SlideShare une entreprise Scribd logo
CRÉATION DE « L’ÉCONOMIE DE LA DATA »
Besoin de l’assureur
Vue 360 , préférence , profilage des assurés
ciblage des besoins des assurés , détection des
fraudes , contrôle des couts de remboursement
Connaissance
Clients / Réseaux
Un allégement des process et des coûts .
La prévention plutôt que la correction ..
Efficacité backoffice
Prédiction et
prévention
Offrir des services de prévention pour avoir plus
de fidélités et fiabilités des prédictions
Prédire les sinistres
Besoin des usagers de l’assurance
Avoir une assurance adaptée a leur besoin et
adaptée a leur profil
Reduction des
couts
Un allégement des processus de déclarations ,de
traitements , de remboursements
Efficacité backoffice
Prévention et
Sécurité
Avoir des services de prévention d’informations.
Participer a des programmes de fidélités pour
avoir des réductions
Anticiper des éventuel problèmes ( médecine
préventive )
Big Data = Toutes les Data!
Le Big Data ?
Les types de Data
Audio, video, images. Meaningless
without adding some structure
Non structuré
JSON, XML, sensor data, social media,
device data, web logs. Flexible data
model structure
Semi structuré
Structuré CSV, Columnar Storage (Parquet,
ORC). Strict data model structure
Big Data introduit la nouvelle culture de
l’expérimentation
Comprendre les modèles de la
clientèle de découvrir les
opportunités de ventes croisées
Efficacité de la campagne
historique
Générer des rapports
financiers de fin d’année
Suivi financier des recommandations
en temps réel pour augmenter les
revenus
Générer des rapports
financiers de fin d’année
Offres de produits en temps
réel et des promotions basées
sur le comportement
Recueillir des données
historiques sur le rendement
des appareils
Surveillance en temps réel afin
d’identifier la maintenance
proactive
Fonctionnalités sans succès de
compréhension d’expédition
Caractéristiques réussies
corrélant l’action de l’utilisateur
avec l’expérience des produits
de construction
Action
Valeur
Les données des décisions et actions
Cependant, il y a des défis aux BigData
Obtenir les compétences
et les capacités Déterminer comment
obtenir la valeur
Intégration avec des
investissements
informatiques existants
*Gartner: Survey Analysis – Hadoop Adoption Drivers and Challenges (Stamford, CT.: Gartner, 2015)
Trop d’informations , …. l’informations
Avant l’heure c’est pas l’heure , après l’heure c’est plus l’heure
Mais attention le big data n’est pas magique
Gartner predicts that 2017 will
see 60 percent of big data
projects fail.
https://www.networkworld.com/article/3170137/cloud-computing/why-big-data-projects-fail-and-
how-to-make-2017-different.html
Microsoft solutions
Action
People
Automated
Systems
Apps
Web
Mobile
Bots
Intelligence
Dashboards &
Visualizations
Cortana
Bot
Framework
Cognitive
Services
Power BI
Information
Management
Event Hubs
Data Catalog
Data Factory
Machine Learning
and Analytics
HDInsight
(Hadoop and
Spark)
Stream Analytics
Intelligence
Data Lake
Analytics
Machine
Learning
Big Data Stores
SQL Data
Warehouse
Data Lake Store
Data
Sources
Apps
Sensors
and
devices
Data
Comment faire du Big DATA
• Partir avec une expérimentation concrète ( SCOPE )
• Pre action
• Recenser les sources de données disponibles (vous en avez déjà .. )
• Enlever les barrières légales ( GDPR, PCI , données de sante … )
• Référencer les compétences interne ( technologie , métiers )
• Se mettre en mode Agile pour du développement Itératif
• Action
• Utiliser le cloud pour maitriser les couts ( investissement on prémisse sont lourds)
• Séparer la couche de données / traitement ( souvent les 2 sont liées )
• Définir une priorité de besoin fonctionnelle ( vue 360, détection de fraude , bots , utilisation de
services cognitive , processus backoffice )
• Projet par projet mon data Lake se construira…
Pour la réalisation
• Brainstorm
• Techniques des 3-3 ( j’aimerais améliorer , je ne changerais pas … )
• Regarder les solutions sur étagères ( cortana gallery , …)
• https://gallery.cortanaintelligence.com/browse
• Déterminer l’ordonnancement des projets a faire
• ROI rapide
• Intégrable facilement
• apport global
Exemple d’Implementation
Event Hubs
Machine Learning
Web Service
SPEED Layer
Power BI
real time
Data streams
JSON to Rowset
Score Enrich
Blob Storage
(reference data)
BATCH Layer
SERVING Layer
SQL DB
Power BI
w/ Direct
Query
BLOB
Storage
RAWDATA
Data Lake
Analytics
SQL Data
Warehouse
Data Loading
Analysis
Services
Self Service Data
Analysis
BI Solutions
Data Warehouse & BI
Machine
Learning
Data Science
Data Factory
Real time
analytics
Historical analytics
Real time monitor
Data Lake

