Plan 1/9/2013. Génération et exploitation de données. CEP et applications. Flux de données et notifications. Traitement des flux Implémentation
|
|
- Thibaud Morel
- il y a 8 ans
- Total affichages :
Transcription
1 Complex Event Processing Traitement de flux de données en temps réel Romain Colle R&D Project Manager Quartet FS Plan Génération et exploitation de données CEP et applications Flux de données et notifications Traitement des flux Implémentation Conclusion 1
2 Plan Génération et exploitation de données CEP et applications Flux de données et notifications Traitement des flux Implémentation Conclusion Création de données 5 exabytes de données (5*10 18 octets) créées par jour Générées par les utilisateurs (youtube, twitter,...) Générées par des actions (vente e-commerce,...) Générées automatiquement (RFID, GPS,...) Comment les exploiter au mieux? 2
3 Exploitation des données BI Business Intelligence (informatique décisionelle): aide à la décision en utilisant les données de l entreprise Basée sur des outils d OLAP (cf cours précédent) Permet de prendre des décisions «informées»: Connaissance de son stock Connaissance de la situation logistique Connaissance de la valeur de mon portefeuille d actions Exploitation des données Data Mining Data mining est l extraction de connaissances à partir de larges volumes de données Informatique + statistique Utilisation «prédictive» pour prévoir le futur grace au passé Applications Relation client Maintenance préventive Optimisation des ventes 3
4 Exploitation des données - CEP Le but est d analyser des flux de données et d en déduire des événements plus complexes Analyse des flux de données Détection et corrélation des événements importants Déduction d événements complexes Agir en conséquence Plan Génération et exploitation de données CEP et applications Flux de données et notifications Traitement des flux Implémentation Conclusion 4
5 Impossible d afficher l image. 1/9/2013 Complex Event Processing - How does it work? INPUT STREAM OUTPUT STREAM Alert New Event (message) Example: Filtering Correlations Basic calculations Speed of the car If speed > 50 km/h and Trajectory of the car Tyre pressure Trajectory change and Tyre pressure drops by 50% Action Airbag Exploitation des données - CEP Les déductions se font à l aide d un ensemble de transformations et traitements sur les flux entrants Filtrage / projection Aggrégation Jointure 5
6 Exploitation des données - CEP Traitement des données en temps réel, «au fil de l eau» Applications Trading algorithmique Détection de fraude (carte de crédit) Analyse des médias sociaux CEP Trading algorithmique High Frequency Trading (HFT) Prises de décisions complexes et passages d ordres avant toute réaction humaine Market making (sell/bid), arbitrage, : 73% des ordres par HFT sur les actions aux USA Facteur important du «flash crash» de
7 CEP Online Gaming Surveillance des données générées par les utilisateurs Avatars, communications,... Gestion de l intérêt du joueur S adapter à sa progression, son niveau,... Surveillance de l activité en ligne Optimisation des publicités et promotions Optimisation des transactions en ligne CEP Détection de fraude Détection de paiements frauduleux Comparaison avec des années de données historiques Détection de transactions inhabituelles Détection de comportements frauduleux Le but est de prévenir la fraude alors qu elle est en train de se produire Traitement temps réel extrêmement performant 7
8 Plan Génération et exploitation de données CEP et applications Flux de données et notifications Traitement des flux Implémentation Conclusion Polling Flux de données - Réception Notify pull Push 8
9 Flux de données - Réception Polling Interroger le service toutes les N secondes pour récupérer la valeur courante ou les nouvelles données Très gourmant en ressources: la requête doit être réexécutée toutes les N secondes et comparée avec son résultat précédent Peut être amélioré si le service peut fournir un «diff» lors de chaque interrogation Notify-pull Flux de données - Réception Le client enregistre sa requête au niveau du service Le service notifie le client lorsque de nouvelles données sont disponibles Le client requête le serveur pour récupérer les nouvelles données Plus efficace que le polling, évites les aller-retours inutiles Pas toujours vrai si le serveur notifie le client lorsque de nouvelles données apparaissent «à côté» de la requête Très efficace si la quantité de nouvelles données récupérées lors de chaque requête est importante 9
10 Flux de données - Réception Push Le client enregistre sa requête au niveau du service Le service envoie au client les nouvelles données au fil de l eau Très efficace, évite tout aller-retour après la souscription Le serveur peut «batcher» les nouvelles données si la fréquence d apparition est trop élevée Plan Génération et exploitation de données CEP et applications Flux de données et notifications Traitement des flux Implémentation Conclusion 10
