My Blog

Étiquette : Big Data

  • Plateformes prédictives : le challenge de la data

    Plateformes prédictives: comment arbitrer entre mutualisation et rétention des données ?

    Par Jean-Cyril Schütterlé, Directeur Produit et Data Science de Sidetrade

    Les technologies de Machine Learning ne tiennent leurs promesses d’automatisation des traitements que lorsqu’elles disposent de données suffisamment représentatives du domaine auquel elles s’appliquent. La détection des spams est d’autant plus efficace que l’algorithme d’apprentissage a été alimenté de nombreux exemples. Un système de pilotage de voiture autonome ne sera opérationnel que s’il a appris à reconnaître les autres véhicules et la signalisation routière à partir d’images prises dans la circulation. Une application d’aide au diagnostic nécessitera l’accès à des banques d’images médicales, un moteur de traduction automatique s’appuiera sur des bibliothèques de textes déjà traduits etc.

    Ce principe ne se dément pas lorsque le Machine Learning est mis en œuvre dans le monde de la gestion. Les entreprises l’ont bien perçu. Elles ont ainsi fait émerger des rôles de Chief Data Officers avec pour objectif de décloisonner les données qui dorment dans des silos organisationnels.

    Cependant, puisque la performance dépend de l’accumulation rapide de données représentatives, ne faut-il pas aussi faire tomber les murs séparant chaque organisation du monde extérieur ?

    Plateformes prédictives : le challenge de la data

    L’émergence de plateformes prédictives SaaS (ou DaaS, Data as a Service) proposant d’appliquer le Machine Learning à des thématiques variées (détection d’opportunités commerciales, optimisation des processus de vente, modélisation et planification financière, détection des risques de défaut, prévision des délais de paiement, etc.) soulève la question avec une acuité particulière. Chaque plateforme héberge en effet les données confiées par ses clients sur une infrastructure commune. Il est donc techniquement très simple de les mutualiser afin d’augmenter la profondeur du champ d’investigation des algorithmes et, par conséquent, la qualité de l’information restituée à l’utilisateur.

    Prenons l’exemple d’une plateforme d’évaluation de leads commerciaux. La mise en commun des informations détenues dans l’ensemble des bases CRM des sociétés utilisant ce logiciel permettrait d’analyser les comportements d’achat de leurs clients sur un spectre beaucoup plus large et d’anticiper leurs besoins beaucoup plus précisément qu’en exploitant séparément chaque source de données. Cependant, des concurrents peuvent figurer parmi les utilisateurs de la plateforme. Les sociétés sont donc assurément réticentes à voir leurs données exploitées au bénéfice de possibles rivaux.

    Mutualisation versus rétention de l’information

    Le dilemme est ainsi posé : personne ne souhaite partager ses données mais chacun bénéficierait d’un accès à celles des autres. Il s’agit par conséquent pour le décideur de naviguer entre deux écueils tout aussi dangereux : brider des technologies qui s’avèrent cruciales pour la performance future de son organisation ou laisser des tiers bénéficier de ses informations propriétaires qui, comme le proverbial dentifrice, ne pourront être remises dans le tube une fois divulguées.

    Faute de pouvoir jouer les passagers clandestins, l’organisation doit établir un bilan coût-avantage qui permette d’opter au cas par cas entre rétention et mutualisation des données.

  • Big Data : Les tendances de l’année 2017

    Big Data : Les tendances de l’année 2017

    Par Thierry D’Hers, Vice President, Product Development, Tableau Software

    Cette année, de plus en plus d’entreprises ont commencé à stocker, traiter et exploiter leurs données, quelles qu’elles soient. En 2017, les systèmes qui prennent en charge de grandes quantités de données, structurées et non structurées, vont continuer à se développer. Les plateformes permettront normalement aux personnes s’occupant des données d’assurer la gouvernance et la sécurité du Big Data, en donnant également aux utilisateurs finaux les moyens d’analyser ces données. Une fois arrivées à maturité, elles s’intégreront sans difficulté aux systèmes et aux normes informatiques des entreprises. Voici nos prédictions dans ce domaine pour l’année à venir.

    . Le Big Data devient accessible et instantané.
    Il est évidemment possible de mettre en œuvre du machine learning et de réaliser des analyses de sentiments sur Hadoop, mais la première question posée généralement par les utilisateurs est : Quelle est la performance du SQL interactif ? SQL, après tout, reste le moyen dont dispose l’utilisateur métier pour utiliser les données dans Hadoop à des fins d’analyses exploratoires plus rapides ou de tableaux de bords de pilotage ré utilisables. En 2017, les possibilités pour accélérer Hadoop vont se multiplier. Ce changement a déjà commencé, comme en témoigne l’adoption de bases de données hautes performances comme Exasol ou MemSQL, de technologie de stockage comme Kudu, ou encore d’autres produits permettant l’activation d’exécution de requêtes plus rapides.

    2. Le Big Data n’est plus limité à Hadoop.
    Ces dernières années, nous avons vu plusieurs technologies se développer avec l’arrivée du Big Data pour couvrir le besoin de faire des analyses sur Hadoop. Mais pour les entreprises avec des environnements complexes et hétérogènes, les réponses à leurs questions sont réparties dans de multiples sources allant du simple fichier aux entrepôts de données dans le Cloud, de données structurées stockées dans Hadoop ou dans d’autres systèmes. En 2017, les clients demanderont à analyser toutes leurs données. Les plateformes agnostiques au niveau des données comme au niveau des sources de données se développeront, tandis que celles conçues spécifiquement pour Hadoop ne pourront pas être déployées pour tous les cas d’utilisation et tomberont dans l’oubli. La fin de Platf oraconstitue un premier signe de cette tendance.

    3. L’exploitation des lacs de données devient un avantage pour les entreprises.
    Un lac de données est similaire à un réservoir artificiel. Il est nécessaire de construire un barrage à l’extrémité du lac (créer un cluster), puis le laisser se remplir d’eau (de données). Ensuite, seulement, on pourra utiliser les données à diverses fins, comme l’analyse prédictive, le Machine Learning, la cybersécurité, etc. Jusqu’à présent, le remplissage du lac constituait une fin en soi. Ce ne sera plus le cas en 2017. Pour obtenir plus rapidement des réponses, les entreprises voudront utiliser leur lac d’une manière plus agile et reproductible. En 2017, cela évoluera au fur et à mesure de l’adoption d’Hadoop dans les entreprises.

