SlideShare uma empresa Scribd logo
1 de 19
Baixar para ler offline
I LOVE
BIG DATA
Un déluge de données : évolution
                 2010-2015

                                                    e es
                                                se d nné
                                              Ba do
  3, 4 milliards                                             X 11
      d’abonnés
                                                      4          50 000
      3G en 2015
                                                                     pétaoctects
      contre 500
      millions en                                                                             250 000
      2010                                                                                       pétaoctects
                                                                                          s
      Ericson                                                                         i er
                                                                                    ch
                                                                                  Fi
                                    ail
                                          s               30 000                        X 10
                                   M
                                                              pétaoctects
                                          X6

1 pétaoctet (Po)= 1 000 To= 1 000 000 000 000 000 d'octets
                                                                            International Communication Union
1 zettaoctect (Zo) = 10puissance 21 octets.
Des galaxies de données non structurées

Données non structurées




                          Données structurées
Panorama des données à exploiter par
    l’entreprise (non exhaustif).




                       2013-------------------------2015--------->
               2012
2. BIG DATA : une inconnue en théorie et
               en pratique
                             Quels consom
                                            mateurs ?
Le BIG DATA est une          Quelles compé
démarche centrée sur                         tences ?
                            Quelle organis
l’individu, le                             ation du SI?
consommateur, le client.     Quelle organis
                                             ation de
                                    l’entreprise?




                           Avant de parler de
                           technologies, il faut
                           s’interroger sur ce que l’on
                           cherche.
Un intérêt pour les données contextuelles
Le BIG DATA : un impact sur les
        organisations

                     Vision techno-centrée




                      Spécialisation par
                           fonctions
Un impact sur les systèmes d’informations
Cycle de gestion
                            Multi canal                      Cross Canal
  des données

                          web             mail                              compare
    émission
                                                   S’informe
                                   …                                       partage
                                                                  voice
                                                    achète            recherche
     captage
                                                                  ….




                                                                                          Réseau &
                                                                             temps réel
    stockage
                   Silo




    traitement

                                                 Analyse à froid et
                                                       analyse à         Déclenchement
                                                        chaud                 d’actions
   exploitation
                                                       Ex : Push d’informations
                                                              contextualisées
Une idée du système d’information à l’heure du
                 BIG DATA
 Gérer un haut niveau d’entropie
 Donner du sens à la donnée (enrichir la donnée, extraire de la
   connaissance…)
 Limiter la consommation des ressources énergétiques et vivantes.

                              Maximisation de la
                     4       dissipation d’énergie         1



           Modification                               Adaptation du SI
                                         3
        de l’environnement                           À l’environnement
                         5                           2
                                Mémorisation             6….
                               des informations
       Épuisement des
         ressources
3. Big DATA : Un terre d’innovation pour
                   l’entreprise
-   Identifier des complémentarités autour du BIG DATA.


-   Communiquer une vision client orientée Cross Canal.


-   Tester de nouvelles interactions avec le client (écoute &
    engagement).
L’interaction avec l’environnement




