Big Analytics & Visualisation

Big Analytics &VisualisationSAS- Excel

TEM– MarketingDigitalLundi9mai2016

SabineBruaux I@sbruaux

JeremercieHalim Msilti poursacontribution àcesupport

SAS– Outil(avancé)delaBusinessIntelligence

• SystèmeSAS• Al’origine,en1976,SAS estunlogicielconçucommeoutilspécialiséenanalysestatistique

• Aujourd’hui,SASestunnomdemarque, SAS Institute§ Sociétéaméricaineindépendante(noncotéeenbourse)§ 1er éditeurmondialdansledomainedel’informatiquedécisionnelle

SabineBruaux- PrésentationàTEM- 09/05/2016 2

Applications métiers : finance, marketing, relation client, approvisionnement, …

• Metadata Server• Application Server• Management console

• SAS information Delivery Portal(portail, diffusion de rapports)

SAS AppDevSAS WebReport StudioSAS Visual Data explorer

• SAS Enterprise Guide• SAS Enterprise Miner

SAS ServerEnterprise Business Intelligence Server(outils de requêtes et de reporting)

Analytical Server(outils d’analyse)

• SAS Olap Server • SAS SPDSl

Intelligence Storage(bases de données décisionnelles, entrepôts de données)

• SAS ETL Studio • SAS Data Quality

Enterprise ETL Server(extraction, transformation, alimentation et traitement de données)Sy

stèm

e SA

S


SAS– DifférencesparrapportauxoutilsdelaBureautique• SystèmebureautiqueVs.Systèmedécisionnel

Données- Traitement– Services

► Systèmebureautique• Micro-ordinateurs

+/- isolés• Petites applications

Conviviales - Simples - Statiques• Requêtes utilisateurs simples• Bases de Données utilisées

Locales - ChangeantesOrientées édition de donnéesDonnées de types standardStructures de données figéesAucun lien avec sauvegarde sur disque

• Organisation – Intégration au SI+/-

► Systèmedécisionnel• Serveurs centraux et/ou répartis

Postes de travail en réseau(x)• Grosses Applications

Clients/Serveurs – n-tiers – DynamiquesTemps réel

• Requêtes utilisateurs complexes• Bases de Données utilisées

Centrales - Historique évolutifOrientées traitement de donnéesDonnées scientifiques-techniquesStructures de données dynamiquesPersistance

• Organisation – Intégration au SIParallélisme – Concurrence (accès simul.)RobustesseAdministration complexe

ArtisanatPilotage par la technologieRoutineActivités au jour le jour

IndustrialisationPilotage par les métiers (BPM)Stratégie à long terme+ de CréativitéTravail collaboratif


SAS– DifférencesparrapportauxoutilsdelaBureautique• SystèmebureautiqueVs.Systèmedécisionnel

Données- Traitement– Services

► Excel/Access•Outils individuels

Pas de travail coopératif/collaboratif•Capacités limitées

Volume de donnéesCohérence des donnéesStockageSuivi de l’historiqueExploitation des Feuilles de calcul…

••Organisation – Intégration au SI

+/-

► SAS• Outil individuel et en groupe

Travail collaboratif/coopératif simultané• Fédération et Intégration

Données et Informations hétérogènes, dispersées dans les BdD de l’entreprise

• Restitution Information dans un format unifié

• Mécanisme de reporting centraliséOpérationnel et décisionnel

• Organisation – Intégration au SICouplage PGI-BI-BPMModélisation de la stratégie d’une entrepriseTableaux de bord prospectifsCommunication simplifiée

Moteur de calcul, requêtage, …Véhicule de tourismeLéger (V4, V6)

SAS = Excel + Access + …Véhicule industrielLourd (V8, V12, …)

5

Organisationdesdonnées

• Pointsd’entréedeSAS u Portail d’information SAS

• Page Web permettant l’accès aux différentes applications, à leurs résultats, pour une consultation ou une étude.

• Portail configurable, modulable, sécurisé.

