Ce diaporama a bien été signalé.
Nous utilisons votre profil LinkedIn et vos données d’activité pour vous proposer des publicités personnalisées et pertinentes. Vous pouvez changer vos préférences de publicités à tout moment.
1
Conférence
La vérité sur le Big Data, Hadoop,
l‘Internet des objets et les tendances
technologiques
Démasquez les promes...
Au programme de cette conférence…
Le cycle de vie des technologies : Hype curve et
promesses d’Eden.
3 panélistes expérime...
Déroulement de notre rencontre…
Introduction, présentation de vos hôtes
Hype curve et cycle de vie
Approches d’experts et ...
Qui sommes nous ?
Titulaire d’un MBA de McGill et d’un BAC en génie logiciel, Charles
est architecte en intelligence d’aff...
Qui sommes nous ?
Denis détient une maîtrise en sciences (M.Sc.) et un baccalauréat en administration des
affaires (B.A.A....
Hype curve et promesses d’Eden
Le cycle de vie technologique
6
Hype curve et cycle de vie
7
- Opportunité des émergences technologiques
- Vision du risque de maturité
www.gartner.com
« ...
Les 5 phases du cycle
8
Technology trigger → Émergence technologique
Peak of inflated expectations → Attentes surdimension...
Les 5 phases du cycle
9
Émergence technologique
• maquettes et prototypes
• viabilité commerciale non prouvée
• peu d’entr...
Les 5 phases du cycle
10
Chemin vers la lumière
• Phase de croissance lente
• Ajustements et nouvelles generations
Phase p...
Cycle vie des technologies : Big Data
11
2011
2012
2013
2014
2015 ???
c
Cycle vie des technologies : IoT
12
2011
2012
2013
2014
2015
c
Cycle de vie : Statuts et durée de vie
13
Big Data
14
Communication véhiculaire
15
RFID : Logistique et transport
16
Des cycles de vie variés…
17
Business Intelligence and Analytics
Big Data
Emerging Technologies
Cloud Computing
Digital Ma...
Ce qu’est le Hype cycle…
… un outil d’intelligence économique
18
Usages et tendances des consommateurs, professionnels…
Év...
Les bénéfices de l’intelligence économique
19
Identification des technologies
• Potentiellement profitables
• Potentiellem...
Ce que le Hype cycle n’est pas :
un outil de gestion de projet !
mais… sa logique peut s’avérer utile !
20
L’impact des nouvelles technologies
Avis d’experts
21
La Perspective Technologique
22
Charles Verdon
Technology Solutions Professional
Email: chverdon@microsoft.com
Twitter: @c...
Le monde des données a changé
Les “Big Data Analytics” enrichissent
Les 3 V’ traditionnels du Big Data…
Volume
Variété
Vélocité
Téraoctets Petaoctets
Structurées Non structurées
Batch Stream...
VolumeTéraoctets Petaoctets
Le nuagique, pour quoi?
Performance Échelle Données
économiques
Toujours actif
et efficient
Ouvert et
flexible
Délai de
va...
Répartition mondiale des centres de données
Operational Announced
Central US
Iowa
West US
California
North
Europe
Ireland
...
29
Accès simplifié aux données grandes ou petites
Use your historical and
ongoing transactional
data to your
advantage
Dat...
Observation
Pattern
Théorie
Hypothèses
Que va-t-il
arriver ?
Comment peut-on
y arriver ?
Analytique
prédictive
Prescriptiv...
Data Lake + Data Warehouse agissent mieux ensemble
Data sources
Qu’est-il arrivé ?
Analytique
descriptive
Analytique de
di...
Objets
30M
VélocitéBatch Catégorisation
Notre point de vue
L’Internet des objets commencent
avec Vos Objets.
• Construire sur l’infrastructure que vous possédez d...
Big Data
Computer
Vision
Deep
Learning
Machine
Learning
Data
Mining
Veracity
Ricky White
Dispatcher de flotte - Contoso Logistics
Ricky est le dispatcher de la flotte routière chez Contoso
logistics....
Données et analytiques
36
Denis Archambault
Intégration de données
37
Serveur
Systèmes
sources
Extract, Load, Transform (ELT) Destination
finale
Intégration et
optimi...
Gouvernance des données
38
À Temps Complet Exact Approuvé
Modèles analytiques
39
Définition de
problèmes
Algorithmes
décisionnels
Mathématiques
Ressources humaines
40
Spécialiste en
base de données
Spécialiste en
analytiques d affaires
Spécialiste des
lignes d affai...
Ressources technologiques
41
Extract,
Load,
Transform
Data Lake
Data Warehouse
Aide à la prise de
décision
Statistiques
Lo...
Les organisations et la gestion du changement
42
Guillaume Bédard
Le défi: changer la culture de la décision!
43
Donnée Action
Décision
Descriptif
Que s’est-il passé?
Diagnostic
Pourquoi e...
Resistence is not futile…
Pourquoi donnée et technologie ne suffisent pas?
Surcharge de travail
Surcharge de nouvelles tec...
45
46
Facteur clé #1 – La vision
Mobiliser l’équipe autour d’une vision claire
Exercices simples, mais payants:
• Définition de ...
Facteur clé #2 – La valeur
Clarifier, piloter et
mesurer la valeur
48
Facteur clé #3 – Briser les silos
Penser globalement, agir localement
49
PLAN STRATÉGIQUE ANALYTIQUEEXÉCUTION AGILE
Facteur clé #4 – La qualité des données
Gérer activement sa police
d’assurance: la qualité des
données
• Identifier claire...
Conclusion et période de questions
51
Prochain SlideShare
Chargement dans…5
×

