View
506
Download
3
Category
Preview:
Citation preview
1
Conférence La vérité sur le Big Data, Hadoop,
l‘Internet des objets et les tendances technologiques
Démasquez les promesses surdimensionnées grâce au cycle de vie
des technologies émergentes
Au programme de cette conférence…
Le cycle de vie des technologies : Hype curve et promesses d’Eden.
3 panélistes expérimentés pour 3 angles d’approche.
2
Déroulement de notre rencontre…
Introduction, présentation de vos hôtes
Hype curve et cycle de vie
Approches d’experts et débats
• Technologies
• Données
• Organisation
Conclusion et période de questions
3
Qui sommes nous ? Titulaire d’un MBA de McGill et d’un BAC en génie logiciel, Charles
est architecte en intelligence d’affaires, présentement expert Microsoft de la plateforme de données. Il couvre les grands comptes
commerciaux et du secteur public de l’est du Canada, d’Ottawa à l’Atlantique. Charles a œuvré dans l’industrie du transport, du
commerce de détail et le bancaire. Passionné par l’analytique et les visualisations de données interactives, il s’active à créer la culture
des données dans les entreprises.
4
Leader de la pratique de consultation Gestion de l’Information et Technologies Analytiques au Québec et participant actif à la
transformation analytique du cabinet à l’échelle nationale, Guillaume possède plus de 15 ans d’expérience en services professionnels en intelligence d’affaires et analytique. Il a contribué activement au
développement de ces disciplines au sein de nombreuses organisations à Montréal et ailleurs dans le monde. Cette vaste expérience, ajoutée à son
esprit innovateur et son implication au sein de la communauté d’intelligence d’’affaires du Québec, font de lui un des leader local de cette
industrie florissante.
Guillaume Bédard
Charles Verdon
Qui sommes nous ? Denis détient une maîtrise en sciences (M.Sc.) et un baccalauréat en administration des affaires (B.A.A.) d’HEC. Il est aussi membre de l'Ordre des comptables professionnels agréés (CPA, CMA) du Québec.
Denis est un expert reconnu et certifié Tableau en visualisation des données. Il est fondateur et chef de pratique chez DATA VIZ PRO, compagnie spécialisée en analytique et en visualisation de données. Denis aide les décideurs par la visualisation de données et la mise en récit des données, il a participé à plus de 34 projets analytiques majeurs depuis 1991 auprès de groupes de premier rang tels que le Cirque du Soleil, l’American Automobile Association (AAA) et la Caisse de dépôt et de placement du Québec.
5
Jean-Michel est consultant chargé de programmes et de projets indépendant et formateur PMP. Il apporte son soutien et ses compétences de gestion aux décideurs et aux entreprises depuis plus de 18 ans, dans différents secteurs tels que la Finance, l’Énergie, les Services et les Loisirs et ce, dans plusieurs pays, en Europe et en Amérique du Nord. Démontrant une expérience majeure en programmes et projets d’intelligence d’affaires et décisionnels, il apporte également son expertise sur tous types de projets organisationnels, stratégiques ou technologiques, qu’il s’agisse de transformation, d’évolution ou d’intégration. Il est titulaire d’un Master en Méthodes informatiques appliquées à la gestion des entreprises de l’Université de Lyon (France) et certifié PMP et Scrummaster. Très impliqué dans la communauté, Jean-Michel apporte également son soutien en gestion de manière bénévole à diverses associations ou évènements tels que le programme de mentorat du PMI, les comités de l’AQIII, l’initiative JefaisMtl ou encore le concours KGP de l’UQAM.
Jean-Michel Laroche
Denis Archambault
Très impliqué dans la communauté BI et Analytics, Denis intervient régulièrement à titre de conférencier et de spécialiste.
Hype curve et promesses d’Eden
Le cycle de vie technologique
6
Hype curve et cycle de vie
7
- Opportunité des émergences technologiques - Vision du risque de maturité
www.gartner.com
« Lorsque les entreprises s’engagent dans l’aventure de la transformation
digitale, identifier et employer les bonnes technologies au bon moment
devient un enjeu critique» Gartner, 2014
Le Hype cycle de Gartner : outil de veille pour les décideurs
Les 5 phases du cycle
8
Technology trigger → Émergence technologique Peak of inflated expectations → Attentes surdimensionnées Trough of desillusionment → Gouffre de désillusion Slope of enlightenment → Chemin vers la lumière Plateau of productivity → Phase productive
Les 5 phases du cycle
9
Émergence technologique • maquettes et prototypes • viabilité commerciale non prouvée • peu d’entreprises se lancent
Attentes surdimensionnées • Effet de buzz, le public s’enflamme • Flou global sur le produit • Exposition importante : ideal pour le lancement
Gouffre de désillusion • Indisponibilité du produit • Incapacité a tenir les promesses • Les entreprises doutent • Phase d’echec
Les 5 phases du cycle
10
Chemin vers la lumière • Phase de croissance lente • Ajustements et nouvelles generations
Phase productive • Marché qui se concrétise • Critères de viabilité apparents • Rentabilité financière stable
Cycle vie des technologies : Big Data
11
2011
2012
2013
2014
2015 ???