• Permet de fédérer les informations de l’entreprise


Organisationdesdonnées

• SortiesdeSAS u L’ensemble des résultats produits par SAS. • Une ou plusieurs table(s) SAS

• Du texte, appelé listing (mise en forme minimale) ; mode d’affichage par défaut

• Un ou plusieurs graphique(s) qui font l’objet d’un affichage séparé

• Un ou plusieurs fichier(s) mis en forme : • Documents Word - Feuilles Excel – Documents PDF

• Page(s) Web

• Code SAS

• Code SQL

• …SabineBruaux- PrésentationàTEM- 09/05/2016 7

Dossier virtuel

Dept VentesBons de commande

FacturesStock

BdDLocale

SAVLivraisonsGaranties

Réclamations

BdDLocale

Dept Finance et Comptabilité

PaiementsCaisse

Comptabilité Gén.Comptabilité An.

BdDLocale

Dept Juridique

RecouvrementsRéclamations

Litiges

BdDLocale

ExtraireChargerTraiter

Technologie(s) avancée(s)Centralisation/RépartitionSynchronisationChaîne de traitementVue partielle/globaleTravail collaboratifBPM…

DossierClient

Ancien, actuel, nouveau

Solution : Classeur SAS

AnalyserPrévoirDécider

Organisation des données


TablesetvuesdeSAS

u Table : structure de données logiqueOrganisée en Lignes (Observations) et Colonnes (Variables)

Une table est une « photo » des données stockées sur un support physique (disque, bande magnétique, CD-ROM, …)


TablesetvuesdeSAS

u Vue : présentation tabulaire de donnéesRésultat d’une requête (instruction d’un langage de programmation)Une vue est un « lien » vers un ensemble de données

u Lignes et colonnes ne sont pas interchangeables, au contraire d’une feuille Excel


TablesetvuesdeSAS

Sémantique des données et relations entre les données

Base de donnéesphysique

Mode d’inscription des données sur le support physique : blocs d’octets

Base de données conceptuelle

Vue 1

Application 1

Vue 2

Application 2

Vue N

Application N

Tableaux dynamiquesGraphiques dynamiques

Modèles d’Interfaces utilisateurs

Niveau logique

SabineBruaux - PrésentationàTEM- 09/05/201611

Architecturetype


u Cubes SAS (MDDB – Multi-Dimensional DataBase)Structures de données complexes, pré-agrégées, sur lesquellesdes statistiques ont déjà été calculées, et des axes d’exploration (dimensions) déjà définis.

u Accès à l’aide de méthodes OLAP – OnLine Analytical Processvia les modules SAS/EIS, SAS/AF

u Création à partir des procédures du module SAS/MDDB

temps

Clients

Adresse

Bases de données multidimensionnelles


Lemultidimentionnel

Axe d'analyse: Le temps(Année, trimestre, mois, semaine)

Variables analysées:Nb unités, CA, marge...

Axe d'analyse: La géographie (Pays - région - ville)

Axe d'analyse: Les produits (classe, produit)

Axes d'analyse: dimensionsVariables analysées: indicateurs


Lagranularitédesdimensions

• Exemple:lemontantdesventesfonctionde(Mois,région,Produit)Produit

Mois

TypeRégionAnnée

CatégoriePaysTrimestre

ProduitVilleMoisSemaine

MagasinJour

Granularitédesdimensions:


LagranularitédesdimensionsExemple

NumFou

NumPro

Date

F1

F2

P1 P2 P3

2000

2001

2002

250

300

350

500

600

400

300

200


Lanavigationmultidimensionnelle

• Rollup:• Agrégerselonunedimension

• SemaineèMois

• Drilldown:• Détaillerselonunedimension

• Moisè Semaine

• SliceetDice:• Sélectionetprojectionselon1axe

• Mois=04-2003;Projeter(Région, Produit)

• Pivot:• Tournelecubepourvisualiseruneface

• (Région,Produit)è(Région, Mois)