11 Traitement des flux Les données entrantes passent à travers un réseau d opérateurs Les données sortantes (s il y en a) correspondent au résultat du «complex processing» Modélisation et représentation par un système de «boites et flêches» (boxes and arrows) Traitement des flux Médias sociaux Analyse des tweets sur Apple et Samsung suite à la sortie des nouveaux IPhone et Galaxy S Recherche des mots apparaissant le plus souvent avec Apple et Samsung Filtrage des tweets Découpage des phrases en mots => Création de nouveaux flux Aggrégation de flux sur une fenêtre de temps 11
12 Traitement des flux Médias sociaux Filter Split Agg. Top 3 OUT Contains Apple On words Sum over 30mn Group by words Dupli cate Tweets Filter Split Agg. Top 3 OUT Contains Samsung On words Sum over 30mn Group by words Modélisation d un flux de données Un flux de données est une séquence de tuples t = (a 1,a 2,a 3,...,a n ) Le schéma du flux est la description des différents attributs des tuples: a 1,a 2,a 3,...,a n Les données du flux sont des éléments (tuples) ayant des valeurs pour chacun des attributs du flux 12
13 Modélisation d un flux de données Exemple: flux de ventes de voitures chez un concessionnaire Schéma: (date, marque, modèle, couleur, prix) Flux de données: t1 = (01/12/2012, Peugeot, 407, bleue, ) t2 = (04/12/2012, Renault,Twingo, blanche, ) t3 = (06/12/2012, Citroen, C5, noire, )... Différents opérateurs d un moteur CEP Filter Applique des conditions sur les différents attributs d un tuple Le flux de sortie a le même schéma que le flux d entrée mains ne contient qu un sous-ensemble des tuples entrants Exemple t1 = (01/12/2012, Peugeot, 407, bleue, ) t2 = (04/12/2012, Renault,Twingo, blanche, ) t3 = (06/12/2012, Citroen, C5, noire, ) t1 = (01/12/2012, Peugeot, 407, bleue, ) t3 = (06/12/2012, Citroen, C5, noire, ) Prix >
14 Différents opérateurs d un moteur CEP Projection Projette les tuples vers un sous-ensemble des attributs du flux entrant Le schéma du flux de sortie est un sous-ensemble des attributs du schéma du flux entrant Exemple t1 = (01/12/2012, Peugeot, 407, bleue, ) t2 = (04/12/2012, Renault,Twingo, blanche, ) t3 = (06/12/2012, Citroen, C5, noire, ) t1 = (Peugeot, 407) t2 = (Renault,Twingo) t3 = (Citroen, C5) Projection = (Marque,Modèle) Différents opérateurs d un moteur CEP Sort Trie les tuples du flux entrant selon un ordre défini sur la valeur des attributs Le flux de sortie a le même schéma que le flux d entrée, mais l ordre des tuples est différent Exemple t1 = (01/12/2012, Peugeot, 407, bleue, ) t2 = (04/12/2012, Renault,Twingo, blanche, ) t3 = (06/12/2012, Citroen, C5, noire, ) t1 = (04/12/2012, Renault,Twingo, blanche, ) t2 = (01/12/2012, Peugeot, 407, bleue, ) t3 = (06/12/2012, Citroen, C5, noire, ) Sort by price 14
15 Différents opérateurs d un moteur CEP Sort Un tri ne peut se faire sur l ensemble des tuples d un flux Comment trier un flux infini d éléments? Stockage trop important pour un flux fini Doit être fait sur une fenêtre glissante de temps (e.g. 10 dernières minutes) d événements (e.g derniers tuples) Pour une fenêtre de taille n, les n+1 derniers éléments sont gardés dans un «buffer» en mémoire Ejecte et émet dans le flux sortant le plus petit élément du buffer lorsqu il devient plein Opérateur sort - Exemple D.J. Abadi et al.: Aurora: a new model and architecture for data stream management 15
16 Différents opérateurs d un moteur CEP Aggregate Application d une fonction d aggrégation (sum, min, max, avg,...) et d un «group by» sur le flux de tuples entrant Le schéma du flux de sortie contient les attributs du group by, ainsi que la valeur de l attribute aggrégé Exemple t1 = (01/12/2012, Peugeot, 407, noire, ) t2 = (04/12/2012, Peugeot, 307,noire, ) t3 = (06/12/2012, Citroen, C5, bleue, ) t1 = (Peugeot, noire, ) t2 = (Citroen, bleue, ) Sum(price) group by make,color Différents opérateurs d un moteur CEP Aggregate Comme le tri, l aggrégation ne peut se faire sur l ensemble du flux L aggrégation se fait sur une fenêtre glissante Pour une fenêtre d une heure, les éléments reçus durant cette heure sont gardés en mémoire ainsi que les aggrégats pour chaque groupe existant Lorsque l heure est terminée, les aggrégats sont émis dans le flux de sortie et la mémoire est ré-initialisée 16
17 Opérateur aggregate - Exemple D.J. Abadi et al.: Aurora: a new model and architecture for data stream management Moteur CEP - Stockage des données Certaines fonctions ne nécessitent pas de stockage Filter Projection... Fenêtre glissante de temps/éléments pour les autres Sort Aggregate Join... 17
18 Moteur CEP - Stockage des données Implémentation d une fenêtre glissante LinkedList (Deque) Les éléments sont ajoutés à la fin de la liste Lorsque la liste est pleine, on enlève l élément du début: il est sorti de la fenêtre glissante Ces opérations sont en O(1) pour une liste chaînée Nécessite de maintenir la taille de la liste dans une variable pour être efficace (O(n) sinon) Moteur CEP - Stockage des données Implémentation d une fenêtre glissante Tableau «circulaire» de taille n Maintient d un index i pour la prochaine insertion Commence à 0 et augmente après chaque insertion Recommence à 0 à la fin du tableau Lorsqu un élément est inséré à la place d un autre, l ancien élément sort de la fenêtre glissante Dès que le tableau a été rempli une première fois 18