La vérité sur le Big Data, Hadoop, l'internet des objets et les tendances technologiques.

705 vues

Publié le

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.

Publié dans : Formation
  • Soyez le premier à commenter

La vérité sur le Big Data, Hadoop, l'internet des objets et les tendances technologiques.

  1. 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. 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. 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. 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. 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. 6. Hype curve et promesses d’Eden Le cycle de vie technologique 6
  7. 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. 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. 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. 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. 11. Cycle vie des technologies : Big Data 11 2011 2012 2013 2014 2015 ??? c
  12. 12. Cycle vie des technologies : IoT 12 2011 2012 2013 2014 2015 c
  13. 13. Cycle de vie : Statuts et durée de vie 13
  14. 14. Big Data 14
  15. 15. Communication véhiculaire 15
  16. 16. RFID : Logistique et transport 16
  17. 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. 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. 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. 20. Ce que le Hype cycle n’est pas : un outil de gestion de projet ! mais… sa logique peut s’avérer utile ! 20
  21. 21. L’impact des nouvelles technologies Avis d’experts 21
  22. 22. La Perspective Technologique 22 Charles Verdon Technology Solutions Professional Email: chverdon@microsoft.com Twitter: @chverdon
  23. 23. Le monde des données a changé
  24. 24. Les “Big Data Analytics” enrichissent
  25. 25. Les 3 V’ traditionnels du Big Data… Volume Variété Vélocité Téraoctets Petaoctets Structurées Non structurées Batch Streaming Véracité
  26. 26. VolumeTéraoctets Petaoctets
  27. 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. 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. 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. 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. 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. 32. Objets 30M VélocitéBatch Catégorisation
  33. 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. 34. Big Data Computer Vision Deep Learning Machine Learning Data Mining Veracity
  35. 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. 36. Données et analytiques 36 Denis Archambault
  37. 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. 38. Gouvernance des données 38 À Temps Complet Exact Approuvé
  39. 39. Modèles analytiques 39 Définition de problèmes Algorithmes décisionnels Mathématiques
  40. 40. Ressources humaines 40 Spécialiste en base de données Spécialiste en analytiques d affaires Spécialiste des lignes d affaires Spécialiste en visualisation
  41. 41. Ressources technologiques 41 Extract, Load, Transform Data Lake Data Warehouse Aide à la prise de décision Statistiques Logiciel reporting Logiciel de visualisation
  42. 42. Les organisations et la gestion du changement 42 Guillaume Bédard
  43. 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. 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. 45
  46. 46. 46
  47. 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. 48. Facteur clé #2 – La valeur Clarifier, piloter et mesurer la valeur 48
  49. 49. Facteur clé #3 – Briser les silos Penser globalement, agir localement 49 PLAN STRATÉGIQUE ANALYTIQUEEXÉCUTION AGILE
  50. 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. 51. Conclusion et période de questions 51

×