Contenu connexe

Tendances

De l'accompagnement santé au Parcours de santé intelligent - CARTE BLANCHE PA...
De l'accompagnement santé au Parcours de santé intelligent - CARTE BLANCHE PA...De l'accompagnement santé au Parcours de santé intelligent - CARTE BLANCHE PA...
De l'accompagnement santé au Parcours de santé intelligent - CARTE BLANCHE PA...
Jean-François Tripodi
 
La gouvernance des données
La gouvernance des donnéesLa gouvernance des données
La gouvernance des données
Microsoft Décideurs IT
 
7 points clés à retenir pour aborder le data management de données clients...
7 points clés à retenir pour aborder le data management de données clients...7 points clés à retenir pour aborder le data management de données clients...
7 points clés à retenir pour aborder le data management de données clients...
dibs-conseil
 
Gouvernance des données avec SQL Server et ETL en Self-Service avec Data Expl...
Gouvernance des données avec SQL Server et ETL en Self-Service avec Data Expl...Gouvernance des données avec SQL Server et ETL en Self-Service avec Data Expl...
Gouvernance des données avec SQL Server et ETL en Self-Service avec Data Expl...
Microsoft Décideurs IT
 
De la business intelligence au Big Data
De la business intelligence au Big DataDe la business intelligence au Big Data
De la business intelligence au Big Data
Technofutur TIC
 
Parcours de formations DATA ACADEMY
Parcours de formations DATA ACADEMYParcours de formations DATA ACADEMY
Parcours de formations DATA ACADEMY
Technofutur TIC
 
Samedi SQL Québec - Intro par Louis Roy
Samedi SQL Québec - Intro par Louis RoySamedi SQL Québec - Intro par Louis Roy
Samedi SQL Québec - Intro par Louis Roy
MSDEVMTL
 
Atelier Semarchy : comment faire adhérer l'entreprise au projet mdm
Atelier Semarchy :  comment faire adhérer l'entreprise au projet mdmAtelier Semarchy :  comment faire adhérer l'entreprise au projet mdm
Atelier Semarchy : comment faire adhérer l'entreprise au projet mdm
Micropole Group
 
Dep 2015 projets big data & dq 20151126 v1.3
Dep 2015 projets big data & dq 20151126 v1.3Dep 2015 projets big data & dq 20151126 v1.3
Dep 2015 projets big data & dq 20151126 v1.3
Hervé Husson
 
Master Data Management : quels outils ? quelles bonnes pratiques ?
Master Data Management : quels outils ? quelles bonnes pratiques ?Master Data Management : quels outils ? quelles bonnes pratiques ?
Master Data Management : quels outils ? quelles bonnes pratiques ?
Jean-Michel Franco
 
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
AMNIS Consulting
 
Préparation de Données Hadoop avec Trifacta
Préparation de Données Hadoop avec TrifactaPréparation de Données Hadoop avec Trifacta
Préparation de Données Hadoop avec Trifacta
Victor Coustenoble
 
Microsoft - La Transformation Big Data
Microsoft - La Transformation Big DataMicrosoft - La Transformation Big Data
Microsoft - La Transformation Big Data
Valtech
 
Réinventez votre stratégie de données en 2021 avec la Data Virtualization
Réinventez votre stratégie de données en 2021 avec la Data VirtualizationRéinventez votre stratégie de données en 2021 avec la Data Virtualization
Réinventez votre stratégie de données en 2021 avec la Data Virtualization
Denodo
 