19 Moteur CEP - Stockage des données Somme courante sur une fenêtre de n éléments La fenêtre glissante est maintenue à l aide d une des techniques précedentes Lorsqu un élément est reçu, il est inséré dans la fenêtre et sa valeur est ajoutée à la somme courante Si l insertion a éjecté un ancien élément de la fenêtre, la valeur de cet ancien élément est soustraite à la somme courante Moteur CEP - Stockage des données Max courant sur une fenêtre de n éléments Implémentation naïve : garder les n derniers éléments en mémoire et recalculer le max lorsqu il sort de la fenêtre Peut mieux faire Garder les «sommets» décroissants de la fenêtre 19
20 Moteur CEP - Stockage des données Max courant sur une fenêtre de 10 éléments U1 1 U2 2 U3 3 U4 U4 5 U2 U1 6 U3 U2 7 U4 U3 U3 U4 U5 11 U1 12 U U Max list Plan Génération et exploitation de données CEP et applications Flux de données et notifications Traitement des flux Implémentation Conclusion 20
21 Conclusion CEP est une technologie encore nouvelle Très présente pour les traitements «simples» de flux de données avec très faible latence Donne de bons résulats CEP est une technologie qui a ses limites Pas de stockage de données donc pas de contexte ni historique Les traitements sont encore assez simples Faible dimensionalité Convergence du CEP, OLAP et Data Mining ActivePivot! Fondée en 2005 Développe et commercialise ActivePivot R&D à Paris, Services à Paris, Londres, NY et Singapour CEI Supélec et stage tous les ans depuis
22 Thank you for your attention To know more about Quartet FS Please visit:
Les Entrepôts de Données
Les Entrepôts de Données Grégory Bonnet Abdel-Illah Mouaddib GREYC Dépt Dépt informatique :: GREYC Dépt Dépt informatique :: Cours Cours SIR SIR Systèmes d information décisionnels Nouvelles générations
Plus en détailETUDE ET IMPLÉMENTATION D UNE CACHE L2 POUR MOBICENTS JSLEE
Mémoires 2010-2011 www.euranova.eu MÉMOIRES ETUDE ET IMPLÉMENTATION D UNE CACHE L2 POUR MOBICENTS JSLEE Contexte : Aujourd hui la plupart des serveurs d application JEE utilise des niveaux de cache L1
Plus en détailIdR Trading et Microstructure CA Cheuvreux. Charles-Albert Lehalle
IdR Trading et Microstructure CA Cheuvreux Charles-Albert Lehalle 2010-2014 Crédit Agricole Cheuvreux Kepler Cheuvreux L objectif de cette IdR «trading et microstructure des marchés» est de stimuler la
Plus en détailBases de Données Avancées
1/26 Bases de Données Avancées DataWareHouse Thierry Hamon Bureau H202 - Institut Galilée Tél. : 33 1.48.38.35.53 Bureau 150 LIM&BIO EA 3969 Université Paris 13 - UFR Léonard de Vinci 74, rue Marcel Cachin,
Plus en détailTP Bases de données réparties
page 1 TP Bases de données réparties requêtes réparties Version corrigée Auteur : Hubert Naacke, révision 5 mars 2003 Mots-clés: bases de données réparties, fragmentation, schéma de placement, lien, jointure
Plus en détailManipulation de données avec SAS Enterprise Guide et modélisation prédictive avec SAS Enterprise Miner
Le cas Orion Star Manipulation de données avec SAS Enterprise Guide et modélisation prédictive avec SAS Enterprise Miner Le cas Orion Star... 1 Manipulation de données avec SAS Enterprise Guide et modélisation
Plus en détailLangage SQL : créer et interroger une base
Langage SQL : créer et interroger une base Dans ce chapitre, nous revenons sur les principales requêtes de création de table et d accès aux données. Nous verrons aussi quelques fonctions d agrégation (MAX,
Plus en détailCONFERENCE TECHNOM AIDE IBM
Conférence Big Data CONFERENCE TECHNOM AIDE IBM Le BIG DATA : le nouveau pétrole de la société. En présence de : Christophe MENICHETTI (spécialiste BIG DATA chez IBM) JN. SCHNEIDER et F. WEYGAND (professeurs
Plus en détailManagement des Systèmes d Information
Spécialité Réseaux (RES) UE: Management des systèmes d'information [mnsi, NI303] M2IRT 2012 1 ère année Management des Systèmes d Information Unité 2 - Les principaux types de SI dans l entreprise Gilles
Plus en détailQu est ce qu un réseau social. CNAM Séminaire de Statistiques Appliquées 13/11/2013. F.Soulié Fogelman 1. Utilisation des réseaux sociaux pour le
Qui je suis Innovation Utilisation des réseaux sociaux pour le data mining Business & Decision Françoise Soulié Fogelman francoise.soulie@outlook.com Atos KDD_US CNAM Séminaire de Statistique appliquée
Plus en détailEcole des Hautes Etudes Commerciales HEC Alger. par Amina GACEM. Module Informatique 1ière Année Master Sciences Commerciales
Ecole des Hautes Etudes Commerciales HEC Alger Évolution des SGBDs par Amina GACEM Module Informatique 1ière Année Master Sciences Commerciales Evolution des SGBDs Pour toute remarque, question, commentaire
Plus en détailFilière Fouille de Données et Décisionnel FDD (Data Mining) Pierre Morizet-Mahoudeaux www.hds.utc.fr/~pmorizet pierre.morizet@utc.
