Micropole Group, profile picture
Téléchargé parMicropole Group
PDF, PPTX713 vues

Matinée Micropole DE LA BI A LA DATA INTELLIGENCE 18-10-2016

Le document traite de la transformation de la business intelligence (BI) vers la data intelligence, mettant en avant l'importance de l'agilité, de la visualisation des données et de l'innovation pour répondre aux nouveaux enjeux des entreprises. Il souligne les obstacles rencontrés par les directeurs des systèmes d'information (DSI), tels que la gouvernance des données et l'adaptation aux besoins métiers, tout en proposant une approche centrée sur l'utilisateur et une organisation agile. Enfin, il aborde le rôle crucial des données dans la création de valeur et la prise de décisions éclairées.

Intégrer la présentation

Télécharger en tant que PDF, PPTX
LES MARDIS DECOUVERTE MICROPOLE Paris, le 18 octobre 2016 CHARLES PARAT, DIRECTEUR INNOVATION STÉPHANE HAWRO, DIRECTEUR BI “DE LA BI … À LA DATA INTELLIGENCE”
2 2 CONSEIL ET SOLUTIONS INNOVANTES DATA & DIGITAL 3 AGENCES EN CHINE9 AGENCES RÉGIONALES EN FRANCE 5 PAYS EN EUROPE 6 PAYS DANS LE MONDE BELGIQUE / CHINE / FRANCE / LUXEMBOURG / PAYS-BAS / SUISSE + 100 M€ DE CA D O N T 3 0 % A L ’ I N T E R N A T I O N A L 1100 C O N S U L T A N T S M E T I E R S E T I N G E N I E U R S
3 DATA INTELLIGENCE Agenda 1. Introduction 2. Panorama des usages 3. Evolution et nouveaux enjeux 4. Nouvelles architectures orientées Data Intelligence 5. Retour d’expérience 6. Q&R DE LA BI A LA DATA INTELLIGENCE
4 NOUS ENTRONS DANS UNE NOUVELLE ÈRE… NOUVEAUX ECOSYSTEMS Co-conception avec les clients / utilisateurs, start-ups, social networks, … VIE HYPER CONNECTÉE 4 à 6 heures par jour web + mobile INFORMATION CONSTANTE 60s = 4mio Google queries, 2.5mio nouveaux contenus Facebook, … LES MACHINES PARLENT Internet of (every)Things … 20 à 50 milliards d’objets connectés d’ici 2020 INNOVATION PERMANENTE Google glasses/car, iWatch, 3D printing, …
5 LE MARCHE DE L’IT Que dit l’Analyste 2016  TOP 10 des priorités des DSI 1 BI / Analytiques 2 Cloud 3 Mobile 4 Digitalisation / Marketing digital 5 Infrastructure & Data Center 6 ERP 7 Sécurité 8 Applications spécifiques / industrie 9 CRM 10 Réseaux et communications BI & Analytics (On premise) Security Applications Predictive Analytics SaaS / Cloud Apps Mobile Entreprise Apps BI & Analytics (Cloud based) Data Management / Storage Business Continuity / Disaster Recovery Hybrid Cloud Windows 10 Deployment 50% 31%9% 49% 36%3% 47% 30%3% 46% 34%5% 46% 30%4% 44% 28%2% 43% 47%6% 43% 50%3% 41% 37%3% 40% 30%3% Augmentation Diminution Stable
6 Compétences Budgets Culture de l’organisation Alignement IT et Business Challenges Technologiques (sécurité, legacy, …) Capacité à changer Compréhension, relationship et sponsorisation du management LE MARCHE DE L’IT  TOP des obstacles pour les DSI Que dit l’Analyste 2016 22% 15% 12% 11% 9% 8% 7% Pas de changement depuis 3 années : BigData, (Big)Analytics, Gouvernance (process, projet et données)
7 QUELLES PREOCCUPATIONS ? Quelles sont les motivations de changements, de transformation de nos clients ? Aligner ma BI sur mes enjeux Business Servir mes nouveaux Uses Cases par l’innovation et l’expérimentation Utiliser l’innovation pour sa performance et rationaliser Je souhaite une architecture BigData Ouvrir l’accès aux données Contraintes réglementaires
8  Favoriser le prédictif, la data visualisation & l’exploration vs le reporting statique  Démocratiser l’accès aux données/insights  La valeur issue des données doit permettre des actions et décisions rapides  Stratégie de livraison rapide & itérative  Moins d’inertie liée à la DSI  Moins de rigidité du SID/DWH LES FACTEURS CLÉS DE SUCCÈS… ET LES PRINCIPAUX ENJEUX QUI EN RÉSULTENT DATA VISUALISATION AGILITÉ & DATALAB GOUVERNANCE Data, organisation… BIG DATA & BIG ANALYTICS DATA SCIENCE
9 DE LA BI A LA DATA INTELLIGENCE ENTERPRISE DATA INTELLIGENCE ENTERPRISE B.I. SAVOIR FAIRE BIGDATA DATA SCIENCE DATAVIZINNOVATIONS CONTRAINTES AGILITE QoS SECURITE GOUVERNANCE VALEUR L’APPORT DE VALEUR AU CENTRE DE LA STRATEGIE
10 DATA INTELLIGENCE Agenda DE LA BI A LA DATA INTELLIGENCE 1. Introduction 2. Panorama des usages 3. Evolution et nouveaux enjeux 4. Nouvelles architectures orientées Data Intelligence 5. Retour d’expérience 6. Q&R
11 LA BUSINESS INTELLIGENCE Objectifs  La BI « permet à l’entreprise de PRENDRE DES DÉCISIONS basées sur la VALORISATION de son ÉCOSYSTÈME DE DONNÉES ».  Elle « est censée DÉLIVRER au mieux L’INFORMATION SIGNIFICATIVE afin de faciliter la PRISE DE DÉCISION ».  On peut aussi définir la Business Intelligence comme étant : • La diffusion (ou l’exploitation) de la bonne information • à la bonne personne, • pour la bonne finalité et avec le bon niveau d’accès, • au bon moment, • selon le contexte d’analyse approprié, • via le bon support (device) et avec la visualisation adaptée. DE LA BI A LA DATA INTELLIGENCE
12 LA DATA INTELLIGENCE Objectifs  VALORISATION de la DONNÉE comme un asset de l’entreprise  FACILITER la recherche , la génération et la mesure de VALEUR  EXPLOITER au mieux le patrimoine DATA, et aller explorer de nouveaux ESPACES
13 DATA INTELLIGENCE LES USAGES A ADRESSER Reporting Opé. Explora- tion Vision 360 Reporting Tableau de bord Analyses adhoc Mining Analyse prédictive DATA SCIENCE REPORTING OPÉRATIONNEL REPORTING ENTREPRISE RECHERCHE & EXPLORATION Restituer & Analyser Prévoir & Prédire FONCTIONS DU SID USAGES ASSOCIES PRATIQUES Prév. métiers Budget & PMT Planif. & simul. avancées PLANIFICATION & SIMULATION Comprendre & Modéliser UN MOT D‘ORDRE - L‘OUVERTURE
14 DATA INTELLIGENCE Agenda DATA VISUALISATION & Experience utilisateurs AGILITÉ & Datalab GOUVERNANCE Data, Organisation… BIG DATA & Big analytics MOBILITE 1. Introduction 2. Panorama des usages 3. Evolution et nouveaux enjeux 4. Nouvelles architectures orientées Data Intelligence 5. Retour d’expérience 6. Q&R
15 LES BIENFAITS DE LA DATAVIZ’ Comment optimiser l’utilisation des outils BI ? Quels gains en termes de compréhension des données et de justesse des décisions ? Notre conviction Repositionner l’utilisateur au centre de la réflexion
16LA DATAVISUALISATION AU SERVICE DE L’ENSEMBLE DES USAGES LA DATAVISUALISATION SUR LES USAGES FORTEMENT GOUVERNÉS PAR L’IT Reporting Opé. Reporting Tableau de bord Reporting Opérationnel Reporting Entreprise FONCTIONS DU SID USAGES ASSOCIES PRATIQUES Prév. métiers Budget & PMT Planification & Simulation Restituer & Analyser Prévoir & Prédire Comprendre & Modéliser
17LA DATAVISUALISATION AU SERVICE DE L’ENSEMBLE DES USAGES LA DATAVISUALISATION SUR LES USAGES « D’EXPLORATION » Explora- tion Vision 360 Analyses adhoc Mining Analyse prédictive Data Science Reporting Entreprise Recherche & Exploration FONCTIONS DU SID USAGES ASSOCIES PRATIQUES Planif. & simul. avancées Planification & Simulation Restituer & Analyser Prévoir & Prédire Comprendre & Modéliser
18 Intelligente  par la valeur qu’elle crée  par l’histoire qu’elle raconte Intelligible  compréhensible de toutes & tous LA DATAVISUALISATION, LA DONNEE INTELLIGENTE ET INTELLIGIBLE
19 Semaines SmartPhone Tablette Laptop Desktop s04 4,26 s04 3,10 s04 5,39 s08 6,89 s05 5,68 s05 4,74 s05 5,73 s08 5,25 s06 7,24 s06 6,13 s06 6,08 s08 7,91 s07 4,82 s07 7,26 s07 6,42 s08 5,76 s08 6,95 s08 8,14 s08 6,77 s08 8,84 s09 8,81 s09 8,77 s09 7,11 s08 6,58 s10 8,04 s10 9,14 s10 7,46 s08 8,47 s11 8,33 s11 9,26 s11 7,81 s08 5,56 s12 10,84 s12 9,13 s12 8,15 s08 7,71 s13 7,58 s13 8,74 s13 12,74 s08 7,04 s14 9,96 s14 8,10 s14 8,84 s19 12,50 82,51 82,51 82,50 82,51 7,50 7,50 7,50 7,50 2,03 2,03 2,03 2,03 82,51 82,51 82,50 82,51 Moyenne : Ecart-Type : Somme : Chiffre d'Affaire Somme : VISUAL INTELLIGENCE Vos données vous délivrent-elles la bonne information ? Semaines SmartPhone Tablette Laptop Desktop s04 4,26 s04 3,10 s04 5,39 s08 6,89 s05 5,68 s05 4,74 s05 5,73 s08 5,25 s06 7,24 s06 6,13 s06 6,08 s08 7,91 s07 4,82 s07 7,26 s07 6,42 s08 5,76 s08 6,95 s08 8,14 s08 6,77 s08 8,84 s09 8,81 s09 8,77 s09 7,11 s08 6,58 s10 8,04 s10 9,14 s10 7,46 s08 8,47 s11 8,33 s11 9,26 s11 7,81 s08 5,56 s12 10,84 s12 9,13 s12 8,15 s08 7,71 s13 7,58 s13 8,74 s13 12,74 s08 7,04 s14 9,96 s14 8,10 s14 8,84 s19 12,50 82,51 82,51 82,50 82,51 7,50 7,50 7,50 7,50 2,03 2,03 2,03 2,03 82,51 82,51 82,50 82,51 7,50 7,50 7,50 7,50 2,03 2,03 2,03 2,03 Moyenne : Ecart-Type : Somme : Moyenne : Ecart-Type : Chiffre d'Affaire Somme : Chiffre d’Affaires
