Big Data - Information Builders

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