Télécharger en tant que PDF, PPTX
Téléchargé parValtech
Valtech - Du BI au Big Data, une révolution dans l’entreprise
Le document explore la transition de la business intelligence (BI) traditionnelle vers des architectures Big Data et les impacts associés pour les entreprises. Il aborde les changements dans la nature et le volume des données, ainsi que les nouvelles compétences requises pour gérer ces transformations. Une étude de cas sur l'utilisation de données en temps réel pour le service Velib' illustre le passage au Big Data et les opportunités de prédiction et d'enrichissement des données.
Contenu connexe
Similaire à Valtech - Du BI au Big Data, une révolution dans l’entreprise
![[Veille thématique et décryptage] Cannes Lions 2014](https://cdn.slidesharecdn.com/ss_thumbnails/valtech-canneslions2014-140702122046-phpapp01-thumbnail.jpg?width=640&height=640&fit=bounds)
![[ Revue Innovations ] Valtech - Mobile World Congress](https://cdn.slidesharecdn.com/ss_thumbnails/valtech-mwc14-140310065604-phpapp02-thumbnail.jpg?width=640&height=640&fit=bounds)
![[ Veille de tendances ] Valtech : Objets connectés](https://cdn.slidesharecdn.com/ss_thumbnails/valtech-ces2014-140121054330-phpapp01-thumbnail.jpg?width=640&height=640&fit=bounds)
Valtech - Du BI au Big Data, une révolution dans l’entreprise
- 1. Lionel Molas: DataArchitecte Herve Desaunois: Directeur technique
- 2. 2 Sommaire • La révolutionest en marche • BI traditionnelle • Les changements, les impacts • Cartographie des impacts du changements pour l’entreprise • Architecture Big Data dans un SI • C’est maintenant le changement • Le plan de transformation • Illustration concrète du BI au Big Data • La convergence Du BI au BIG DATA
- 3. 3 La révolution est enmarche
- 4.
- 5. L'analyse multidimensionnelle des données 36M€ USA 36,3 M€ EUROPE DU SUD 65,1 M€ EUROPE DU NORD 5 Mécanismes d'extraction, de transfert et de consolidation BI traditionnelle Centralisation des données Reporting
- 6. 10,2 M€ Reste du Monde 36 M€ USA65,1 M€ EUROPE DU NORD 6 Data warehouse vs Business intelligence
- 7. 10,2 M€ Reste du Monde 36 M€ USA65,1 M€ EUROPE DU NORD 7 Les analystes veulent couper leur données en “slice et dice” Les analystes ont besoin d’accéder à des données très agrégées. Les analystes veulent parcourir les données en profondeur (d’aller du générale vers les détails). Data warehouse
- 8. 10,2 M€ Reste du Monde 36 M€ USA65,1 M€ EUROPE DU NORD 8 Open Source • BIRT • JasperReport • Pentaho Enterprise • Oracle Business Intelligence Publisher • Microsoft SQL Server Reporting • SAP HANA-optimized BI Outils de reporting
- 9.
- 10. Changement de naturedes données 10 Les changements Changement de volumétrie Changement de référentiels de données, du Data Warehouse au Data Lake
- 11. Changement de processus deproduction 11 Data ScientistBig Data Process Les changements Changement d’architecture Changement de compétences
- 12.
- 13.
- 14. 36 M€ USA 36,3 M€ EUROPEDU SUD 14 Big impact Cloud Public ou Privé Data Lake Architecture Lambda Intégration dans le SI
- 15.
- 16. 10,2 M€ Reste du Monde 36 M€ USA 36,3M€ EUROPE DU SUD 65,1 M€ EUROPE DU NORD Architecture classique du SI 16
- 17. Architecture classique duSI et le BIG DATA 17
- 18.
- 19. 19 Architecture Big Data PrivateCloud or Public Cloud
- 20.
- 21.
