Monétisation des données : comment identifier de les trois Vs, information comme ......
20
Dr Wolfgang Martin Analyste et adhérant du Boulder BI Brain Trust Monétisation des données : comment identifier de nouvelles sources de revenus au sein des Big data ?
Transcript of Monétisation des données : comment identifier de les trois Vs, information comme ......
Dr Wolfgang Martin Analyste et adhérant du Boulder BI Brain Trust
Monétisation des données : comment identifier de nouvelles sources de revenus au sein des Big data ?
Les Big data
Démystifier les Big data. Les incompréhensions typiques des Big data. Une définition des Big data.
Monétiser des données. Les 5 sources de revenus.
Organiser la monétisation des données. La gouvernance des Big data.
2 © 2013 S.A.R.L. Martin
Mythes sur les Big data (I)
Mythe n° 1: Big data = Hadoop Les Big data sont plus qu’une technologie. La technologie de Hadoop est complémentée par NoSQL
et des bases de données analytiques MPP.
Mythe n° 2: Big data = en mémoire Les technologies des Big data profitent d’une combinaison
de mathématique et de technologies logicielles et hardware.
Mythe n° 3: Big data = analyses statiques Les Big Data comprennent l’analyse des flux de données,
donc analyses en temps réel.
3 © 2013 S.A.R.L. Martin
Mythes sur des Big data (II)
Mythe n° 4: Les Big data ne sont qu’un problème de stockage de données. Les Big data veulent dire « analytique ». L‘analytique crée la monétisation et le potentiel de la transformation.
Mythe n° 5: Big data = analyse des médias sociaux. Big data = transactions + interactions + observations.
Mythe n° 6: Les Big data jouent un rôle uniquement dans le commerce. Les Big data jouent un rôle partout.
4 © 2013 S.A.R.L. Martin
Big data – une définition
Caractéristiques de la définition: les trois Vs,
information comme bien (“asset”),
traitement de l’information d’une manière rentable et innovatrice,
meilleures compréhension et prise de décision.
5 © 2013 S.A.R.L. Martin
Big data” is high-volume, -velocity and -variety information assets that demand cost-effective, innovative forms of
information processing for enhanced insight and decision making. (Gartner [1])
[1] confer Forbes (accès au 10 avril 2013) http://www.forbes.com/sites/gartnergroup/2013/03/27/gartners-big-data-definition-consists-of-three-parts-not-to-be-confused-with-three-vs/
Big data: structures et latence
Classification des éditeurs de Big data par structure de données et demande de latence.
6
Batch (offline) Temps réel (online) S
tru
ctu
ré
Po
ly-s
tru
ctu
ré
Data Warehouses
(MPP) (IBM Netezza, Teradata)
Bases de données
analytiques et NoSQL (Aster, Sybase IQ,
Hyperstage)
Bases de données
en mémoire (Oracle x10, SAP HANA)
Traitements
des flux de données (HStreaming, Streambase)
NoSQL:
Graph DB, OODB (Neo4J, Versant)
Systèmes de
fichiers répartis (Hadoop)
Source: Forrester
© 2013 S.A.R.L. Martin
Big data: facteurs de succès
Facteurs de succès des Big data: Créer une culture analytique dans l’entreprise.
Etablir une nouvelle organisation agile.
Constituer une gouvernance de l’information dans la gestion des Big data.
L’exploitation des Big data est basée sur une éthique Big data.
7
Résumé
© 2013 S.A.R.L. Martin
Tweet de Stephen Shelton (@sdsdev, le 28 mars): Many businesses fail to have analytics as its cultural core. This is why Big Data confuses many.
Les Big data
Démystifier les Big data. Les incompréhensions typiques des Big data. Une définition des Big data.
Monétiser des données. Les 5 sources de revenus.
Organiser la monétisation des données. La gouvernance des Big data.
8 © 2013 S.A.R.L. Martin
1° Transparence et Big data
Enterprise Data Warehouse
Données poly-structurées
ETL/ELT
Intégration des données
Applications & services analytiques
Do
nn
ées filtré
es
/
Résu
ltats
an
aly
tiqu
es
Do
nn
ées m
od
elé
es
Big Data
Données externes
et internes
Rechercher
/Identifier
Archivage, filtrage et
transformation
des données
Source: Colin White
Analyse des données
NoSQL, Hadoop,
SGBD analytique
Analyse des données
Applications & services analytiques
Données structurées
© 2013 S.A.R.L. Martin
2° Contrôle d’efficacité des mesures
10
Big Data
Metrics
Analyse Web Taux de clics (Codes QR) Détecteurs Données de localisation Vidéo etc.
