurs depuis
1991 auprès de groupes de premier rang tels que le Cirque du Soleil, l’American
Automobile Association (AAA) et la Caisse de dépôt et de placement du Québec.
5
Jean-Michel est consultant chargé de programmes et de projets indépendant et formateur
PMP. Il apporte son soutien et ses compétences de gestion aux décideurs et aux entreprises
depuis plus de 18 ans, dans différents secteurs tels que la Finance, l’Énergie, les Services et les
Loisirs et ce, dans plusieurs pays, en Europe et en Amérique du Nord. Démontrant une
expérience majeure en programmes et projets d’intelligence d’affaires et décisionnels, il
apporte également son expertise sur tous types de projets organisationnels, stratégiques ou
technologiques, qu’il s’agisse de transformation, d’évolution ou d’intégration. Il est titulaire
d’un Master en Méthodes informatiques appliquées à la gestion des entreprises de l’Université
de Lyon (France) et certifié PMP et Scrummaster. Très impliqué dans la communauté, Jean-
Michel apporte également son soutien en gestion de manière bénévole à diverses associations
ou évènements tels que le programme de mentorat du PMI, les comités de l’AQIII, l’initiative
JefaisMtl ou encore le concours KGP de l’UQAM.
Jean-Michel Laroche
Denis Archambault
Très impliqué dans la communauté BI et Analytics, Denis intervient régulièrement à titre de conférencier et de
spécialiste.

6. Hype curve et promesses d’Eden
Le cycle de vie technologique
6

7. Hype curve et cycle de vie
7
- Opportunité des émergences technologiques
- Vision du risque de maturité
www.gartner.com
« Lorsque les entreprises s’engagent
dans l’aventure de la transformation
digitale, identifier et employer les
bonnes technologies au bon moment
devient un enjeu critique»
Gartner, 2014
Le Hype cycle de Gartner : outil de veille pour les décideurs

8. Les 5 phases du cycle
8
Technology trigger → Émergence technologique
Peak of inflated expectations → Attentes surdimensionnées
Trough of desillusionment → Gouffre de désillusion
Slope of enlightenment → Chemin vers la lumière
Plateau of productivity → Phase productive

9. Les 5 phases du cycle
9
Émergence technologique
• maquettes et prototypes
• viabilité commerciale non prouvée
• peu d’entreprises se lancent
Attentes surdimensionnées
• Effet de buzz, le public s’enflamme
• Flou global sur le produit
• Exposition importante : ideal pour le lancement
Gouffre de désillusion
• Indisponibilité du produit
• Incapacité a tenir les promesses
• Les entreprises doutent
• Phase d’echec

10. Les 5 phases du cycle
10
Chemin vers la lumière
• Phase de croissance lente
• Ajustements et nouvelles generations
Phase productive
• Marché qui se concrétise
• Critères de viabilité apparents
• Rentabilité financière stable

11. Cycle vie des technologies : Big Data
11
2011
2012
2013
2014
2015 ???
c

12. Cycle vie des technologies : IoT
12
2011
2012
2013
2014
2015
c

13. Cycle de vie : Statuts et durée de vie
13

14. Big Data
14

15. Communication véhiculaire
15

16. RFID : Logistique et transport
16

17. Des cycles de vie variés…
17
Business Intelligence and Analytics
Big Data
Emerging Technologies
Cloud Computing
Digital Marketing
CRM, ERP, SCM
+ 50 autres thèmes, + 500 sujets

18. Ce qu’est le Hype cycle…
… un outil d’intelligence économique
18
Usages et tendances des consommateurs, professionnels…
Évolution et positionnement des technologies
Indicateur stratégique d’aide à la décision

19. Les bénéfices de l’intelligence économique
19
Identification des technologies
• Potentiellement profitables
• Potentiellement utilisables
Priorisation et pertinence des investissements technologiques
Réduction potentielle des coûts et processus décisionnels
Optimisation des stratégies de marketing