Filière Fouille de Données et Décisionnel FDD (Data Mining) Pierre Morizet-Mahoudeaux www.hds.utc.fr/~pmorizet pierre.morizet@utc.fr Plan Motivations Débouchés Formation UVs spécifiques UVs connexes Enseignants
Plus en détailECR_DESCRIPTION CHAR(80), ECR_MONTANT NUMBER(10,2) NOT NULL, ECR_SENS CHAR(1) NOT NULL) ;
RÈGLES A SUIVRE POUR OPTIMISER LES REQUÊTES SQL Le but de ce rapport est d énumérer quelques règles pratiques à appliquer dans l élaboration des requêtes. Il permettra de comprendre pourquoi certaines
Plus en détailDossier I Découverte de Base d Open Office
ETUDE D UN SYSTEME DE GESTION DE BASE DE DONNEES RELATIONNELLES Définition : Un SGBD est un logiciel de gestion des données fournissant des méthodes d accès aux informations. Un SGBDR permet de décrire
Plus en détailThank you for choosing the Mobile Broadband USB Stick. With your USB Stick, you can access a wireless network at high speed.
Thank you for choosing the Mobile Broadband USB Stick. With your USB Stick, you can access a wireless network at high speed. Note: This manual describes the appearance of the USB Stick, as well as the
Plus en détailIntroduction à la B.I. Avec SQL Server 2008
Introduction à la B.I. Avec SQL Server 2008 Version 1.0 VALENTIN Pauline 2 Introduction à la B.I. avec SQL Server 2008 Sommaire 1 Présentation de la B.I. et SQL Server 2008... 3 1.1 Présentation rapide
Plus en détailComment rendre un site d e-commerce intelligent
Comment rendre un site d e-commerce intelligent Alexei Kounine CEO +33 (0) 6 03 09 35 14 alex@tastehit.com Christopher Burger CTO +49 (0) 177 179 16 99 chris@tastehit.com L embarras du choix Donner envie
Plus en détail20 ans du Master SIAD de Toulouse - BigData par l exemple - Julien DULOUT - 22 mars 2013. 20 ans du SIAD -"Big Data par l'exemple" -Julien DULOUT
20 ans du Master SIAD de Toulouse - BigData par l exemple - Julien DULOUT - 22 mars 2013 20 ans du SIAD -"BigData par l'exemple" -Julien DULOUT Qui a déjà entendu parler du phénomène BigData? Qui a déjà
Plus en détailPrestations de conseil en SRM (Storage Ressource Management)
Prestations de conseil en SRM (Storage Ressource Management) Sommaire 1 BUTS DE LA PRESTATION 2 PRESENTATION DE LA PRESTATION 3 3 3 ETAPE 1 : ELEMENTS TECHNIQUES SUR LESQUELS S APPUIE LA PRESTATION DE
Plus en détailDESCRIPTION DES PRODUITS ET MÉTRIQUES
DESCRIPTION DES PRODUITS ET MÉTRIQUES DPM Adobe - Adobe Analytics (2015v1) Les Produits et Services décrits dans cette DPM sont soit des Services On-demand soit des Services Gérés (comme décrits ci-dessous)
Plus en détailBIRT (Business Intelligence and Reporting Tools)
BIRT (Business Intelligence and Reporting Tools) Introduction Cette publication a pour objectif de présenter l outil de reporting BIRT, dans le cadre de l unité de valeur «Data Warehouse et Outils Décisionnels»
Plus en détailSQL Serveur 2012+ Programme de formation. France Belgique Suisse - Canada. Formez vos salariés pour optimiser la productivité de votre entreprise
SQL Serveur 2012+ Programme de formation France Belgique Suisse - Canada Microsoft Partner Formez vos salariés pour optimiser la productivité de votre entreprise Dernière mise à jour le : Avril 2014 Des
Plus en détailSystèmes de Gestion de Bases de Données
Systèmes de Gestion de Bases de Données Luiz Angelo STEFFENEL DUT Informatique 2ème année IUT Nancy Charlemagne Vues Vue : une table virtuelle de la base de données dont le contenu est défini par une requête
Plus en détailSQL SERVER 2008, BUSINESS INTELLIGENCE
SGBD / Aide à la décision SQL SERVER 2008, BUSINESS INTELLIGENCE Réf: QLI Durée : 5 jours (7 heures) OBJECTIFS DE LA FORMATION Cette formation vous apprendra à concevoir et à déployer une solution de Business
Plus en détailet les Systèmes Multidimensionnels
Le Data Warehouse et les Systèmes Multidimensionnels 1 1. Définition d un Datawarehouse (DW) Le Datawarehouse est une collection de données orientées sujet, intégrées, non volatiles et historisées, organisées
Plus en détailSurveillance de Scripts LUA et de réception d EVENT. avec LoriotPro Extended & Broadcast Edition
Surveillance de Scripts LUA et de réception d EVENT avec LoriotPro Extended & Broadcast Edition L objectif de ce document est de présenter une solution de surveillance de processus LUA au sein de la solution
Plus en détailSÉRIE NOUVELLES ARCHITECTURES
SÉRIE NOUVELLES ARCHITECTURES Alerte au tsunami des données : les entreprises doivent prendre la vague maintenant! Quels sont les faits qui sous-tendent cette réalité? Quelles entreprises sont aujourd
Plus en détailOnce the installation is complete, you can delete the temporary Zip files..