Data Management - PramaTALK
Data Management - PramaTALKData Management - PramaTALK
Data Management - PramaTALK
Pramana
 
L\'offre IBM Information Management en 1 slide
L\'offre IBM Information Management en 1 slideL\'offre IBM Information Management en 1 slide
L\'offre IBM Information Management en 1 slide
Nicolas Desachy
 
Communication au Congrès maghrébin Santé au Travail 2007
Communication au Congrès maghrébin Santé au Travail 2007Communication au Congrès maghrébin Santé au Travail 2007
Communication au Congrès maghrébin Santé au Travail 2007
Abdessamed Réda GHOMARI
 
Treerank richard drai
Treerank richard draiTreerank richard drai
Treerank richard draidata publica
 
BIG DATA
BIG DATABIG DATA
BIG DATA
laurence allard
 

Tendances (20)

De l'accompagnement santé au Parcours de santé intelligent - CARTE BLANCHE PA...
De l'accompagnement santé au Parcours de santé intelligent - CARTE BLANCHE PA...De l'accompagnement santé au Parcours de santé intelligent - CARTE BLANCHE PA...
De l'accompagnement santé au Parcours de santé intelligent - CARTE BLANCHE PA...
 
La gouvernance des données
La gouvernance des donnéesLa gouvernance des données
La gouvernance des données
 
7 points clés à retenir pour aborder le data management de données clients...
7 points clés à retenir pour aborder le data management de données clients...7 points clés à retenir pour aborder le data management de données clients...
7 points clés à retenir pour aborder le data management de données clients...
 
Gouvernance des données avec SQL Server et ETL en Self-Service avec Data Expl...
Gouvernance des données avec SQL Server et ETL en Self-Service avec Data Expl...Gouvernance des données avec SQL Server et ETL en Self-Service avec Data Expl...
Gouvernance des données avec SQL Server et ETL en Self-Service avec Data Expl...
 
De la business intelligence au Big Data
De la business intelligence au Big DataDe la business intelligence au Big Data
De la business intelligence au Big Data
 
Parcours de formations DATA ACADEMY
Parcours de formations DATA ACADEMYParcours de formations DATA ACADEMY
Parcours de formations DATA ACADEMY
 
Samedi SQL Québec - Intro par Louis Roy
Samedi SQL Québec - Intro par Louis RoySamedi SQL Québec - Intro par Louis Roy
Samedi SQL Québec - Intro par Louis Roy
 
Atelier Semarchy : comment faire adhérer l'entreprise au projet mdm
Atelier Semarchy :  comment faire adhérer l'entreprise au projet mdmAtelier Semarchy :  comment faire adhérer l'entreprise au projet mdm
Atelier Semarchy : comment faire adhérer l'entreprise au projet mdm
 
Dep 2015 projets big data & dq 20151126 v1.3
Dep 2015 projets big data & dq 20151126 v1.3Dep 2015 projets big data & dq 20151126 v1.3
Dep 2015 projets big data & dq 20151126 v1.3
 
Master Data Management : quels outils ? quelles bonnes pratiques ?
Master Data Management : quels outils ? quelles bonnes pratiques ?Master Data Management : quels outils ? quelles bonnes pratiques ?
Master Data Management : quels outils ? quelles bonnes pratiques ?
 
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
 
Préparation de Données Hadoop avec Trifacta
Préparation de Données Hadoop avec TrifactaPréparation de Données Hadoop avec Trifacta
Préparation de Données Hadoop avec Trifacta
 
Microsoft - La Transformation Big Data
Microsoft - La Transformation Big DataMicrosoft - La Transformation Big Data
Microsoft - La Transformation Big Data
 
Réinventez votre stratégie de données en 2021 avec la Data Virtualization
Réinventez votre stratégie de données en 2021 avec la Data VirtualizationRéinventez votre stratégie de données en 2021 avec la Data Virtualization
Réinventez votre stratégie de données en 2021 avec la Data Virtualization
 
Data Management - PramaTALK
Data Management - PramaTALKData Management - PramaTALK
Data Management - PramaTALK
 
L\'offre IBM Information Management en 1 slide
L\'offre IBM Information Management en 1 slideL\'offre IBM Information Management en 1 slide
L\'offre IBM Information Management en 1 slide
 
