O slideshow foi denunciado.
Utilizamos seu perfil e dados de atividades no LinkedIn para personalizar e exibir anúncios mais relevantes. Altere suas preferências de anúncios quando desejar.

Big Data : au delà du proof of concept et de l'expérimentation (Matinale business decision 2016)

708 visualizações

Publicada em

Concrétiser les promesses du Big Data avec Hadoop, le Self-Service, les data lakes et le machine learning. Quels cas d'usage, quels retours d'expérience, quelle plate-forme?

Publicada em: Tecnologia
  • Seja o primeiro a comentar

  • Seja a primeira pessoa a gostar disto

Big Data : au delà du proof of concept et de l'expérimentation (Matinale business decision 2016)

  1. 1. 1 ©2016 Talend Inc Big Data : au delà du proof of concept et de l’expérimentation Cas d’usage et trajectoires d’adoption
  2. 2. 22006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 (Revenue Growth) Data Intégration Master Data Management Data Quality Big Data Application Integration Hadoop 2.0 Spark & Cloud Talend : une Histoire d’Innovation 1ère plate-forme unifiée pour la data prep & l’intégration Data Preparation 1er sur Spark 1er sur YARN & Hadoop 2.0 1er plate-forme unifiée pour le batch et le temps réel 1er ETL open source • Notre mission : équiper l’entreprise pilotée par les données • La plate-forme d’intégration Big Data de référence sur la marché • Développement 10X plus rapide • Une unique solution pour le batch et le streaming, intégrant le machine learning
  3. 3. 3 La transformation digitale s’accélère Source Gartner 2016 Entreprises Secteur Public Quel pourcentage de votre chiffre d’affaire est digital ? Quel pourcentage de vos processus est digital ? 16% 25% 37% 22% 31% 41% Aujourd'hui Dans 2 ans Dans 5 ans CIO (n = 609) CEO (n = 400) 42% 60% 77% Aujourd'hui Dans 2 ans Dans 5 ans CIO (n = 344)
  4. 4. 4 “Hier soir encore, vous pensiez être dans une entreprise industrielle, ce matin vous vous réveillez dans une entreprise de software et d’analytique” Jeff Immelt, chairman and CEO of GE
  5. 5. 5 Les moteurs du changement 1. Global data created and copied annually to reach 44 trillion gigabytes by 2020. Source: IDC, 7th Annual IDC Digital Universe Study. April 2015. 2. Worldwide Public IT Cloud Services Revenue in 2019. Source: IDC, Worldwide and Regional Public IT Cloud Services Forecast, 2015-2019. December 2015. 3. “Data scientists spend up to 80% of their time preparing data for analysis.” Source: Sagence Consulting, What is Really Missing in Big Data ROI? February 2015. 4. 82% of organizations are in some phase of adopting real-time analytics or planning to within the next 12 months. Source: IDC, CloudView Survey 2016: Real-Time Analytics Adoption to Grow Rapidly, Especially for IoT, March 2016. La proliferation des données 44 Trillion Gigabytes1 Le Cloud $141B Public Cloud Spend2 Le Temps réel 82% Adopting Real-Time4 Le Self-Service 80% Time Preparing Data3
  6. 6. 6 Les principaux cas d’usages se précisent Réinventer le paysage IT Rapprocher le réel et le numérique Inventer de nouveaux services Redéfinir les parcours clients Créer de nouveaux marchés  Lac de données  Offloading  Maintenance prédictive  Villes et bâtiments intelligents  Monétisation de l’information  Assurance sur mesure  Vues clients 360°  Assistants intelligents  Economie de fonctionnalité  Economie collaborative
  7. 7. 7 Un lac de données pour réinventer les systèmes décisionnels, diminuer leurs coûts et délais de déploiement, et démocratiser leur accès, jusque sur le terrain. Quand le magasin devient data driven Intégrer la Business Intelligence dans les processus opérationnels Réinventer le paysage IT
  8. 8. 8 Anticiper les pannes, planifier les interventions et diagnostiquer les problèmes en 5 mins vs. 6 heures 24,000 capteurs permettent de comprendre, de mieux résoudre et même d’anticiper les pannes, évitant les interruptions de service non planifiés et les impacts financiers associés. http://www.usinenouvelle.com/article/le-big-data-anticipe-les-pannes- de-l-a-380.N383711 Maintenance prédictive dans l’industrie Transformer les opérations grâce aux données