Sommaire Installation... 2 After the download... 2 From a CD... 2 Access codes... 2 DirectX Compatibility... 2 Using the program... 2 Structure... 4 Lier une structure à une autre... 4 Personnaliser une
Plus en détailQUI SOMMES-NOUS? Cette solution s adresse aussi bien aux PME/PMI qu aux grands groupes, disposant ou non d une structure de veille dédiée.
PRESENTATION QUI SOMMES-NOUS? La société VIEDOC, formée d ingénieurs expérimentés, conseille depuis 2004 les entreprises dans les domaines de la veille, de l intelligence économique et de l innovation.
Plus en détailBIG DATA. Veille technologique. Malek Hamouda Nina Lachia Léo Valette. Commanditaire : Thomas Milon. Encadré: Philippe Vismara
BIG DATA Veille technologique Malek Hamouda Nina Lachia Léo Valette Commanditaire : Thomas Milon Encadré: Philippe Vismara 1 2 Introduction Historique des bases de données : méthodes de stockage et d analyse
Plus en détailBI = Business Intelligence Master Data-ScienceCours 3 - Data
BI = Business Intelligence Master Data-Science Cours 3 - Datawarehouse UPMC 8 février 2015 Rappel L Informatique Décisionnelle (ID), en anglais Business Intelligence (BI), est l informatique à l usage
Plus en détailBIG Data et R: opportunités et perspectives
BIG Data et R: opportunités et perspectives Guati Rizlane 1 & Hicham Hajji 2 1 Ecole Nationale de Commerce et de Gestion de Casablanca, Maroc, rguati@gmail.com 2 Ecole des Sciences Géomatiques, IAV Rabat,
Plus en détailEnregistrer votre dispositif
Guide de Commencement Rapide: NotifyLink pour Symbian Series 60, 3 rd Edition Votre appareil aura besoin d un des suivants: Connection cellulaire capable de soutenir la transmission des données via votre
Plus en détailOptimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie
Optimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie 1 Présenté par: Yacine KESSACI Encadrement : N. MELAB E-G. TALBI 31/05/2011 Plan 2 Motivation
Plus en détailGérer son Google Drive pour gérer ses informations : le tutoriel
Un serveur à distance me permet de consulter des documents sauvegardés partout, du moment qu Internet soit accessible. Il en existe maintenant plusieurs (Cloud computing) comme «Drop box». «Google Drive»
Plus en détailEntrepôts de données. NEGRE Elsa Université Paris-Dauphine 2015-2016
Entrepôts de données NEGRE Elsa Université Paris-Dauphine 2015-2016 Contexte et problématique Le processus de prise de décision L entrepôt de données Définition Différence avec un SGBD Caractéristiques
Plus en détailETL Extract - Transform - Load
ETL Extract - Transform - Load Concept général d analyse en ligne (rappels) Rémy Choquet - Université Lyon 2 - Master 2 IIDEE - 2006-2007 Plan Définitions La place d OLAP dans une entreprise OLAP versus
Plus en détailUrbanisation des SI-NFE107
OLAP Urbanisation des SI-NFE107 Fiche de lecture Karim SEKRI 20/01/2009 OLAP 1 Introduction PLAN OLAP Les différentes technologies OLAP Plate formes et Outils 20/01/2009 OLAP 2 Informatique décisionnelle
Plus en détailSmart Notification Management
Smart Notification Management Janvier 2013 Gérer les alertes, ne pas uniquement les livrer Chaque organisation IT vise à bien servir ses utilisateurs en assurant que les services et solutions disponibles
Plus en détailTutoriel : utilisation de l outil de veille TaDaweb
Tutoriel : utilisation de l outil de veille TaDaweb Document réalisé par : Anaïs Carroux, Anaïs Chaffard, Lucie Choulet, Mylène Coconnier, Garance Foucher, Nizar Elyoussfi, Jean-Baptiste Mac Luckie, Aurélie
Plus en détailSAP Runs SAP Reporting Opérationnel & BI avec HANA et SAP Analytics. Pierre Combe, Enterprise Analytics Juin, 2015
SAP Runs SAP Reporting Opérationnel & BI avec HANA et SAP Analytics Pierre Combe, Enterprise Analytics Juin, 2015 Agenda SAP Enterprise Analytics qui sommes-nous? Acteur clé de l innovation à SAP Présentation
Plus en détailENDNOTE X2 SOMMAIRE. 1. La bibliothèque EndNote 1.1. Créer une nouvelle bibliothèque 1.2. Ouvrir une bibliothèque EndNote 1.3. Fermer une bibliothèque
1 ENDNOTE X2 SOMMAIRE 1. La bibliothèque EndNote 1.1. Créer une nouvelle bibliothèque 1.2. Ouvrir une bibliothèque EndNote 1.3. Fermer une bibliothèque 2. Manipuler une bibliothèque EndNote 2.1. La saisie
Plus en détailChapitre IX. L intégration de données. Les entrepôts de données (Data Warehouses) Motivation. Le problème
Chapitre IX L intégration de données Le problème De façon très générale, le problème de l intégration de données (data integration) est de permettre un accès cohérent à des données d origine, de structuration
Plus en détailBig Data -Comment exploiter les données et les transformer en prise de décisions?
IBM Global Industry Solution Center Nice-Paris Big Data -Comment exploiter les données et les transformer en prise de décisions? Apollonie Sbragia Architecte Senior & Responsable Centre D Excellence Assurance
Plus en détailThank you for choosing the Mobile Broadband USB Stick. With your USB Stick, you can access a wireless network at high speed.