20. Ce que le Hype cycle n’est pas :
un outil de gestion de projet !
mais… sa logique peut s’avérer utile !
20

21. L’impact des nouvelles technologies
Avis d’experts
21

22. La Perspective Technologique
22
Charles Verdon
Technology Solutions Professional
Email: chverdon@microsoft.com
Twitter: @chverdon

23. Le monde des données a changé

24. Les “Big Data Analytics” enrichissent

25. Les 3 V’ traditionnels du Big Data…
Volume
Variété
Vélocité
Téraoctets Petaoctets
Structurées Non structurées
Batch Streaming
Véracité

26. VolumeTéraoctets Petaoctets

27. Le nuagique, pour quoi?
Performance Échelle Données
économiques
Toujours actif
et efficient
Ouvert et
flexible
Délai de
valorisation
Données tous volumes
Variété, Vélocité
Traitement et
stockage massifs
Déploiement
expertise

28. Répartition mondiale des centres de données
Operational Announced
Central US
Iowa
West US
California
North
Europe
Ireland
East US
Virginia
East US 2
Virginia
US Gov
Virginia
US Gov
Iowa
South Central US
Texas
Brazil South
Sao Paulo
China North *
Beijing
China South *
Shanghai
Japan East
Saitama
Japan
West
Osaka
India West
Mumbai
East Asia
HongKong
SE Asia
Singapore
Australia West
Melbourne
Australia East
Sydney
* Operated by Third Party
Canada Central
Toronto
Canada East
Québec
North Central US
Illinois
India South
Chennai
India Central
Pune
UK2
TBD
West
Europe
Netherlands
UK1
TBD
Germany1*
TBD
Germany2*
TBD

29. 29
Accès simplifié aux données grandes ou petites
Use your historical and
ongoing transactional
data to your
advantage
Data types:
 Social sentiment
 Audio
 Video
 Handwritten
TB Streaming
HDInsight, APS, HDP
Use your historical and
ongoing transactional
data to your
advantage
Data types:
 CEP
 Weblogs
 Sensor data
PB Unstructured
StreamInsight
Use your historical and
ongoing transactional
data to your
advantage
Data types:
 ERP
 CRM
GB Structured
Microsoft SQL Server
Unstructured
Streaming
Use your historical and
ongoing transactional
data to your
advantage
Data types:
 ERP
 CRM
GB Structured
Microsoft SQL Server
Unstructured
Structured
Streaming
Use your historical and
ongoing transactional
data to your
advantage
Data types:
 Social sentiment
 Audio
 Video
 Handwritten
TB Streaming
Use your historical and
ongoing transactional
data to your
advantage
Data types:
 ERP
 CRM
GB Structured
Microsoft SQL Server HDInsight, APS, HDP
Use your historical and
ongoing transactional
data to your
advantage
Data types:
 ERP
 CRM
Unstructured
Structured
Streaming
Use your historical and
ongoing transactional
data to your
advantage
Data types:
 CEP
 Weblogs
 Sensor data
GB Structured PB Unstructured
StreamInsightMicrosoft SQL Server
Use your historical and
ongoing transactional
data to your
advantage
Data types:
 Social sentiment
 Audio
 Video
 Handwritten
TB Streaming
HDInsight, APS, HDP
Conduire l’activité
d’affaires en temps
réel, des applications
vers la compréhension
Types de données:
 ERP/CRM
 Paye
 Gestion des ventes
 Inventaire
Surveiller, gérer et
investiguer les
données pour trouver
les faiblesses et les
opportunités
Types de données:
 Trading et finance
 Analytiques Web
 Analytiques
opérationnelles
Stocker, traiter tout
type de données et de
volumes
Types de données:
 Fichiers de logs
 Senseurs, RFID,
appareils
 GPS et données
spatiales
 Conditions climatiques
Structurées Streaming Non structurées
VariétéStructurées Non structurées