                           Espace de
                           transaction entre
                           acteurs
                           financiers et
                           acteurs du
                           commerce
Potentiel pour le commerce
1. Renouveler les scénarii d’interaction
Comportements de l’individu. Réponses ponctuelles apportées par l’entreprise.
                                                                                                                                                     e
                                                           us                                                                                    lisé
                                                      divid                                                                                    na
                                          e       s in                                                                                       on
                                      ce d                            rise                                                              rs
                                 ilien                            rep                                  le                             pe
                                                                                                    éra
                                                                t
                                                         L’en x                                                                                sa
                        e   rés                    ré .       i eu                               én                             f fre r de
                   in d                         su
                                            ras our m                                    n   g
                                                                                                                             e o cteu ale. ans
        bes
               o                       re
                                  d’êt tions
                                                  p
                                                                                 ue  stio                                un st a rci
1.   Le                      oi n
                        be s e s s o
                                        lu
                                                                           eq                                       d’          e me
                                                                                                                                                  d
                                                                                                                                               ue de
               v i du
                      a
                           te d                                         un                                        e           du m           iq
          n di a ppor               ie.                           eà                                            ch          vi co          pl tion . .
       L’i lui               r sa
                                  v
                                                           bal               luti
                                                                                  on
                                                                                                            he
                                                                                                              r           di e         l’i
                                                                                                                                          m c       es
                      anis
                           e                        glo                ne
                                                                          so
                                                                                                          ec        L’ i n vi         e odu rvic
                                                                                                                                   ris pr
                 org                           se                                                                                              e
                                          on                       eu
                                                                                                     ar
                                                                                                                                   p -       /s
                                                             rch .                                                              tre a co its
                                   r ép                che oduit                                    L                          n l       du
                           ’un
                                 e               idu
                                              div s un p
                                                             r
                                                                         ed
                                                                            es l es              4.                        l’e         ro
                     te d               L ’in pa                    ort inant es.                                                     p
                                                               app
            atten                                                        b
                                                          ise s c om s ser v
                                                                                  ic
                                                                                                                                             TIC
          ’                                             r
                                                    ep nse                                                                                es
     2. L                                       ntr
                                             L’e répo its e
                                                                     t de
                                                                                                                              nt
                                                                                                                                        d
                                                     pro
                                                           du
                                                                              té                                       r oissa                      ur
                                                             u                                                                                  , po
                                                           na                                                     ag ec                     tre
                                                                                                                                        l’au r…             éco
                                                                                                                                                               ute
                                                          u      rs                                           us                    u à rt i             ne
                                                       omm s pai                                        5. L’                é sea dive            p ar u
                                                                                                                         nr       se            on
                                                n    ec   se
                                                           rs              es                                       e d’u eter,           elati
                                                                                                                urf     ch            la r
                                              àu        ve .
                                                      ne llé        at
                                                                      i qu                                   u s er, a
                                                                                                         ivid rm               ali se ent.
                                     nce           ur sei
                                                 to n
                                                                 pr
                                                                                                   L’ ind ’info         s onn gagem
                                na                             es :         )                             s          per en
                               e             se e co        e l (ex iale                                         ise t de l’
                             rt            u tr
                                        vid ê
                                                          is s oc
                                                        or e                                                 epr
                                                                                                          ntr tive e
                          ppa         di our
                                    in p
                                                      av tair on s
                                                   e f u ti                                            L’e ac
                       L’a       L’             ris una nda
                  3.                          p
                                            re m a
                                          nt om mm
                                         e c o
                                       L’         c
                                               re
2. Autour de « données situationnelles »,plus
        que des modèles d’utilisation
3. Desquelles, on dégage des connexités




    Avec Social Genome     Sans Social Genome
4. Pour lier un ensemble de données à plus
                 large échelle

Interconnecter les jeux de données est une étape cruciale. Datalift porte les
données brutes structurées venant de plusieurs formats (bases de données, CSV,

XML) vers des données sémantiques interconnectées sur le Web des données.




                                                  Interconnexion des données avec d'autres jeux
                                                      de données
                                                  Publication sur le web de données

                                                  Conversion des données en RDF en rapport
                                                      avec la ou les ontologies selectionnées
                                                  Sélection des ontologies pouvant
                                                      décrire les données
5. dont l’on peut représenter le potentiel
6. Autour d’un système d’information et de
    services contextualisés qui « respectent » la vie
                         privée
     Le respect de la vie privée dès la conception signifie prendre en compte dès le début
     les exigences en matière de protection de la sphère privée/protection des données et
     intégrer les outils de protection directement dans le produit, au lieu de les ajouter
     ultérieurement sous forme de compléments. La protection intégrée de la vie privée
     repose sur sept principes fondamentaux :

-    prendre des mesures proactives et non réactives; des mesures préventives et non
     correctives
-    assurer la protection implicite de la vie privée;
-    intégrer la protection de la vie privée dans la conception des systèmes et des
     pratiques;
-    assurer une fonctionnalité intégrale selon un paradigme à somme positive et non à
     somme nulle;
-    assurer la sécurité de bout en bout, pendant toute la période de conservation des
     renseignements;
-    respecter de la vie privée des utilisateurs.
Reseau’Nable
 www.reseaunable.net