CA

Projection en 2 dimensions

Produits

Région

Réduction selon 1 dimension

Produits

Temps en mois

CA

Coupe d ’un cube

CA

Produits

Temps en semaines

pour une région donnée

France

Sud

Marseille NiceLyon

Est Ouest

Zoom selon une dimension

SabineBruaux - PrésentationàTEM- 09/05/2016 17

Lesvuesd'uncubeExempleCUBE

• SELECTAnimal,Lieu,SUM(Quantite)asQuantiteFROMAnimauxGROUPBYAnimal,MagasinWITHCUBE

Animal Lieu QuantiteChien Paris 12Chat Paris 18Tortue Rome 4Chien Rome 14Chat Naples 9Chien Naples 5Tortue Naples 1

Animal Lieu QuantiteChat Paris 18Chat Naples 9Chat - 27Chien Paris 12Chien Naples 5Chien Rome 14Chien - 31Tortue Naples 1Tortue Rome 4Tortue - 5- - 63- Paris 30- Naples 15- Rome 18


Lesvuesd'uncubeExempleROLLUP

• SELECTAnimal,Lieu,SUM(Quantite)asQuantiteFROMAnimauxGROUPBYAnimal,MagasinWITHROLLUP

Animal Lieu QuantiteChien Paris 12Chat Paris 18Tortue Rome 4Chien Rome 14Chat Naples 9Chien Naples 5Tortue Naples 1

Animal Lieu QuantiteChat Paris 18Chat Naples 9Chat - 27Chien Paris 12Chien Naples 5Chien Rome 14Chien - 31Tortue Naples 1Tortue Rome 4Tortue - 5- - 63


Aidesàladécision

OLTPetOLAP

DWOLTP

ETL

Appli.

Reports&

Analysis

DM

OLAPAppli.Appli.


Datawarehouse :définition

• Entrepôtdedonnées• Ensemblededonnéeshistorisées variantdansletemps,organiséparsujets,consolidédansunebasededonnéesunique,gérédansunenvironnementdestockageparticulier,aidantàlaprisededécisiondansl’entreprise.

• Troisfonctionsessentielles:• collectededonnéesdebasesexistantesetchargement• gestiondesdonnéesdansl’entrepôt• analysededonnéespourlaprisededécision


ConcevoirleDW

• Exportdedonnéesdessources• Hétérogènesetvariées• Fichiers,BDpatrimoniales,Web,…• Définitiondesvuesexportées

• Définitiond'unschémaglobal• Intègrelesdonnéesutiles• S'appuiesurlemodèlerelationnel

• Nécessitéd'unegestiondeméta-données• Descriptiondessources• Descriptiondesvuesexportées• Descriptionduschémaglobal


ConcevoirleDWOrganisationparsujet• Lesdonnéessontorganiséesparsujetsmajeurs:

• Clients,produits,ventes,…

• Sujet=faits+dimensions• Collectelesdonnéesutilessurunsujet

• Exemple:ventes• Synthétiseunevuesimpledesévénementsàanalyser

• Exemple:Ventes(N°,produit,période,magasin,)• Détaillelavueselonlesdimensions

• Exemple:Produits(IDprod, description, couleur, taille,…)• Magasins(IDmag,nom,ville,dept,pays)• Periodes(IDper, année, trimestre,mois,jour)


ConcevoirleDWConceptionduschémaintégré• Isolerlesfaitsàétudier

• Schémadestablesdefaits

• Définirlesdimensions• Axesd'analyse

• Normaliserlesdimensions• Éclaterenplusieurstablesliésparcontraintesréférentielles

• Intégrerl'ensemble• Plusieurstablesdefaitspartagentquelquestablesdedimension(constellationd’étoiles)