Communication au Congrès maghrébin Santé au Travail 2007
Communication au Congrès maghrébin Santé au Travail 2007Communication au Congrès maghrébin Santé au Travail 2007
Communication au Congrès maghrébin Santé au Travail 2007
 
Isthma
IsthmaIsthma
Isthma
 
Treerank richard drai
Treerank richard draiTreerank richard drai
Treerank richard drai
 
BIG DATA
BIG DATABIG DATA
BIG DATA
 

Similaire à Big data et assurance

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
 
Offre 3org Conseil sur la gouvernance et la gestion de l'information d'entrep...
Offre 3org Conseil sur la gouvernance et la gestion de l'information d'entrep...Offre 3org Conseil sur la gouvernance et la gestion de l'information d'entrep...
Offre 3org Conseil sur la gouvernance et la gestion de l'information d'entrep...
Perrein Jean-Pascal
 
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
Jean-Michel Franco
 
Digital Transformation Powered by NRB
Digital Transformation Powered by NRBDigital Transformation Powered by NRB
Digital Transformation Powered by NRB
William Poos
 
Big Data, Charles Huot, Aproged,février 2013
Big Data, Charles Huot, Aproged,février 2013Big Data, Charles Huot, Aproged,février 2013
Big Data, Charles Huot, Aproged,février 2013ADBS
 
#NSD14 - La sécurité autour du Big Data
#NSD14 - La sécurité autour du Big Data#NSD14 - La sécurité autour du Big Data
#NSD14 - La sécurité autour du Big Data
NetSecure Day
 
Big data en (ré)assurance régis delayet
Big data en (ré)assurance   régis delayetBig data en (ré)assurance   régis delayet
Big data en (ré)assurance régis delayet
Kezhan SHI
 
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
Genève Lab
 
Tendances en analytique 2015: Maîtres de l’exploration en profondeur
Tendances en analytique 2015: Maîtres de l’exploration en profondeurTendances en analytique 2015: Maîtres de l’exploration en profondeur
Tendances en analytique 2015: Maîtres de l’exploration en profondeur
Deloitte Canada
 
Introduction au BIG DATA
Introduction au BIG DATAIntroduction au BIG DATA
Introduction au BIG DATA
Zakariyaa AIT ELMOUDEN
 
Offre onepoint - Data science et big data
Offre onepoint  - Data science et big data Offre onepoint  - Data science et big data
Offre onepoint - Data science et big data
GroupeONEPOINT
 
Sensibilisation-data.pdf
Sensibilisation-data.pdfSensibilisation-data.pdf
Sensibilisation-data.pdf
Jerome264500
 
IBM Data lake
IBM Data lakeIBM Data lake
IBM Data lake
IBMInfoSphereUGFR
 
Data Exchange Platform Blue DME - Trouver de la donnée pertinente
Data Exchange Platform Blue DME - Trouver de la donnée pertinenteData Exchange Platform Blue DME - Trouver de la donnée pertinente
Data Exchange Platform Blue DME - Trouver de la donnée pertinente
Mathieu DESPRIEE
 
La Logical Data Fabric au secours de la connaissance client
La Logical Data Fabric au secours de la connaissance clientLa Logical Data Fabric au secours de la connaissance client
La Logical Data Fabric au secours de la connaissance client
Denodo
 
La data n’a pas besoin d’être « big » pour générer de la valeur
La data n’a pas besoin d’être « big » pour générer de la valeurLa data n’a pas besoin d’être « big » pour générer de la valeur
La data n’a pas besoin d’être « big » pour générer de la valeur
Microsoft Ideas
 
Le cloud, source de visibilité
Le cloud, source de visibilité Le cloud, source de visibilité
Le cloud, source de visibilité
PRODWARE
 
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
ISACA Chapitre de Québec
 
Bi analytiques prédictives de sas
Bi analytiques prédictives de sasBi analytiques prédictives de sas
Bi analytiques prédictives de sas
Anne-Sophie de Nanteuil
 
BigData & Cloud @ Excelerate Systems France
BigData & Cloud @ Excelerate Systems FranceBigData & Cloud @ Excelerate Systems France
BigData & Cloud @ Excelerate Systems France
Excelerate Systems
 

Similaire à Big data et assurance (20)

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
 
Offre 3org Conseil sur la gouvernance et la gestion de l'information d'entrep...
Offre 3org Conseil sur la gouvernance et la gestion de l'information d'entrep...Offre 3org Conseil sur la gouvernance et la gestion de l'information d'entrep...
Offre 3org Conseil sur la gouvernance et la gestion de l'information d'entrep...
 