Mais conteúdo relacionado

Mais procurados

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
 
Livre blanc big data écosystème français
Livre blanc big data écosystème françaisLivre blanc big data écosystème français
Livre blanc big data écosystème françaisMatthias Fille
 
BIG DATA - Les données au service de la business intelligence
BIG DATA - Les données au service de la business intelligenceBIG DATA - Les données au service de la business intelligence
BIG DATA - Les données au service de la business intelligenceJulien DEMAUGÉ-BOST
 
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 tendancesJean-Michel Franco
 
Big Data Des méandres des outils au potentiel business
Big Data   Des méandres des outils au potentiel businessBig Data   Des méandres des outils au potentiel business
Big Data Des méandres des outils au potentiel businessMouhsine LAKHDISSI
 
Machine intelligente d’analyse financiere
Machine intelligente d’analyse financiereMachine intelligente d’analyse financiere
Machine intelligente d’analyse financiereSabrine MASTOURA
 
Matinée 01 Big Data
Matinée 01 Big DataMatinée 01 Big Data
Matinée 01 Big DataEvenements01
 
Big data : quels enjeux et opportunités pour l'entreprise - livre blanc - Blu...
Big data : quels enjeux et opportunités pour l'entreprise - livre blanc - Blu...Big data : quels enjeux et opportunités pour l'entreprise - livre blanc - Blu...
Big data : quels enjeux et opportunités pour l'entreprise - livre blanc - Blu...Romain Fonnier
 
Point de Vue Sopra Consulting sur le Big Data
Point de Vue Sopra Consulting sur le Big DataPoint de Vue Sopra Consulting sur le Big Data
Point de Vue Sopra Consulting sur le Big DataNicolas Peene
 
Memoire recherche
Memoire rechercheMemoire recherche
Memoire recherchetmauriac
 
Valtech - Du BI au Big Data, une révolution dans l’entreprise
Valtech - Du BI au Big Data, une révolution dans l’entrepriseValtech - Du BI au Big Data, une révolution dans l’entreprise
Valtech - Du BI au Big Data, une révolution dans l’entrepriseValtech
 
Big data - Cours d'introduction l Data-business
Big data - Cours d'introduction l Data-businessBig data - Cours d'introduction l Data-business
Big data - Cours d'introduction l Data-businessVincent de Stoecklin
 
Mastère Big Data et Assurance de l'Ecole d'Ingénieur Léonard de Vinci - ESILV
Mastère Big Data et Assurance de l'Ecole d'Ingénieur Léonard de Vinci - ESILVMastère Big Data et Assurance de l'Ecole d'Ingénieur Léonard de Vinci - ESILV
Mastère Big Data et Assurance de l'Ecole d'Ingénieur Léonard de Vinci - ESILVRomain Jouin
 
Atelier 2AM / BIG DATA LAB by Groupe CARTEGIE
Atelier 2AM / BIG DATA LAB by Groupe CARTEGIEAtelier 2AM / BIG DATA LAB by Groupe CARTEGIE
Atelier 2AM / BIG DATA LAB by Groupe CARTEGIEGroupe IDAIA
 
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 delayetKezhan SHI
 
Formation professionnelle "Big data : concepts et enjeux"
Formation professionnelle "Big data : concepts et enjeux"Formation professionnelle "Big data : concepts et enjeux"
Formation professionnelle "Big data : concepts et enjeux"Philippe METAYER
 
Big data analytics focus technique et nouvelles perspectives pour les actuaires
Big data analytics focus technique et nouvelles perspectives pour les actuairesBig data analytics focus technique et nouvelles perspectives pour les actuaires
Big data analytics focus technique et nouvelles perspectives pour les actuairesKezhan SHI
 

Mais procurados (20)

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
 
Livre blanc big data écosystème français
Livre blanc big data écosystème françaisLivre blanc big data écosystème français
Livre blanc big data écosystème français
 
BIG DATA - Les données au service de la business intelligence
BIG DATA - Les données au service de la business intelligenceBIG DATA - Les données au service de la business intelligence
BIG DATA - Les données au service de la business intelligence
 
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
 
Big Data Des méandres des outils au potentiel business
Big Data   Des méandres des outils au potentiel businessBig Data   Des méandres des outils au potentiel business
Big Data Des méandres des outils au potentiel business
 
Big Data, kesako ?
Big Data, kesako ?Big Data, kesako ?
Big Data, kesako ?
 