c
Cycle vie des technologies : IoT
12
2011
2012
2013 2014
2015
c
Cycle de vie : Statuts et durée de vie
13
Big Data
14
Communication véhiculaire
15
RFID : Logistique et transport
16
Des cycles de vie variés…
17
Business Intelligence and Analytics
Big Data
Emerging Technologies
Cloud Computing
Digital Marketing
CRM, ERP, SCM
+ 50 autres thèmes, + 500 sujets
Ce qu’est le Hype cycle…
… un outil d’intelligence économique
18
Usages et tendances des consommateurs, professionnels… Évolution et positionnement des technologies Indicateur stratégique d’aide à la décision
Les bénéfices de l’intelligence économique
19
Identification des technologies • Potentiellement profitables • Potentiellement utilisables Priorisation et pertinence des investissements technologiques Réduction potentielle des coûts et processus décisionnels Optimisation des stratégies de marketing
Ce que le Hype cycle n’est pas :
un outil de gestion de projet !
mais… sa logique peut s’avérer utile !
20
L’impact des nouvelles technologies
Avis d’experts
21
La Perspective Technologique
22
Charles Verdon
Technology Solutions Professional Email: chverdon@microsoft.com Twitter: @chverdon
Le monde des données a changé
Les “Big Data Analytics” enrichissent
Les 3 V’ traditionnels du Big Data…
Volume
Variété
Vélocité
Téraoctets Petaoctets
Structurées Non structurées
Batch Streaming
Véracité
Volume Téraoctets Petaoctets
Le nuagique, pour quoi?
Performance Échelle Données
économiques
Toujours actif
et efficient Ouvert et
flexible
Délai de
valorisation
Données tous volumes
Variété, Vélocité
Traitement et
stockage massifs
Déploiement
expertise
Répartition mondiale des centres de données
Operational Announced
Central US Iowa
West US California
North Europe Ireland
East US Virginia
East US 2 Virginia
US Gov Virginia
US Gov Iowa
South Central US Texas
Brazil South Sao Paulo
China North * Beijing
China South * Shanghai
Japan East Saitama
Japan West Osaka
India West Mumbai
East Asia Hong Kong
SE Asia Singapore
Australia West Melbourne
Australia East Sydney
* Operated by Third Party
Canada Central Toronto
Canada East Québec
North Central US Illinois
India South Chennai
India Central Pune
UK2 TBD
West Europe
Netherlands
UK1 TBD
Germany1* TBD
Germany2* TBD
29
Accès simplifié aux données grandes ou petites
Use your historical and
ongoing transactional
data to your
advantage
Data types:
Social sentiment
Audio
Video
Handwritten
TB Streaming
HDInsight, APS, HDP
Use your historical and
ongoing transactional
data to your
advantage
Data types:
CEP
Weblogs
Sensor data
PB Unstructured
StreamInsight
Use your historical and
ongoing transactional
data to your
advantage
Data types:
ERP
CRM
GB Structured
Microsoft SQL Server
Unstructured
Streaming
Use your historical and
ongoing transactional
data to your
advantage
Data types:
ERP
CRM
GB Structured
Microsoft SQL Server
Unstructured Structured
Streaming
Use your historical and
ongoing transactional
data to your
advantage
Data types:
Social sentiment
Audio
Video
Handwritten
TB Streaming
Use your historical and
ongoing transactional
data to your
advantage
Data types:
ERP
CRM
GB Structured
Microsoft SQL Server HDInsight, APS, HDP
Use your historical and
ongoing transactional
data to your
advantage
Data types:
ERP
CRM
Unstructured Structured
Streaming
Use your historical and
ongoing transactional
data to your
advantage
Data types:
CEP
Weblogs
Sensor data
GB Structured PB Unstructured
StreamInsight Microsoft SQL Server
Use your historical and
ongoing transactional
data to your
advantage
Data types:
Social sentiment
Audio
Video
Handwritten
TB Streaming
HDInsight, APS, HDP
Conduire l’activité
d’affaires en temps
réel, des applications
vers la compréhension
Types de données:
ERP/CRM
Paye
Gestion des ventes
Inventaire
Surveiller, gérer et
investiguer les
données pour trouver
les faiblesses et les
opportunités
Types de données:
Trading et finance
Analytiques Web
Analytiques
opérationnelles
Stocker, traiter tout
type de données et de
volumes
Types de données:
Fichiers de logs
Senseurs, RFID,
appareils
GPS et données
spatiales
Conditions climatiques
Structurées Streaming Non structurées
Variété Structurées Non structurées
Observation
Pattern
Théorie
Hypothèses
Que va-t-il
arriver ?