20 Semaines SmartPhone Tablette Laptop Desktop s04 4,26 s04 3,10 s04 5,39 s08 6,89 s05 5,68 s05 4,74 s05 5,73 s08 5,25 s06 7,24 s06 6,13 s06 6,08 s08 7,91 s07 4,82 s07 7,26 s07 6,42 s08 5,76 s08 6,95 s08 8,14 s08 6,77 s08 8,84 s09 8,81 s09 8,77 s09 7,11 s08 6,58 s10 8,04 s10 9,14 s10 7,46 s08 8,47 s11 8,33 s11 9,26 s11 7,81 s08 5,56 s12 10,84 s12 9,13 s12 8,15 s08 7,71 s13 7,58 s13 8,74 s13 12,74 s08 7,04 s14 9,96 s14 8,10 s14 8,84 s19 12,50 82,51 82,51 82,50 82,51 7,50 7,50 7,50 7,50 2,03 2,03 2,03 2,03 82,51 82,51 82,50 82,51 Moyenne : Ecart-Type : Somme : Chiffre d'Affaire Somme : VISUAL INTELLIGENCE Vos données vous délivrent-elles la bonne information ? Semaines SmartPhone Tablette Laptop Desktop s04 4,26 s04 3,10 s04 5,39 s08 6,89 s05 5,68 s05 4,74 s05 5,73 s08 5,25 s06 7,24 s06 6,13 s06 6,08 s08 7,91 s07 4,82 s07 7,26 s07 6,42 s08 5,76 s08 6,95 s08 8,14 s08 6,77 s08 8,84 s09 8,81 s09 8,77 s09 7,11 s08 6,58 s10 8,04 s10 9,14 s10 7,46 s08 8,47 s11 8,33 s11 9,26 s11 7,81 s08 5,56 s12 10,84 s12 9,13 s12 8,15 s08 7,71 s13 7,58 s13 8,74 s13 12,74 s08 7,04 s14 9,96 s14 8,10 s14 8,84 s19 12,50 82,51 82,51 82,50 82,51 7,50 7,50 7,50 7,50 2,03 2,03 2,03 2,03 82,51 82,51 82,50 82,51 7,50 7,50 7,50 7,50 2,03 2,03 2,03 2,03 Moyenne : Ecart-Type : Somme : Moyenne : Ecart-Type : Chiffre d'Affaire Somme : ? Chiffre d’Affaires
21 A QUELLE QUESTION DOIT RÉPONDRE MA DATAVISUALISATION ? par un processus décisionnel
22
23DATAVIZ KILLER Attention au dérapage
24 DATA INTELLIGENCE Agenda DE LA BI A LA DATA INTELLIGENCE DATA VISUALISATION & Experience utilisateurs AGILITÉ & Datalab GOUVERNANCE Data, Organisation… BIG DATA & Big analytics MOBILITE 1. Introduction 2. Panorama des usages 3. Evolution et nouveaux enjeux 4. Nouvelles architectures orientées Data Intelligence 5. Retour d’expérience 6. Q&R
25UNE AGILITÉ DEVENUE NÉCESSAIRE & GAGE DE CRÉATION DE VALEUR… … rendue notamment possible par la mise en place d’environnements « datalab » TIME TO MARKET ADÉQUATION DE LA SOLUTION AUX BESOINS FAIRE FACE À LA COMPLEXITÉ RÉDUCTION DES INEFFICACITÉS IMPLICATION DE L’ENSEMBLE DES ACTEURS AMÉLIORER LA CONNAISSANCE FAVORISER L’EXPÉRIMENTATION DÉVELOPPER L’INNOVATION
26LE PROCESSUS DE QUALIFICATION DE VALEUR DE LA DATA LES LIMITES DU MODELE « UN BESOIN > UN PROJET » BIG- IDEE STRATEGIE / DIRECTION INDUSTRIALISATION EXAMEN / DECISION DSI SOCLES TECHNIQUES COMITES DES DONNEES DICTIONNAIRES DESIGN BUILD RUN METIERS INFORMATIQUE
27LE PROCESSUS DE QUALIFICATION DE VALEUR DE LA DATA UNE ORGANISATION AGILE ET CONCERTEE DE QUALIFICATION RE-UTILISABLE (OU AD HOC) BIG- IDEE STRATEGIE / DIRECTION EXPERIMENTATION INDUSTRIALISATION EXAMEN / DECISION EQUIPE DATALAB SANDBOX DSI SOCLES TECHNIQUES COMITES DES DONNEES DICTIONNAIRES DESIGN BUILD RUN METIERS INFORMATIQUE PLAN D’ACTION / MOYENS DECOUVERTE QUALIFICATION EVALUATION SUIVI RESULTATS
28LE PROCESSUS DE QUALIFICATION DE VALEUR DE LA DATA UNE DEMARCHE TEST & LEARN GOUVERNEE ET RESPONSABLE BIG- IDEE STRATEGIE / DIRECTION EXPERIMENTATION INDUSTRIALISATION EXAMEN / DECISION PLAN D’ACTION / MOYENS EQUIPE DATALAB SANDBOX DSI SOCLES TECHNIQUES COMITES DES DONNEES DICTIONNAIRES DECOUVERTE QUALIFICATION EVALUATION DESIGN BUILD RUN SUIVI RESULTATS METIERS INFORMATIQUE
29LE PRINCIPE SANDBOX EDW Datalab (sandbox) ANALYSE / DATAVIZ STATISTIQUES / MINING ACCES TECHNIQUES RICHES ET A JOUR PROFILING/QUALITY FLUX COMPLEXES STOCKAGE BESOINS I.T. BESOINS METIERS USAGE AGILE Données « départementales » DATALAKE S.I. COMPATIBLE !! Données Externes (BigData, OpenData, …)
30 DATA INTELLIGENCE Agenda DE LA BI A LA DATA INTELLIGENCE DATA VISUALISATION & Experience utilisateurs AGILITÉ & Datalab GOUVERNANCE Data, Organisation… BIG DATA & Big analytics 1. Introduction 2. Panorama des usages 3. Evolution et nouveaux enjeux 4. Nouvelles architectures orientées Data Intelligence 5. Retour d’expérience 6. Q&R DATA SCIENCE
31 De la Business Intelligence au Big Analytics… Les challenges majeurs L’émergence du Big (Data) Analytics  Collecter l’ensemble des données : non structurées, semi-structurées et structurées ; internes et externes  Maîtriser les nouvelles technologies et les compétences  Assurer la confidentialité & la sécurité de l’information  Assurer la qualité de la donnée & la gouverner  Maîtriser les process & apporter de l’agilité  Transformer rapidement les data en actions et résultats
32UN NOUVEAU PARADIGME : DÉMULTIPLICATION DE LA DONNÉE De nouveaux enjeux : extension et valorisation de la donnée ! Vision 360° Augmentation de l’interactivité Analyse descriptives et prédictives Amélioration des processus existants Nouvelles générations de produits et de services Open Data Interactions (mails, courriers, appels) Réseaux Sociaux Données internes Partenaires Délégataires (ex. SNCF) … Économies : ressources,énergie… Recommandations proactives Maintenance prédictive Amélioration continue des processus Optimisation du « time to repair » (Réduction des délais d’analyse des causes) Capteurs machines/robots Contexte & conditions Flux € Maintenance Transport Vision 360° Interactions “agiles” Analyses prédictive, prescriptive & descriptive Amélioration des processus (existants) Nouvelles générations de produits & services Transactions (incl. digital Interactions (incl. digital) Réseaux sociaux Points de rencontres clients Partenaires (ex. livraison) …
33 LES ENJEUX SERVIR LES USAGES APPORTER DE LA VALEUR COMPLEMENTAIRE LE BIG DATA N’EST PAS LA NOUVELLE BI, NI SON SOCLE OUVRIR LES DONNEES ET LES USAGES
36 LES RÔLES L’ARCHITECTE DE DONNEES LE BUSINESS ANALYST
37 DATA INTELLIGENCE Agenda 1. Introduction 2. Panorama des usages 3. Evolution et nouveaux enjeux 4. Nouvelles architectures orientées Data Intelligence 5. Retour d’expérience 6. Q&R DE LA BI A LA DATA INTELLIGENCE DATA VISUALISATION & Experience utilisateurs AGILITÉ & Datalab GOUVERNANCE Data, Organisation… BIG DATA & Big analytics DATA SCIENCE
38 DATA MINING & DATA SCIENCE UN LIEN TRÈS FORT ! CHRONOLOGIE : 1850 : STATISTIQUE Quelques centaines d’individus et quelques variables, recueillies selon un protocole strict pour une étude scientifique 1960 : ANALYSE DE DONNÉES Quelques dizaines de milliers d’individus et quelques dizaines de variables recueillies de façon rigoureuse pour une enquête précise 1990 : DATA MINING Plusieurs millions d’individus et plusieurs centaines de variables hétérogènes, recueillies dans le système d’information des entreprises pour de l’aide à la décision 2010 : DATA SCIENCE Les Big Datas avec plusieurs centaines de millions d’individus et plusieurs milliers de variables, de tous types, recueillies dans les entreprises, les systèmes, Internet, pour de l’aide à la décision, de nouveaux services  La data science n’est pas nouvelle.  Elle représente l’application (et l’adaptation) du data mining aux Big Datas…
39 DATA MINING & DATA SCIENCE ON RETROUVE LES DEUX MÊMES APPROCHES Ces 2 approches sont complémentaires  LES TECHNIQUES DESCRIPTIVES – EXPLORATOIRES • Visent à mettre en évidence des informations présentes mais cachées par le volume des données réduisent, résument, synthétisent les données et permettent une meilleure compréhension • Il n’y a pas de variable « cible »  LES TECHNIQUES PREDICTIVES – DECISIONNELLES • Visent à expliquer et/ou prédire un évènement ou un phénomène à partir des informations du passé • Expliquent les données • Il y a une variable « cible » à prédire, à expliquer
40 DATA MINING & DATA SCIENCE ET AUSSI LA MÊME DÉMARCHE Quel que soit l’objectif à atteindre ou la nature des informations à traiter, la démarche méthodologique ne change pas.  Démarche itérative en 6 étapes  Les trois premières phases sont les plus déterminantes  Que l’on parle de data mining ou de data science, il n’y a rien de magique là-dedans mais une démarche minutieuse, réfléchie et très itérative !  S’il suffisait de stocker un maximum de données et de les passer à la moulinette d’algorithmes pour trouver des pépites… EVALUATION ET SUIVI DE LA PERFORMANCE VALIDATION DES OBJECTIFS ET INDUSTRIALISATION EXPLORATION, MODÉLISATION, OPTIMISATION SÉLECTION, EXPLORATION ET PRÉPARATION DES DONNÉES CADRAGE DU PROJET DÉFINITION DES OBJECTIFS
41 DATA MINING & DATA SCIENCE QUELLES DIFFÉRENCES ALORS ??? Et bien pas mal finalement !  NOMBRE DE VARIABLES / CRITERES / FEATURES Plusieurs milliers en data science versus quelques centaines en data mining  OPEN SOURCE • Accès généralisé à des fonctionnalités et des algorithmes de dernière génération qui jusque-là n’étaient disponibles que dans des suites logicielles payantes et parfois onéreuses : Arbres boostés (GBM), Règles d’association séquentielles, Régressions logistiques Ridge, Lasso, ElasticNet, SVM, Réseaux de neurones… • In-Memory : si ça passe, c’est beaucoup plus rapide ! • Parallel processing : pour tirer un maximum de la machine et gagner du temps • Nouvelles données : de nombreux outils/API/packages pour extraire, stocker et transformer des données issues du Web, des médias sociaux, de l’open data, données météo, images ou vidéos, IoT
42 BEST PRACTICES POUR ALLER VERS LA DATA SCIENCE LES PROFILS ?
43 DATA INTELLIGENCE Agenda 1. Présentation de Micropole 2. Introduction 3. Panorama des usages 4. Nouveaux enjeux 5. Panorama des outils 6. Nouvelles architectures orientées Data Intelligence 7. Q&R DE LA BI A LA DATA INTELLIGENCE DATA VISUALISATION & Experience utilisateurs AGILITÉ & Datalab GOUVERNANCE Data, Organisation… BIG DATA & Big analytics DATA SCIENCE