- 22. 22 Gartner Gartner Says BigData Creates Big Jobs: 4.4 Million IT Jobs Globally to Support Big Data By 2015
- 23. 23 Projet Big Data ITInnovation / Transformation / Marketing digital • Vue 360 Clients • Analyse comportementale multicanal digital • Système d’archive de données • Datawerhouse offload et remplacement ETL • Infrastructure Log Analysis • Analyse de risques / fraudes • Maintenance industrielle (IoT) • Nouveaux business modèle : le tout connecté (équipement, voitures, ..) • Segmentation clients en temps réels • KPI temps réels / Analyse cross systèmes
- 24.
- 25. 25 • Utilisation deKNIME pour le prototypage, la fouille de données • Utilisation de TULIP pour le prototypage, la visualisations de données Big Data prototypage • Déclinaison vers des implémentations Big Data / Cloud Computing
- 26.
- 27. 10,2 M€ Reste du Monde 36 M€ USA 36,3M€ EUROPE DU SUD 27 Conduite du changement Participation VALTECH Communication Formation
- 28. 10,2 M€ Reste du Monde 36 M€ USA 36,3M€ EUROPE DU SUD 65,1 M€ EUROPE DU NORD 28 Formation Big Data • Formation aux technologies Big Data • Formation Data Scientist • Introduction aux bases de données NOSQL • Développer avec MongoDB • Développement d'applications avec Neo4j • Apache Hadoop 2.0 : Hortonworks (certifiant) • KNIME • Analyse de données pour HADOOP: Hortonworks (certifiant) • Jump Start Data Scientist / Big Data VALTECH
- 29. 29 Case study Illustration du BIau Big Data
- 30. 30 Case study Velib’ • Donnéesfournies par JCDecaux en temps réel sur l’utilisation des stations Velib • Durée: début d’année 2014 • Stockage: base de données sur Microsoft Azure
- 31. 31 Les données Chaque foisqu’un velo est loué ou retoutné une transaction est loggée Elements : • Station Id • Timestamp • Bornes disponibles • Vélos disponibles
- 32. 32 Analyse des données:extraction de dimensionsTransformation
- 33. 33 Calcul de mesures Pourune période d’une heure Transformation
- 34. 34 L’usage moyen desvélos par jour de la semaineReporting Mars Avril Mai Juin Juillet
- 35. 35 Usage moyen desvélos par heure du jourReporting
- 36. 36 Usage moyen desvélos par heure du jour et par station Reporting
- 37. 37 Usage moyen desvélos par heure du jours, pour les jours de la semaine Nombre de transactions (en vert) Reporting Lundi Mardi Mercredi Jeudi Vendredi
- 38. 38 Usage moyen desvélos par heure du jours, pour samedi et dimanche Nombre de transactions (en vert) Reporting Samedi Dimanche
- 39. 39 Enrichir les données • Enrichirla donnée fournie par JCDecaux en temps réel en integrant d’autres sources de données • Météo • Spectacles • Restaurants • IoT • Informer un usager de la tendance de sa station cible pour une date déterminée (court terme)
- 40. 40 Axes de prédiction La base de toute prédiction est l’historique de la station Séparer les jours ouvrés des jours non travaillés Utilisation du calendrier scolaire Introduire la dimension météorologique (pluie, vent) Pondérer la prédiction à court terme
- 41. 41 Prototypage Définition d’un modelprédictif • KNIME
- 42. 42 Prototypage Définition d’un modelprédictif • Data Scientist Problématique liée au Time-series Préparation de données pour l’apprentissage Régression linéaire Séparation des données en données d’apprentissage et données de test Choix d’algorithme d’apprentissage Apprentissage supervisé Apprentissage non-supervisé
- 43. Approche de typeBatch Architecture Big Data Velib
- 44. 44 La plateforme BigData Demo
- 45. 45 Itération I Data sourceslayer Data integration layer Data batch layer Import des données
- 46. 46 Itération I Importdes données météo Calcul du modèle prédictif Data sources layer Data integration layer Data batch layer Service layer reporting
- 47. 47 Itération II Intégrationdes vacances scolaires Calcul du modèle prédictif Data sources layer Data integration layer Data batch layer Service layer reporting
- 48.
- 49. 36 M€ USA 65,1M€ EUROPE DU NORD 49 Convergence technique SQL Engine / No more NoSQL Data Lake Data Warehouse nouvelle génération (In Memory & Column Oriented ) R
- 50.