  9. 9. 9 Cas Sidetrade Permettre aux directions financières d’optimiser leur performance en délais de paiement -accordés ou subis- dans une approche fondée sur l’analyse de données et non sur une intuition. Prévoir les comportements de paiements de ses clients en s’appuyant sur le machine learning et sur un historique détaillé de plusieurs millions de transactions Optimiser la gestion du cash-flow et mieux maîtriser les recouvrements Inventer de nouveaux services
  10. 10. 10 75% de réduction du temps et des coûts liés pour démarrer le service chez un nouveau client Des assistants santé orientent vers le service le mieux adapté, selon le profil du patient, son problème, et les prestataires de services accessibles contractuellement. Personnalisation des services santé et amélioration du parcours patient Redéfinir les parcours client
  11. 11. 11 Des laboratoires mobiles permettent de collecter les informations multiples sur le terrain et l’environnement et de recommander le bon dosage d’engrais pour optimiser la récolte. Démocratiser l’adoption des bonnes pratiques de production en réduisant leur coût de mise en œuvre par un facteur 10 Optimiser le rendement des exploitations agricoles Créer de nouveaux marchés
  12. 12. 12 Accompagner la transformation numérique de l’expérimentation à la généralisation Trajectoires d’adoption Initialiser le data lab Aménager le lac de données Opérer l’entreprise data-driven Valeur Seuil de rentabilité Proof of concept Projet approuvé Généra- lisation Transfor- mation
  13. 13. 13 La Plateforme moderne de données Forrester: Create A Road Map For A Real-Time, Agile, Self-Service Data Platform December 16, 2015 Phase 1: Supprimer les barrières informationelles • Intégrer toutes les données Phase 2: Eliminer les temps de latences • Réduire les traitements différés et opérer en temps réel Phase 3: Organiser la plate-forme pour un accès en self-service • Faire évoluer la data governance Phase 4: Généraliser l’ accès des données en temps reel et en self service • Permettre à quiconque d’accéder à l’information en libre service
  14. 14. 14 Une plate forme moderne pour le Big Data et le Cloud Data Fabric APPLICATION INTEGRATION CLOUD INTEGRATION DATA INTEGRATION DATA PREPARATION BIG DATA INTEGRATION MASTER DATA MANAGEMENT
  15. 15. 15 Talend Big Data Sandbox • Un environnement rapide à installer et prêt à l’emploi • Un guide pour accompagner la phase de découverte • Des cas d’usage concrets pré-paramétrés utilisant Spark, Kafka, MapReduce & NoSQL Le chemin le plus pour Hadoop, Spark et le Machine Learning
  16. 16. 16 Analytique pour l’internet des objets Recommandations Temps réel Analyse Clickstreams Modernisation du data warehouse Analyse des performance des joueurs en temps pour les paris en ligne Recommandation d’achat personnalisé en temps avec Machine Learning Analyse du trafic web pour la demand génération et le placement média en ligne Migration d’un data warehouse vers Hadoop pour augmenter la capacité de traitement et réduire les coûts
  17. 17. 17 Systèmes de suivi vidéo Une série de caméras vidéos autour du terrain enregistre les positions des joueurs et de la balle EN DIRECT
  18. 18. 18 agréger la vitesse et la distance parcourue par chaque joueur EN TEMPS RÉEL Notre but :
  19. 19. 19 • Les caméras vidéos transmettent 25 images par seconde • Chaque image enregistre les coordonnées x, y, z de chaque joueur • Un flux de données sportives en temps réel ? Un vrai cas de Big Data ! Défis
  20. 20. 20 Démonstration : Analytique pour l’internet des objets Ingest Process Store VisualizeDeliver Database
  21. 21. 21 A vous de jouer avec Talend Big Data Sandbox • Un environnement Docker pret à l’emploi • Un guide pour accompagner la phase de découverte • Des scenarios réel utilisant Spark, Kafka, MapReduce & NoSQL www.talend.com/BigDataSandbox Le chemin le plus pour Hadoop, Spark et le Machine Learning
  22. 22. 22 ©2016 Talend Inc Big Data : au delà du proof of concept et de l’expérimentation Cas d’usage et trajectoires d’adoption

×