dep 2015 projets big data & dq 20151126 v1.3
TRANSCRIPT
« Comment mener un projet
Big Data
en tenant compte de la
Data Quality ? »
-
Retour d’Expériences
Data Excellence Paris 2015 - 26 novembre 2015
Groupe de Travail Big Data
Projets Big Data & Data Quality : REX
Sommaire
- Les projets Big Data, ça existe…
- Axes d’analyse des projets
- Enjeux et Politiques
- Organisations, Métiers et Processus
- Stratégies de construction, Architectures et Réalisations
- Analyse de la Valeur
- Dans Big Data, il y a Data…
2DEP 2015
Introduction
3DEP 2015
Enfin de vrais projets Big Data !
Source : IDC France 2015
Mais qui en parle ouvertement ?…
Axes Enjeux et Politiques
Enjeux pour l’entreprise
Unanimement partagés et traduisant des ambitions fortes
Data Quality = véritable enjeu business
Pilotage
Connaissance des clients et prospects (ex. : vision 360° du client)
Sécurité et prévention des fraudes
Dans une moindre mesure
Développement de nouvelles offres : à terme…
Politiques des données autour du Big Data
DQ incontournable
Au fur et à mesure des cas d’usage…
Conformité juridique et réglementaire
Comme d’habitude !
DEP 2015 4
Axes Organisations, Métiers et Processus
Organisations dédiées au Big Data
Côté Métiers et DSI
Vs l’un ou l’autre…
Structure Métiers : marketing, commercial, sécurité, actuaires
Structure d’expertise DSI : orientée technologies
Métiers autour de la donnée
Data Steward : sur les référentiels avec MDM
Data Scientist : recrutés et/ou apport externe
Chief Data Officer : pas toujours, mais plutôt au marketing
Processus actifs en terme de gouvernance
Qualification des données sensibles ou critiques
Administration des données de référence
Identification et responsabilisation des propriétaires / gérants de la donnée
Démarche de passage de l’expérimentation à l’industrialisation
DEP 2015 5
Axes Stratégies, Architectures et Réalisations
DEP 2015 6
Stratégies de construction du SI
Développement de la réflexion autour des cas d’usage
Refonte des architectures BI classiques
Plus rare : SI « Data Centric » et traitements autour
Architectures Big Data
Moyens d’analyse avancée : type machine learning, analyse prédictive
Moyens de traitement des données non structurées : type NLP
Environnements Cloud : Public (PoC & Proto.) puis Privé (Production)
Réalisations
Data Quality : pas un pré requis !
Data Lake avec données de production
Data Lab : pas toujours
DaaS : pas encore…
Axe Analyse de la Valeur
Valeurs retirées par l’entreprise de ses initiatives dédiées au Big Data
Réponses à des problématiques métiers jusqu’à présent non résolues
Prises de décisions
mieux éclairées et mieux étayées
plus rapides à prendre et plus collaboratives
Agilité accrue par le renforcement de la culture de l’expérimentation
A valider, à terme :
Amélioration de la DQ, mesurée par le Big Data…
Capacité à réaliser des analyses d’impact
Maîtrise des données exposées et visualisation « communicante »
Création de nouveaux services ou de nouvelles offres métiers
‼ « Les entreprises qui intègrent le Big Data sont 6% plus rentables que les autres » (source : McKinsey 2013)
DEP 2015 7
Dans Big Data, il y a Data…
DEP 2015 8
Les conclusions de notre échantillonnage
de projets Big Data sont en phase !
4 Quadrants pour positionner les organisations
DEP 2015 9
3 4
1 2
Innovation
+
+
S’appuyersur les données pour
assurer la transformation numérique
Générerde nouvelles valeurs,de nouveaux services,par l’exploration des données
Faire parler les données,prendre consciencede leur potentiel
Assurer la cohérence
et la gouvernance des données,
garantir leur qualité
-Gouvernance
Levier : Gouvernance autour de Data Labs
Levier : Démarches structurées autour des Data Labs
Levier : Gouvernance Transverse autour de la Donnée Levier : Décloisonnement Métiers - DSI
Levier : Architecture Data Centrique
Levier : Valorisation et animation de la pluralité des talents
Levier : Industrialisation de la Chaîne de Données
Merci de votre attention !
DEP 2015 10
Hervé Husson
Transformation & Innovation
+331 41 46 08 00
www.conix.fr