    4. Les architectures matures permettent l’abandon des frameworks globaux.
    Hadoop est devenu une technologie multi usage pour faire de l’analyse ad hoc. Elle est même utilisée pour du reporting opérationnel journalier (d’habitude géré via des entrepôts de données).  En 2017, les entreprises tiendront compte de cette diversité de besoins en favorisant l’architecture adaptée à chaque cas d’usage. Elles étudieront une multitude de facteurs, tels que les profils utilisateurs, les questions, les volumes, la fréquence d’accès et plus, avant de s’engager sur une stratégie de données. Et ces stratégies elles-mêmes combineront les meilleurs outils de préparation de données en self-service, le Core Hadoop, et les plateformes d’analyse utilisées directement par les utilisateurs finaux, pour que ceux-ci puissent les reconfigurer en fonction de l’évolution de leurs besoins.

    5.  C’est la variété qui entraîne les investissements dans le Big Data.
    Gartner définit le Big Data en utilisant les 3 V : gros Volume, grande Vélocité, grande Variété des données. Bien que ces trois V évoluent, c’est la Variété qui s’impose comme le principal moteur des investissements dans le Big Data. Cette tendance va s’accentuer, puisque les entreprises cherchent à y intégrer davantage de sources et se concentrent sur le long terme. Des fichiers JSON sans schéma prédéfini aux types imbriqués dans d’autres bases de données (relationnelles et NoSQL) en passant par les données non plates (Avro, Parquet, XML), les formats de données se multiplient et les connecteurs natifs deviennent indispensables. En 2017, les plateformes d’analyse seront évaluées en fonction de leur capacité à fournir une connexion directe vers ces sources disparate s.

    6. Spark et le Machine Learning rendent le Big Data évident.
    Dans un sondage mené auprès de Data Architect, de responsables informatiques et d’analystes, près de 70% des répondants ont privilégié Apache Spark par rapport à MapReduce, qui est orienté batch et ne se prête ni aux applications interactives ni au traitement de flux en temps réel. Ces grandes capacités de traitement sur des environnements Big Data ont fait évolué ces plateformes vers des utilisations de calculs intensifs pour du Machine Learning, de l’IA, et des algorithmes de graphe. Microsoft Azure ML tout particulièrement a décollé grâce à sa facilité de mise en œuvre et son intégration avec les plateformes Microsoft existantes. L’ouverture du ML au plus grand nombre conduira à la création de plus de modèles et d’applications qui généreront des peta-octets de données. Tous les regards seront alors tournés vers les éditeurs de logiciels en mode self-service pour voir comment ils vont pouvoir rendre ces données accessibles aux utilisateurs.

    7. La convergence du Cloud, du Big Data et de l’IoT permet de nouvelles opportunités pour l’analyse en self-service.
    Il semble, qu’en 2017, tous les objets seront équipés de capteurs qui renverront des informations vers le « vaisseau mère ». Les données provenant de l’IoT sont souvent hétérogènes et stockées dans de multiples systèmes relationnels ou non, de cluster Hadoop à des bases de données NoSQL. Alors que les innovations en matière de stockage et de services intégrés ont accéléré le processus de capture de l’information, accéder et comprendre la donnée elle-même reste le dernier défi. La conséquence est que la demande augmente de plus en plus pour les outils analytiques qui se connectent nativement et combinent des grandes variétés de sources de données hébergées dans le Cloud.

    8. La préparation des données en self-service se généralise à mesure que l’utilisateur final commence à travailler sur des environnements Big Data.
    La montée en puissance des plateformes analytiques self-service a amélioré l’accessibilité de Hadoop aux utilisateurs métier. Mais ceux-ci veulent encore réduire le temps et la complexité de la préparation des données pour l’analyse. Les outils de préparation de données self-service agiles permettent non seulement aux données Hadoop d’être préparées à la source mais aussi de les rendre accessibles sous forme d’instantanés pour une exploration plus rapide et plus facile. Nous avons vu une multitude d’innovations dans cet écosystème, faite par des sociétés spécialisées dans la préparation de données pour des environnements Big Data réalisée par l’utilisateur final, comme Alteryx, Trifacta et Paxata. Ces outils réduisent les barrières à l’entrée pour ceux qui n’ont pas encore adopté Hadoop et continueront à gagner du terrain en 2017.

    9. Le Big Data se développe : Hadoop vient s’ajouter au standard de l’entreprise.
    Nous constatons une tendance grandissante au fait que Hadoop devient une partie centrale du paysage IT de l’entreprise. Et en 2017, nous verrons encore plus d’investissements dans les composants de sécurité et de gouvernance qui entourent les systèmes de l’entreprise. Apache Sentry fournit un système d’autorisations très fines d’accès à la donnée, basé sur les rôles et les métadonnées stockées dans un cluster Hadoop. Apache Atlas permet aux organisations d’appliquer une classification uniforme des données sur l’ensemble de leur écosystème. Apache Ranger fournit une administration centralisée de gestion de la sécurité pour Hadoop. Ces capacités passent maintenant au premier plan des technologies Big Data émergeantes, éliminant ainsi une autre barrière à l’adoption en Entrerpise.

    10. L’augmentation des catalogues de métadonnées aide tout le monde à trouver les données primordiales pour l’analyse.
    Pendant longtemps, les sociétés ont jeté leurs données parce qu’elles en avaient trop à traiter. Avec Hadoop, elles peuvent traiter beaucoup plus de données, mais la donnée n’est généralement pas organisée de façon à être trouvée rapidement. Les catalogues de métadonnées peuvent aider les utilisateurs à découvrir et comprendre les données pertinentes grâce aux outils d’analyse self-service. Cela aide à la fois les consommateurs de données et les administrateurs de données à réduire le temps qu’il faut pour faire confiance, trouver et requêter avec précision les données. En 2017, nous verrons une plus grande sensibilisation et une plus grande demande pour la découverte en mode self-service, qui deviendra une extension naturelle à l’analyse self-service.