44 USAGES METIERS DE LA BI A LA DATA INTELLIGENCE LE SUPPORT I.T. AUX METIERS LE BESOIN D’UN DIALOGUE DOCUMENTE ET PERMANENT POUR APPUYER L’EFFICACITE OPERATIONAL DATA >DEFINITIONS ET VALIDATIONS • RAPPORTS • ANALYSE AD HOC • TERMINOLOGIE • BUSINESS RULES • TECHNICAL RULES • CARTOGRAPHIES • PERFORMANCE • QUALITE • ERGONOMIE • CONFORMITE ET JURIDIQUE • ANALYSE D’IMPACT • PROJETS (Définition et Suivi) • NEW • MAINTENANCE • MIGRATION • EVOLUTION • DOCUMENTATION I.T. COMMUNAUTES D’USAGE ANALYTICAL DATA USAGES METIER
45 DE LA BI A LA DATA INTELLIGENCE DEMARCHE PAR OPPORTUNITE OU CRITICITE PREVUE POUR DURER AU-DELA DE L’URGENCE PROJET SPONSOR RESP. I.T. RESP. METIER CONTRIBUTEURS PERIMETRE SUJET GLOSSAIRES CARTO PROJECT MGT USE SUPERVISION BUSINESS SUBJECT OR DATA COUNCIL SPONSOR CORPORATE GOVERNANCE SUPERVISION SUPPORTS ET PROCESS A OUTILLER OBLIGATOIREMENT
46 DE LA BI A LA DATA INTELLIGENCE QUELS OUTILS POUR LA GOUVERNANCE ? ATTENTION AUX TRAVAUX D’HERCULE SANS OUTILS ADAPTES !! GLOSSAIRES CARTO PROJECT MGT USE SUPERVISION BUSINESS GLOSSARYRETRO DOCUMENTATION (BASES, FLUX, RAPPORTS, …) SPECIFICATIONS METIERS, PROTOTYPAGE (LAB) TICKETING, COLLABORATIF, CMS Analyse d’impact
47 DE LA BI A LA DATA INTELLIGENCE VOTRE VISION D’UNE GOUVERNANCE PAR SUJET PAR RAPPORT AUX PERIMETRES DE VOTRE RESSORT SPONSOR A RESP. I.T. X RESP. METIER M PERIMETRE SUJET A SPONSOR B RESP. I.T.Y RESP. METIER N PERIMETRE SUJET B SPONSOR C RESP. I.T.Z RESP. METIER O PERIMETRE SUJET C
48 DE LA BI A LA DATA INTELLIGENCE POUR CONTRIBUER A LA VISION D’UNE GOUVERNANCE GLOBALE … ET LE PILOTAGE DES INDICATEURS D’ENTREPRISE ? SPONSOR COMEX RESP. DSI RESP. FONCT. (*n) PERIMETRE CORPORATE SPONSOR A SPONSOR B SPONSOR C …
49 DE LA BI A LA DATA INTELLIGENCE ET SI VOUS NE PLACEZ PAS LA GOUVERNANCE AU CŒUR DE VOTRE B.I., COMMENT POURREZ-VOUS ETRE AGILES ET TIRER PARTI DU BIG DATA ?
50 DATA INTELLIGENCE Agenda DE LA BI A LA DATA INTELLIGENCE 1. Introduction 2. Panorama des usages 3. Evolution et nouveaux enjeux 4. Nouvelles architectures orientées Data Intelligence 5. Retour d’expérience 6. Q&R
51 Tableaux de bord dynamiques et évolutifs fournissant une aide au pilotage et à l’analyse de son activité BI d’Entreprise « Stratégique » Reporting pré-défini /paramétrables pour suivre l’alignement de l’entreprise sur la stratégie et les objectifs définis BI Départementale « Tactique » Sources de données « volumineuses » stables, maitrisées et industrialisées Sources de données peu volumineuses, métiers, locales, évolutives et externes ~18 mois80% IT 20% Métier LES DIFFÉRENTES FORMES DE LA BI Gouvernance projet forte Cycle en « V » Rigidité du Datawarehouse ~3/6 mois50% IT 50% Métier Gouvernance projet modérée Indicateur non diffusable en dehors dept. Finance, Marketing, Perf. management BI Exploratoire « Investigation » Analyse exploratoire pour découvrir de nouvelles générations de services,. Identifier et supporter de nouvelles opportunités business Sources de données volumineuses, peu ou pas structurées, collectées à la volet EDW BI Locale Data Lab Evolution perpétuelle100% Key User+IT en mode DataScience Gouvernance projet faible Méthode de développement rapide E-commerce, navigation web, Géomarket
52REPENSER LES ARCHITECTURES BI Pensez différemment EPM DATA SCIENCE ET DES PLATEFORMES AGILES (DATALAB’S) ANALYSE ET REPORTING MÉTIER REPORTING ENTREPRISE Sources SIO DATAMARTS BASE COLONNES BASE OLAP DATAWAREHOUSE ODS REF AGR BigData Plusieurs usages = Plusieurs architectures (logique) = Plusieurs solutions Schémas d’urbanisation adaptés = Accès directe à la donnée valorisée = Gain de temps REPORTING OPÉRATIONNELDATALAKE Repenser les usages = Meilleure valorisation/utilisation de la donnée = Rationalisation et gouvernance des restitutions
53REPENSER LES ARCHITECTURES BI En systématisant le Big Data – Si nous connaissons les apports, connaissons-nous les impacts ? Big Data en remplacement de la BI existante Big Data en complément de la BI existante Architectures hybrides Démarche d’évolution Architectures intégrées Démarche de refonte Recommandé par Micropole dans 80% des cas Faire évoluer en s’appuyant sur le patrimoine informationnel existant (sans tout casser) … Assurer une continuité de service Montée en compétence progressive Budget « raisonnable »
54NOTRE CONVICTION Architecture hybride En mouvement (Streaming)Structurées EDW Non-structurées “” Hadoop Couche d’exposition Restituer & Analyser Prévoir & Prédire Comprendre & Modéliser Data Science Reporting Opérationnel Reporting Entreprise Recherche & Exploration Planification & Simulation Reporting Opé. Explora- tion Vision 360 Reporting Tableau de bord Analyses adhoc Mining Analyse prédictive Prév. métiers Budget & PMT Planif. & simul. avancées Machine learn
55 Afin de correctement positionner les données au sein des différentes briques, il est important d'identifier les types de données, leur couleur, leur vitesse afin d'exploiter au mieux les cas d'usages. Données blanches : Données présentes au sein du système d'information décisionnel. Elles sont structurées et sont stockées dans les Data Warehouse Données grises : Ce sont les données externes à l'entreprise peuvent être structurées ou non, il peut s'agir de données issues de l'Open Data, elle représentent un volume plus important que les données blanches Les données sombres (Dark Data) : Elles représentent les données inexploitées au sein des entreprises, présentes en masse elle n'ont pu être exploitée à cause de leur volume, leur format, l'incapacité et le coût associé à leur captation. Le Big Data permet enfin de les exploiter et d'alimenter de nouveaux cas d'usages porteurs de valeur pour l'entreprise. Données froides Données chaudes Quel que soit le type de donnée, elle existe sous la forme d'une donnée active, vivante, avec une évolution rapide, on parle alors de donnée chaude, à l'opposé on trouve les données froides, les données historiques devant être accessibles en cas de besoin. Les données tièdes représentent les données récentes faisant l'objet d'accès quotidiens ou hebdomadaires. Données tièdes NOTRE CONVICTION Une meilleure gestion de la donnée
56 Etirer les données froides vers le Big Data ou le cloud avec une exécution intelligente des requêtes Fonctionnalité Etirer de grandes tables de données opérationnelles de la base de données vers le Big Data ou vers le Cloud, tout en conservant la capacité de requêter la donnée où qu'elle soit Bénéfices Intégration BI Données froides Achats In-memory OLTP table Données chaudes Historique d'achats table étirée Exécution de requêtes fédérées On-premises Cloud ou Big Data NOTRE CONVICTION SI ETENDU
57 Identifier la ligne de rupture Implémentations complexes Enterprise Data Warehouse Données en silos Hadoop Dashboards Analyse Ad hoc Machine learning OLAP Toutes les données In-memory Internet des objets Systèmes transactionnels ETL Reporting Opérationnel Valeur Streaming Innovation EDW Hadoop NOTRE CONVICTION
58 BI d’Entreprise « Stratégique » BI Départementale « Tactique » Sources de données « volumineuses » stables, maitrisées et industrialisées Sources de données peu volumineuses, métiers, locales, évolutives et externes UTILISER LE BIG DATA EN COMPLÉMENT DE LA BI EXISTANTE (1) BI Exploratoire « Investigation » Sources de données volumineuses, peu ou pas structurées, collectées à la volet EDW Hadoop Peu ou pas structurées Peu ou pas organisées Chaudes Brutes Structurées Peu organisées Tièdes Orientées Structurées Organisées Froides Transformées Couche d’exposition exploration Vision 360°Analyse Prédictif Data ScienceTableaux de bord Reporting Synchro
59 BI d’Entreprise « Stratégique » BI Départementale « Tactique » Sources de données « volumineuses » stables, maitrisées et industrialisées Sources de données peu volumineuses, métiers, locales, évolutives et externes UTILISER LE BIG DATA EN REMPLACEMENT DE LA BI EXISTANTE (2) BI Exploratoire « Investigation » Sources de données volumineuses, peu ou pas structurées, collectées à la volet Hadoop Peu ou pas structurées Peu ou pas organisées Chaudes Brutes Structurées Peu organisées Tièdes Orientées Structurées Organisées Froides Transformées Couche d’exposition exploration Vision 360°Analyse Prédictif Data ScienceTableaux de bord Reporting
60 LE POINT DE LA BI A LA DATA INTELLIGENCE ENTERPRISE DATA INTELLIGENCE ENTERPRISE B.I. SAVOIR FAIRE BIGDATA DATA SCIENCE DATAVIZINNOVATIONS CONTRAINTES AGILITE QoS SECURITE GOUVERNANCE VALEUR OÙ EN ÊTES-VOUS ? À QUEL RYTHME VOULEZ-VOUS MUTER ?
61 DATA INTELLIGENCE Agenda 1. Introduction 2. Panorama des usages 3. Evolution et nouveaux enjeux 4. Nouvelles architectures orientées Data Intelligence 5. Retour d’expérience 6. Q&R DE LA BI A LA DATA INTELLIGENCE Désolés, nous ne sommes pas autorisés à utiliser ce retour d’expérience en dehors de l’évènement dans nos locaux
LES MARDIS DECOUVERTE MICROPOLE QUESTIONS / REPONSES MERCI DE VOTRE ATTENTION