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
 
Digital Transformation Powered by NRB
Digital Transformation Powered by NRBDigital Transformation Powered by NRB
Digital Transformation Powered by NRB
 
Big Data, Charles Huot, Aproged,février 2013
Big Data, Charles Huot, Aproged,février 2013Big Data, Charles Huot, Aproged,février 2013
Big Data, Charles Huot, Aproged,février 2013
 
#NSD14 - La sécurité autour du Big Data
#NSD14 - La sécurité autour du Big Data#NSD14 - La sécurité autour du Big Data
#NSD14 - La sécurité autour du Big Data
 
Big data en (ré)assurance régis delayet
Big data en (ré)assurance   régis delayetBig data en (ré)assurance   régis delayet
Big data en (ré)assurance régis delayet
 
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
 
Tendances en analytique 2015: Maîtres de l’exploration en profondeur
Tendances en analytique 2015: Maîtres de l’exploration en profondeurTendances en analytique 2015: Maîtres de l’exploration en profondeur
Tendances en analytique 2015: Maîtres de l’exploration en profondeur
 
Introduction au BIG DATA
Introduction au BIG DATAIntroduction au BIG DATA
Introduction au BIG DATA
 
Offre onepoint - Data science et big data
Offre onepoint  - Data science et big data Offre onepoint  - Data science et big data
Offre onepoint - Data science et big data
 
Sensibilisation-data.pdf
Sensibilisation-data.pdfSensibilisation-data.pdf
Sensibilisation-data.pdf
 
IBM Data lake
IBM Data lakeIBM Data lake
IBM Data lake
 
Data Exchange Platform Blue DME - Trouver de la donnée pertinente
Data Exchange Platform Blue DME - Trouver de la donnée pertinenteData Exchange Platform Blue DME - Trouver de la donnée pertinente
Data Exchange Platform Blue DME - Trouver de la donnée pertinente
 
La Logical Data Fabric au secours de la connaissance client
La Logical Data Fabric au secours de la connaissance clientLa Logical Data Fabric au secours de la connaissance client
La Logical Data Fabric au secours de la connaissance client
 
La data n’a pas besoin d’être « big » pour générer de la valeur
La data n’a pas besoin d’être « big » pour générer de la valeurLa data n’a pas besoin d’être « big » pour générer de la valeur
La data n’a pas besoin d’être « big » pour générer de la valeur
 
Le cloud, source de visibilité
Le cloud, source de visibilité Le cloud, source de visibilité
Le cloud, source de visibilité
 
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
 
Bi analytiques prédictives de sas
Bi analytiques prédictives de sasBi analytiques prédictives de sas
Bi analytiques prédictives de sas
 
BigData & Cloud @ Excelerate Systems France
BigData & Cloud @ Excelerate Systems FranceBigData & Cloud @ Excelerate Systems France
BigData & Cloud @ Excelerate Systems France
 