  • e-RH – Choisir le bon modèle de recrutement prédictif

    « Recruteurs, je veux vous parler de l’intelligence artificielle… »

    Par Saad Zniber, co-fondateur de YATEDO

    Dans le travail de tout recruteur, il y a incontestablement une partie très rébarbative. Lorsqu’on recherche un profil, il faut diffuser une offre d’emploi puis trier les candidatures et enfin contacter les profils retenus. Ces processus peuvent être automatisés et gérés beaucoup plus efficacement par une intelligence artificielle. Non seulement le recruteur gagne du temps, mais il gagne aussi en qualité !

    Le sourcing est un processus critique. S’il est raté, la valeur ajoutée du recruteur devient nulle. Aujourd’hui, il est donc préférable de confier le sourcing à des algorithmes. Pourquoi ? Car même chez les recruteurs les plus expérimentés, qui ont constitué au fil des ans un carnet d’adresses impressionnant, leur performance en sourcing n’arrive pas à la cheville des capacités d’une intelligence artificielle. En effet, quand un bon recruteur active un réseau susceptible de toucher plusieurs milliers de candidats, l’outil gère lui des dizaines de millions de profils. Pour autant, la quantité est-elle forcément synonyme de qualité ? Si on utilise le bon outil avec le bon modèle, alors oui !

    Choisir le bon modèle de recrutement prédictif
    Car c’est un peu ça le problème… Les apôtres du recrutement prédictif utilisent des modèles assez douteux. En gros, voici leur pitch : « pour trouver le talent dont votre entreprise a besoin, nous allons établir un profil idéal à partir du croisement de milliers de données internes et externes. Puis, nous allons rechercher et sélectionner des candidats qui matchent avec ce profil. » Autrement dit, ils ne font que répéter les bons vieux usages : « Dans mon entreprise, les diplômés HEC ont très bien réussi donc je ne vais recruter que des diplômés HEC. » Au final, la stratégie de recrutement est celle du clonage et des préjugés. Dans un monde qui évolue vite et où chaque entreprise peut se faire ubériser en l’espace de 6 mois, cette stratégie est vouée à l’échec !

    Si le modèle du recrutement prédictif est séduisant intellectuellement (je recrute des profils identiques à ceux qui ont réussi dans mon entreprise), il est faux. Pourquoi ? Parce qu’il trouve son origine dans les préjugés des recruteurs (lesquels choisissent des critères selon leur propre expérience personnelle) et selon l’idée que les recettes d’hier vont fonctionner demain.

    Une autre IA est possible
    Une intelligence artificielle est une technologie pouvant raisonner comme un être humain. Pour en retirer de réels bénéfices, le recruteur doit se laisser guider par l’outil. Car c’est bien l’intelligence artificielle qui va lui fournir son profil idéal.

    Prenons un exemple. Je souhaite recruter un responsable marketing. Je vais demander à mon outil d’intelligence artificielle d’identifier le profil le plus à même de réaliser ce job. Scannant des centaines de millions de données (disponibles sur le web, les réseaux sociaux…), l’outil analyse les parcours, les compétences et les diplômes de centaines de milliers de responsables marketing (mais aussi d’autres professionnels du marketing dont les titres sont différents mais les missions relativement semblables). Suite à cette analyse, l’outil va définir ce qui constitue l’essence d’un responsable marketing : il a telles compétences, il a connu tel parcours professionnel, il a fait ce type d’études,…

    Grâce à ces informations, je visualise nettement à quoi ressemble la perle rare. Il faut maintenant affiner ce profil en fonction de certains critères qui me sont propres. Par exemple, je souhaite que le candidat évolue dans telle région ou dispose d’une certification Y. Egalement, je cherche quelqu’un ayant un fort potentiel (donc une personne qui a connu une évolution de carrière rapide) et plutôt passionné (donc une personne menant des projets en dehors de son travail pour acquérir de nouvelles compétences). Ce travail d’affinage permet alors d’établir une short-list de candidats réellement pertinente.

    Adapt or die 
    D’ici à 5 ans, le métier de recruteur va radicalement se transformer. Toute la partie sourcing a vocation à être complètement automatisée. Même la prise de rendez-vous avec les candidats sera à terme gérée par l’intelligence artificielle. Ces fameux chatbots, dont on parle tant actuellement pour les plateformes e-commerce, seront chargés d’enclencher les premiers échanges avec les candidats. Dans le même temps, le tri des CV et l’animation de la CVthèque sera optimisée par les outils, permettant au recruteur de se libérer des tâches administratives et donc de se concentrer sur deux missions prioritaires : faire passer des entretiens d’embauche et prendre la décision finale !

  • Le marché du Big Data devrait atteindre 445 M€ en France en 2016

    Atos et IDC annoncent en avant-première les résultats d’une étude sur la maturité Big Data des grandes entreprises françaises

    En partenariat avec Atos, IDC vient de publier les résultats de sa dernière étude menée auprès de 100 DSI issus d’entreprises de plus de 1000 salariés, tous secteurs d’activité confondus.

    IDC estime que le marché du Big Data, c’est à dire l’analyse des données des organisations pour optimiser leur performance métier, devrait atteindre 445 M€ en France en 2016 avec une croissance de plus de 24% par rapport à 2015.

