matinée micropole de la bi a la data intelligence 18-10-2016
Post on 12-Apr-2017
220 Views
Preview:
TRANSCRIPT
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
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
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
2. Panorama des usages
3. Evolution et nouveaux enjeux
4. Nouvelles architectures orientées Data
Intelligence
5. Retour d’expérience
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.
ReportingTableaude bord
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
Planification &Simulation
Restituer & Analyser Prévoir & Prédire Comprendre & Modéliser
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 ?
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
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 ?
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
24
DATA
INTELLIGENCE
Agenda
DE LA BI A LA DATA INTELLIGENCE
DATA VISUALISATION& Experience utilisateurs
AGILITÉ& Datalab
GOUVERNANCEData, 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
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
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
DE LA BI A LA DATA INTELLIGENCE
DATA VISUALISATION& Experience utilisateurs
AGILITÉ& Datalab
GOUVERNANCEData, 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
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
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
GOUVERNANCEData, Organisation…
BIG DATA& Big analytics
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
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
GOUVERNANCEData, Organisation…
BIG DATA& Big analytics
DATA SCIENCE
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
45
DE LA BI A LA DATA INTELLIGENCE
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
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
47
DE LA BI A LA DATA INTELLIGENCE
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
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.
DSIRESP.
FONCT. (*n)
PERIMETRE
CORPORATE
SPONSOR
A
SPONSOR
BSPONSOR
C…
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 ?
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
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
Restituer & Analyser Prévoir & Prédire Comprendre & Modéliser
DataScience
ReportingOpérationnel
ReportingEntreprise
Recherche & Exploration
Planification &Simulation
ReportingOpé.
Explora-tion
Vision360
ReportingTableaude bord
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
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
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
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
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
top related