Contenu connexe

PDF
SEMARCHY - Transformer les défis en opportunites par le MDM - Data forum MI...
parMicropole Group
 
PDF
Présentation Evénement Datavisualisation
parMicropole Group
 
PDF
DATA FORUM MICROPOLE - 2015
parMicropole Group
 
PPTX
Data forum 2016 - Presentation Micropole - Les tendances Data 2017
parMicropole Group
 
PDF
DATA FORUM 2015 - Atelier ORACLE
parMicropole Group
 
PDF
DATA FORUM MICROPOLE 2015 - Atelier Semarchy
parMicropole Group
 
PDF
ORACLE - La vue 360 de vos clients dans le cloud - Data forum MICROPOLE 2016
parMicropole Group
 
PDF
Talend - Collaboration IT et metiers autour de la donnee en libre-service - ...
parMicropole Group
 
SEMARCHY - Transformer les défis en opportunites par le MDM - Data forum MI...
parMicropole Group
 
Présentation Evénement Datavisualisation
parMicropole Group
 
DATA FORUM MICROPOLE - 2015
parMicropole Group
 
Data forum 2016 - Presentation Micropole - Les tendances Data 2017
parMicropole Group
 
DATA FORUM 2015 - Atelier ORACLE
parMicropole Group
 
DATA FORUM MICROPOLE 2015 - Atelier Semarchy
parMicropole Group
 
ORACLE - La vue 360 de vos clients dans le cloud - Data forum MICROPOLE 2016
parMicropole Group
 
Talend - Collaboration IT et metiers autour de la donnee en libre-service - ...
parMicropole Group
 

Tendances

PDF
Data Visualisation, Business Intelligence et Big Data
parVincent Lagorce
 
PDF
Big Data : concepts, cas d'usage et tendances
parJean-Michel Franco
 
PDF
Livre Blanc : comprendre les data-lakes
parConverteo
 
PDF
DATA FORUM 2017 - Présentation Micropole - Les tendances Data 2018
parMicropole Group
 
PDF
Gouvernance des données - Pourquoi démarrer une gouvernance des données agile ?
parZeenea
 
PPTX
[Fr] Information builders - MDM et Big Data
parYann Gourvennec
 
PDF
Presentation Matinée Gouvernance des donnees
parMicropole Group
 
PDF
Micropole Data Forum 2017 - Atelier Informatica
parMicropole Group
 
PPTX
DÉBAT SUR LA GOUVERNANCE DE DONNÈES
parAngelaPieruccini
 
PDF
DATA FORUM MICROPOLE 2015 - Atelier Stibo Systems
parMicropole Group
 
PPTX
Big Data Des méandres des outils au potentiel business
parMouhsine LAKHDISSI
 
PDF
Matinée Découverte Big Data & Data Science - 24012017
parMicropole Group
 
PDF
DATA FORUM MICROPOLE 2015 - Information Builders
parMicropole Group
 
PDF
Matinale MDM 2013 Business & Decision
parJean-Michel Franco
 
PDF
Présentation Micropole 3eme Forum MDM - 19 novembre 2014
parMicropole Group
 
PDF
INFORMATION BUILDERS - Comment integrer les big data a votre SI - Data foru...
parMicropole Group
 
PDF
HUB REPORT - L'indispensable à savoir sur la Data & le CRM
parHUB INSTITUTE
 
PDF
Micropole Data Forum 2017 - Atelier Oracle
parMicropole Group
 
PDF
Informatica - le MDM nouvelle génération - Data forum MICROPOLE 2016
parMicropole Group
 
PDF
DATA FORUM MICROPOLE 2015 - Atelier Orchestra
parMicropole Group
 
Data Visualisation, Business Intelligence et Big Data
parVincent Lagorce
 
Big Data : concepts, cas d'usage et tendances
parJean-Michel Franco
 
Livre Blanc : comprendre les data-lakes
parConverteo
 
DATA FORUM 2017 - Présentation Micropole - Les tendances Data 2018
parMicropole Group
 
Gouvernance des données - Pourquoi démarrer une gouvernance des données agile ?
parZeenea
 
[Fr] Information builders - MDM et Big Data
parYann Gourvennec
 
Presentation Matinée Gouvernance des donnees
parMicropole Group
 
Micropole Data Forum 2017 - Atelier Informatica
parMicropole Group
 
DÉBAT SUR LA GOUVERNANCE DE DONNÈES
parAngelaPieruccini
 
DATA FORUM MICROPOLE 2015 - Atelier Stibo Systems
parMicropole Group
 
Big Data Des méandres des outils au potentiel business
parMouhsine LAKHDISSI
 
Matinée Découverte Big Data & Data Science - 24012017
parMicropole Group
 
DATA FORUM MICROPOLE 2015 - Information Builders
parMicropole Group
 
Matinale MDM 2013 Business & Decision
parJean-Michel Franco
 
Présentation Micropole 3eme Forum MDM - 19 novembre 2014
parMicropole Group
 
INFORMATION BUILDERS - Comment integrer les big data a votre SI - Data foru...
parMicropole Group
 
HUB REPORT - L'indispensable à savoir sur la Data & le CRM
parHUB INSTITUTE
 
Micropole Data Forum 2017 - Atelier Oracle
parMicropole Group
 
Informatica - le MDM nouvelle génération - Data forum MICROPOLE 2016
parMicropole Group
 
DATA FORUM MICROPOLE 2015 - Atelier Orchestra
parMicropole Group
 

En vedette

PDF
Big Data : au delà du proof of concept et de l'expérimentation (Matinale busi...
parJean-Michel Franco
 
PDF
Implementing business intelligence
parAlistair Sergeant
 
PPTX
Big Data and BI Best Practices
parYellowfin
 
PPTX
Deutsche Telekom on Big Data
parDataWorks Summit
 
PDF
8.project cost management
parChanwit Julrod
 
PPTX
Presentation BI Adoption - February 5, 2014
parMarc-Eric LaRocque
 
PPT
Business Activity Monitoring BAM
parThierry BIARD
 
PPTX
Big-Data Server Farm Architecture
parJordan Chung
 
PPTX
Planning phase of project
parDip Narayan Thakur
 
PDF
SAP’s vision and strategy on BI & BIG (and small) data
parWaldemar Adams
 
PDF
Offre mobile SRM par Business & Decision et Microstrategy
parJean-Michel Franco
 
PDF
Business & Decision - Big Data : Retours d'expériences concrets - Congrès Big...
parBusiness & Decision
 
PDF
How big data is transforming BI
parDeZyre
 
PPTX
Big Data, Trends,opportunities and some case studies( Mahmoud Khosravi)
parMahmood Khosravi
 
PDF
Ms big data_cloud_fr_12p_lores
parABC Systemes
 
PPTX
SoftServe BI/BigData Workshop in Utah
parSerhiy (Serge) Haziyev
 
PDF
6 STEPS TO CREATE A SUCCESSFUL BUSINESS INTELLIGENCE STRATEGY
parGeorge Beaton
 
PDF
Big Data & BI : Retour d'expérience
parRomain Casteres
 
PDF
Rick Bicc Foundation Services
pardfwcug
 
PPTX
Developing Hadoop strategy for your Enterprise
parAvkash Chauhan
 
Big Data : au delà du proof of concept et de l'expérimentation (Matinale busi...
parJean-Michel Franco
 