Machine intelligente d’analyse financiere
Machine intelligente d’analyse financiereMachine intelligente d’analyse financiere
Machine intelligente d’analyse financiere
 
Matinée 01 Big Data
Matinée 01 Big DataMatinée 01 Big Data
Matinée 01 Big Data
 
Big data : quels enjeux et opportunités pour l'entreprise - livre blanc - Blu...
Big data : quels enjeux et opportunités pour l'entreprise - livre blanc - Blu...Big data : quels enjeux et opportunités pour l'entreprise - livre blanc - Blu...
Big data : quels enjeux et opportunités pour l'entreprise - livre blanc - Blu...
 
Point de Vue Sopra Consulting sur le Big Data
Point de Vue Sopra Consulting sur le Big DataPoint de Vue Sopra Consulting sur le Big Data
Point de Vue Sopra Consulting sur le Big Data
 
Memoire recherche
Memoire rechercheMemoire recherche
Memoire recherche
 
Valtech - Du BI au Big Data, une révolution dans l’entreprise
Valtech - Du BI au Big Data, une révolution dans l’entrepriseValtech - Du BI au Big Data, une révolution dans l’entreprise
Valtech - Du BI au Big Data, une révolution dans l’entreprise
 
Big data - Cours d'introduction l Data-business
Big data - Cours d'introduction l Data-businessBig data - Cours d'introduction l Data-business
Big data - Cours d'introduction l Data-business
 
Mastère Big Data et Assurance de l'Ecole d'Ingénieur Léonard de Vinci - ESILV
Mastère Big Data et Assurance de l'Ecole d'Ingénieur Léonard de Vinci - ESILVMastère Big Data et Assurance de l'Ecole d'Ingénieur Léonard de Vinci - ESILV
Mastère Big Data et Assurance de l'Ecole d'Ingénieur Léonard de Vinci - ESILV
 
Atelier 2AM / BIG DATA LAB by Groupe CARTEGIE
Atelier 2AM / BIG DATA LAB by Groupe CARTEGIEAtelier 2AM / BIG DATA LAB by Groupe CARTEGIE
Atelier 2AM / BIG DATA LAB by Groupe CARTEGIE
 
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
 
Formation professionnelle "Big data : concepts et enjeux"
Formation professionnelle "Big data : concepts et enjeux"Formation professionnelle "Big data : concepts et enjeux"
Formation professionnelle "Big data : concepts et enjeux"
 
Conférence big data
Conférence big dataConférence big data
Conférence big data
 
Big data analytics focus technique et nouvelles perspectives pour les actuaires
Big data analytics focus technique et nouvelles perspectives pour les actuairesBig data analytics focus technique et nouvelles perspectives pour les actuaires
Big data analytics focus technique et nouvelles perspectives pour les actuaires
 
BIG DATA
BIG DATABIG DATA
BIG DATA
 

Semelhante a I love BIG DATA

La Banque de demain : Chapitre 4
La Banque de demain : Chapitre 4 La Banque de demain : Chapitre 4
La Banque de demain : Chapitre 4 OCTO Technology
 
Bigdata, small decision and smart organisation
Bigdata, small decision and smart organisationBigdata, small decision and smart organisation
Bigdata, small decision and smart organisationChristophe Benavent
 
Assurtech : Big Data & Plateformes
Assurtech : Big Data & PlateformesAssurtech : Big Data & Plateformes
Assurtech : Big Data & PlateformesSerrerom
 
La data: marchandise du 21em siècle
La data: marchandise du 21em siècleLa data: marchandise du 21em siècle
La data: marchandise du 21em siècleCHARLES Frédéric
 