Thank you for choosing the Mobile Broadband USB Stick. With your USB Stick, you can access a wireless network at high speed. Note: This manual describes the appearance of the USB Stick, as well as the
Plus en détailS8 - INFORMATIQUE COMMERCIALE
S8 - INFORMATIQUE COMMERCIALE Les savoirs de l Informatique Commerciale doivent être abordés en relation avec les autres savoirs (S4 à S7). Les objectifs généraux sont : o de sensibiliser les étudiants
Plus en détailLe langage SQL Rappels
Le langage SQL Rappels Description du thème : Présentation des principales notions nécessaires pour réaliser des requêtes SQL Mots-clés : Niveau : Bases de données relationnelles, Open Office, champs,
Plus en détailBases de données élémentaires Maude Manouvrier
Licence MI2E- 1ère année Outils en Informatique Bases de données élémentaires Maude Manouvrier Définitions générales et positionnement du cours dans la formation Vocabulaire relatif aux bases de données
Plus en détailLes différents types de relation entre les tables
TABLES Les différents types de relation entre les tables La mise en relation de tables permet de relier les données d une table à celles d une autre table et ainsi d établir une base de données de type
Plus en détailL Art d être Numérique. Thierry Pierre Directeur Business Development SAP France
L Art d être Numérique Thierry Pierre Directeur Business Development SAP France La Transformation Numérique «Plus largement, l impact potentiel des technologies numériques disruptives (cloud, impression
Plus en détailIntroduction. Informatique décisionnelle et data mining. Data mining (fouille de données) Cours/TP partagés. Information du cours
Information du cours Informatique décisionnelle et data mining www.lia.univ-avignon.fr/chercheurs/torres/cours/dm Juan-Manuel Torres juan-manuel.torres@univ-avignon.fr LIA/Université d Avignon Cours/TP
Plus en détailCartographie des solutions BigData
Cartographie des solutions BigData Panorama du marché et prospective 1 1 Solutions BigData Défi(s) pour les fournisseurs Quel marché Architectures Acteurs commerciaux Solutions alternatives 2 2 Quels Défis?
Plus en détailIntelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com
Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines
Plus en détailSérère Sine Network Diokodial : Bienvenue sur le Réseau Social Sérère Sine
Tutorial 1.0-0-2010 Sérère Sine Network Créez votre site et Communiquez! Sérère Sine Network Diokodial : Bienvenue sur le Réseau Social Sérère Sine Tutorial (Comment procéder) Comment construire les pages
Plus en détailDu 10 Fév. au 14 Mars 2014
Interconnexion des Sites - Design et Implémentation des Réseaux informatiques - Sécurité et Audit des systèmes - IT CATALOGUE DE FORMATION SIS 2014 1 FORMATION ORACLE 10G 11G 10 FEV 2014 DOUALA CAMEROUN
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailBI2 : Un profil UML pour les Indicateurs Décisionnels
BI2 : Un profil UML pour les Indicateurs Décisionnels Sandro Bimonte Irstea, TSCF, 9 Av. Blaise Pascal, 63178, Aubière, France sandro.bimonte@irstea.fr Thème de Recherche MOTIVE www.irstea.fr 2 Plan Motivations
Plus en détailMéthodologie de conceptualisation BI
Méthodologie de conceptualisation BI Business Intelligence (BI) La Business intelligence est un outil décisionnel incontournable à la gestion stratégique et quotidienne des entités. Il fournit de l information
Plus en détail4. Utilisation d un SGBD : le langage SQL. 5. Normalisation
Base de données S. Lèbre slebre@unistra.fr Université de Strasbourg, département d informatique. Présentation du module Contenu général Notion de bases de données Fondements / Conception Utilisation :
Plus en détailLaboratoire 4 Développement d un système intelligent
DÉPARTEMENT DE GÉNIE LOGICIEL ET DES TI LOG770 - SYSTÈMES INTELLIGENTS ÉTÉ 2012 Laboratoire 4 Développement d un système intelligent 1 Introduction Ce quatrième et dernier laboratoire porte sur le développement
Plus en détailSQL Server 2012 Implémentation d'une solution de Business Intelligence (Sql Server, Analysis Services...)
Avant-propos 1. À qui s'adresse ce livre? 15 2. Pré-requis 15 3. Objectifs du livre 16 4. Notations 17 Introduction à la Business Intelligence 1. Du transactionnel au décisionnel 19 2. Business Intelligence
Plus en détailBases de Données. Plan
Université Mohammed V- Agdal Ecole Mohammadia d'ingénieurs Rabat Bases de Données Mr N.EL FADDOULI 2014-2015 Plan Généralités: Définition de Bases de Données Le modèle relationnel Algèbre relationnelle
Plus en détailJournée SITG, Genève 15 octobre 2013. Nicolas Lachance-Bernard M.ATDR Doctorant, Laboratoire de systèmes d information géographique
Monitorint spatio-temporel intégré de la mobilité urbaine Monitoring spatio-temporel de l ADN urbain Une réponse aux défis, problèmes, enjeux et risques des milieux urbains Nicolas Lachance-Bernard M.ATDR
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci http://liris.cnrs.fr/hamamache.kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de
Plus en détailBusiness Intelligence www.globalservices.be www.sap-training.be
Business Intelligence www.globalservices.be www.sap-training.be Global Services + Business Intelligence = perfect match! Le concept Souhaitez-vous également avoir une meilleure visibilité au niveau des
Plus en détailOracle Maximum Availability Architecture
Oracle Maximum Availability Architecture Disponibilité des systèmes d informations Technologies et recommandations 1 Qu est-ce que Oracle Maximum Availability Architecture (MAA)? 1. Objectif : Disponibilité
Plus en détail1. LA GESTION DES BASES DE DONNEES RELATIONNELLES
Dossier G11 - Interroger une base de données La base de données Facturation contient tout un ensemble d'informations concernant la facturation de la SAFPB (société anonyme de fabrication de produits de
Plus en détailGrégoire de Lassence. Copyright 2006, SAS Institute Inc. All rights reserved.