ConcevoirleDWSchémasenétoile• UnetabledefaitsencadréesparNtablesdedimensions

IDperannéetrimestremoisjour

Periodes

IDmagnomvilledépartementpays

Magasins

Tabledefaits“ventes”

produitmagasin

unités_vendues

montant_ventes

taxes_ventes

IDproddescriptioncouleurtaillefournisseur

Produits

periode


ConcevoirleDWSchémasenflocons• Raffinementduschémaétoileavecdestablesnormaliséespardimensions

• Avantages• Évitelesredondances• Conduitauxconstellations(plusieurstablesdefaitsàdimensionspartagées)

IDproddescriptioncouleurtailleIDfour

Produits

IDfourdescriptiontypeAdresse

Fournisseurs

Ventes


AlimenterleDW

• ETL=Extracteur+Intégrateur• Extract +Transform +Load

• Extraction• Depuislesbasessourcesoulesjournaux• Différentestechniques

• Push=règles(triggers)• Pull=requêtes(queries)

• Périodiqueetrépétée• Dateroumarquerlesdonnéesenvoyées

• Difficulté• NepasperturberlesapplicationsOLTP


AlimenterleDWTransformation• Accèsunifiésauxdonnées

• Unificationdesmodèles• Traductiondefichiers,BDréseaux,annuairesentables• EvolutionversXML(modèled'échange)plusriche

• Unificationdesaccès• Rowset,SQLlimité,SQLcomplet,…


Lerecueildesdonnées

Type(format)defichier Volumedu fichierStructure Outil(s)

Fichierplat

Petit

Excel

E-views

Sphinx

Grand

Access

Excel2010+PowerPivot

SAS

Fichierdebasededonnées

PetitFaiblecomplexité Access

GrandComplexe

Excel2010+PowerPivot

SAS

- Les données requises se trouvent-elles dans un fichier plat ?- Les données requises se trouvent-elles dans un fichier de base dedonnées ?

- …


Sourcesdedonnées

Les sources de données sont nombreuses,et les conditions d’accès aux donnéessouvent restrictives

• Accès libre/gratuit• Téléchargement à partir d’une source publique ou

privée• Accès restreint/payant

• Partenariat école-entreprises• Par exemple : SAS Institute

• Alternance-Entreprise• Votre sujet est en rapport avec votre formation

N° Source(s)

1 Universités- Ecoles

2 Laboratoiresderecherche

3 Organismespublics etpara-publics

4 Observatoires- Associations

5 Entreprisespartenairesdel’école

6 Entreprises(alternance)

7 Institutsd’études

8 Laboratoiresd’idées (Think thank)

9 Cabinetsdeconseils

10 Basesdedonnéesprivées

11 Recherche directesurleWebdata+set+keyword


ExemplesdeBDprivéesenmarketing

Nom delabasededonnées Type d’informationdisponible

EuromonitorGMID(EuromonitorInternational)

Informationsqualitativesetstatistiquespour24marchésdeproduitsdeconsommation.Couvre205pays(dont80paysenprofondeur).Sontégalementdisponibles desprofilsd'entreprisesetdescalculsdepartsdemarchéainsiquedesrapports surlasantéfinancièredesentreprises.

Luxury Goods -EuromonitorGMID

(EuromonitorInternational)

Informationsqualitativesetstatistiquessurl'industrieduluxedanslemonde.Couvre26paysetanalyselesmarchésetleursperspectivesàtraversdesdonnés demarché,chiffresclés,profilsd'entreprises, etétudespays.


Sourceprivée:SASInstituteLancer le logiciel SAS EnterpriseGuide 4.3 (depuis le portail Citrix)

Nouveau projetAide en ligne

SAS On the WebSAS Statistics Resources

Sélectionnez le logiciel SAS Enterprise Guide 4.2 puis cliquez sur GOChoisir Dowload SAS DataChoisir sujet ; par exemple Statistics puis cliquez sur le bouton List Data Set (télécharger lesfichiers)

Autre choix : Solve exercicesVous pouvez commencer par choisir le format de fichiers à importer (Excel ou SAS).Ciquez sur GO. Tous les fichiers sont téléchargés.Autre possibilité : choisir un sujet, puis regardez dans les différents onglets (Data, Solution, …)