© 2013 S.A.R.L. Martin
Méthode des Big data: Dériver et tester des hypothèses par itération.
3° Personnalisation et Big data
11
Exemple m-commerce: Optimisation de l’emplacement des panneaux de publicité et « next best local point of contact »
Géocodage
Publicité par panneaux
Point de contact
local
Contrôle
d’efficacité
Contrôle d’efficacité
Optimisation
de l’emplacement
Taux de visites?
Appli
Client Localisation
GRC
Profil de client
© 2013 S.A.R.L. Martin
Exploitation innovante des données de localisation par géocodage
4° Optimisation et Big data
12
Virtualisation des données
Services
analytiques,
collaboratifs
& transactions
Intégration de l’analytique en temps réel.
Détecteurs
Autres sources
de
Big data
Big
data
Événements Données
(transactions)
Fichiers, XML, Spreadsheets
Données externes
Data Warehouse
© 2013 S.A.R.L. Martin
Service composé
Processus
5° Innovation et Big data
13
Exemple:
La convergence du monde réel et virtuel:
L’Internet des objets (« Internet of things ») est en train de démarrer:
Les Big data sont produits par l’Internet des objets et
les Big data produisent l’Internet des objets.
La voiture de Google: mobilité sans automobiliste.
Outils puissants: détecteurs et analytique en temps réel,
les Big data.
© 2013 S.A.R.L. Martin
Chiffres magiques
14
Attention: L’exploitation des Big data en GRC est plus qu’une question de mathématique et de technologie!
La question de la protection de la vie privée.
La question de la sécurité des données.
La question de la gouvernance de l’information.
La question de la gouvernance sociale
(GRC sociale: les règles).
La question des processus
(Que faire si...).
© 2013 S.A.R.L. Martin
Monétisation et Big Data
Les Big data créent la transparence grâce à une information
composée et plus détaillée.
Les Big Data permettent de baser des décisions et des mesures sur des faits.
Les Big Data offrent des interactions plus ciblées et plus personnalisées.
Les Big Data développent l’automatisation par des observations précises et enrichissent des processus par l’analytique.
Les Big Data créent l’innovation par l’information.
L’exploitation des Big data est basée sur une éthique Big data.
© 2013 S.A.R.L. Martin
Résumé
Les Big data
Démystifier les Big data. Les incompréhensions typiques des Big data. Une définition des Big data.
Monétiser des données. Les 5 sources de revenus.
Organiser la monétisation des données. La gouvernance des Big data.
16 © 2013 S.A.R.L. Martin
1/ La culture analytique
Comment créer un nouveau modèle d’organisation pour tirer le meilleur parti de l’analytique?
Nouvelles fonctions: Chief Analytics Officer, Data Scientist etc.
17
Stratégie
Objectifs Processus
Processus
Processus
Valeurs
Prendre des mesures
Décider Mesurer
© 2013 S.A.R.L. Martin
2/ Organisation agile
Définir les règles
Centre virtuel
Centre central
Réunir des Best Practices Le centre d’expertise « Big Data »
Imp
act
Centre d’expertise
Pro
jet 1
Pro
jet n
Comité de pilotage
Tâches transversales
Directeur du programme
Chargés de projet
Chargé de méthodologie
... Marketing & communication interne
© 2013 S.A.R.L. Martin
3/ Gouvernance de l’information
La gouvernance de l’information réunit des personnes, stratégies, processus, organisations et technologies.
La gouvernance de l’information est une affaire de responsable (« Chefsache »).
La gouvernance de l’information signifie:
Changements organisateurs,
Programme et méthodologie,
Standardisation,
Constitution des structures de gouvernance (« CdE »),
Implémentation d’une plateforme.
La gouvernance de l’information est une mission de concert du métier et de l’informatique.
Résumé: un grand défi.
19 © 2013 S.A.R.L. Martin
![[livre blanc] "Les Big Data pour les services publics : enjeux, technologies et usages" CXP / Teradata (Avril 2015)](https://static.fdocuments.fr/doc/165x107/55ac0c411a28ab07388b4800/livre-blanc-les-big-data-pour-les-services-publics-enjeux-technologies-et-usages-cxp-teradata-avril-2015.jpg)