Big data et assurance

  • 1.
  • 2. CRÉATION DE « L’ÉCONOMIE DE LA DATA »
  • 3.
  • 4. Besoin de l’assureur Vue 360 , préférence , profilage des assurés ciblage des besoins des assurés , détection des fraudes , contrôle des couts de remboursement Connaissance Clients / Réseaux Un allégement des process et des coûts . La prévention plutôt que la correction .. Efficacité backoffice Prédiction et prévention Offrir des services de prévention pour avoir plus de fidélités et fiabilités des prédictions Prédire les sinistres
  • 5. Besoin des usagers de l’assurance Avoir une assurance adaptée a leur besoin et adaptée a leur profil Reduction des couts Un allégement des processus de déclarations ,de traitements , de remboursements Efficacité backoffice Prévention et Sécurité Avoir des services de prévention d’informations. Participer a des programmes de fidélités pour avoir des réductions Anticiper des éventuel problèmes ( médecine préventive )
  • 6.
  • 7. Big Data = Toutes les Data! Le Big Data ?
  • 8. Les types de Data Audio, video, images. Meaningless without adding some structure Non structuré JSON, XML, sensor data, social media, device data, web logs. Flexible data model structure Semi structuré Structuré CSV, Columnar Storage (Parquet, ORC). Strict data model structure
  • 9. Big Data introduit la nouvelle culture de l’expérimentation Comprendre les modèles de la clientèle de découvrir les opportunités de ventes croisées Efficacité de la campagne historique Générer des rapports financiers de fin d’année Suivi financier des recommandations en temps réel pour augmenter les revenus Générer des rapports financiers de fin d’année Offres de produits en temps réel et des promotions basées sur le comportement Recueillir des données historiques sur le rendement des appareils Surveillance en temps réel afin d’identifier la maintenance proactive Fonctionnalités sans succès de compréhension d’expédition Caractéristiques réussies corrélant l’action de l’utilisateur avec l’expérience des produits de construction
  • 10. Action Valeur Les données des décisions et actions
  • 11. Cependant, il y a des défis aux BigData Obtenir les compétences et les capacités Déterminer comment obtenir la valeur Intégration avec des investissements informatiques existants *Gartner: Survey Analysis – Hadoop Adoption Drivers and Challenges (Stamford, CT.: Gartner, 2015)
  • 12. Trop d’informations , …. l’informations Avant l’heure c’est pas l’heure , après l’heure c’est plus l’heure Mais attention le big data n’est pas magique Gartner predicts that 2017 will see 60 percent of big data projects fail. https://www.networkworld.com/article/3170137/cloud-computing/why-big-data-projects-fail-and- how-to-make-2017-different.html
  • 13.
  • 14.
  • 15. Microsoft solutions Action People Automated Systems Apps Web Mobile Bots Intelligence Dashboards & Visualizations Cortana Bot Framework Cognitive Services Power BI Information Management Event Hubs Data Catalog Data Factory Machine Learning and Analytics HDInsight (Hadoop and Spark) Stream Analytics Intelligence Data Lake Analytics Machine Learning Big Data Stores SQL Data Warehouse Data Lake Store Data Sources Apps Sensors and devices Data
  • 16. Comment faire du Big DATA • Partir avec une expérimentation concrète ( SCOPE ) • Pre action • Recenser les sources de données disponibles (vous en avez déjà .. ) • Enlever les barrières légales ( GDPR, PCI , données de sante … ) • Référencer les compétences interne ( technologie , métiers ) • Se mettre en mode Agile pour du développement Itératif • Action • Utiliser le cloud pour maitriser les couts ( investissement on prémisse sont lourds) • Séparer la couche de données / traitement ( souvent les 2 sont liées ) • Définir une priorité de besoin fonctionnelle ( vue 360, détection de fraude , bots , utilisation de services cognitive , processus backoffice ) • Projet par projet mon data Lake se construira…
  • 17. Pour la réalisation • Brainstorm • Techniques des 3-3 ( j’aimerais améliorer , je ne changerais pas … ) • Regarder les solutions sur étagères ( cortana gallery , …) • https://gallery.cortanaintelligence.com/browse • Déterminer l’ordonnancement des projets a faire • ROI rapide • Intégrable facilement • apport global
  • 18. Exemple d’Implementation Event Hubs Machine Learning Web Service SPEED Layer Power BI real time Data streams JSON to Rowset Score Enrich Blob Storage (reference data) BATCH Layer SERVING Layer SQL DB Power BI w/ Direct Query BLOB Storage RAWDATA Data Lake Analytics SQL Data Warehouse Data Loading Analysis Services Self Service Data Analysis BI Solutions Data Warehouse & BI Machine Learning Data Science Data Factory Real time analytics Historical analytics Real time monitor Data Lake