Accès direct par InternetSabineBruaux- PrésentationàTEM- 09/05/2016 32

AlimenterleDWTransformation• Mapping plusoumoinssophistiqué

• Unificationdesnoms• Appelerpareillesmêmeschosesetdifféremment leschosesdifférentes• Applicationdes"business rules"

• Eliminationdesdoubles• Jointure,projection,agrégation(SUM,AVG)

• Cleaning desdonnées• AucuneétudeouanalysesérieusenepeutêtremenéesansdesdonnéesqualifiéesSource,qualité,pertinence,volume,historique, format(s)desfichiers,etc.


AlimenterleDWChargement• Pasdemiseàjour

• Insertiondenouvellesdonnées• Archivagededonnéesanciennes

• Degrosvolumes• Périodicitéparfoislongue• Chargementenblocs(bulk load)• Miseàjourdesindexetrésumés

• Problèmes• Cohabitationavecl'OLAP?• Procéduresdereprises?


GérerleDW

• Baserelationnelle• Supportdelargesvolumes(qq 100gigasàqq téras)• Historisationdesdonnées(fenêtres)• Importancedesagrégatsetchargementsenblocs

• Basespécialisée• Basemultidimensionnelle• Combinaisondesdeux

• Machinesupportparallèle• Multiprocesseurs• Mémoirepartagée,cluster,buspartagé,etc.


Chaînedevaleur

DATA ETL INTELLIGENTSTORAGE

BUSINESSINTELLIGENCE

BUSINESSANALYTICS

DBMS

DataWarehouse(s)DataMarts(s)CubeOLAP

Rapportsd’informationGraphiques

Tableauxdebordopérationnels (Dashboards)

BSCRisk

Decision Aid


u Quoi ?» Intelligence fait référence à la notion de connaissance, au sens anglo- saxon du

terme» Business Intelligence : connaissance/maîtrise des affaires

Compréhension d’une situation et des principes de base de gestion de la situation

• Prise en compte de l’environnement : partenaires, relations d’affaires, etc. • Intégration du temps• Intégration du risque et de l’incertitude• Maîtrise des processus opérationnels

La bonne compréhension d’une situation (passé, présent), permet de prendre la bonne décision au bon moment (futur)

Socle de la Business IntelligenceInformatiquedécisionnelle


Business Intelligence & AnalyticsInformatiquedécisionnelle

q Butu Développement d’applications métiers

Analyse des ventes et prévision de la demande - Stocks – LogistiqueSegmentation et analyse du comportement de la clientèle

u Etudes décisionnelles et modélisation (différents départements)Indices de performance - Tableaux de bord

u Optimisation des processus pour l’aide à la décision (opérationnelle et stratégique) et valorisation de l’information

Production de statistiques : ventes par région (types de produits, période)Production de graphiques : projection temporelleProduction de cartes : Géolocalisation (2D ou 3D), SIGProduction de statistiques : ventes par région (types de produits, période)Ciblage d’une campagne marketing (octroi de crédit par exemple)Quels sont les clients à contacter ? Quel taux de retour attendre du modèle ? Quels sont les scores sur les clients ?


AlerteAnalyseexploratoireRapportàla

demande

Démarche&SolutionAnalytique

PrésentPassé Futur(s)

Degréd’intelligence

Information

BusinessIntelligence BusinessAnalytics

Rapportprédéfini

Analysedescriptive

Analyseprédictive

EvaluationetAnalysedurisque

AméliorationQualité

Décrireetcomprendrecequiestarrivé§ Quoi?Qu’est-il arrivé?Ques’est-ilpassé? Où?§ D’oùvientleproblème ?Quiestimpliqué ?§ Pourquoi est-cearrivé?§ …

Quepeut-ilarriver?§ Quesepassera-t-ilsi…?§ Faut-ilréagir?Quefaut-ilfaire?§ Quellesactionsfaut-il mener?§ Pourquelsrésultats ?§ …

Gestiondecrise Scénariid’évolution

(hypothèsesvraisemblables)Aideàladécision

Tableauxdebordopérationnels

Réagir- Interagir- Anticiper§ Quelsoutils(rapports, études, synthèse)?§ Quellesanalyses?Compréhension ?Restitution ?