Implementing business intelligence
parAlistair Sergeant
 
Big Data and BI Best Practices
parYellowfin
 
Deutsche Telekom on Big Data
parDataWorks Summit
 
8.project cost management
parChanwit Julrod
 
Presentation BI Adoption - February 5, 2014
parMarc-Eric LaRocque
 
Business Activity Monitoring BAM
parThierry BIARD
 
Big-Data Server Farm Architecture
parJordan Chung
 
Planning phase of project
parDip Narayan Thakur
 
SAP’s vision and strategy on BI & BIG (and small) data
parWaldemar Adams
 
Offre mobile SRM par Business & Decision et Microstrategy
parJean-Michel Franco
 
Business & Decision - Big Data : Retours d'expériences concrets - Congrès Big...
parBusiness & Decision
 
How big data is transforming BI
parDeZyre
 
Big Data, Trends,opportunities and some case studies( Mahmoud Khosravi)
parMahmood Khosravi
 
Ms big data_cloud_fr_12p_lores
parABC Systemes
 
SoftServe BI/BigData Workshop in Utah
parSerhiy (Serge) Haziyev
 
6 STEPS TO CREATE A SUCCESSFUL BUSINESS INTELLIGENCE STRATEGY
parGeorge Beaton
 
Big Data & BI : Retour d'expérience
parRomain Casteres
 
Rick Bicc Foundation Services
pardfwcug
 
Developing Hadoop strategy for your Enterprise
parAvkash Chauhan
 

Similaire à Matinée Micropole DE LA BI A LA DATA INTELLIGENCE 18-10-2016

PDF
Guide du Big Data 2015 - 2016
parLinda Bor
 
PDF
Guide bigdata 2015_2016
parKaren Gordon
 
PDF
Business intelligence: Le cours ultime pour les informaticiens
parNadim ELSAKAAN
 
PDF
Des reportings efficients pour des analyses pertinentes
parSoft Computing
 
PPT
Competitic simplifiez le pilotage de votre entreprise avec la business inte...
parCOMPETITIC
 
PDF
Comment migrer votre capital décisionnel BO vers la BI de Microsoft ?
parMicrosoft Décideurs IT
 
PPT
La BI : Qu’est-ce que c’est ? A quoi ça sert ?
parJean-Marc Dupont
 
PPTX
Le reporting BI dans tous ses états / quel outil pour quel usage
parMicrosoft Technet France
 
PPTX
Bi vf-3
parAmeniBoubaker2
 
PPTX
Note sectorielle - Enjeux DSI - février 2018 - Sextant Expertise
parFrdricANGER
 
PPTX
Business intelligence 3 eme
parAmeniBoubaker2
 
PPTX
La Business Intelligence
parKhchaf Mouna
 
PDF
quelles sont les tendances de la business intelligence en 2021
parfrance
 
PPTX
Le reporting bi dans tous ses états quel outil pour quel usage
parMichael Nokhamzon
 
PPTX
BI en libre-service et maîtrise de l’IT, pourquoi choisir ?
parMicrosoft Technet France
 
PPTX
Decizia Décisionnel et Pilotage Courte
parDecizia
 
PPTX
Etat de l'art (et roadmap) de la BI mobile Microsoft
parMicrosoft Décideurs IT
 
PDF
TECHDAYS 2013 : Migration de votre capital décisionnel vers MS BI
parInetum
 
PPTX
Les nouvelles tendances qui transformerons votre organisation: Êtes-vous prêt?
paragileDSS
 
PDF
Big Data - Les données patrimoine entreprise
parGroupe D.FI
 
Guide du Big Data 2015 - 2016
parLinda Bor
 
Guide bigdata 2015_2016
parKaren Gordon
 
Business intelligence: Le cours ultime pour les informaticiens
parNadim ELSAKAAN
 
Des reportings efficients pour des analyses pertinentes
parSoft Computing
 
Competitic simplifiez le pilotage de votre entreprise avec la business inte...
parCOMPETITIC
 
Comment migrer votre capital décisionnel BO vers la BI de Microsoft ?
parMicrosoft Décideurs IT
 
La BI : Qu’est-ce que c’est ? A quoi ça sert ?
parJean-Marc Dupont
 
Le reporting BI dans tous ses états / quel outil pour quel usage
parMicrosoft Technet France
 
Bi vf-3
parAmeniBoubaker2
 
Note sectorielle - Enjeux DSI - février 2018 - Sextant Expertise
parFrdricANGER
 
Business intelligence 3 eme
parAmeniBoubaker2
 
La Business Intelligence
parKhchaf Mouna
 
quelles sont les tendances de la business intelligence en 2021
parfrance
 
Le reporting bi dans tous ses états quel outil pour quel usage
parMichael Nokhamzon
 
BI en libre-service et maîtrise de l’IT, pourquoi choisir ?
parMicrosoft Technet France
 
Decizia Décisionnel et Pilotage Courte
parDecizia
 
Etat de l'art (et roadmap) de la BI mobile Microsoft
parMicrosoft Décideurs IT
 
TECHDAYS 2013 : Migration de votre capital décisionnel vers MS BI
parInetum
 
Les nouvelles tendances qui transformerons votre organisation: Êtes-vous prêt?
paragileDSS
 
Big Data - Les données patrimoine entreprise
parGroupe D.FI
 

Plus de Micropole Group

PDF
Présentation Big Data DFCG
parMicropole Group
 
PDF
API Management
parMicropole Group
 
PDF
CONTENTSERV - PIM le noyau central d'un ecosysteme digital - Data forum MIC...
parMicropole Group
 
PDF
ORCHESTRA - Gouvernance des donnees et MDM - Data forum MICROPOLE 2016
parMicropole Group
 
PDF
Votre application métier en 3 mois !
parMicropole Group
 
PDF
Matinée Micropole GDPR
parMicropole Group
 
PDF
Wide Coffee La Connaissance Client en mode digital
parMicropole Group
 
PDF
Micropole Data Forum 2017 - Atelier Pitney Bowes
parMicropole Group
 
PDF
DATA FORUM MICROPOLE 2015 - Atelier Talend
parMicropole Group
 
PDF
ASG - Maitriser ses donnees dans le cadre reglementaire - Data forum MICROPO...
parMicropole Group
 
PDF
DATA FORUM MICROPOLE 2015 - Forrester - Data Gouvernance Valuation
parMicropole Group
 
PDF
HARLAY Avocats big ou smart, les nouveaux enjeux juridiques de la gouvernan...
parMicropole Group
 
Présentation Big Data DFCG
parMicropole Group
 
API Management
parMicropole Group
 
CONTENTSERV - PIM le noyau central d'un ecosysteme digital - Data forum MIC...
parMicropole Group
 
ORCHESTRA - Gouvernance des donnees et MDM - Data forum MICROPOLE 2016
parMicropole Group
 
Votre application métier en 3 mois !
parMicropole Group
 
Matinée Micropole GDPR
parMicropole Group
 
Wide Coffee La Connaissance Client en mode digital
parMicropole Group
 
Micropole Data Forum 2017 - Atelier Pitney Bowes
parMicropole Group
 
DATA FORUM MICROPOLE 2015 - Atelier Talend
parMicropole Group
 
ASG - Maitriser ses donnees dans le cadre reglementaire - Data forum MICROPO...
parMicropole Group
 
DATA FORUM MICROPOLE 2015 - Forrester - Data Gouvernance Valuation
parMicropole Group
 
HARLAY Avocats big ou smart, les nouveaux enjeux juridiques de la gouvernan...
parMicropole Group
 

