Le document explore le phénomène du big data, définissant des technologies et des processus pour gérer de vastes quantités de données hétérogènes, souvent non structurées, afin d'améliorer la prise de décision rapide. Il présente divers cas d'utilisation, comme le diagnostic médical et la détection de fraudes, ainsi que des exemples concrets de mise en œuvre dans des entreprises renommées. Il souligne l'importance d'outils adaptés, tels que Hadoop, pour traiter ces énormes volumes de données de manière efficace.

1. Big Data : faire face au déluge
de données non structurées
Didier KRAINC
Directeur Général
http://www.idc.fr/
www.idc.com
1e Février 2012
Copyright 2012 IDC. Reproduction is forbidden unless authorized. All rights reserved.

2. Le phénomène Big Data
Une terminologie « marketing » … qui identifie un phénomène et une
problématique bien réels.
Définition: phénomène qui fait référence à
des technologies, outils, processus et
procédures accessibles, permettant à
une organisation de créer, manipuler et
gérer de très larges quantités de
données, afin de faciliter la prise de
décision rapide.
Google Trends sur le terme « Big Data » - Octobre 2011
Les objectifs:
 Gérer des données hétérogènes, provenant de sources multiples, de
format souvent structuré et non structuré.
 Traiter de haut volume (en taille et/ou en fréquence) de données qui sont
dynamiques et changeantes
 Gérer les contenus imprévisibles, sans structure ou schéma apparent
 Permettre un accès, une analyse et une récupération en temps réel, ou
quasi temps réel
©2012 IDC 2

3. Big Data, Information Management et
3ème plateforme industrielle
Transformation des industries
Social Big data/
business analytics
Trillions Réseau Applis Services
mobile et appareils Cloud
d"objets connectés"
mobiles
Milliards Millions
d'Applications
d'Utilisateurs 2011
LAN/ Client -
Internet Serveur
Centaines de Millions PC Dizaine de milliers
d'utilisateurs d'applications
1986
Millions Milliers
d'utilisateurs d'Applications
©2012 IDC 3

4. Quelques chiffres du marché
+7 zettaoctets
Volume de données
Coût relatif du Go créées et répliquées
(échelle 1/7000)
1,2 zettaoctets
130 exaoctets
2005 2010 2015
1 zettaoctets = 1 trillion de Go =
1.000.000.000.000.000.000.000 octets
20 millions
1 milliard d’utilisateurs d’Internet de smart
mobile; 500,000 applications meters aux
pour téléphones mobiles US
50 millions
de
1.2 milliards de téléphones serveurs
mobiles; 220 million smart dont la
phones moitié
virtuels
©2012 IDC 4

5. Les cas d’utilisations
 Diagnostiques médicaux
 Développement pharmacologique
 Détection des fraudes
 Détection du terrorisme
 E-reputation et suivi du consommateur
 Veille et alerte produit rapide
 Réduction du taux de désabonnement
 Publicité et conseils personnalisés en temps réel
 Support aux services d’urgences (face à l’excès
d’information)
©2012 IDC 5

6. Business Cases
Un distributeur d’envergure mondial a mis en place des outils de statistiques et de scoring
pour gérer ses assortiments et ses promotions. Les données sont disponibles mondialement
à J+1 pour une base de 75 To hors tickets de caisses.
Un éditeur de jeux vidéo qui, grâce à l’analyse des données comportementales captées sur
les pages vues de son site, déduit les préférences de jeux de chacun des visiteurs. Il multiplie
par 500 le taux de transformation de sa newsletter commerciale en envoyant un email
personnalisé à chaque membre au regard des pages qu’il avait visitées.
Le New York Times a utilisé Hadoop pour générer les PDF de 11 millions d'articles publiés
entre 1851 et 1922, et l'emploie désormais pour l'analyse de texte et le web mining.
La chaîne de librairies Barnes & Noble l'utilise pour comprendre les comportements d'achats
de ses clients sur ses divers canaux de distribution.
Disney teste la technologie avec des objectifs similaires en s'appuyant sur des ressources
dans le cloud et sur des serveurs inutilisés en raison de ses efforts de virtualisation.
McAfee fait appel aux technologies Big Data pour détecter des corrélations parmi les spams.
Les Giants de San Francisco (équipe de baseball) a mis en place une tarification dynamique
permettant de modifier le prix des billets en fonction de la demande, et ce, jusqu’à la dernière
minute. L’idée étant d’adapter les tarifs à la demande pour éviter la mévente et mieux
exploiter les phénomènes d’enchères (qui profitent plutôt au marché noir). Une tarification
dynamique qui a permis une augmentation du chiffre d’affaires du club de 6 % en 2010.
©2012 IDC 6

7. A problématique différente, solution
différente
Analyse de très gros volume de Hadoop MapReduce
données, dont la nature et le format
changent
Grand volume des données de petite Stockage et mise en cache des
taille à conserver sur une longue blocs de données définis par les
période + de nombreux processus applications + réseau de capacités
actifs en load-balacing
Partage de données en réseau, avec Bases de données orientées objet
une garantie de récupération et de
cohérence des données
Réseau d’informations et de relations Base de données graphiques
complexes entre de grands volumes
d’entités distinctes
Grand volume de données stables et Base de données relationnelles +
définies, issues de processus solutions analytiques
métiers, de transaction ou reporting
©2012 IDC 7

8. Merci
Didier Krainc
Directeur Général 13, rue Paul Valéry
IDC France 75116 Paris
France
dkrainc@idc.com Fax : +33 1 56 26 26 70
Direct : +33 1 56 26 26 61
http://www.idc.fr/
©2012 IDC 8