Avec l’explosion du volume des données disponibles (structurées, non structurées, dark data, open data…) et la multiplicité des sources d’information, les utilisateurs ont besoin d’accéder à des données de plus en plus nombreuses et d’avoir la main sur leur exploration et leur manipulation pour gagner en agilité.

1. 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
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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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

16. 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

17. 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. 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. 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. 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. 21
A QUELLE QUESTION DOIT RÉPONDRE MA DATAVISUALISATION ?
par un processus décisionnel

22. 22

23. 23DATAVIZ KILLER
Attention au dérapage

24. 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

25. 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

26. 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

27. 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

28. 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

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 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. 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

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 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

34. 36
LES RÔLES
L’ARCHITECTE DE
DONNEES
LE BUSINESS
ANALYST

35. 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

36. 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…

37. 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

38. 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

39. 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

40. 42
BEST PRACTICES
POUR ALLER
VERS LA DATA
SCIENCE
LES PROFILS ?

41. 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

42. 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

43. 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

44. 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

45. 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

46. 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
…

47. 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 ?

48. 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

49. 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

50. 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

51. 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 »

52. 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

53. 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

54. 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

55. 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

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 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 ?

59. 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

60. LES MARDIS DECOUVERTE MICROPOLE
QUESTIONS / REPONSES
MERCI DE VOTRE ATTENTION