    « La maîtrise de la donnée constitue le cœur des enjeux de transformation des modèles économiques. Les entreprises les plus matures se distinguent surtout par une véritable vision de leur management sur le sujet de l’utilisation de gros volumes de données, ainsi que sur les ressources mobilisables pour mettre en œuvre cette vision. Notre étude montre que la France a un véritable leadership sur le Big Data, comparé aux autres pays européens  », affirme Didier Krainc, Directeur Général IDC France

    Les enseignements de cette étude sont nombreux :

    • Alors que seulement 7% des entreprises avaient lancé des initiatives Big Data en 2012, elles sont aujourd’hui 51% à avoir démarré un projet Big Data.
    • Pour 51% entreprises interrogées, la stratégie Big Data est d’abord une stratégie globale qui concerne toute l’entreprise, avec une implication directe de la Direction Générale. Pour nombre d’entre elles, néanmoins, les budgets associés ne sont pas encore structurés et pilotés.
    • Les cas d’usage actuels du Big Data touchent l’amélioration de la connaissance et de l’expérience client (53%), l’optimisation de l’excellence opérationnelle (42%), le renforcement de la sécurité (28%%) et l’innovation (22%). Néanmoins; les organisations les plus efficaces utilisent le Big Data pour transformer leurs modèles métiers eux-mêmes.capture-decran-2016-09-21-a-11-30-36
    • Seules 40% des données disponibles au sein de l’entreprise sont réellement analysées aujourd’hui ! Cela démontre qu’il y a un énorme potentiel à exploiter dans les années à venir.
    • En termes de technologies, les entreprises ont d’abord investi dans le stockage de grosses volumétries et dans l’accès aux données quels que soient leur provenance et leurs formats. Parmi les grands enjeux cités, 82% des entreprises interrogées mentionnent la sécurité. La nécessité d’une étroite collaboration entre la DSI et les fonctions métiers est également soulignée par 75% des entreprises.
    • Plus de 8 entreprises sur 10 sont convaincues que l’explosion des données nécessitera la création ou le développement de nouveaux métiers. Elles sont conscientes des nombreuses compétences à acquérir quand elles se lancent dans un projet Big Data, et des multiples enjeux en termes de vision, process et technologie.capture-decran-2016-09-21-a-11-31-08

    En conclusion, différents modèles de maturité ont été identifiés dans l’étude :

    • 11% des entreprises françaises sont aujourd’hui retardataires en matière de Big Data
    • La majorité (42%) sont encore opportunistes
    • Plus du tiers (34%) sont bâtisseurs
    • 14% sont visionnaires

  • Non le Big data ne sert pas qu’au marketing !

    Big data : en finir avec les idées reçues

    De Simon Ouellet, Co-Fondateur de MiniBig

     Les technologies de traitement de données connaissent un développement inédit et font régulièrement la une de la presse grand public. Mais le traitement journalistique qui en est fait ne reflète pas tout à fait la réalité et la diversité de ce domaine d’activité en constante évolution. Pour les professionnels du secteur, il est temps de prendre la parole et de s’attaquer à quelques idées reçues particulièrement répandues.

    « Le big data ne sert qu’au marketing »

    Les applications les plus connues des technologies de big data concernent en effet le traitement des données personnelles par les géants du web qui tirent la majorité de leurs revenus de la publicité. Du fait de la focalisation des médias sur cette partie émergée de l’iceberg, le public a acquis une certaine méfiance vis à vis de ces techniques devenues synonymes de manipulation et d’espionnage généralisé.

    Mais les applications du big data sont infiniment variées et ne se limitent donc pas au marketing. De la sociologie à la médecine, de nombreux champs de recherche ont ainsi été révolutionnés. La principale avancée permise par ces techniques est la sortie de la double ignorance : « on ne sait pas que l’on ne sait pas ». Le traitement de données à grande échelle permet de détecter des corrélations sans en chercher une en particulier. Une étape décisive de la recherche, qui consiste à chercher les questions pertinentes à poser avant vérification empirique, a donc été automatisée et optimisée. De nombreux programmes de recherche ont été lancés sur cette base, sans faire la une des médias pour autant.

    « Le big data ne sert que les grosses entreprises »

    Autre conséquence de la surmédiatisation de leur usage par les géants du web, le big data est perçu comme un outil réservé aux grands groupes. Pourtant ces technologies se démocratisent extrêmement rapidement grâce notamment à des prestataires spécialisés qui mettent à disposition de clients de toute taille des ressources de calcul et des programmes d’analyse en SaaS.

    Chez les professionnels, cette idée reçue trouve son origine dans le difficile changement de paradigme que représente le big data. Les DSI sont habituées aux architectures centralisées et monolithiques, dont le coût est particulièrement élevé, mais les acteurs les plus rôdés au big data ont depuis longtemps adopté un modèle basé sur un grand nombre de matériels de taille moyenne reliés en un vaste réseau distribué. La force du big data ne repose pas sur la disponibilité et la fiabilité mais sur multiplication. C’est ce décalage entre un nouveau modèle et des DSI encore trop timides qui pousse de nombreuses entreprises à faire monter inutilement les budgets de leurs infrastructures.

    Pour en finir avec ces idées reçues, il est nécessaire de communiquer mais aussi d’agir et de changer concrètement les pratiques. L’image du big data est entachée de nombreuses atteintes à l’éthique par des entreprises traitant les données personnelles sans considération pour leurs propriétaires. Il est primordial d’adopter la transparence comme ligne de conduite et de prévenir les utilisateurs des services en ligne de tous les usages qui sont faits des informations les concernant. Ce n’est pas le traitement des données qui dérange les internautes mais bien l’opacité qui l’entoure. N’attendons donc pas que le législateur s’empare de la question et impose des règlements – qui se révéleront rapidement inapplicables ou inadaptés  – pour améliorer réellement l’image de nos métiers !

  • La Business Intelligence à l’ère de la transformation digitale

    La Business Intelligence à l’ère de la transformation digitale

     Par Daniel Fallmann, Fondateur et CEO de Mindbreeze.

    Avec la transformation numérique, le client est plus que jamais au cœur des priorités des entreprises. Le consommateur moderne, disposant de possibilités illimitées en terme de collecte d’informations, se sent plus responsable et plus confiant que les précédentes générations. De plus, les tendances et les préférences changent à une vitesse vertigineuse, de même que les marchés.

    La bonne nouvelle, c’est que cette ultra disponibilité des informations permet aux entreprises d’anticiper et de s’adapter rapidement aux changements et aux nouvelles tendances. En effet, en parallèle des systèmes classiques tels que le CRM, existent d’innombrables sources d’informations telles que les emails, les réseaux sociaux ou encore celles provenant des Call Center.

    La mauvaise nouvelle, en apparence, et qu’avec la Business Intelligence (BI), il est très difficile de traiter telles quelles toutes ces informations, qui se composent de plus en plus de données non structurées, et qui sont pourtant essentielles à la prise de décisions.

    Que faire ?