Matinée Micropole DE LA BI A LA DATA INTELLIGENCE 18-10-2016

  • 1.
    LES MARDIS DECOUVERTEMICROPOLE Paris, le 18 octobre 2016 CHARLES PARAT, DIRECTEUR INNOVATION STÉPHANE HAWRO, DIRECTEUR BI “DE LA BI … À LA DATA INTELLIGENCE”
  • 2.
    2 2 CONSEIL ET SOLUTIONSINNOVANTES DATA & DIGITAL 3 AGENCES EN CHINE9 AGENCES RÉGIONALES EN FRANCE 5 PAYS EN EUROPE 6 PAYS DANS LE MONDE BELGIQUE / CHINE / FRANCE / LUXEMBOURG / PAYS-BAS / SUISSE + 100 M€ DE CA D O N T 3 0 % A L ’ I N T E R N A T I O N A L 1100 C O N S U L T A N T S M E T I E R S E T I N G E N I E U R S
  • 3.
    3 DATA INTELLIGENCE Agenda 1. Introduction 2. Panoramades usages 3. Evolution et nouveaux enjeux 4. Nouvelles architectures orientées Data Intelligence 5. Retour d’expérience 6. Q&R DE LA BI A LA DATA INTELLIGENCE
  • 4.
    4 NOUS ENTRONS DANSUNE NOUVELLE ÈRE… NOUVEAUX ECOSYSTEMS Co-conception avec les clients / utilisateurs, start-ups, social networks, … VIE HYPER CONNECTÉE 4 à 6 heures par jour web + mobile INFORMATION CONSTANTE 60s = 4mio Google queries, 2.5mio nouveaux contenus Facebook, … LES MACHINES PARLENT Internet of (every)Things … 20 à 50 milliards d’objets connectés d’ici 2020 INNOVATION PERMANENTE Google glasses/car, iWatch, 3D printing, …
  • 5.
    5 LE MARCHE DE L’IT Quedit l’Analyste 2016  TOP 10 des priorités des DSI 1 BI / Analytiques 2 Cloud 3 Mobile 4 Digitalisation / Marketing digital 5 Infrastructure & Data Center 6 ERP 7 Sécurité 8 Applications spécifiques / industrie 9 CRM 10 Réseaux et communications BI & Analytics (On premise) Security Applications Predictive Analytics SaaS / Cloud Apps Mobile Entreprise Apps BI & Analytics (Cloud based) Data Management / Storage Business Continuity / Disaster Recovery Hybrid Cloud Windows 10 Deployment 50% 31%9% 49% 36%3% 47% 30%3% 46% 34%5% 46% 30%4% 44% 28%2% 43% 47%6% 43% 50%3% 41% 37%3% 40% 30%3% Augmentation Diminution Stable
  • 6.
    6 Compétences Budgets Culture de l’organisation AlignementIT et Business Challenges Technologiques (sécurité, legacy, …) Capacité à changer Compréhension, relationship et sponsorisation du management LE MARCHE DE L’IT  TOP des obstacles pour les DSI Que dit l’Analyste 2016 22% 15% 12% 11% 9% 8% 7% Pas de changement depuis 3 années : BigData, (Big)Analytics, Gouvernance (process, projet et données)
  • 7.
    7 QUELLES PREOCCUPATIONS ? Quelles sontles motivations de changements, de transformation de nos clients ? Aligner ma BI sur mes enjeux Business Servir mes nouveaux Uses Cases par l’innovation et l’expérimentation Utiliser l’innovation pour sa performance et rationaliser Je souhaite une architecture BigData Ouvrir l’accès aux données Contraintes réglementaires
  • 8.
    8  Favoriser leprédictif, la data visualisation & l’exploration vs le reporting statique  Démocratiser l’accès aux données/insights  La valeur issue des données doit permettre des actions et décisions rapides  Stratégie de livraison rapide & itérative  Moins d’inertie liée à la DSI  Moins de rigidité du SID/DWH LES FACTEURS CLÉS DE SUCCÈS… ET LES PRINCIPAUX ENJEUX QUI EN RÉSULTENT DATA VISUALISATION AGILITÉ & DATALAB GOUVERNANCE Data, organisation… BIG DATA & BIG ANALYTICS DATA SCIENCE
  • 9.
    9 DE LA BIA LA DATA INTELLIGENCE ENTERPRISE DATA INTELLIGENCE ENTERPRISE B.I. SAVOIR FAIRE BIGDATA DATA SCIENCE DATAVIZINNOVATIONS CONTRAINTES AGILITE QoS SECURITE GOUVERNANCE VALEUR L’APPORT DE VALEUR AU CENTRE DE LA STRATEGIE
  • 10.
    10 DATA INTELLIGENCE Agenda DE LA BIA LA DATA INTELLIGENCE 1. Introduction 2. Panorama des usages 3. Evolution et nouveaux enjeux 4. Nouvelles architectures orientées Data Intelligence 5. Retour d’expérience 6. Q&R
  • 11.
    11 LA BUSINESS INTELLIGENCE Objectifs  LaBI « permet à l’entreprise de PRENDRE DES DÉCISIONS basées sur la VALORISATION de son ÉCOSYSTÈME DE DONNÉES ».  Elle « est censée DÉLIVRER au mieux L’INFORMATION SIGNIFICATIVE afin de faciliter la PRISE DE DÉCISION ».  On peut aussi définir la Business Intelligence comme étant : • La diffusion (ou l’exploitation) de la bonne information • à la bonne personne, • pour la bonne finalité et avec le bon niveau d’accès, • au bon moment, • selon le contexte d’analyse approprié, • via le bon support (device) et avec la visualisation adaptée. DE LA BI A LA DATA INTELLIGENCE
  • 12.
    12 LA DATA INTELLIGENCE Objectifs  VALORISATIONde la DONNÉE comme un asset de l’entreprise  FACILITER la recherche , la génération et la mesure de VALEUR  EXPLOITER au mieux le patrimoine DATA, et aller explorer de nouveaux ESPACES
  • 13.
    13 DATA INTELLIGENCE LES USAGESA ADRESSER Reporting Opé. Explora- tion Vision 360 Reporting Tableau de bord Analyses adhoc Mining Analyse prédictive DATA SCIENCE REPORTING OPÉRATIONNEL REPORTING ENTREPRISE RECHERCHE & EXPLORATION Restituer & Analyser Prévoir & Prédire FONCTIONS DU SID USAGES ASSOCIES PRATIQUES Prév. métiers Budget & PMT Planif. & simul. avancées PLANIFICATION & SIMULATION Comprendre & Modéliser UN MOT D‘ORDRE - L‘OUVERTURE
  • 14.
    14 DATA INTELLIGENCE Agenda DATA VISUALISATION & Experienceutilisateurs AGILITÉ & Datalab GOUVERNANCE Data, Organisation… BIG DATA & Big analytics MOBILITE 1. Introduction 2. Panorama des usages 3. Evolution et nouveaux enjeux 4. Nouvelles architectures orientées Data Intelligence 5. Retour d’expérience 6. Q&R
  • 15.
    15 LES BIENFAITS DE LADATAVIZ’ Comment optimiser l’utilisation des outils BI ? Quels gains en termes de compréhension des données et de justesse des décisions ? Notre conviction Repositionner l’utilisateur au centre de la réflexion
  • 16.
    16LA DATAVISUALISATION AUSERVICE DE L’ENSEMBLE DES USAGES LA DATAVISUALISATION SUR LES USAGES FORTEMENT GOUVERNÉS PAR L’IT Reporting Opé. Reporting Tableau de bord Reporting Opérationnel Reporting Entreprise FONCTIONS DU SID USAGES ASSOCIES PRATIQUES Prév. métiers Budget & PMT Planification & Simulation Restituer & Analyser Prévoir & Prédire Comprendre & Modéliser
  • 17.
    17LA DATAVISUALISATION AUSERVICE DE L’ENSEMBLE DES USAGES LA DATAVISUALISATION SUR LES USAGES « D’EXPLORATION » Explora- tion Vision 360 Analyses adhoc Mining Analyse prédictive Data Science Reporting Entreprise Recherche & Exploration FONCTIONS DU SID USAGES ASSOCIES PRATIQUES Planif. & simul. avancées Planification & Simulation Restituer & Analyser Prévoir & Prédire Comprendre & Modéliser
  • 18.
    18 Intelligente  par lavaleur qu’elle crée  par l’histoire qu’elle raconte Intelligible  compréhensible de toutes & tous LA DATAVISUALISATION, LA DONNEE INTELLIGENTE ET INTELLIGIBLE
  • 19.
    19 Semaines SmartPhone TabletteLaptop Desktop s04 4,26 s04 3,10 s04 5,39 s08 6,89 s05 5,68 s05 4,74 s05 5,73 s08 5,25 s06 7,24 s06 6,13 s06 6,08 s08 7,91 s07 4,82 s07 7,26 s07 6,42 s08 5,76 s08 6,95 s08 8,14 s08 6,77 s08 8,84 s09 8,81 s09 8,77 s09 7,11 s08 6,58 s10 8,04 s10 9,14 s10 7,46 s08 8,47 s11 8,33 s11 9,26 s11 7,81 s08 5,56 s12 10,84 s12 9,13 s12 8,15 s08 7,71 s13 7,58 s13 8,74 s13 12,74 s08 7,04 s14 9,96 s14 8,10 s14 8,84 s19 12,50 82,51 82,51 82,50 82,51 7,50 7,50 7,50 7,50 2,03 2,03 2,03 2,03 82,51 82,51 82,50 82,51 Moyenne : Ecart-Type : Somme : Chiffre d'Affaire Somme : VISUAL INTELLIGENCE Vos données vous délivrent-elles la bonne information ? Semaines SmartPhone Tablette Laptop Desktop s04 4,26 s04 3,10 s04 5,39 s08 6,89 s05 5,68 s05 4,74 s05 5,73 s08 5,25 s06 7,24 s06 6,13 s06 6,08 s08 7,91 s07 4,82 s07 7,26 s07 6,42 s08 5,76 s08 6,95 s08 8,14 s08 6,77 s08 8,84 s09 8,81 s09 8,77 s09 7,11 s08 6,58 s10 8,04 s10 9,14 s10 7,46 s08 8,47 s11 8,33 s11 9,26 s11 7,81 s08 5,56 s12 10,84 s12 9,13 s12 8,15 s08 7,71 s13 7,58 s13 8,74 s13 12,74 s08 7,04 s14 9,96 s14 8,10 s14 8,84 s19 12,50 82,51 82,51 82,50 82,51 7,50 7,50 7,50 7,50 2,03 2,03 2,03 2,03 82,51 82,51 82,50 82,51 7,50 7,50 7,50 7,50 2,03 2,03 2,03 2,03 Moyenne : Ecart-Type : Somme : Moyenne : Ecart-Type : Chiffre d'Affaire Somme : Chiffre d’Affaires
  • 20.
    20 Semaines SmartPhone TabletteLaptop Desktop s04 4,26 s04 3,10 s04 5,39 s08 6,89 s05 5,68 s05 4,74 s05 5,73 s08 5,25 s06 7,24 s06 6,13 s06 6,08 s08 7,91 s07 4,82 s07 7,26 s07 6,42 s08 5,76 s08 6,95 s08 8,14 s08 6,77 s08 8,84 s09 8,81 s09 8,77 s09 7,11 s08 6,58 s10 8,04 s10 9,14 s10 7,46 s08 8,47 s11 8,33 s11 9,26 s11 7,81 s08 5,56 s12 10,84 s12 9,13 s12 8,15 s08 7,71 s13 7,58 s13 8,74 s13 12,74 s08 7,04 s14 9,96 s14 8,10 s14 8,84 s19 12,50 82,51 82,51 82,50 82,51 7,50 7,50 7,50 7,50 2,03 2,03 2,03 2,03 82,51 82,51 82,50 82,51 Moyenne : Ecart-Type : Somme : Chiffre d'Affaire Somme : VISUAL INTELLIGENCE Vos données vous délivrent-elles la bonne information ? Semaines SmartPhone Tablette Laptop Desktop s04 4,26 s04 3,10 s04 5,39 s08 6,89 s05 5,68 s05 4,74 s05 5,73 s08 5,25 s06 7,24 s06 6,13 s06 6,08 s08 7,91 s07 4,82 s07 7,26 s07 6,42 s08 5,76 s08 6,95 s08 8,14 s08 6,77 s08 8,84 s09 8,81 s09 8,77 s09 7,11 s08 6,58 s10 8,04 s10 9,14 s10 7,46 s08 8,47 s11 8,33 s11 9,26 s11 7,81 s08 5,56 s12 10,84 s12 9,13 s12 8,15 s08 7,71 s13 7,58 s13 8,74 s13 12,74 s08 7,04 s14 9,96 s14 8,10 s14 8,84 s19 12,50 82,51 82,51 82,50 82,51 7,50 7,50 7,50 7,50 2,03 2,03 2,03 2,03 82,51 82,51 82,50 82,51 7,50 7,50 7,50 7,50 2,03 2,03 2,03 2,03 Moyenne : Ecart-Type : Somme : Moyenne : Ecart-Type : Chiffre d'Affaire Somme : ? Chiffre d’Affaires