Grégoire de Lassence 1 Grégoire de Lassence Responsable Pédagogie et Recherche Département Académique Tel : +33 1 60 62 12 19 gregoire.delassence@fra.sas.com http://www.sas.com/france/academic SAS dans
Plus en détailBases de données cours 1
Bases de données cours 1 Introduction Catalin Dima Objectifs du cours Modèle relationnel et logique des bases de données. Langage SQL. Conception de bases de données. SQL et PHP. Cours essentiel pour votre
Plus en détailOpenPaaS Le réseau social d'entreprise
OpenPaaS Le réseau social d'entreprise Spécification des API datastore SP L2.3.1 Diffusion : Institut MinesTélécom, Télécom SudParis 1 / 12 1OpenPaaS DataBase API : ODBAPI...3 1.1Comparaison des concepts...3
Plus en détailCatherine Chochoy. Alain Maneville. I/T Specialist, IBM Information Management on System z, Software Group
1 Catherine Chochoy I/T Specialist, IBM Information Management on System z, Software Group Alain Maneville Executive I/T specialist, zchampion, IBM Systems and Technology Group 2 Le défi du Big Data (et
Plus en détailWhitepaper. Méthodologie de création de rapports personnalisés SQL Server Reporting Services
Ce Whitepaper décrit la méthodologie de développement d un rapport personnalisé au format SQL Server Reporting Service (SSRS) appliqué à System Center Operations Manager (SCOM) Whitepaper Méthodologie
Plus en détailBUSINESS INTELLIGENCE
GUIDE COMPARATIF BUSINESS INTELLIGENCE www.viseo.com Table des matières Business Intelligence :... 2 Contexte et objectifs... 2 Une architecture spécifique... 2 Les outils de Business intelligence... 3
Plus en détailDidacticiel Études de cas. Description succincte de Pentaho Data Integration Community Edition (Kettle).
1 Objectif Description succincte de Pentaho Data Integration Community Edition (Kettle). L informatique décisionnelle («Business Intelligence BI» en anglais, ça fait tout de suite plus glamour) fait référence
Plus en détailLes enjeux du Big Data Innovation et opportunités de l'internet industriel. Datasio 2013
Les enjeux du Big Data Innovation et opportunités de l'internet industriel François Royer froyer@datasio.com Accompagnement des entreprises dans leurs stratégies quantitatives Valorisation de patrimoine
Plus en détailBASES DE DONNÉES. CNAM Centre associé de Clermont-Ferrand Cycle A Année 1997-98. J. Darmont I. INTRODUCTION II. LES SYSTÈMES HIÉRARCHIQUES
BASES DE DONNÉES CNAM Centre associé de Clermont-Ferrand Cycle A Année 1997-98 J. Darmont I. INTRODUCTION II. LES SYSTÈMES HIÉRARCHIQUES III. LES SYSTÈMES RÉSEAU IV. LES SYSTÈMES RELATIONNELS V. LE LANGAGE
Plus en détailAméliorer les performances du site par l'utilisation de techniques de Web Mining
Améliorer les performances du site par l'utilisation de techniques de Web Mining CLUB SAS 2001 17/18 octobre 2001 Stéfan Galissie LINCOLN stefan.galissie@lincoln.fr contact@web-datamining.net 2001 Sommaire
Plus en détailDEMARRER UN PROJET BIGDATA EN QUELQUES MINUTES GRACE AU CLOUD
DEMARRER UN PROJET BIGDATA EN QUELQUES MINUTES GRACE AU CLOUD BIGDATA PARIS LE 1/4/2014 VINCENT HEUSCHLING @VHE74! 1 NOUS 100% Bigdata Infrastructure IT + Data Trouver vos opportunités Implémenter les
Plus en détailPrincipe, applications et limites
Principe, applications et limites Sujet commandité par Thomas Milon Encadré par Bruno Tisseyre Traité par Florence Laporte, Anne Meillet et Romain Rivière Veilles technologiques Mercredi 14 décembre 2011
Plus en détailPlan. Ce qu est le datawarehouse? Un modèle multidimensionnel. Architecture d un datawarehouse. Implémentation d un datawarehouse
Datawarehouse 1 Plan Ce qu est le datawarehouse? Un modèle multidimensionnel Architecture d un datawarehouse Implémentation d un datawarehouse Autres développements de la technologie data cube 2 Ce qu
Plus en détailIci, le titre de la. Tableaux de bords de conférence
Ici, le titre de la Tableaux de bords de conférence pilotage d entreprise, indicateurs de performance reporting et BI quels outils seront incontournables à l horizon 2010? Les intervenants Editeur/Intégrateur
Plus en détailMonétisation des données : comment identifier de nouvelles sources de revenus au sein des Big data?