    La BI est née à une époque où les données étaient stockées dans des banques de manière chiffrable et ordonnée, et où– au grand dam des utilisateurs – seul le département IT avait son mot à dire quant à la manière d’utiliser les applications, qui été de surcroit réservées à quelques usagers privilégiés. Or la demande est de plus en plus forte, comme le souligne Gartner, pronostiquant pour cette année une augmentation de 5,2% du chiffre d’affaires sur un total de 16,9 milliards de dollars US.

    Les systèmes les plus recherchés sont ceux qui disposent de services spécialisés et qui peuvent inclure une multitude de sources de données, structurées ou non, dans leurs analyses. Alors que les solutions de BI modernes en mode « self-service » (SSBI) sont en plein développement, elles atteignent rapidement leurs limites en ce qui concerne les données non structurées.

    La solution à ce dilemme peut être apportée par le principe du Search-driven Business Intelligence.Celui-ci associe le meilleur de l’univers de la BI aux avantages du Big Data. Les Big Data Analytics sont non seulement capables de faire face aux volumes croissants de données mais également, grâce à leurs fonctions intelligentes telle que l’analyse sémantique, de traiter les documents écrits et les vidéos, et de rendre structurées les données qui ne l’étaient pas, et de les remanier afin d’être utilisées par les systèmes de BI.

    Ce que cela signifie concrètement

    Prenons l’exemple d’une compagnie d’assurance qui souhaite mieux connaître ses clients afin d’orienter de façon plus ciblée ses actions marketing. La difficulté est d’inclure toutes les informations disponibles sur un groupe de clients dans l’analyse et la planification, c’est-à-dire les déclarations de dommage, les changements de contrats ou encore les demandes de la clientèle qui se présentent le plus souvent sous forme de mail ou de lettre, soit des données non structurées. La saisie manuelle de celles-ci par du personnel demande généralement beaucoup de temps et est sources d’erreurs.

    Une solution de Big Data automatise le tout. Le système analyse un email ou le PDF d’une lettre scannée, extrait automatiquement les valeurs de références telles que la date de naissance, la police d’assurance et l’adresse et reconnait le type d’envoi à l’aide de mots-clés tels que « appartement » et « cambriolage » qui sont placés dans un contexte sémantique. Ce processus se déroule en continu et se perfectionne au fur et à mesure de l’utilisation du système.

    Ces informations ainsi classées, traitées de façon intelligente et associées à d’autres outils comme le CRM, le CEO dispose d’une vue à 360 de ses clients. Via un portail web, aussi simple d’utilisation qu’un moteur de recherche en ligne, il peut combiner à souhait les données et affiner la recherche jusqu’à ce qu’elle corresponde avec précision à sa requête. Via des éléments graphiques typiques du Dashboard – regroupant diagrammes circulaires et frises chronologiques – il peut rapidement reconnaître les modèles et les tendances aidant à la conception d’actions marketing. Le résultat final de la recherche peut enfin être exporté vers n’importe quelle application de BI connue et y être utilisé plus avant.

    L’opération décrite est applicable non seulement dans le domaine des assurances mais également aux secteurs de l’économie et à celui du secteur public. Dans ce dernier cas, c’est notamment l’univers de la santé qui peut tirer profit du Search-driven Business Intelligence pour le diagnostic et le traitement des patients. Ainsi, clients comme patients bénéficient des avantages de la transformation numérique. De plus, et par l’approche du Best of Breed, les entreprises peuvent appréhender l’ère numérique en toute sérénité.

     

     

     

  • Du Data Warehouse au Data Lake, tirer parti du meilleur des deux mondes

    Deux approches complémentaires

    Par Frédéric Brousse, Directeur Général d’Informatica France

    Selon une récente enquête réalisée par le cabinet de conseil PAC, le Big Data est amené à croître de 35% par an en France d’ici à 2019. Se pose alors la problématique du stockage, de l’intégration, du traitement, de la protection et de l’analyse de cette volumétrie de données, qui devient une ressource clé pour l’entreprise : Comment valoriser les données ainsi obtenues ?  Comment optimiser les SI pour une bonne gestion et analyse de ces multitudes de données en provenance de tous horizons ?

    En effet, pour faire face à la croissance exponentielle des données, les entreprises sont amenées à repenser et à organiser le département IT de manière cohérente pour intégrer efficacement les applications à la fois sur site et dans le cloud. Elles doivent ainsi faire le choix entre des bases de données relationnelles « robustes » et des technologies de données plus évolutives, telles que NoSQL et Hadoop.

    Pour adresser ces problématiques, Frédéric Brousse revient sur les caractéristiques clés du Data Lake et du Data Warehouse et démontre comment ces deux approches sont complémentaires.

    Qu’est-ce qu’un Data Lake  et quelle est sa valeur ?

    Le « Data Lake », ou « lac de données », est un concept simple et relativement nouveau qui s’inscrit dans la mouvance du Big Data. L’objectif principal est de pouvoir fournir un stockage / entrepôt global des informations présentes dans une entreprise. Par le passé, la plupart des entreprises n’ont pas eu à gérer cette masse de données en provenance de plusieurs flux entrants, car la quasi-totalité des données était interne à l’entreprise.

    Aujourd’hui, les entreprises ont besoin de pouvoir stocker les données internes et externes, brutes ou non, dans un seul et même lieu. Elles sont également confrontées à des exigences en matière de capacité et de flexibilité à traiter et analyser l’information le plus rapidement possible. A la différence d’un Data Warehouse, le Data Lake offre la possibilité de créer sa propre transformation et d’analyser les données sans avoir un chemin particulier imposé par le système ETL (Extract-Transform-Load). Ainsi, chaque utilisateur peut matérialiser son propre besoin et extraire les données sources nécessaires pour son analyse de manière rapide tout en tirant pleinement parti de l’évolutivité et de l’efficacité opérationnelle qu’offre le Data Lake.

    A titre d’exemples, les institutions de services financiers sauvegardent et analysent les données transactionnelles et d’autres signaux connexes afin d’enrichir les techniques de détection des fraudes, suivre l’évolution des réglementations mondiales, et ainsi renforcer la confiance des consommateurs sur la sécurité de leurs services fournis.