Comment peut-on
y arriver ?
Analytique
prédictive
Prescriptive
Analytics
Qu’est-il arrivé ?
Pourquoi
est-ce arrivé?
Analytique
descriptive
Analytiques de
diagnostique
Confirmation
Théorie
Hypothèses
Observation
2 approches de la gestion des données: Top-Down + Bottom-Up
Data Lake + Data Warehouse agissent mieux ensemble
Data sources
Qu’est-il arrivé ?
Analytique
descriptive
Analytique de
diagnostique
Pourquoi est-ce arrivé ?
Que va-t-il se passer ?
Analytique
prédictive
Analytique
prescriptive
Comment y arriver?
Objets
30M
Vélocité Batch Catégorisation
Notre point de vue
L’Internet des objets commencent
avec Vos Objets.
• Construire sur l’infrastructure que vous possédez déjà.
• Ajouter des équipements à ceux que vous possédez.
• Obtenir plus de données existantes.
Big Data
Computer Vision
Deep Learning
Machine Learning
Data Mining
Veracity
Ricky White Dispatcher de flotte - Contoso Logistics
Ricky est le dispatcher de la flotte routière chez Contoso
logistics.
Il est responsable de la sélection et de la maintenance en
parfaite condition des véhicules pour que l’entreprise puisse
atteindre ses objectifs de distribution efficacement et en
maîtrisant ses coûts.
Il utilise le logiciel de dispatch de la flotte pour suivre et contrôler
les différents aspects des véhicules et des activités des
conducteurs.
Données et analytiques
36
Denis Archambault
Intégration de données
37
Serveur
Systèmes sources
Extract, Load, Transform (ELT) Destination finale
Intégration et optimisation
Extract Transform
Load
Intrégration Optimisation
Phase de données Phase analytique
Gouvernance des données
38
À Temps Complet Exact Approuvé
Modèles analytiques
39
Définition de problèmes
Algorithmes décisionnels
Mathématiques
Ressources humaines
40
Spécialiste en base de données
Spécialiste en analytiques d affaires
Spécialiste deslignes d affaires
Spécialiste envisualisation
Ressources technologiques
41
Extract, Load,
Transform
Data LakeData Warehouse
Aide à la prise de décision
Statistiques
Logiciel reporting Logiciel de
visualisation
Les organisations et la gestion du changement
42
Guillaume Bédard
Le défi: changer la culture de la décision!
43
Donnée Action
Décision
Descriptif
Que s’est-il passé?
Diagnostic
Pourquoi est-ce arrivé?
Prédictif
Qu’est-ce qui arrivera?
Prescriptif
Que devrais-je faire?
Support à la décision
Automatisation de la décision
Analytique Humain
Source: Gartner (Août 2014)
Resistence is not futile…
Pourquoi donnée et technologie ne suffisent pas?
Surcharge de travail
Surcharge de nouvelles technologies à apprendre
Incompréhension de la valeur
Confiance plus élevée en l’instinct qu’en la donnée
Peur! • De paraître non efficient/efficace
• De perdre leur emploi
• Que la machine surpasse l’humain
44
45
46
Facteur clé #1 – La vision
Mobiliser l’équipe autour d’une vision claire
Exercices simples, mais payants:
• Définition de l’analytique avec l’équipe complète
• Compréhension de ce que la donnée peut concrètement changer
• Compréhension de la valeur pour l’organisation
47
Facteur clé #2 – La valeur
Clarifier, piloter et mesurer la valeur
48
Facteur clé #3 – Briser les silos
Penser globalement, agir localement
49
PLAN STRATÉGIQUE ANALYTIQUE EXÉCUTION AGILE
Facteur clé #4 – La qualité des données
Gérer activement sa police d’assurance: la qualité des données
• Identifier clairement les bénéfices à risque
• Renforcer les requis de qualité de données
50
Conclusion et période de questions
51
Recommended