Matinée Micropole DE LA BI A LA DATA INTELLIGENCE 18-10-2016

L E S M A R D I S D E C O U V E R T E M I C R O P O L E

Paris, le 18 octobre 2016

CHARLES PARAT, DIRECTEUR INNOVATION STÉPHANE HAWRO, DIRECTEUR BI

“DE LA BI … À LA DATA INTELLIGENCE”

2

2

CONSEIL ET SOLUTIONS INNOVANTES DATA & DIGITAL

3 AGENCES

EN CHINE9 AGENCES

RÉGIONALES

EN FRANCE

5 PAYS

EN EUROPE

6 PAYS DANS LE MONDEBELGIQUE / CHINE / FRANCE / LUXEMBOURG / PAYS-BAS / SUISSE

+ 1 0 0 M € D E C AD O N T 3 0 % A L ’ I N T E R N A T I O N A L

1 1 0 0C 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

DATA

INTELLIGENCE

Agenda1. 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

4NOUS 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

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

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

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

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

GOUVERNANCEData, organisation…

BIG DATA& BIG ANALYTICS

DATA SCIENCE

9

DE LA BI A LA DATA INTELLIGENCE

ENTERPRISEDATA

INTELLIGENCEENTERPRISE B.I.

SAVOIRFAIRE

BIGDATADATA

SCIENCEDATAVIZINNOVATIONS

CONTRAINTES AGILITEQoS

SECURITEGOUVERNANCE

VALEURL’APPORT DE VALEUR AU CENTRE DE LA STRATEGIE

10

DATA

INTELLIGENCE

Agenda


1. Introduction




Intelligence


6. Q&R

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

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

13DATA INTELLIGENCE

LES USAGES A ADRESSER

ReportingOpé.

Explora-tion

Vision360

ReportingTableaude bord

Analysesadhoc

MiningAnalyse

prédictive

DATASCIENCE

REPORTING OPÉRATIONNEL

REPORTING ENTREPRISE

RECHERCHE & EXPLORATION

Restituer & Analyser Prévoir & Prédire FONCTIONSDU SID

USAGESASSOCIES

PRATIQUESPrév.

métiersBudget& PMT

Planif.& simul.avancées

PLANIFICATION &SIMULATION

Comprendre & Modéliser

UN MOT D‘ORDRE - L‘OUVERTURE

14

DATA

INTELLIGENCE

Agenda

DATA VISUALISATION& Experience utilisateurs

AGILITÉ& Datalab

GOUVERNANCEData, Organisation…

BIG DATA& Big analytics

MOBILITE

1. Introduction




Intelligence


6. Q&R

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

16LA DATAVISUALISATION AU SERVICE DE L’ENSEMBLE DES USAGESLA DATAVISUALISATION SUR LES USAGES FORTEMENT GOUVERNÉS PAR L’IT

ReportingOpé.


ReportingOpérationnel

ReportingEntreprise

FONCTIONS

DU SID

USAGES

ASSOCIES

PRATIQUESPrév.

métiersBudget& PMT

Planification &Simulation

Restituer & Analyser Prévoir & Prédire Comprendre & Modéliser

17LA DATAVISUALISATION AU SERVICE DE L’ENSEMBLE DES USAGESLA DATAVISUALISATION SUR LES USAGES « D’EXPLORATION »

Explora-tion

Vision360

Analysesadhoc

MiningAnalyse

prédictive

DataScience

ReportingEntreprise

Recherche & Exploration

FONCTIONS

DU SID

USAGES

ASSOCIES

PRATIQUESPlanif.

& simul.avancées



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

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 :

VISUAL INTELLIGENCEVos données vous délivrent-elles la bonne information ?


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


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 :

VISUAL INTELLIGENCEVos données vous délivrent-elles la bonne information ?


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

A QUELLE QUESTION DOIT RÉPONDRE MA DATAVISUALISATION ?

par un processus décisionnel

23DATAVIZ KILLERAttention au dérapage

24

DATA

INTELLIGENCE

Agenda



AGILITÉ& Datalab



MOBILITE

1. Introduction




Intelligence


6. Q&R

25UNE AGILITÉ DEVENUE NÉCESSAIRE & GAGE DE CRÉATION DE VALEUR…… rendue notamment possible par la mise en place d’environnements « datalab »

TIME TOMARKET

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

DÉVELOPPERL’INNOVATION

https://prezi.com/kdcy9acolj1m/demarche-agile-datalab/

26LE PROCESSUS DE QUALIFICATION DE VALEUR DE LA DATALES LIMITES DU MODELE « UN BESOIN > UN PROJET »