    Dans le secteur de la santé, les organismes conservent les données de dossiers médicaux électroniques afin de proposer des soins plus personnalisés. Le Data Lake permet ainsi, dans un même lieu, de recueillir tous types de données, de les mettre en relation afin de pouvoir les analyser rapidement et en tirer une vraie valeur ajoutée pour améliorer l’expérience client et  garantir la confidentialité au patient.

    Data Lake vs. Data Warehouse

    Mais le Data Lake ne vient pas remplacer le Data Warehouse, au contraire, il le complète.

    Le Data Warehouse entrepose des données de façon structurée. Il conserve ainsi une qualité et une fiabilité liées à la structuration des données imposée à l’origine du schéma/processus de stockage.  Ainsi, il permet d’avoir accès à des données à forte valeur ajoutée mais répondant à un nombre limité d’algorithmes analytiques qui ne prend en compte que des formats spécifiques de données.

    Le Data Lake offre une véritable agilité qui vient répondre à l’évolution du marché et l’explosion de la volumétrie des données, avec l’émergence du mobile computing, des objets connectés et autres changements disruptifs. Ces évolutions entraînent le besoin d’utiliser, d’examiner et de tester des données de toutes sortes et de tous horizons à des fins analytiques ou applicatives, et à faible coût.

    Le Data Warehouse possède peu de données mais d’une valeur importante. Le Data Lake conserve quant à lui une multitude de données diverses et variées à faible coût.

    Ainsi, il convient aux entreprises en phase de restructuration, de repenser les usages et besoins en matière d’analyse des données à l’ère du digital, avant de se décider à remplacer définitivement le Data Warehouse par le Data Lake. Des outils existent qui permettent de standardiser la gestion des données à travers les deux univers. Il faudrait ainsi tenter de développer une synergie entre les deux approches pour en tirer le meilleur parti.

     

  • L’IoT va-t-il vraiment révolutionner le business ?

    « L’IoT va-t-il vraiment révolutionner le business ? »

    Par Jean François Marie, Directeur Produit, Solutions et Alliances, NetApp EMEA

    Et si l’Internet des objets était juste un terme générique pour désigner l’exploitation « à toutes fins utiles » des données générées par des machines ? Comme le bus qui communique son heure de passage à l’arrêt de bus et à mon portable, ou encore la borne du système de vélos en libre-service en bas de chez moi qui m’indique le nombre de vélos disponibles. À l’occasion de la Cloud Week Paris, qui se tiendra du 4 au 8 juillet prochain et qui aura pour thème fédérateur l’usage et la valorisation des données, NetApp revient sur l’Internet des Objets et son potentiel.

    En 2014, IDC a demandé à 400 dirigeants ce qu’était pour eux l’Internet des objets. Les réponses étaient très variées et allaient des dispositifs physiques (thermostats, voitures, systèmes de sécurité) aux défis à relever (sécurité, gestion des données ou connectivité)., Le marché global des solutions IoT va connaître une croissance considérable dans les années à venir et bondir de 1 900 milliards de dollars en 2013 à 7 100 milliards de dollars en 20201. Données confirmées par Gartner, qui estime à 4,9 milliards le nombre d’objets connectés en usage en 2015 ; chiffre qui atteindra, selon eux, les 25 milliards en 2020. Le cabinet rapporte également que le business de l’IoT pèsera plus de 300 milliards de dollars en 2020.

    L’Internet des objets touche donc des secteurs extrêmement variés. Son potentiel est immense. Sa valeur va bien au-delà du simple prix des équipements physiques requis pour son fonctionnement.

    Lorsque les « objets » commencent à parler

    L’IoT n’existe pas en tant que tel, il est intimement lié à la notion de « Big Data ». Équiper de capteurs des milliards d’objets n’a aucun sens si, par la suite, les milliards de flux de données engendrés ne peuvent pas être transmis, stockés et analysés.

    C’est là qu’intervient le Data Scientist qui va orchestrer le tout. Son rôle est essentiel, car il va identifier la valeur des quantités massives de données générées par tous ces objets. Ici réside toute l’importance de la connectivité et du stockage : à eux seuls, les petits équipements sans système de stockage disposant de peu de puissance de traitement ne sont pas vraiment efficaces. Pour valoriser les données, il faut les collecter en grand nombre de façon à avoir un échantillon représentatif et les analyser afin de découvrir comment elles s’imbriquent. Et de là, repérer les tendances et faire des prévisions.

    Le même scénario se répète dans chaque entreprise. Les dirigeants établissent une corrélation entre les données actuelles du data center et les données passées pour anticiper l’avenir et faire des prévisions.

    Mieux anticiper, c’est prendre une longueur d’avance sur la concurrence

    Les dirigeants veulent travailler autrement. Ils veulent un business qui évolue rapidement et qui s’adapte au marché. Ils veulent prendre des décisions éclairées, basées sur les données issues du Big Data. Et ils veulent créer des produits innovants qui s’appuient sur les connaissances qu’ils ont acquises du client. Leur objectif : un business model disruptif qui leur permet de réagir plus vite aux tendances du marché et de devancer la concurrence. 1 Etude IDC menée auprès de 400 dirigeants en 2014

    La solution réside dans la question que les grandes entreprises devraient se poser : « comment faire en sorte de travailler à la manière des start-ups ? » Il ne s’agit pas de prendre des décisions à la va-vite, sans fondements. Il s’agit plutôt d’adopter un business model souple qui tient compte de l’incertitude et des contraintes budgétaires. Et plus important encore, il s’agit de la manière dont l’entreprise peut promouvoir une culture axée sur l’agilité.

    Avec le Big Data, les entreprises qui réussiront ne sont pas celles qui auront un meilleur accès aux données, mais plutôt celles qui auront clairement défini leurs objectifs, les limites opérationnelles et les outils requis.

    Dans les comités de direction, on sait désormais à quel point l’infrastructure IT est importante. On veut aussi que le DSI ait davantage de leadership et contribue à façonner l’avenir. En donnant aux métiers les outils dont ils ont besoin pour gagner en productivité, l’IT peut être un acteur majeur du changement. La technologie est un levier d’innovation permanente de l’entreprise, et ce à tous les niveaux. Elle permet au business non pas de survivre, mais de prospérer.

