Conclusion    
  • ​Introduction

    Ce White Paper dresse un état des lieux des technologies utilisées dans le Big Data mais aussi des opportunités qui sont offertes aux entreprises par une meilleure exploitation des données. 

    Nous avons vu qu’il existe de nombreuses solutions, directement induites par les cas d’utilisation. 

    La mise en place d’une architecture Big Data doit donc être liée à un besoin et il faut cibler les domaines dans lesquels il est le plus pertinent pour vous d’investir. 

    La meilleure organisation pour une entreprise orientée vers la valorisation des données est une équipe : 

    • agile (ce qui ne surprend plus personne en 2016),
    • pluridisciplinaire (Data Scientist, Data Engineer, Graphistes, Marketing, ...),
    • de taille modeste (20 personnes maximum).

    Une bonne pratique est d’ouvrir l’accès à la donnée au sein de l’entreprise, au moyen d’un tableau de bord par exemple. Cet exercice facilite l’implication de tous les acteurs de la société. 

    En conséquence il faudra former un maximum d’utilisateurs et aussi se préparer à voir émerger des idées nouvelles qui devront impérativement faire l’objet d’un retour. 

    Enfin ce White Paper sera suivi de déclinaisons par secteur d’activité et par cas d’utilisation :

    • taux d’attrition (churn) dans l’assurance,
    • détection de la fraude dans le monde bancaire,
    • traitement de très gros volumes en temps réel.

     

  • ​Matrice de recommandation

    BIG DATA, INGRÉDIENTS

    big data, les ingredients

    Techniquement les enjeux sont les suivants :

    • scalabilité,
    • latence,
    • puissance de traitement,
    • fiabilité,
    • tolérance à la panne.

    Idéalement le système retenu devra répondre à tous ces enjeux mais cela à un coût au niveau de la complexité 

    Cas d’utilisation

    Caractéristiques

    Architecture

    Data Lake

    Fort volume de données

    Données hétérogènes

    Hadoop

    Recommandations en temps réel

    Vitesse de traitement des données

    Lambda

    Zeta

    Améliorer les offres/produits existants

    Fort volume de données

    Transformer et agréger les données

    Capacités analytiques puissantes

    Batch

    Micro batch

    Vue 360 client Agrégation de silos

    Batch

    temps réel

    Réduire coût de stockage

    Fort volume de données

    Hadoop

    NoSQL

    Scoring

    Fort volume de données

    Capacités analytiques puissantes

    Temps réel

     

ECRIVEZ NOUS SI VOUS AVEZ UNE QUESTION SUR CE CHAPITRE
Pdf 11.39Mo
loading
POSEZ-NOUS VOTRE QUESTION
loading