BIG-IDEE

STRATEGIE / DIRECTION INDUSTRIALISATION

EXAMEN/ DECISION

DSI

SOCLES TECHNIQUES

COMITES DES DONNEES

DICTIONNAIRES

DESIGN

BUILD

RUN

METIERSINFORMATIQUE

27LE PROCESSUS DE QUALIFICATION DE VALEUR DE LA DATAUNE 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

METIERSINFORMATIQUE

PLAN D’ACTION

/ MOYENS

DECOUVERTE

QUALIFICATION

EVALUATION

SUIVI

RESULTATS

28LE PROCESSUS DE QUALIFICATION DE VALEUR DE LA DATAUNE 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

METIERSINFORMATIQUE

29LE PRINCIPE SANDBOX

EDW

Datalab(sandbox)

ANALYSE / DATAVIZ

STATISTIQUES / MINING

ACCES TECHNIQUES RICHES ET A JOUR

PROFILING/QUALITY

FLUX COMPLEXES

STOCKAGE

BESOINSI.T.

BESOINSMETIERS

USAGE AGILE

Données« départementales »

DATALAKE

S.I. COMPATIBLE !!

DonnéesExternes (BigData, OpenData, …)

30

DATA

INTELLIGENCE

Agenda



AGILITÉ& Datalab



1. Introduction



4. Nouvelles architectures orientées Data Intelligence


6. Q&R

DATA SCIENCE

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

32UN NOUVEAU PARADIGME : DÉMULTIPLICATION DE LA DONNÉEDe 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)

RéseauxSociaux

Données

internes

Partenaires

Délégataires

(ex. SNCF) …

Économies : ressources, énergie…

Recommandations

proactives

Maintenanceprédictive

Amélioration continue des processus

Optimisation du « time to repair »(Réduction des délais d’analyse des causes)

Capteursmachines/robots

Contexte &conditions

Flux

€

Maintenance

Transport

Vision 360°

Interactions “agiles”

Analyses prédictive, prescriptive & descriptive

Amélioration des processus(existants)

Nouvellesgénérationsde produits& services

Transactions(incl. digital

Interactions (incl. digital)

Réseauxsociaux

Points de

rencontres

clients

Partenaires

(ex. livraison) …

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

36

LES RÔLES

L’ARCHITECTE DE

DONNEES

LE BUSINESS

ANALYST

37

DATA

INTELLIGENCE

Agenda

1. Introduction




Intelligence


6. Q&R



AGILITÉ& Datalab



DATA SCIENCE

38

DATA MINING &

DATA SCIENCE

UN LIEN TRÈS FORT !

CHRONOLOGIE :

1850 : STATISTIQUEQuelques centaines d’individus et quelques

variables, recueillies selon un protocole strict

pour une étude scientifique

1960 : ANALYSE DE DONNÉESQuelques dizaines de milliers d’individus et

quelques dizaines de variables recueillies de

façon rigoureuse pour une enquête précise

1990 : DATA MININGPlusieurs 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 SCIENCELes 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…

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

40

DATA MINING &

DATA SCIENCEET 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 ETSUIVI DE LA

PERFORMANCE

VALIDATION DES OBJECTIFS ET

INDUSTRIALISATION

EXPLORATION,MODÉLISATION, OPTIMISATION

SÉLECTION, EXPLORATION

ET PRÉPARATIONDES

DONNÉES

CADRAGE DU PROJET

DÉFINITION DESOBJECTIFS

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

42

BEST PRACTICES

POUR ALLER

VERS LA DATA

SCIENCE

LES PROFILS ?

43

DATA

INTELLIGENCE

Agenda

1. Présentation de Micropole

2. Introduction


4. Nouveaux enjeux

5. Panorama des outils


Intelligence

7. Q&R



AGILITÉ& Datalab



DATA SCIENCE

44

USAGES METIERS


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

45


DEMARCHE PAR OPPORTUNITE OU CRITICITEPREVUE 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

46


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

47


VOTRE VISION D’UNE GOUVERNANCE PAR SUJETPAR RAPPORT AUX PERIMETRES DE VOTRE RESSORT

SPONSOR

A

RESP.

I.T. XRESP.

METIER M

PERIMETRE

SUJET A

SPONSOR

B

RESP.

I.T.YRESP.

METIER N

PERIMETRE

SUJET B

SPONSOR

C

RESP.

I.T.ZRESP.

METIER O

PERIMETRE

SUJET C

48


POUR CONTRIBUER A LA VISION D’UNE GOUVERNANCE GLOBALE… ET LE PILOTAGE DES INDICATEURS D’ENTREPRISE ?