Notes de l'éditeur

  1. Hi, I’m ___, and I’m excited to discuss Microsoft’s Cortana Intelligence Suite, and the value it can deliver to your organization.
  2. Dta Dirven companies Future State/Benefit outcome What all of this new data available, we are creating an insight economy Uncovering new insights by collecting and analyzing this data carries the promise of competitive advantage and efficiency savings. Better understand customers by predicting what they might buy based on behavior, on demographics – could be optimizing supply chain to better or faster routes. Reducing risk of fraud by identifying suspicious behavior – its all about that data Those that don’t harness data are at major disadvantage understand the past, monitor the present, and predict the future MIT: data-driven decision environments have 5% higher productivity, 6% higher profit and up to 50% higher market value than other businesses.
  3. Relational databases (RDBMS) work with structured data. Non-relational databases (NoSQL) work with semi-structured data
  4. Relational databases (RDBMS) work with structured data. Non-relational databases (NoSQL) work with semi-structured data
  5. Key Points: Businesses can use new data streams to gain a competitive advantage. Microsoft is uniquely equipped to help you manage the growing volume and variety of data: structured, unstructured, and streaming. Talk Track: Does it not seem like every day there is a new kind of data that we need to understand? New data types continue to expand—we need to be prepared to collect that data so that the organization can then go do something with it. Structured data, the type of data we have been working with for years, continues to accelerate. Think how many transactions are occurring across your business. Unstructured data, the typical source of all our big data, takes many forms and originates from various places across the web including social. Streaming data is the data at the heart of the Internet of Things revolution. Just think about how many things in your organization are smart or instrumented and generating data every second. All of this means that data volumes are growing and bringing new capacity challenges. You are also dealing with an enormous opportunity, taking all of this data and putting it to work. In order to take advantage of all this data, you first need a platform that enables you to collect any data—no matter the size or type. The Microsoft data platform is uniquely complete and can help you collect any data using a flexible approach: Collecting data on-premises with SQL Server SQL Server can help you collect and manage structured, unstructured, and streaming data to power all your workloads: OLTP, BI, and Data Warehousing With new in-memory capabilities that are built into SQL Server 2014, you get the benefit of breakthrough speed with your existing hardware and without having to rewrite your apps. If you’ve been considering the cloud, SQL Server provides an on-ramp to help you get started. Using the wizards built into SQL Server Management Studio, extending to the cloud by combining SQL and Microsoft Azure is simple. Capture new data types using the power and flexibility of the Microsoft Azure Cloud Azure is well equipped to provide the flexibility you need to collect and manage any data in the cloud in a way that meets the needs of your business. Big data in Azure: HDInsight: an Apache Hadoop-based analytics solution that allows cluster deployment in minutes, scale up or down as needed, and insights through familiar BI tools. SQL Databases: managed relational SQL Database-as-a-service that offers business-ready capabilities built on SQL Server technology. Blobs: a cloud storage solution offering the simplest way to store large amounts of unstructured text or binary data, such as video, audio, and images. Tables: a NoSQL key/value storage solution that provides simple access to data at a lower cost for applications that do not need robust querying capabilities. Intelligent Systems Service: cloud service that helps enterprises embrace the Internet of Things by securely connecting, managing, and capturing machine-generated data from a variety of sensors and devices to drive improvements in operations and tap into new business opportunities. Machine Learning: if you’re looking to anticipate business challenges or opportunities, or perhaps expand your data practice into data science, Azure’s new Machine Learning service—cloud-based predictive analytics— can help. ML Studio is a fully-managed cloud service that enables data scientists and developers to efficiently embed predictive analytics into their applications, helping organizations use massive data sets and bring all the benefits of the cloud to machine learning. Document DB: a fully managed, highly scalable, NoSQL document database service Azure Stream Analytics: real-time event processing engine that helps uncover insights from devices, sensors, infrastructure, applications, and data Azure Data Factory: enables information production by orchestrating and managing diverse data Azure Event Hubs: a scalable service for collecting data from millions of “things” in seconds Microsoft Analytics Platform System: In the past, to provide users with reliable, trustworthy information, enterprises gathered relational and transactional data in a single data warehouse. But this traditional data warehouse is under pressure, hitting limits amidst massive change. Data volumes are projected to grow tenfold over the next five years. End users want real-time responses and insights. They want to use non-relational data, which now constitutes 85 percent of data growth. They want access to “cloud-born” data, data that was created from growing cloud IT investments. Your enterprise can only cope with these shifts with a modern data warehouse—the Microsoft Analytics Platform System is the answer. The Analytics Platform System brings Microsoft’s massively parallel processing (MPP) data warehouse technology—the SQL Server Parallel Data Warehouse (PDW), together with HDInsight, Microsoft’s 100 percent Apache Hadoop distribution—and delivers it as a turnkey appliance. Now you can collect relational and non-relational data in one appliance. You can have seamless integration of the relational data warehouse and Hadoop with PolyBase.   All of these options give you the flexibility to get the most out of your existing data capture investments while providing a path to a more efficient and optimized data environment that is ready to support new data types.