Socleanalytique:Statistiquedescriptive, Calculdesprobabilités, Statistiqueinférentielle,DataMining,Optimisation, …

Commentintégrerlesnouveauxfacteurs?§ Mobilité- Internet§ Ubiquité - Réalitéaugmentée§ Processus– Organisation– Stratégie§ Relations(clients, collaborateurs, décideurs, …)§ …

Changement


Utilisateurs de la BI• Exemplededémarcheanalytique:scènedecrime

Descriptionde lascène

Collectededonnéesobjectives

Compréhensionduproblème

Profilage:victime(s),criminel(s)

Hypothèses

Instructiondel’affaire

Compréhension duproblème

Hypothèses

Miseenexamen,gardeàvue,arrestation

Conclusion:accusation,libération

Justice:procureur,juge(s)Police :servicesetacteursdivers

RelationPolice/Justice:problématiques, objectifs,confiance,moyens,…

Investigation :enquêtes, analyses,recherched’information,surveillance


Big Analytics &Big Data


Objectifcommun:Valued Data

• La donnée utile (un moyen et non une fin) pour créer un nouvel océan :• nouveaux champs des possibles : usages - pratiques - besoins• avantage compétitif :

• actions ciblées et optimisées : meilleure identification et (géo)localisation des contacts - meilleureexplication et prévision de leurs comportements – (inte)réaction instantanée et localisée - relierles contacts…

• technologies avancées : pouvoir examiner tout type de données liées sous toutes les coutures• nouvelles métriques (ROI)


LeparadigmeBig Data

“Big data is high-Volume, high-Velocity and high-Varietyinformation assets that demand cost-effective, innovativeforms of information processing for enhanced insight anddecision making.” Gartner 2008


LeparadigmeBig Data


Unebonnevidéoéducative

http://www.lachaineweb.com/quest-ce-que-big-data-video/


Big Data:lesVRAIESnouveautés

Les4Vsontprésents…maislaVARIETEestcertainementleplusnovateuraprèslavélocité(tempsréel)


Collecteretstockerlesdonnéesdesentreprises≠ nouveau


Analyserlesdonnéesdesentreprises≠ nouveau


Synthétiserlesdonnéesdesentreprises≠ nouveau


Utiliserlesdonnéesdesentreprises≠ nouveau


NouveautésentermesdeVolume

• Solutions de stockage massif distribué avec parallélisation de l’exécution desrequêtes et des traitements analytiques

• Appliances Teradata,Oracle Exadata, IBMNetezza• Nouvelles architectures issues du Web : Hadoop avec le paradigme de programmation «Map-Reduce »

• Arrivée de Spark commemoteur de traitement de données• application -> donnée


Solutionsd’appliance :étatdumarché

IBMNetezza

SolutionMPP

(traitementsmassivementparallèles)

InstallationApplianceseule

Offre initialedepuis2000;

versionactuelledepuis

2004

Teradata

SolutionMPP


InstallationApplianceseule

Offre initialedepuis1983;

versionactuelledepuis

2009

EMCGreenplum

SolutionMPP


ApplianceetSoftware,(stockagecolonneethybride)

Offre initialedepuis2005

HPVertica

SolutionMPP


Base dedonnées en

modecolonne


OracleExadata

ApplianceData

WareHouse

Stockagemixte (flashetdisque),modecolonneetcompression

Version11gExadata

depuis2008

SAPHANA

SolutionMPP


Configurationmixte

applianceetsoftware


SASHP

Analytics

SolutionMPP

Inmemory

SolutionMPP

Inmemory



ExpérimentonsMapReduce pourlefun!MapReduce est un framework de développement inventé parGoogle pour effectuer des calculs parallèles