  • 21.
    21 A QUELLE QUESTIONDOIT RÉPONDRE MA DATAVISUALISATION ? par un processus décisionnel
  • 22.
  • 23.
  • 24.
    24 DATA INTELLIGENCE Agenda DE LA BIA LA DATA INTELLIGENCE DATA VISUALISATION & Experience utilisateurs AGILITÉ & Datalab GOUVERNANCE Data, Organisation… BIG DATA & Big analytics MOBILITE 1. Introduction 2. Panorama des usages 3. Evolution et nouveaux enjeux 4. Nouvelles architectures orientées Data Intelligence 5. Retour d’expérience 6. Q&R
  • 25.
    25UNE AGILITÉ DEVENUENÉCESSAIRE & GAGE DE CRÉATION DE VALEUR… … rendue notamment possible par la mise en place d’environnements « datalab » TIME TO MARKET ADÉQUATION DE LA SOLUTION AUX BESOINS FAIRE FACE À LA COMPLEXITÉ RÉDUCTION DES INEFFICACITÉS IMPLICATION DE L’ENSEMBLE DES ACTEURS AMÉLIORER LA CONNAISSANCE FAVORISER L’EXPÉRIMENTATION DÉVELOPPER L’INNOVATION
  • 26.
    26LE PROCESSUS DEQUALIFICATION DE VALEUR DE LA DATA LES LIMITES DU MODELE « UN BESOIN > UN PROJET » BIG- IDEE STRATEGIE / DIRECTION INDUSTRIALISATION EXAMEN / DECISION DSI SOCLES TECHNIQUES COMITES DES DONNEES DICTIONNAIRES DESIGN BUILD RUN METIERS INFORMATIQUE
  • 27.
    27LE PROCESSUS DEQUALIFICATION DE VALEUR DE LA DATA UNE ORGANISATION AGILE ET CONCERTEE DE QUALIFICATION RE-UTILISABLE (OU AD HOC) BIG- IDEE STRATEGIE / DIRECTION EXPERIMENTATION INDUSTRIALISATION EXAMEN / DECISION EQUIPE DATALAB SANDBOX DSI SOCLES TECHNIQUES COMITES DES DONNEES DICTIONNAIRES DESIGN BUILD RUN METIERS INFORMATIQUE PLAN D’ACTION / MOYENS DECOUVERTE QUALIFICATION EVALUATION SUIVI RESULTATS
  • 28.
    28LE PROCESSUS DEQUALIFICATION DE VALEUR DE LA DATA UNE DEMARCHE TEST & LEARN GOUVERNEE ET RESPONSABLE BIG- IDEE STRATEGIE / DIRECTION EXPERIMENTATION INDUSTRIALISATION EXAMEN / DECISION PLAN D’ACTION / MOYENS EQUIPE DATALAB SANDBOX DSI SOCLES TECHNIQUES COMITES DES DONNEES DICTIONNAIRES DECOUVERTE QUALIFICATION EVALUATION DESIGN BUILD RUN SUIVI RESULTATS METIERS INFORMATIQUE
  • 29.
    29LE PRINCIPE SANDBOX EDW Datalab (sandbox) ANALYSE/ DATAVIZ STATISTIQUES / MINING ACCES TECHNIQUES RICHES ET A JOUR PROFILING/QUALITY FLUX COMPLEXES STOCKAGE BESOINS I.T. BESOINS METIERS USAGE AGILE Données « départementales » DATALAKE S.I. COMPATIBLE !! Données Externes (BigData, OpenData, …)
  • 30.
    30 DATA INTELLIGENCE Agenda DE LA BIA LA DATA INTELLIGENCE DATA VISUALISATION & Experience utilisateurs AGILITÉ & Datalab GOUVERNANCE Data, Organisation… BIG DATA & Big analytics 1. Introduction 2. Panorama des usages 3. Evolution et nouveaux enjeux 4. Nouvelles architectures orientées Data Intelligence 5. Retour d’expérience 6. Q&R DATA SCIENCE
  • 31.
    31 De la Business Intelligenceau Big Analytics… Les challenges majeurs L’émergence du Big (Data) Analytics  Collecter l’ensemble des données : non structurées, semi-structurées et structurées ; internes et externes  Maîtriser les nouvelles technologies et les compétences  Assurer la confidentialité & la sécurité de l’information  Assurer la qualité de la donnée & la gouverner  Maîtriser les process & apporter de l’agilité  Transformer rapidement les data en actions et résultats
  • 32.
    32UN NOUVEAU PARADIGME: DÉMULTIPLICATION DE LA DONNÉE De nouveaux enjeux : extension et valorisation de la donnée ! Vision 360° Augmentation de l’interactivité Analyse descriptives et prédictives Amélioration des processus existants Nouvelles générations de produits et de services Open Data Interactions (mails, courriers, appels) Réseaux Sociaux Données internes Partenaires Délégataires (ex. SNCF) … Économies : ressources,énergie… Recommandations proactives Maintenance prédictive Amélioration continue des processus Optimisation du « time to repair » (Réduction des délais d’analyse des causes) Capteurs machines/robots Contexte & conditions Flux € Maintenance Transport Vision 360° Interactions “agiles” Analyses prédictive, prescriptive & descriptive Amélioration des processus (existants) Nouvelles générations de produits & services Transactions (incl. digital Interactions (incl. digital) Réseaux sociaux Points de rencontres clients Partenaires (ex. livraison) …
  • 33.
    33 LES ENJEUX SERVIR LESUSAGES APPORTER DE LA VALEUR COMPLEMENTAIRE LE BIG DATA N’EST PAS LA NOUVELLE BI, NI SON SOCLE OUVRIR LES DONNEES ET LES USAGES
  • 34.
  • 35.
    37 DATA INTELLIGENCE Agenda 1. Introduction 2. Panoramades usages 3. Evolution et nouveaux enjeux 4. Nouvelles architectures orientées Data Intelligence 5. Retour d’expérience 6. Q&R DE LA BI A LA DATA INTELLIGENCE DATA VISUALISATION & Experience utilisateurs AGILITÉ & Datalab GOUVERNANCE Data, Organisation… BIG DATA & Big analytics DATA SCIENCE
  • 36.
    38 DATA MINING & DATASCIENCE UN LIEN TRÈS FORT ! CHRONOLOGIE : 1850 : STATISTIQUE Quelques centaines d’individus et quelques variables, recueillies selon un protocole strict pour une étude scientifique 1960 : ANALYSE DE DONNÉES Quelques dizaines de milliers d’individus et quelques dizaines de variables recueillies de façon rigoureuse pour une enquête précise 1990 : DATA MINING Plusieurs millions d’individus et plusieurs centaines de variables hétérogènes, recueillies dans le système d’information des entreprises pour de l’aide à la décision 2010 : DATA SCIENCE Les Big Datas avec plusieurs centaines de millions d’individus et plusieurs milliers de variables, de tous types, recueillies dans les entreprises, les systèmes, Internet, pour de l’aide à la décision, de nouveaux services  La data science n’est pas nouvelle.  Elle représente l’application (et l’adaptation) du data mining aux Big Datas…
  • 37.
    39 DATA MINING & DATASCIENCE ON RETROUVE LES DEUX MÊMES APPROCHES Ces 2 approches sont complémentaires  LES TECHNIQUES DESCRIPTIVES – EXPLORATOIRES • Visent à mettre en évidence des informations présentes mais cachées par le volume des données réduisent, résument, synthétisent les données et permettent une meilleure compréhension • Il n’y a pas de variable « cible »  LES TECHNIQUES PREDICTIVES – DECISIONNELLES • Visent à expliquer et/ou prédire un évènement ou un phénomène à partir des informations du passé • Expliquent les données • Il y a une variable « cible » à prédire, à expliquer
  • 38.
    40 DATA MINING & DATASCIENCE ET AUSSI LA MÊME DÉMARCHE Quel que soit l’objectif à atteindre ou la nature des informations à traiter, la démarche méthodologique ne change pas.  Démarche itérative en 6 étapes  Les trois premières phases sont les plus déterminantes  Que l’on parle de data mining ou de data science, il n’y a rien de magique là-dedans mais une démarche minutieuse, réfléchie et très itérative !  S’il suffisait de stocker un maximum de données et de les passer à la moulinette d’algorithmes pour trouver des pépites… EVALUATION ET SUIVI DE LA PERFORMANCE VALIDATION DES OBJECTIFS ET INDUSTRIALISATION EXPLORATION, MODÉLISATION, OPTIMISATION SÉLECTION, EXPLORATION ET PRÉPARATION DES DONNÉES CADRAGE DU PROJET DÉFINITION DES OBJECTIFS
  • 39.
    41 DATA MINING & DATASCIENCE QUELLES DIFFÉRENCES ALORS ??? Et bien pas mal finalement !  NOMBRE DE VARIABLES / CRITERES / FEATURES Plusieurs milliers en data science versus quelques centaines en data mining  OPEN SOURCE • Accès généralisé à des fonctionnalités et des algorithmes de dernière génération qui jusque-là n’étaient disponibles que dans des suites logicielles payantes et parfois onéreuses : Arbres boostés (GBM), Règles d’association séquentielles, Régressions logistiques Ridge, Lasso, ElasticNet, SVM, Réseaux de neurones… • In-Memory : si ça passe, c’est beaucoup plus rapide ! • Parallel processing : pour tirer un maximum de la machine et gagner du temps • Nouvelles données : de nombreux outils/API/packages pour extraire, stocker et transformer des données issues du Web, des médias sociaux, de l’open data, données météo, images ou vidéos, IoT
  • 40.
    42 BEST PRACTICES POUR ALLER VERSLA DATA SCIENCE LES PROFILS ?
  • 41.
    43 DATA INTELLIGENCE Agenda 1. Présentation deMicropole 2. Introduction 3. Panorama des usages 4. Nouveaux enjeux 5. Panorama des outils 6. Nouvelles architectures orientées Data Intelligence 7. Q&R DE LA BI A LA DATA INTELLIGENCE DATA VISUALISATION & Experience utilisateurs AGILITÉ & Datalab GOUVERNANCE Data, Organisation… BIG DATA & Big analytics DATA SCIENCE
  • 42.
