Monétisation des données : comment identifier de nouvelles sources de revenus au sein des Big data ? Dr Wolfgang Martin Analyste et adhérant du Boulder BI Brain Trust Les Big data Démystifier les Big data. Les incompréhensions typiques des Big data. Une définition des Big data. Monétiser des données. Les 5 sources de revenus. Organiser la monétisation des données. La gouvernance des Big data. © 2013 S.A.R.L. Martin 2 Mythes sur les Big data (I) Mythe n° 1: Big data = Hadoop Les Big data sont plus qu’une technologie. La technologie de Hadoop est complémentée par NoSQL et des bases de données analytiques MPP. Mythe n° 2: Big data = en mémoire Les technologies des Big data profitent d’une combinaison de mathématique et de technologies logicielles et hardware. Mythe n° 3: Big data = analyses statiques Les Big Data comprennent l’analyse des flux de données, donc analyses en temps réel. © 2013 S.A.R.L. Martin 3 Mythes sur des Big data (II) Mythe n° 4: Les Big data ne sont qu’un problème de stockage de données. Les Big data veulent dire « analytique ». L‘analytique crée la monétisation et le potentiel de la transformation. Mythe n° 5: Big data = analyse des médias sociaux. Big data = transactions + interactions + observations. Mythe n° 6: Les Big data jouent un rôle uniquement dans le commerce. Les Big data jouent un rôle partout. © 2013 S.A.R.L. Martin 4 Big data – une définition Big data” is high-volume, -velocity and -variety information assets that demand cost-effective, innovative forms of information processing for enhanced insight and decision making. (Gartner [1]) [1] confer Forbes (accès au 10 avril 2013) http://www.forbes.com/sites/gartnergroup/2013/03/27/gartners-big-data-definition-consists-of-three-parts-not-to-be-confused-with-three-vs/ Caractéristiques de la définition: les trois Vs, information comme bien (“asset”), traitement de l’information d’une manière rentable et innovatrice, meilleures compréhension et prise de décision. © 2013 S.A.R.L. Martin 5 Data Warehouses (MPP) Structuré Big data: structures et latence (IBM Netezza, Teradata) Bases de données analytiques et NoSQL Bases de données en mémoire (Aster, Sybase IQ, Hyperstage) (Oracle x10, SAP HANA) Systèmes de fichiers répartis (Hadoop) Temps réel (online) Poly-structuré Batch (offline) NoSQL: Graph DB, OODB Traitements des flux de données (Neo4J, Versant) (HStreaming, Streambase) Source: Forrester Classification des éditeurs de Big data par structure de données et demande de latence. © 2013 S.A.R.L. Martin 6 Big data: facteurs de succès Tweet de Stephen Shelton (@sdsdev, le 28 mars): Many businesses fail to have analytics as its cultural core. This is why Big Data confuses many. Facteurs de succès des Big data: Créer une culture analytique dans l’entreprise. Etablir une nouvelle organisation agile. Constituer une gouvernance de l’information dans la gestion des Big data. Résumé L’exploitation des Big data est basée sur une éthique Big data. © 2013 S.A.R.L. Martin 7 Les Big data Démystifier les Big data. Les incompréhensions typiques des Big data. Une définition des Big data. Monétiser des données. Les 5 sources de revenus. Organiser la monétisation des données. La gouvernance des Big data. © 2013 S.A.R.L. Martin 8 1° Transparence et Big data Rechercher /Identifier Analyse des données NoSQL, Hadoop, SGBD analytique Données poly-structurées Données modelées Données filtrées/ Résultats analytiques Big Data Applications & services analytiques Intégration des données Archivage, filtrage et transformation des données Analyse des données Données structurées ETL/ELT Données externes et internes Source: Colin White © 2013 S.A.R.L. Martin Enterprise Data Warehouse Applications & services analytiques 2° Contrôle d’efficacité des mesures Big Data Metrics Analyse Web Taux de clics (Codes QR) Détecteurs Données de localisation Vidéo etc. Méthode des Big data: Dériver et tester des hypothèses par itération. 10 © 2013 S.A.R.L. Martin 3° Personnalisation et Big data Exploitation innovante des données de localisation par géocodage Optimisation de l’emplacement Contrôle d’efficacité Publicité par panneaux GRC Géocodage Profil de client Appli Contrôle d’efficacité Client Localisation Point de contact local Taux de visites? Exemple m-commerce: Optimisation de l’emplacement des panneaux de publicité et « next best local point of contact » © 2013 S.A.R.L. Martin 11 4° Optimisation et Big data Processus Détecteurs Service composé Big data Services analytiques, collaboratifs & transactions Virtualisation des données Événements Données (transactions) Fichiers, XML, Spreadsheets Données externes Data Warehouse Autres sources de Big data Intégration de l’analytique en temps réel. 12 © 2013 S.A.R.L. Martin 5° Innovation et Big data Exemple: La convergence du monde réelsans et virtuel: voiture de Google: mobilité automobiliste. L’Internet des objets (« Internet of things ») est en train de démarrer: Outils puissants: détecteurs et analytique en temps réel, Les Bigdata. data sont produits par l’Internet des objets et les Big les Big data produisent l’Internet des objets. © 2013 S.A.R.L. Martin 13 Chiffres magiques Attention: L’exploitation des Big data en GRC est plus qu’une question de mathématique et de technologie! La question de la protection de la vie privée. La question de la sécurité des données. La question de la gouvernance de l’information. La question de la gouvernance sociale (GRC sociale: les règles). La question des processus (Que faire si...). © 2013 S.A.R.L. Martin 14 Monétisation et Big Data Les Big data créent la transparence grâce à une information composée et plus détaillée. Les Big Data permettent de baser des décisions et des mesures sur des faits. Les Big Data offrent des interactions plus ciblées et plus personnalisées. Les Big Data développent l’automatisation par des observations précises et enrichissent des processus par l’analytique. Les Big Data créent l’innovation par l’information. Résumé L’exploitation des Big data est basée sur une éthique Big data. © 2013 S.A.R.L. Martin Les Big data Démystifier les Big data. Les incompréhensions typiques des Big data. Une définition des Big data. Monétiser des données. Les 5 sources de revenus. Organiser la monétisation des données. La gouvernance des Big data. © 2013 S.A.R.L. Martin 16 1/ La culture analytique Comment créer un nouveau modèle d’organisation pour tirer le meilleur parti de l’analytique? Stratégie Processus Processus Processus Prendre des mesures Décider Objectifs Valeurs Mesurer Nouvelles fonctions: Chief Analytics Officer, Data Scientist etc. © 2013 S.A.R.L. Martin 17 2/ Organisation agile Impact Centre central Centre virtuel Définir les règles Réunir des Best Practices Comité de pilotage Centre d’expertise Directeur du programme Chargés de projet Chargé de méthodologie Tâches transversales Projet n Projet 1 ... Marketing & communication interne © 2013 S.A.R.L. Martin Le centre d’expertise « Big Data » 3/ Gouvernance de l’information La gouvernance de l’information réunit des personnes, stratégies, processus, organisations et technologies. La gouvernance de l’information est une affaire de responsable (« Chefsache »). La gouvernance de l’information signifie: Changements organisateurs, Programme et méthodologie, Standardisation, Constitution des structures de gouvernance (« CdE »), Implémentation d’une plateforme. La gouvernance de l’information est une mission de concert du métier et de l’informatique. Résumé: un grand défi. © 2013 S.A.R.L. Martin 19 Questions? Merci! Contact : [email protected] © 2013 S.A.R.L. Martin 20