Big Data : buzz ou opportunité ?
Big Data : buzz ou opportunité ?Big Data : buzz ou opportunité ?
Big Data : buzz ou opportunité ?Microsoft Ideas
 
Infocentre et système décisionnel
Infocentre et système décisionnelInfocentre et système décisionnel
Infocentre et système décisionnelMichel Bruley
 
Livre Blanc ALTARES: La Data, nouveau disrupteur du business model des entrep...
Livre Blanc ALTARES: La Data, nouveau disrupteur du business model des entrep...Livre Blanc ALTARES: La Data, nouveau disrupteur du business model des entrep...
Livre Blanc ALTARES: La Data, nouveau disrupteur du business model des entrep...Altares D&B
 
Big Analytics : les usages avant tout
Big Analytics : les usages avant toutBig Analytics : les usages avant tout
Big Analytics : les usages avant toutSAS FRANCE
 
3 minutes pour comprendre ... le Big Data
3 minutes pour comprendre ... le Big Data3 minutes pour comprendre ... le Big Data
3 minutes pour comprendre ... le Big DataAlain KHEMILI
 
6 business decision big data 0102
6 business decision big data 01026 business decision big data 0102
6 business decision big data 0102pour action !
 
Pourquoi l'analytique est un enjeu important
Pourquoi l'analytique est un enjeu importantPourquoi l'analytique est un enjeu important
Pourquoi l'analytique est un enjeu importantSolutions IT et Business
 
Big data Paris Presentation Solocal 20150310
Big data Paris Presentation Solocal 20150310Big data Paris Presentation Solocal 20150310
Big data Paris Presentation Solocal 20150310Abed Ajraou
 
Introduction à la BIG DATA et l'Intelligence Artificielle
Introduction à la BIG DATA et l'Intelligence ArtificielleIntroduction à la BIG DATA et l'Intelligence Artificielle
Introduction à la BIG DATA et l'Intelligence ArtificielleMedhi Corneille Famibelle*
 
Introduction seminaire groupe flowline
Introduction seminaire groupe flowlineIntroduction seminaire groupe flowline
Introduction seminaire groupe flowlinepimp uncle
 
Voici les 32 technologies de 2017 à forts enjeux stratégiques selon Gartner
Voici les 32 technologies de 2017 à forts enjeux stratégiques selon GartnerVoici les 32 technologies de 2017 à forts enjeux stratégiques selon Gartner
Voici les 32 technologies de 2017 à forts enjeux stratégiques selon GartnerThibaut Watrigant
 
Comprendre les opportunités tic xavier dalloz
Comprendre les opportunités tic   xavier dallozComprendre les opportunités tic   xavier dalloz
Comprendre les opportunités tic xavier dallozTristan de Viaris
 
L'ouverture des données publiques (Open Data) : pour quoi faire ?
L'ouverture des données publiques (Open Data) : pour quoi faire ?L'ouverture des données publiques (Open Data) : pour quoi faire ?
L'ouverture des données publiques (Open Data) : pour quoi faire ?Simon Chignard
 

Semelhante a I love BIG DATA (20)

La Banque de demain : Chapitre 4
La Banque de demain : Chapitre 4 La Banque de demain : Chapitre 4
La Banque de demain : Chapitre 4
 
Bigdata, small decision and smart organisation
Bigdata, small decision and smart organisationBigdata, small decision and smart organisation
Bigdata, small decision and smart organisation
 
Assurtech : Big Data & Plateformes
Assurtech : Big Data & PlateformesAssurtech : Big Data & Plateformes
Assurtech : Big Data & Plateformes
 
Idc big data dk
Idc big data   dkIdc big data   dk
Idc big data dk
 
La data: marchandise du 21em siècle
La data: marchandise du 21em siècleLa data: marchandise du 21em siècle
La data: marchandise du 21em siècle
 
Big Data : buzz ou opportunité ?
Big Data : buzz ou opportunité ?Big Data : buzz ou opportunité ?
Big Data : buzz ou opportunité ?
 