    44 USAGES METIERS DE LABI A LA DATA INTELLIGENCE LE SUPPORT I.T. AUX METIERS LE BESOIN D’UN DIALOGUE DOCUMENTE ET PERMANENT POUR APPUYER L’EFFICACITE OPERATIONAL DATA >DEFINITIONS ET VALIDATIONS • RAPPORTS • ANALYSE AD HOC • TERMINOLOGIE • BUSINESS RULES • TECHNICAL RULES • CARTOGRAPHIES • PERFORMANCE • QUALITE • ERGONOMIE • CONFORMITE ET JURIDIQUE • ANALYSE D’IMPACT • PROJETS (Définition et Suivi) • NEW • MAINTENANCE • MIGRATION • EVOLUTION • DOCUMENTATION I.T. COMMUNAUTES D’USAGE ANALYTICAL DATA USAGES METIER
  • 43.
    45 DE LA BIA LA DATA INTELLIGENCE DEMARCHE PAR OPPORTUNITE OU CRITICITE PREVUE POUR DURER AU-DELA DE L’URGENCE PROJET SPONSOR RESP. I.T. RESP. METIER CONTRIBUTEURS PERIMETRE SUJET GLOSSAIRES CARTO PROJECT MGT USE SUPERVISION BUSINESS SUBJECT OR DATA COUNCIL SPONSOR CORPORATE GOVERNANCE SUPERVISION SUPPORTS ET PROCESS A OUTILLER OBLIGATOIREMENT
  • 44.
    46 DE LA BIA LA DATA INTELLIGENCE QUELS OUTILS POUR LA GOUVERNANCE ? ATTENTION AUX TRAVAUX D’HERCULE SANS OUTILS ADAPTES !! GLOSSAIRES CARTO PROJECT MGT USE SUPERVISION BUSINESS GLOSSARYRETRO DOCUMENTATION (BASES, FLUX, RAPPORTS, …) SPECIFICATIONS METIERS, PROTOTYPAGE (LAB) TICKETING, COLLABORATIF, CMS Analyse d’impact
  • 45.
    47 DE LA BIA LA DATA INTELLIGENCE VOTRE VISION D’UNE GOUVERNANCE PAR SUJET PAR RAPPORT AUX PERIMETRES DE VOTRE RESSORT SPONSOR A RESP. I.T. X RESP. METIER M PERIMETRE SUJET A SPONSOR B RESP. I.T.Y RESP. METIER N PERIMETRE SUJET B SPONSOR C RESP. I.T.Z RESP. METIER O PERIMETRE SUJET C
  • 46.
    48 DE LA BIA LA DATA INTELLIGENCE POUR CONTRIBUER A LA VISION D’UNE GOUVERNANCE GLOBALE … ET LE PILOTAGE DES INDICATEURS D’ENTREPRISE ? SPONSOR COMEX RESP. DSI RESP. FONCT. (*n) PERIMETRE CORPORATE SPONSOR A SPONSOR B SPONSOR C …
  • 47.
    49 DE LA BIA LA DATA INTELLIGENCE ET SI VOUS NE PLACEZ PAS LA GOUVERNANCE AU CŒUR DE VOTRE B.I., COMMENT POURREZ-VOUS ETRE AGILES ET TIRER PARTI DU BIG DATA ?
  • 48.
    50 DATA INTELLIGENCE Agenda DE LA BIA LA DATA INTELLIGENCE 1. Introduction 2. Panorama des usages 3. Evolution et nouveaux enjeux 4. Nouvelles architectures orientées Data Intelligence 5. Retour d’expérience 6. Q&R
  • 49.
    51 Tableaux de borddynamiques et évolutifs fournissant une aide au pilotage et à l’analyse de son activité BI d’Entreprise « Stratégique » Reporting pré-défini /paramétrables pour suivre l’alignement de l’entreprise sur la stratégie et les objectifs définis BI Départementale « Tactique » Sources de données « volumineuses » stables, maitrisées et industrialisées Sources de données peu volumineuses, métiers, locales, évolutives et externes ~18 mois80% IT 20% Métier LES DIFFÉRENTES FORMES DE LA BI Gouvernance projet forte Cycle en « V » Rigidité du Datawarehouse ~3/6 mois50% IT 50% Métier Gouvernance projet modérée Indicateur non diffusable en dehors dept. Finance, Marketing, Perf. management BI Exploratoire « Investigation » Analyse exploratoire pour découvrir de nouvelles générations de services,. Identifier et supporter de nouvelles opportunités business Sources de données volumineuses, peu ou pas structurées, collectées à la volet EDW BI Locale Data Lab Evolution perpétuelle100% Key User+IT en mode DataScience Gouvernance projet faible Méthode de développement rapide E-commerce, navigation web, Géomarket
  • 50.
    52REPENSER LES ARCHITECTURESBI Pensez différemment EPM DATA SCIENCE ET DES PLATEFORMES AGILES (DATALAB’S) ANALYSE ET REPORTING MÉTIER REPORTING ENTREPRISE Sources SIO DATAMARTS BASE COLONNES BASE OLAP DATAWAREHOUSE ODS REF AGR BigData Plusieurs usages = Plusieurs architectures (logique) = Plusieurs solutions Schémas d’urbanisation adaptés = Accès directe à la donnée valorisée = Gain de temps REPORTING OPÉRATIONNELDATALAKE Repenser les usages = Meilleure valorisation/utilisation de la donnée = Rationalisation et gouvernance des restitutions
  • 51.
    53REPENSER LES ARCHITECTURESBI En systématisant le Big Data – Si nous connaissons les apports, connaissons-nous les impacts ? Big Data en remplacement de la BI existante Big Data en complément de la BI existante Architectures hybrides Démarche d’évolution Architectures intégrées Démarche de refonte Recommandé par Micropole dans 80% des cas Faire évoluer en s’appuyant sur le patrimoine informationnel existant (sans tout casser) … Assurer une continuité de service Montée en compétence progressive Budget « raisonnable »
  • 52.
    54NOTRE CONVICTION Architecture hybride Enmouvement (Streaming)Structurées EDW Non-structurées “” Hadoop Couche d’exposition Restituer & Analyser Prévoir & Prédire Comprendre & Modéliser Data Science Reporting Opérationnel Reporting Entreprise Recherche & Exploration Planification & Simulation Reporting Opé. Explora- tion Vision 360 Reporting Tableau de bord Analyses adhoc Mining Analyse prédictive Prév. métiers Budget & PMT Planif. & simul. avancées Machine learn
  • 53.
    55 Afin de correctementpositionner les données au sein des différentes briques, il est important d'identifier les types de données, leur couleur, leur vitesse afin d'exploiter au mieux les cas d'usages. Données blanches : Données présentes au sein du système d'information décisionnel. Elles sont structurées et sont stockées dans les Data Warehouse Données grises : Ce sont les données externes à l'entreprise peuvent être structurées ou non, il peut s'agir de données issues de l'Open Data, elle représentent un volume plus important que les données blanches Les données sombres (Dark Data) : Elles représentent les données inexploitées au sein des entreprises, présentes en masse elle n'ont pu être exploitée à cause de leur volume, leur format, l'incapacité et le coût associé à leur captation. Le Big Data permet enfin de les exploiter et d'alimenter de nouveaux cas d'usages porteurs de valeur pour l'entreprise. Données froides Données chaudes Quel que soit le type de donnée, elle existe sous la forme d'une donnée active, vivante, avec une évolution rapide, on parle alors de donnée chaude, à l'opposé on trouve les données froides, les données historiques devant être accessibles en cas de besoin. Les données tièdes représentent les données récentes faisant l'objet d'accès quotidiens ou hebdomadaires. Données tièdes NOTRE CONVICTION Une meilleure gestion de la donnée
  • 54.
    56 Etirer les donnéesfroides vers le Big Data ou le cloud avec une exécution intelligente des requêtes Fonctionnalité Etirer de grandes tables de données opérationnelles de la base de données vers le Big Data ou vers le Cloud, tout en conservant la capacité de requêter la donnée où qu'elle soit Bénéfices Intégration BI Données froides Achats In-memory OLTP table Données chaudes Historique d'achats table étirée Exécution de requêtes fédérées On-premises Cloud ou Big Data NOTRE CONVICTION SI ETENDU
  • 55.
    57 Identifier la lignede rupture Implémentations complexes Enterprise Data Warehouse Données en silos Hadoop Dashboards Analyse Ad hoc Machine learning OLAP Toutes les données In-memory Internet des objets Systèmes transactionnels ETL Reporting Opérationnel Valeur Streaming Innovation EDW Hadoop NOTRE CONVICTION
  • 56.
    58 BI d’Entreprise « Stratégique» BI Départementale « Tactique » Sources de données « volumineuses » stables, maitrisées et industrialisées Sources de données peu volumineuses, métiers, locales, évolutives et externes UTILISER LE BIG DATA EN COMPLÉMENT DE LA BI EXISTANTE (1) BI Exploratoire « Investigation » Sources de données volumineuses, peu ou pas structurées, collectées à la volet EDW Hadoop Peu ou pas structurées Peu ou pas organisées Chaudes Brutes Structurées Peu organisées Tièdes Orientées Structurées Organisées Froides Transformées Couche d’exposition exploration Vision 360°Analyse Prédictif Data ScienceTableaux de bord Reporting Synchro
  • 57.
    59 BI d’Entreprise « Stratégique» BI Départementale « Tactique » Sources de données « volumineuses » stables, maitrisées et industrialisées Sources de données peu volumineuses, métiers, locales, évolutives et externes UTILISER LE BIG DATA EN REMPLACEMENT DE LA BI EXISTANTE (2) BI Exploratoire « Investigation » Sources de données volumineuses, peu ou pas structurées, collectées à la volet Hadoop Peu ou pas structurées Peu ou pas organisées Chaudes Brutes Structurées Peu organisées Tièdes Orientées Structurées Organisées Froides Transformées Couche d’exposition exploration Vision 360°Analyse Prédictif Data ScienceTableaux de bord Reporting
  • 58.
    60 LE POINT DELA BI A LA DATA INTELLIGENCE ENTERPRISE DATA INTELLIGENCE ENTERPRISE B.I. SAVOIR FAIRE BIGDATA DATA SCIENCE DATAVIZINNOVATIONS CONTRAINTES AGILITE QoS SECURITE GOUVERNANCE VALEUR OÙ EN ÊTES-VOUS ? À QUEL RYTHME VOULEZ-VOUS MUTER ?
  • 59.
    61 DATA INTELLIGENCE Agenda 1. Introduction 2. Panoramades usages 3. Evolution et nouveaux enjeux 4. Nouvelles architectures orientées Data Intelligence 5. Retour d’expérience 6. Q&R DE LA BI A LA DATA INTELLIGENCE Désolés, nous ne sommes pas autorisés à utiliser ce retour d’expérience en dehors de l’évènement dans nos locaux
  • 60.
    LES MARDIS DECOUVERTEMICROPOLE QUESTIONS / REPONSES MERCI DE VOTRE ATTENTION