    Savoir appréhender l’avenir n’est pas chose facile, mais la technologie est là pour aider. Avec la technologie, l’entreprise peut entrer de plain-pied dans un avenir agile, innovant et piloté par les données.

  • Les marketeurs carburent au Big Data, mais est-ce raisonnable?

    Le Big Data est-il le Graal tant espéré ou n’est-ce que du Big Bla-bla ?

    (*) : Le cœur a ses raisons que la raison ne connait point – Blaise PASCAL

    Par Olivier Figon Executive Chairman & Co-founder chez OORACE

    Les marketeurs plébiscitent les données : récolter, analyser, croiser, stocker … le tout pour mieux cibler. Ils carburent au Big Data et s’adressent à des acteurs capables de transformer cette masse d’informations pour faire d’un prospect un client. Mais avoir toujours plus de données sur une personne, est-ce la panacée ? Le Big Data est-il le Graal tant espéré ou n’est-ce que du Big Bla-bla comme le pointait en 2014 Ilan Benhaim, cofondateur de vente privée.com.

     Dans un environnement très concurrentiel, les marques ont cherché logiquement des moyens de mieux connaître leurs visiteurs afin de pouvoir leur faire des propositions de plus en plus personnalisées. Pour cela il a fallu collecter des données, les trier, les croiser et les analyser. Le Big Data était né : on parle aujourd’hui de plusieurs Eo par jour ! (1 Eo ou exaoctet = 1018 octets).

    Le Big Data sert incontestablement la connaissance client. Véritable atout pour les marketeurs, il a ouvert la voie au marketing automatisé et au marketing prédictif, permettant d’initier des campagnes à partir des données recueillies. Comme son nom l’indique, son objectif est de prévoir le comportement des visiteurs à partir de leur historique de comportement.

    Le raisonnement qui conduit un individu à prendre une décision d’achat est complexe.

    Cet historique est facile à connaître grâce au Big Data. Un e-commerçant peut tout savoir d’une personne : les études qu’elle a faites, sa catégorie socio-professionnelle, ses habitudes d’achat, ses centres d’intérêt et même les goûts de ses amis sur les réseaux sociaux etc … mais en réalité la construction du raisonnement qui conduit un individu à prendre une décision d’achat est bien plus complexe. Quantité de facteurs, psychologiques par exemple, l’influencent. Pour espérer appréhender cette construction complexe il faut des technologies qui permettent aux marketeurs de raisonner autrement.

    Mais quelle est d’abord exactement l’ampleur de l’enjeu pour le e-commerce ?

    Pour la mesurer intéressons-nous en premier lieu à ce que dit le baromètre annuel Google-Kantar Media Compete (1). L’étude pointe en particulier un chiffre très intéressant : le taux de refus en fonction des secteurs (hors activité drive) évolue entre 78% et 92% des visites. Google définit le taux de refus comme l’indicateur mesurant l’absence de prédisposition des visiteurs à acheter.

    Qu’une partie des visiteurs viennent pour flâner c’est bien sûr une réalité, que certains soient là par hasard pourquoi pas, mais peut-on réellement imaginer que 90% des visiteurs d’un site de e-commerce viennent sans aucune prédisposition d’achat, c’est-à-dire sans intention ?

    Et si c’était plutôt les outils d’analyse qui manquaient d’imagination !

    De l’imagination, nos visiteurs eux n’en manquent pas. Mais il ne faut pas s’attendre à voir la Vérité sortir tout nue du puits sans effort. Les outils aussi doivent faire preuve d’imagination. Des intentions, votre visiteur en avait bel et bien et il les a exprimées, mais pas de la manière compréhensible par les outils d’analyse du Big Data. Et pour une raison bien simple :  lors du parcours client ces intentions-là ne se sont pas exprimées à travers le langage des mots.

    Par définition la sémantique donne accès uniquement aux intentions clairement exprimées, le conscient en quelque sorte. Il est facile de croiser ces données sémantiques avec ce que le Big Data nous a appris sur le comportement habituel du visiteur, les référentiels étant les mêmes, et donc de lui apporter une proposition personnalisée. Cela nous donne accès à environ 10% des parcours clients, qui se répartissent en 2 catégories : les visiteurs qui achètent (1/3 de ces 10%) et les autres, les fameux abandonnistes (les 2/3 restants) qui sont l’objet de toutes les attentions des analystes.

    On sait qui je suis mais sait-on ce que je recherche vraiment, ici et maintenant ?

    Si le Big Data est indispensable dans une stratégie marketing, il est un domaine qu’il ne prend pas en compte : l’instantanéité, c’est à dire les intentions précises de l’internaute au moment où il surfe sur le net, peu importe son historique de comportement. Comme nous le savons tous, une partie des visiteurs ont un objectif précis, certains viennent flâner et d’autres peuvent se sentir parfois perdus. Non seulement leurs attentes sont différentes, mais leur état d’esprit, leur psychologie et leurs intentions peuvent en plus changer en permanence.

    Une récente analyse de Think With Google (2), mérite également d’être mise en avant pour ce qu’elle relève : le Big Data peut être trompeur. Ainsi :

    • 40% des achats sur mobile de produits pour bébés proviennent de couples sans enfant !
    • Les hommes sont à l’origine de 68% des recherches sur les produits cosmétiques, les femmes de 56% de celles sur les articles de sport et de 45% de celles sur les produits de bricolage !

    Pour Think With Google cela montre que le focus purement sur les data n’aide pas à comprendre ce que les utilisateurs recherchent au moment précis où ils le font, l’intention bat l’identité et prime sur le ciblage prédictif.

    Carburer uniquement au Big Data ce ne serait donc pas raisonnable !

    En réalité la connaissance client ne peut pas se limiter au Big Data, comme elle ne peut reposer non plus sur la seule approche temps réel. C’est la somme des 2 qui permet aux marketeurs de couvrir 100% des parcours clients.

    La vraie connaissance client c’est pouvoir répondre aux 2 questions à la fois :

    • Qui est mon client ?
    • A quoi pense, ou rêve, mon visiteur ?