Infocentre et système décisionnel
Infocentre et système décisionnelInfocentre et système décisionnel
Infocentre et système décisionnel
 
Livre Blanc ALTARES: La Data, nouveau disrupteur du business model des entrep...
Livre Blanc ALTARES: La Data, nouveau disrupteur du business model des entrep...Livre Blanc ALTARES: La Data, nouveau disrupteur du business model des entrep...
Livre Blanc ALTARES: La Data, nouveau disrupteur du business model des entrep...
 
Big Analytics : les usages avant tout
Big Analytics : les usages avant toutBig Analytics : les usages avant tout
Big Analytics : les usages avant tout
 
3 minutes pour comprendre ... le Big Data
3 minutes pour comprendre ... le Big Data3 minutes pour comprendre ... le Big Data
3 minutes pour comprendre ... le Big Data
 
6 business decision big data 0102
6 business decision big data 01026 business decision big data 0102
6 business decision big data 0102
 
Pourquoi l'analytique est un enjeu important
Pourquoi l'analytique est un enjeu importantPourquoi l'analytique est un enjeu important
Pourquoi l'analytique est un enjeu important
 
Analyse spatiale en Big data
Analyse spatiale en Big dataAnalyse spatiale en Big data
Analyse spatiale en Big data
 
Big data Paris Presentation Solocal 20150310
Big data Paris Presentation Solocal 20150310Big data Paris Presentation Solocal 20150310
Big data Paris Presentation Solocal 20150310
 
Introduction à la BIG DATA et l'Intelligence Artificielle
Introduction à la BIG DATA et l'Intelligence ArtificielleIntroduction à la BIG DATA et l'Intelligence Artificielle
Introduction à la BIG DATA et l'Intelligence Artificielle
 
Introduction seminaire groupe flowline
Introduction seminaire groupe flowlineIntroduction seminaire groupe flowline
Introduction seminaire groupe flowline
 
Introduction au BIG DATA
Introduction au BIG DATAIntroduction au BIG DATA
Introduction au BIG DATA
 
Voici les 32 technologies de 2017 à forts enjeux stratégiques selon Gartner
Voici les 32 technologies de 2017 à forts enjeux stratégiques selon GartnerVoici les 32 technologies de 2017 à forts enjeux stratégiques selon Gartner
Voici les 32 technologies de 2017 à forts enjeux stratégiques selon Gartner
 
Comprendre les opportunités tic xavier dalloz
Comprendre les opportunités tic   xavier dallozComprendre les opportunités tic   xavier dalloz
Comprendre les opportunités tic xavier dalloz
 
L'ouverture des données publiques (Open Data) : pour quoi faire ?
L'ouverture des données publiques (Open Data) : pour quoi faire ?L'ouverture des données publiques (Open Data) : pour quoi faire ?
L'ouverture des données publiques (Open Data) : pour quoi faire ?
 

