My Blog

Étiquette : Tableau software

  • 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.

  • Marqueteurs sortez de l’ombre !

    L’analyse de données : un atout incontestable pour les marketeurs

    Par Johanne Desanges, Responsable Marketing France et Europe du Sud, Tableau Software]

    À l’image de nombreux professionnels, les marketeurs se fiaient bien souvent à leur instinct pour suivre les tendances. Les conjectures étaient donc fréquentes et inévitables. Avec une telle approche, il était non seulement difficile d’anticiper les évolutions du marché, mais aussi de mesurer l’efficacité des stratégies et de justifier les dépenses. 

     La croissance exponentielle du volume de données et la multiplication des sources représentent des opportunités de plus en plus intéressantes pour les marketeurs. Ils ne peuvent toutefois en tirer parti que s’ils savent donner du sens à ces données. Leur capacité à trouver des informations exploitables est un vecteur d’agilité. Grâce à l’exploitation de leurs données, ils peuvent rectifier leurs stratégies, déceler de nouvelles opportunités et mieux répondre aux attentes de leurs clients. 

    Une approche basée sur les données permet de booster l’activité et fait sortir les marketeurs de l’ombre. 

     1. Perfectionner l’expérience client

    En décelant des informations exploitables plus rapidement, les marketeurs améliorent grandement leur agilité et leur réactivité. Ils peuvent par exemple suivre les performances en temps réel et ajuster leurs stratégies pour maximiser leurs résultats.

     La société Aeria Games, basée en Allemagne, est spécialisée dans la distribution de jeux en ligne free to play. Les joueurs sont libres de quitter le jeu à tout moment. Il faut donc leur offrir une expérience optimale en permanence.

    Plus de 70 millions de joueurs sont inscrits dans le monde, ce qui se traduit par un important volume de données. Ces données sont variées et concernent aussi bien le temps passé en ligne, l’implication aux différents stades du jeu ou les achats intégrés les plus populaires que la fréquence de connexion des joueurs et les éléments qui les ont incités à participer.

     Le défi consiste à donner du sens à ce flot d’informations et à les filtrer pour en extraire des données pertinentes. Pour ce faire, l’équipe utilise une solution d’analyse visuelle pour explorer ces centaines de gigaoctets de données, toutes en provenance directe des joueurs et générées en temps réel. 

    Le jeu S4 League illustre parfaitement l’impact des données sur la conception d’un jeu. Les développeurs pensent généralement que les joueurs veulent surtout de nouvelles armes ou plus d’argent utilisable pendant une partie. En analysant les données, les concepteurs se sont pourtant rendu compte que les joueurs sont davantage attirés par ce qui leur permet de personnaliser leurs personnages, comme les couleurs de vêtements, les styles de chapeaux ou encore les types d’accessoires comme les lunettes. L’équipe d’Aeria Games a su réagir rapidement pour proposer davantage de personnalisation. Résultat : des joueurs satisfaits et des personnages encore plus élégants. Une telle mine de données permet aux marketeurs de réagir plus rapidement.  

     2. Faire des économies grâce aux détails présentés dans les données

     À mesure que la concurrence augmente, les marketeurs cherchent un moyen de voir et de comprendre leurs données plus rapidement. Bon nombre d’entre eux se tournent vers la visualisation des données pour déceler les informations exploitables qui se cachent dans ce flot d’informations qui ne cesse d’augmenter. 

     Metro, l’une des plus importantes chaînes de grands magasins à Singapour, collecte de très nombreuses données sur ses activités, notamment pour analyser les pics et les accalmies dans les périodes d’achat, les flux d’inventaire et le comportement des clients.  

     L’équipe chargée de la gestion de la relation client et des approvisionnements a eu la possibilité de visualiser toutes ces données, ce qui a permis de recentrer les réunions : tous les intervenants étaient sur la même longueur d’onde puisqu’ils voyaient et comprenaient les mêmes éléments et prenaient leurs décisions en se basant sur les mêmes données.  Au cours de l’une de ces réunions, en analysant les données sur les pointures les plus vendues et les comportements d’achat, ils ont eu la surprise de découvrir que les clients choisissaient rarement une demi-pointure.    

     Metro a donc décidé rapidement de ne plus vendre de demi-pointures, ce qui lui a permis de réduire ses excédents de stock, ses frais liés à la démarque et au stockage, et le coût d’opportunité.

     3. Etendre petit à petit de nouvelles offres

    Pour les marketeurs, une approche guidée par les données permet de se tourner davantage vers l’avenir. En s’appuyant sur les données, ils passent désormais moins de temps à justifier leurs budgets et leurs actions, et peuvent se consacrer à leur stratégie et à la mise en œuvre de leur prochaine campagne ou opération marketing. 

     Pour PagesJaunes Resto, un service français de livraison de repas à domicile, il est indispensable de s’adapter et de proposer l’offre la plus pertinente possible pour garantir la satisfaction client.  Ce service peut visualiser les nombreuses et diverses données dont il dispose sur les commandes des clients, les restaurants et leurs emplacements géographiques, ce qui lui permet de déceler les tendances et de proposer de meilleures offres à ses clients.  

     L’équipe a d’ailleurs récemment pu identifier les restaurants les plus populaires dans des quartiers spécifiques et ainsi développer un système de commandes groupées.  Plusieurs clients peuvent regrouper leurs commandes pour obtenir une remise de la part du restaurant, et réaliser ainsi des économies, ce qui augmente leur satisfaction.

     Un marketing tourné vers le futur

     Le marketing représente aujourd’hui un véritable défi, dans la mesure où il est dicté par les innombrables choix des consommateurs. Seuls les marketeurs capables d’exploiter pleinement leurs données réussiront à tirer leur épingle du jeu. Des tableaux de bord interactifs et toujours à jour, accessibles sur tous les terminaux, les aideront à gagner en agilité et à saisir toutes les opportunités. Le retour sur investissement qu’ils obtiennent prouve bien l’utilité de voir et comprendre les données pour travailler plus vite et plus efficacement.