  6. Relational databases (RDBMS) work with structured data. Non-relational databases (NoSQL) work with semi-structured data
  7. Data is now the key strategic business asset. Every device, every customer, every activity – everything that’s happening in the world around us - is producing incredibly rich data that can help us create new experiences, new efficiencies, new business models and even new inventions. Leveraging this data can be the differentiator for your business. For example, IDC estimates companies that are leaders in using data assets to their advantage will capture $1.6 trillion more in business value than those that lag behind.   While data is pervasive, actionable intelligence from data is elusive. Our customers want to transform data to intelligent action and reinvent their business processes. To do this they need to more easily analyze massive amounts of data – so they can move from seeing “what happened” and understanding “why it happened” to predicting “what will happen” and ultimately, knowing “what should I do”. Only then can they create the intelligent enterprise.
  8. Pourquoi le Big Data? Complexe normal d etre perdu Un pas en arriere pour comprendre Pourquoi on est interessé? Cuurent stae/Negative Hadoop
  9. Cortana Intelligence delivers an end-to-end platform with an integrated and comprehensive set of tools and services to help you build intelligent applications that let you easily take advantage of Advanced Analytics and intelligence capabilities. First, Cortana Intelligence provides services to bring data in, so that you can analyze it.  It provides information management capabilities like Azure Data Factory so that you can pull data from any source (relational DB like SQL or non-relational ones like your Hadoop cluster) in an automated and scheduled way, while performing the necessary data transforms (like setting certain data columns as dates vs. currency etc).  Think ETL (Extract, Transform, Load) in the cloud. Event Hubs does the same for IoT type ingestion of data that streams in from lots of end points. The data brought in then can be persisted in flexible big data storage services like Data Lake Store and Azure SQL Data Warehouse. You can then use a wide range of analytics services from Machine Learning to Azure Data Lake Analytics to Azure HDInsight to Azure Stream Analytics to analyze the data stored in the big data storage.  This means you can create analytics services and models specific to your business need (say real time demand forecasting). The resultant analytics services and models created by taking these steps can then be surfaced as interactive dashboards and visualizations via Power BI. These same analytics services and models created can also be integrated into various different UI (web apps or mobile apps or rich client apps), or with Cortana, so end users can naturally interact with them via speech etc., and so that end users can get proactively be notified by Cortana if the analytics model finds a new anomaly (unusual growth in certain product purchases- in the case of real time demand forecasting example given above) or whatever deserves the attention of the business users. Similar integration can occur with Cognitive Services or Bot Framework based applications. At a high level though, Cortana Intelligence capabilities are in three main areas: data, analytics and intelligence. <Transition>: We’re going to dive into each one, starting with data.
  10. Highlights Event Hub + ASA (vs. KAFKA/SPARK Streaming): simple structure of the message Business logic required was immediate to implement Strong integration with ADL, AML, PBI Price With a more complex structure of the message Hadoop or other technologies might be better suited. In addition we are forcing a CEP tool into a Micro-batching scenario Serving Layer with SQL DB (vs. many things... i.e. NoSql technologies or even search) Classic BI workload In memory columnar Data volumes not an issue even for a scale-up layer (1 day of data + a few historical metrics) Integration w/ PBI (direct query) Didn’t fit into PBI + ASA because it lacks analytic power Data Lake on Azure Storage (vs. HDFS or ADL) No real game changer in ADL (i.e. ACL, file size / amount), but it would fit as well ADLA and Polybase support ADLA for pre-processing of data (model was much more convenient vs Hadoop Hive) It is a service by itself and integrates super well with many other services for processing HDFS would force the Hadoop ecosystem Datawarehouse = SQL DW + AAS SQL DW has a strong integration with Azure Storage for data loading AAS was a revelation for them – no Hadoop component provides the same user experience Data Science Learn anomalies vs. learn SLA (big difference in consumption) Placeholder, would require much more work with the internal user This is the heart of anamaly detection... Huge impact on the organization