I love BIG DATA

  • 2. Un déluge de données : évolution 2010-2015 e es se d nné Ba do 3, 4 milliards X 11 d’abonnés 4 50 000 3G en 2015 pétaoctects contre 500 millions en 250 000 2010 pétaoctects s Ericson i er ch Fi ail s 30 000 X 10 M pétaoctects X6 1 pétaoctet (Po)= 1 000 To= 1 000 000 000 000 000 d'octets International Communication Union 1 zettaoctect (Zo) = 10puissance 21 octets.
  • 3. Des galaxies de données non structurées Données non structurées Données structurées
  • 4. Panorama des données à exploiter par l’entreprise (non exhaustif). 2013-------------------------2015---------> 2012
  • 5. 2. BIG DATA : une inconnue en théorie et en pratique Quels consom mateurs ? Le BIG DATA est une Quelles compé démarche centrée sur tences ? Quelle organis l’individu, le ation du SI? consommateur, le client. Quelle organis ation de l’entreprise? Avant de parler de technologies, il faut s’interroger sur ce que l’on cherche.
  • 6. Un intérêt pour les données contextuelles
  • 7. Le BIG DATA : un impact sur les organisations Vision techno-centrée Spécialisation par fonctions
  • 8. Un impact sur les systèmes d’informations Cycle de gestion Multi canal Cross Canal des données web mail compare émission S’informe … partage voice achète recherche captage …. Réseau & temps réel stockage Silo traitement Analyse à froid et analyse à Déclenchement chaud d’actions exploitation Ex : Push d’informations contextualisées
  • 9. Une idée du système d’information à l’heure du BIG DATA Gérer un haut niveau d’entropie Donner du sens à la donnée (enrichir la donnée, extraire de la connaissance…) Limiter la consommation des ressources énergétiques et vivantes. Maximisation de la 4 dissipation d’énergie 1 Modification Adaptation du SI 3 de l’environnement À l’environnement 5 2 Mémorisation 6…. des informations Épuisement des ressources
  • 10. 3. Big DATA : Un terre d’innovation pour l’entreprise - Identifier des complémentarités autour du BIG DATA. - Communiquer une vision client orientée Cross Canal. - Tester de nouvelles interactions avec le client (écoute & engagement).
  • 11. L’interaction avec l’environnement Espace de transaction entre acteurs financiers et acteurs du commerce
  • 12. Potentiel pour le commerce
  • 13. 1. Renouveler les scénarii d’interaction Comportements de l’individu. Réponses ponctuelles apportées par l’entreprise. e us lisé divid na e s in on ce d rise rs ilien rep le pe éra t L’en x sa e rés ré . i eu én f fre r de in d su ras our m n g e o cteu ale. ans bes o re d’êt tions p ue stio un st a rci 1. Le oi n be s e s s o lu eq d’ e me d ue de v i du a te d un e du m iq n di a ppor ie. eà ch vi co pl tion . . L’i lui r sa v bal luti on he r di e l’i m c es anis e glo ne so ec L’ i n vi e odu rvic ris pr org se e on eu ar p - /s rch . tre a co its r ép che oduit L n l du ’un e idu div s un p r ed es l es 4. l’e ro te d L ’in pa ort inant es. p app atten b ise s c om s ser v ic TIC ’ r ep nse es 2. L ntr L’e répo its e t de nt d pro du té r oissa ur u , po na ag ec tre l’au r… éco ute u rs us u à rt i ne omm s pai 5. L’ é sea dive p ar u nr se on n ec se rs es e d’u eter, elati urf ch la r àu ve . ne llé at i qu u s er, a ivid rm ali se ent. nce ur sei to n pr L’ ind ’info s onn gagem na es : ) s per en e se e co e l (ex iale ise t de l’ rt u tr vid ê is s oc or e epr ntr tive e ppa di our in p av tair on s e f u ti L’e ac L’a L’ ris una nda 3. p re m a nt om mm e c o L’ c re
  • 14. 2. Autour de « données situationnelles »,plus que des modèles d’utilisation
  • 15. 3. Desquelles, on dégage des connexités Avec Social Genome Sans Social Genome
  • 16. 4. Pour lier un ensemble de données à plus large échelle Interconnecter les jeux de données est une étape cruciale. Datalift porte les données brutes structurées venant de plusieurs formats (bases de données, CSV, XML) vers des données sémantiques interconnectées sur le Web des données. Interconnexion des données avec d'autres jeux de données Publication sur le web de données Conversion des données en RDF en rapport avec la ou les ontologies selectionnées Sélection des ontologies pouvant décrire les données
  • 17. 5. dont l’on peut représenter le potentiel
  • 18. 6. Autour d’un système d’information et de services contextualisés qui « respectent » la vie privée Le respect de la vie privée dès la conception signifie prendre en compte dès le début les exigences en matière de protection de la sphère privée/protection des données et intégrer les outils de protection directement dans le produit, au lieu de les ajouter ultérieurement sous forme de compléments. La protection intégrée de la vie privée repose sur sept principes fondamentaux : - prendre des mesures proactives et non réactives; des mesures préventives et non correctives - assurer la protection implicite de la vie privée; - intégrer la protection de la vie privée dans la conception des systèmes et des pratiques; - assurer une fonctionnalité intégrale selon un paradigme à somme positive et non à somme nulle; - assurer la sécurité de bout en bout, pendant toute la période de conservation des renseignements; - respecter de la vie privée des utilisateurs.