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.
Plus en détailOutils de gestion de temps - Chronomètres
Bulletin Techno Automne 2014 Page 1 L automne tire à sa fin et voilà le temps de présenter notre bulletin techno! Pour cette édition nous vos présentons plusieurs outils de gestion de temps et de partage
Plus en détailTABLE DES MATIÈRES CHAPITRE I. INTRODUCTION À LA VEILLE... 3
Table des matières TABLE DES MATIÈRES CHAPITRE I. INTRODUCTION À LA VEILLE... 3 SECTION 1. POUR FAIRE UN BON VEILLEUR... 3 I. Les bases de la veille sur Internet... 3 SECTION 2. NOTION DE VEILLE : MÉCANISMES...
Plus en détailSurveiller les applications et les services grâce à la surveillance réseau
Surveiller les applications et les services grâce à la surveillance réseau Livre Blanc Auteur : Daniel Zobel, Responsable du Développement Logiciel, Paessler AG Publication : Mars 2014 PAGE 1 SUR 9 Sommaire
Plus en détailComment Utiliser les Versions, les Modification, les Comparaisons, Dans les Documents
Comment Utiliser les Versions, les Modification, les Comparaisons, Dans les Documents Diffusé par Le Projet Documentation OpenOffice.org Table des Matières 1. Les Versions...3 2. Les Modifications...5
Plus en détailEntrepôt de données 1. Introduction
Entrepôt de données 1 (data warehouse) Introduction 1 Présentation Le concept d entrepôt de données a été formalisé pour la première fois en 1990 par Bill Inmon. Il s agissait de constituer une base de
Plus en détailGUIDE D UTILISATION DU BACKOFFICE
GUIDE D UTILISATION DU BACKOFFICE 1. Modifier les pages du site : - Aller dans l onglet «PAGE HTML», puis «Liste des pages HTML» - Pour visualiser votre page, cliquer sur le nom écrit en vert, dans la
Plus en détail<Insert Picture Here> La GRC en temps de crise, difficile équilibre entre sentiment de sécurité et réduction des coûts
La GRC en temps de crise, difficile équilibre entre sentiment de sécurité et réduction des coûts Christophe Bonenfant Cyril Gollain La GRC en période de croissance Gouvernance Gestion
Plus en détailData Mining. Vincent Augusto 2012-2013. École Nationale Supérieure des Mines de Saint-Étienne. Data Mining. V. Augusto.
des des Data Mining Vincent Augusto École Nationale Supérieure des Mines de Saint-Étienne 2012-2013 1/65 des des 1 2 des des 3 4 Post-traitement 5 représentation : 6 2/65 des des Définition générale Le
Plus en détailLamia Oukid, Ounas Asfari, Fadila Bentayeb, Nadjia Benblidia, Omar Boussaid. 14 Juin 2013
Cube de textes et opérateur d'agrégation basé sur un modèle vectoriel adapté Text Cube Model and aggregation operator based on an adapted vector space model Lamia Oukid, Ounas Asfari, Fadila Bentayeb,
Plus en détailNOTICE D UTILISATION
NOTICE D UTILISATION 1 TABLE DES MATIERES Installation de Studio Express Desktop... 3 Installation sur Windows... 3 Installation sur Mac... 3 Connexion à Studio Express Desktop... 3 Appel... 4 Emettre
Plus en détailGuide d utilisation pour W.access - Client
1. Inscription en ligne : Guide d utilisation pour W.access - Client Aller à l adresse suivante : http://www.micasf.com; Cliquer sur «Zone Clients» en haut à droite de la page, ensuite sur «OUVREZ VOTRE
Plus en détailFORUM NTIC BIG DATA, OPEN DATA Big Data: les challenges, les défis
FORUM NTIC BIG DATA, OPEN DATA Big Data: les challenges, les défis Joseph Salmon Télécom ParisTech Jeudi 6 Février Joseph Salmon (Télécom ParisTech) Big Data Jeudi 6 Février 1 / 18 Agenda Contexte et opportunités
Plus en détailUTILISER LA MESSAGERIE
UTILISER LA MESSAGERIE OUTLOOK OU WINDOWS MAIL PRESENTATION DE LA MESSAGERIE CONDITIONS POUR UTILISER LE COURRIER ELECTRONIQUE Pour envoyer un courrier sur un PC il faut un programme ou un service de messagerie.
Plus en détailTo PIM or not to PIM? Managing your Product Catalog
To PIM or not to PIM? Managing your Product Catalog Sébastien LIEUTAUD VP Sales & Marketing Programme Le marché du PIM en pleine (r)évolution! To PIM or not to PIM: Objectifs, réalisation et bénéfices
Plus en détailBIG DATA : une vraie révolution industrielle (1) Les fortes évolutions liées à la digitalisation
BIG DATA : une vraie révolution industrielle (1) Les fortes évolutions liées à la digitalisation - définition - étapes - impacts La révolution en cours du big data - essai de définition - acteurs - priorités
Plus en détailMaîtriser son identité numérique. Michel Futtersack, Faculté de Droit, Université Paris Descartes
Maîtriser son identité numérique Michel Futtersack, Faculté de Droit, Université Paris Descartes Au début du Web, l utilisateur était passif et se contentait de feuilleter des pages contenant du texte
Plus en détail