MapReduce

1. L’étape File : on lit le fichier en entrée et on initialise les différents «Workers MapReduce»

2. Lʼétape Splitting : on distribue les données à traiter sur les différents noeuds du cluster de traitement

3. L’étapeMap : on effectue le compte de chacune des lettres et ceci en local sur chaque noeud du cluster de traitement

4. L’étape Suffling : on regroupe toutes les lettres ainsi que leur compte à partir de tous les noeuds de traitement

5. L’étape Reduce : on effectue le cumul de toutes les valeurs de chaque lettre

6. L’étape Result : on agrège tous les résultats des différentes étapes Reduce et on retourne le résultat final


NouveautésentermesdeVélocité

• Solutions pour le traitement des données arrivantsous la forme de flux continus dedonnées

• Décisionnel temps réel

• « Complex Event Processing»• Alarmes par filtrage• Agrégations sur fenêtre temporelle glissante• Scoring temps réel

• Fouille de flux de données• Modèles adaptatifs


NouveautésentermesdeVariété

• Variétédestypesdedonnées• Donnéestemporelles, spatiales• Texte,image,audio, vidéo,…• Donnéesstructuréessous formedegraphe

Ø bénéficiedelaflexibilitéetpassageàl’échelledesnouvellesarchitecturesissuesduWeb(ex.Hadoop)parrapportaustockagerelationnel

• Variétédessourcesdedonnées• Réseauxdecapteursdistribués géographiquement

Ø architecturesdédiéesou«Complex EventProcessing »distribué

• Variétédessourcesdedonnées• Partageetcroisementdedonnées• Donnéesouvertes(«opendata»)• Gestiondesdonnées personnelles


LestechnologiesduBig Data


LeBig data transformetout…Transformationsinternes• Evolution significative (des modèles) de l’entreprise:

• Mode(s) de gestion : gouvernance des données (collecte, manipulation, extraction, stockage) –système d’analyse (business analytics, business intelligence) – CRM (datamining, personnalisation)

• Stratégie : obsolescence du principe de base de données centralisée traitant des donnéestransactionnelles structurées (MDM, SGBDR) - management de l’innovation (capacité à capter leprogrès, esprit de conquête, vision, capacité à porter le changement)


MenerunprojetBig Data

• Le Big Data représente un challenge technique pour lequel il n’existe aucune architecture uniquesupportant tous les problèmes de goulot d’étranglement :

• Stockage (accès aux données)• Traitement (nombre de CPU)• Transaction (requêtes concurrentes)• Streaming (temps de latence)

• Questions à se poser :• Traitement ponctuel ou permanent?• Cycle de vie des données : mortes ou vivantes ?• Compatibilité tps de traitement/volume• Hébergement : internalisation ou externalisation


MenerunprojetBig Data

• Défis• Trouver le modèle économiquedes traitementsBigData• Déterminer ce qui est possible en fonction des contraintes juridiques et éthiques (privacy)• Définir une organisation dans l’entreprise (ou avec des partenaires) permettant une mise enœuvre efficace des approchesBig Data, en particulier les compétences

• Connaître ses propres données et celles disponibles à l’externe

• Risques/opportunités• Perdre la rentabilité face à la concurrence / Optimiser son activité• Perdre de l’activité / Augmenter et développer son activité• Trouver de nouveaux produits et services• Levier de décloisonnement et demodernisationde l’entreprise


Mercidevotreattention,àvousde« jouer »maintenant!

• ExercicessousExcel• Réaliserunepyramidedesâges(indicateurdepilotagemétier)• Réaliserunquadrantmagique(indicateursdepilotagestratégique)

• ExercicessousVA-SAS• Priseenmaindel’outilVisualAnalytics SAS(étudedecasBioOrganics)http://www.teradatauniversitynetwork.com/


Big Analytics & Visualisation

Education

Transcript of Big Analytics & Visualisation