30. Observation
Pattern
Théorie
Hypothèses
Que va-t-il
arriver ?
Comment peut-on
y arriver ?
Analytique
prédictive
Prescriptive
Analytics
Qu’est-il
arrivé ?
Pourquoi
est-ce arrivé?
Analytique
descriptive
Analytiques de
diagnostique
Confirmation
Théorie
Hypothèses
Observation
2 approches de la gestion des données:
Top-Down + Bottom-Up

31. Data Lake + Data Warehouse agissent mieux ensemble
Data sources
Qu’est-il arrivé ?
Analytique
descriptive
Analytique de
diagnostique
Pourquoi est-ce arrivé ?
Que va-t-il se passer ?
Analytique
prédictive
Analytique
prescriptive
Comment y arriver?

32. Objets
30M
VélocitéBatch Catégorisation

33. Notre point de vue
L’Internet des objets commencent
avec Vos Objets.
• Construire sur l’infrastructure que vous possédez déjà.
• Ajouter des équipements à ceux que vous possédez.
• Obtenir plus de données existantes.

34. Big Data
Computer
Vision
Deep
Learning
Machine
Learning
Data
Mining
Veracity

35. Ricky White
Dispatcher de flotte - Contoso Logistics
Ricky est le dispatcher de la flotte routière chez Contoso
logistics.
Il est responsable de la sélection et de la maintenance en
parfaite condition des véhicules pour que l’entreprise puisse
atteindre ses objectifs de distribution efficacement et en
maîtrisant ses coûts.
Il utilise le logiciel de dispatch de la flotte pour suivre et contrôler
les différents aspects des véhicules et des activités des
conducteurs.

36. Données et analytiques
36
Denis Archambault

37. Intégration de données
37
Serveur
Systèmes
sources
Extract, Load, Transform (ELT) Destination
finale
Intégration et
optimisation
Extract Transform
Load
Intrégration Optimisation
Phase de données Phase analytique

38. Gouvernance des données
38
À Temps Complet Exact Approuvé

39. Modèles analytiques
39
Définition de
problèmes
Algorithmes
décisionnels
Mathématiques

40. Ressources humaines
40
Spécialiste en
base de données
Spécialiste en
analytiques d affaires
Spécialiste des
lignes d affaires
Spécialiste en
visualisation

41. Ressources technologiques
41
Extract,
Load,
Transform
Data Lake
Data Warehouse
Aide à la prise de
décision
Statistiques
Logiciel reporting
Logiciel de
visualisation

42. Les organisations et la gestion du changement
42
Guillaume Bédard

43. Le défi: changer la culture de la décision!
43
Donnée Action
Décision
Descriptif
Que s’est-il passé?
Diagnostic
Pourquoi est-ce arrivé?
Prédictif
Qu’est-ce qui arrivera?
Prescriptif
Que devrais-je faire?
Support à la décision
Automatisation de la décision
Analytique Humain
Source: Gartner (Août 2014)

44. Resistence is not futile…
Pourquoi donnée et technologie ne suffisent pas?
Surcharge de travail
Surcharge de nouvelles technologies à apprendre
Incompréhension de la valeur
Confiance plus élevée en l’instinct qu’en la donnée
Peur!
• De paraître non efficient/efficace
• De perdre leur emploi
• Que la machine surpasse l’humain
44

45. 45

46. 46

47. Facteur clé #1 – La vision
Mobiliser l’équipe autour d’une vision claire
Exercices simples, mais payants:
• Définition de l’analytique avec l’équipe complète
• Compréhension de ce que la donnée peut concrètement
changer
• Compréhension de la valeur pour l’organisation
47

48. Facteur clé #2 – La valeur
Clarifier, piloter et
mesurer la valeur
48

49. Facteur clé #3 – Briser les silos
Penser globalement, agir localement
49
PLAN STRATÉGIQUE ANALYTIQUEEXÉCUTION AGILE

50. Facteur clé #4 – La qualité des données
Gérer activement sa police
d’assurance: la qualité des
données
• Identifier clairement les
bénéfices à risque
• Renforcer les requis de
qualité de données
50

51. Conclusion et période de questions
51