SPONSOR

COMEX

RESP.

DSIRESP.

FONCT. (*n)

PERIMETRE

CORPORATE

SPONSOR

A

SPONSOR

BSPONSOR

C…

49


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 ?

50

DATA

INTELLIGENCE

Agenda


1. Introduction




Intelligence


6. Q&R

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 mois 80% IT20% Métier

LES DIFFÉRENTES FORMES DE LA BI

Gouvernance projet forteCycle en « V »

Rigidité du Datawarehouse

~3/6 mois 50% IT50% Métier

Gouvernance projet modéréeIndicateur 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+ITen mode DataScience

Gouvernance projet faibleMéthode de développement rapide

E-commerce, navigation web, Géomarket

52REPENSER LES ARCHITECTURES BIPensez différemment

EPM

DATA SCIENCEET DES PLATEFORMES AGILES (DATALAB’S)

ANALYSE ETREPORTING

MÉTIER

REPORTINGENTREPRISE

Sources SIODATAMARTS

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

REPORTINGOPÉRATIONNELDATALAKE

Repenser les usages=

Meilleure valorisation/utilisation de la

donnée=

Rationalisation et gouvernance des restitutions

53REPENSER LES ARCHITECTURES BIEn systématisant le Big Data – Si nous connaissons les apports, connaissons-nous les impacts ?

Big Data en remplacementde la BI existante

Big Data en complément de la BI existante

Architectures hybridesDémarche d’évolution

Architectures intégréesDémarche de refonte

Recommandé par Micropoledans 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 »

54NOTRE CONVICTIONArchitecture hybride

En mouvement (Streaming)Structurées

EDW

Non-structurées

“ ”

Hadoop

Couche d’exposition


DataScience

ReportingOpérationnel

ReportingEntreprise

Recherche & Exploration


ReportingOpé.

Explora-tion

Vision360


Analysesadhoc

MiningAnalyse

prédictivePrév.

métiersBudget& PMT

Planif.& simul.avancées

Machinelearn

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 CONVICTIONUne meilleure gestion de la donnée

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

AchatsIn-memoryOLTP table

Données chaudes

Historique d'achats table étirée

Exécution de requêtes fédérées

On-premises

Cloudou

Big Data

NOTRE CONVICTION

SI ETENDU

57

Identifier la ligne de rupture

Implémentations complexesEnterprise Data Warehouse

Données en silos

Hadoop

Dashboards Analyse Ad hoc

Machine learning

OLAP

Toutes les données

In-memory

Internet des objets

Systèmes transactionnelsETL

Reporting Opérationnel

Vale

ur

Streaming

Innovation

EDW Hadoop

NOTRE CONVICTION

58





UTILISER LE BIG DATA EN COMPLÉMENT DE LA BI EXISTANTE (1)



EDW Hadoop

Peu ou pas structurées

Peu ou pas organisées

Chaudes

Brutes

Structurées

Peu organisées

Tièdes

Orientées

Structurées

Organisées

Froides

Transformées


exploration Vision 360°Analyse Prédictif Data ScienceTableaux de bord Reporting

Synchro

59





UTILISER LE BIG DATA EN REMPLACEMENT DE LA BI EXISTANTE (2)



Hadoop

Peu ou pas structurées

Peu ou pas organisées

Chaudes

Brutes

Structurées

Peu organisées

Tièdes

Orientées

Structurées

Organisées

Froides

Transformées


exploration Vision 360°Analyse Prédictif Data ScienceTableaux de bord Reporting

60

LE POINT DE LA BI A LA DATA INTELLIGENCE

ENTERPRISEDATA

INTELLIGENCEENTERPRISE B.I.

SAVOIRFAIRE

BIGDATADATA

SCIENCEDATAVIZINNOVATIONS

CONTRAINTES AGILITEQoS

SECURITEGOUVERNANCE

VALEUR

OÙ EN ÊTES-VOUS ? À QUEL RYTHME VOULEZ-VOUS MUTER ?

61

DATA

INTELLIGENCE

Agenda

1. Introduction




Intelligence


6. Q&R


Désolés, nous ne sommes pas autorisés à utiliser ce retour d’expérience en dehors de l’évènement dans nos locaux

L E S M A R D I S D E C O U V E R T E M I C R O P O L E

QUESTIONS / REPONSES

MERCI DE VOTRE ATTENTION

Matinée Micropole DE LA BI A LA DATA INTELLIGENCE 18-10-2016

Presentations & Public Speaking

Transcript of Matinée Micropole DE LA BI A LA DATA INTELLIGENCE 18-10-2016