    Au menu des marketeurs : proposer des interactions, saisir les opportunités et favoriser le conversationnel

    Think With Google en conclut que les marketeurs doivent analyser finement les micro-moments, comprendre l’intention qu’ils expriment, le consommateur étant parfois à la recherche de conseil, d’inspiration ou d’avis sur les produits, et ajuster leurs stratégies de content marketing en conséquence.

    Et on pourrait ajouter … pour proposer les interactions qui conviennent et pour satisfaire le visiteur à l’instant t ; un visiteur satisfait est un futur client et un client satisfait est un futur client fidèle.

    Cela permet de comprendre en temps réel si l’internaute est dans une recherche précise, s’il flâne ou bien s’il erre parce qu’il est perdu dans l’organisation du site.

    Dans un cas (10% des situations) il faut effectivement lui donner exactement ce qu’il veut pour ne pas le perturber dans sa quête et perdre la vente.

    Dans les autres cas (90% des situations) il faut être capable d’appréhender ses attentes : souhaite-t-il être guidé par l’affichage d’une information ? Etre rassuré par un dialogue avec le service client via une fenêtre de dialogue ou par téléphone ? A-t-il besoin d’être surpris par la recommandation d’un produit auquel il n’avait pas pensé mais qui a tout son sens finalement ?

    Cela nécessite une approche radicalement nouvelle, une combinaison en temps réel de plusieurs analyses : du comportement, des intentions et de la psychologie d’achat mais aussi du ressenti du visiteur par rapport au site.

    C’est le cas par exemple de l’approche psycho-cognitive proposée par la plateforme digitale omnicanal OORACE®.

     

     

    OOrace

    Grâce à cette approche OORACE® analyse en temps réel les intentions, clairement exprimées ou sous-jacentes, segmente les attentes pour permettre de proposer au bon moment la bonne interaction : recommander un produit pertinent, surprendre au bon moment avec un produit inattendu mais qui a du sens, favoriser le retour vers l’achat grâce à un retargeting personnalisé, proposer de visiter une catégorie plutôt qu’un produit, afficher un message ou un contenu, initier un contact avec le service clients ou un vendeur …

     

    • Baromètre sectoriel sur la performance de conversion des sites e-commerce en France

    http://www.journaldunet.com/ebusiness/commerce/1139998-e-commerce-les-taux-de-conversion-secteur-par-secteur/

    • L’intention est supérieure aux données sociodémographiques

    https://www.thinkwithgoogle.com/articles/why-consumer-intent-more-powerful-than-demographics.html

     

  • Les algorithmes au cœur du nouveau marché de la livraison

     Big data et SaaS pour des parcours de livraisons optimisés

     

    A l’heure de la révolution digitale, les données sont désormais la matière première centrale de la nouvelle économie, aussi indispensable que l’était le charbon pendant la révolution industrielle. Dans ce contexte, les algorithmes sont amenés à remplir le rôle de la machine à vapeur : l’innovation capable d’exploiter le potentiel des données et de transformer toutes les activités humaines. Déjà à l’œuvre dans de nombreux domaines, de la finance à l’urbanisme en passant par les ressources humaines, la vague algorithmique déferle désormais sur le secteur de la livraison de proximité.

    Vers la fin du « dispatching » traditionnel 

    Les commerces qui externalisent leur service de livraison font appel à des prestataires spécialisés dont le cœur de métier est la gestion d’une flotte de livreurs. Les différentes livraisons sont dispatchées, c’est à dire attribuées à des coursiers, par des opérateurs dont le savoir-faire consiste à connaître les contraintes opérationnelles (délais, plan de circulation de la ville, livraisons en cours, etc.) et à en tenir compte dans leur allocation des coursiers.

    Data et Saas pour optimiser le parcours de flux 

    Aujourd’hui, des algorithmes d’optimisation de flux permettent d’automatiser cette difficile opération de dispatching. Ils prennent en compte un grand nombre de données de natures diverses : géolocalisation des coursiers, habitudes, temps de réaction, conditions de livraison, type de véhicule demandé, etc. Toutes ces données sont traitées grâce à des méthodes d’analyse de Big Data sur une infrastructure cloud facilement accessible, grâce notamment à des interfaces SaaS responsives, et générées par des applications smartphones dans les mains des donneurs d’ordre, prestataires, livreurs et, pour une partie d’entre elles, par le client final.

    Les entreprises de livraison tendent à externaliser cette fonction de dispatching et la réception de commande pour se recentrer sur la gestion et l’entretien opérationnels de leurs flottes de véhicules. Les parcours optimisés par des algorithmes leur permettent d’augmenter la rentabilité de leurs véhicules, de réduire le bilan carbone de leurs courses mais aussi de proposer un prix plus juste à leurs clients.

    Une tarification plus juste

    Traditionnellement, un système de bons prévalait : les courses étaient tarifées de façon forfaitaire selon des zones d’envoi et des catégories très larges, une livraison de quelques kilomètres entre paris et sa banlieue pouvait ainsi coûter le même prix qu’une livraison d’une distance cinq fois plus longue. Désormais, les trajets des coursiers sont optimisés de façon à lisser les coûts et à facturer le prix le plus juste en fonction de la distance et du temps effectifs de livraison.

     

    La logistique prend son indépendance

    L’apparition de telles technologies faisant le lien entre gestionnaires de flottes et entreprises clientes signe la naissance d’un nouveau marché : celui du LaaS pour logistics as a service. Les outils spécifiques développés sur ce marché sont en mesure de fournir des services de livraison sur mesure en s’appuyant sur des flottes diversifiées de véhicules : triporteurs, voitures écologiques, scooters équipés pour les produits frais, etc.

     

    Grâce aux supports numériques qui équipent désormais les coursiers, les acteurs du LaaSpeuvent désormais concevoir des offres extrêmement diversifiées : évaluation du feedback client ou sondage, photo des colis pour plus de transparence, envoi de sms géolocalisés aux clients, etc. Malgré tout, les performances des acteurs du LaaS sont largement dépendantes de leurs capacités à adapter progressivement leurs algorithmes aux nouvelles contraintes : c’est désormais dans le traitement des données que les services de livraison peuvent trouver leurs nouveaux leviers de croissance.