1 er Avril 2015 Data Science & Big Data Etat de l art Donner plus d intelligence aux données

Dimension: px
Commencer à balayer dès la page:

Download "1 er Avril 2015 Data Science & Big Data Etat de l art Donner plus d intelligence aux données"

Transcription

1 1 er Avril 2015 Data Science & Big Data Etat de l art Donner plus d intelligence aux données

2 Votre interlocuteur Didier Gaultier Directeur Data Science Business & Decision Professeur de Statistique à l EPF et l ESCP (06) /04/2015 Etat de l Art du Big data

3 Agenda 1. Data Science, Big Data & analyse des données 2. Cas d usage 3. Zoom sur la Data Science 4. Organisation et Méthodologie 5. Conclusion 3 01/04/2015 Etat de l'art Big Data

4 Business & Decision aujourd hui Multi specialiste Une expertise forte Reconnu sur ses marchés Multi technologies Multi secteurs Maîtrisant les business processes Mondial Local 4 01/04/2015 Etat de l'art du Big data

5 Une présence dans le Monde, un maillage important en France 5 01/04/2015 Etat de l'art du Big data

6 Faits marquants sur des données abonnement de mobiles dans le monde utilisateurs Facebook connexions mobiles à Facebook chaque mois x300 est le taux de croissance des données numériques prévu de 2005 à 2020 au niveau mondial 53 Go est le trafic annuel prévu par IP par habitant en 2016 (19 Go en 2011) est le nombre de tweets par jour (soit presque par seconde) 80 % des données ont été générées dans les deux dernières années 6

7 Pourquoi la Data Science et le Big Data Passage à la vitesse supérieure pour des besoins mal ou non couverts par la BI Capacité et nécessité, désormais, du fait du contexte de Big Data, d exploiter un grand volume de données qu il faut faire parler différemment et réussir à exploiter convenablement Les données de l entreprise sont désormais la plupart du temps accessibles via des entrepôts de données La puissance de calcul est devenue abordable Les méthodes et outils traditionnels atteignent leurs limites devant la multiplication des données et des besoins 1er Avril 2015 Etat de l'art Big Data 7

8 Le Big Data fonctionne avec des données Le stockage de données fournit à une organisation une mémoire (interne et externe) L analytique fournit à l'entreprise l'intelligence et l agilité 8 8

9 Le Big Data dans les entreprises des entreprises ont ou vont investir dans le Big Data dans les 2 ans à venir des entreprises ont déjà déployé des solutions Big Data Sept /10/2014 Etat de l'art du Big data 9

10 La (mauvaise) Définition du Big Data : les 5 V V comme Volume : en augmentation annuelle de plus 50%, le volume de données disponibles croit de manière exponentielle. Le croisement de ces données entre elles étant à la base de pertinence de l information générée, la volumétrie des données est explosive. V comme Variété : à la diversité des sources et des formats (Texte, Photo, Vidéo, Son, Log technique,..) s ajoute une grande variété de fournisseurs internes et externes, objets ou personnes... V comme Vitesse : À l obsolescence rapide d une partie de ces données issues du temps réel et des médias sociaux (données comportementales ou données exprimant un sentiment), s ajoute la nécessité d intégrer au plus vite d autres données pour générer une information de première fraîcheur. V comme Valeur : les données créatrices de valeur sont les plus intéressantes. La difficulté vient du fait que croiser plusieurs données apparemment sans valeur peut créer des données qui auront une grande valeur par la suite. V comme Véracité : Les données doivent avoir un certain niveau de fiabilité pour être exploitables

11 Les (bons) Principaux concepts en Data Science et Big Data Analytique Data Science Descriptif Avancé Big Data Exploration DataViz Explicatif et prédictif BI Architecture Infrastructure traditionnelle 11

12 Positionnement de l Advanced Analytic Advanced Analytic Combinaisons de modèles Analyse supervisée Analyse multivariée Statistique très simple (Moyenne, totaux, ) 12

13 La matière première : La Donnée Définition de donnée Ce qui est donné (ou admis), connu (ou reconnu), déterminé dans l énoncé d un problème, et qui sert de base à un raisonnement, de point de départ pour la recherche de l inconnu Il en ressort que : La notion de donnée est liée à la notion de connaissance et de savoir Mais la donnée n est qu un morceau de connaissance ou d information partielle, voire extrêmement partielle (Une donnée prise seule et isolément ne sert à rien) Il peut servir de base à la reconstitution de la connaissance un peu à la manière d un puzzle ou de l information via la comparaison ces données Elle se positionne dans un contexte, et par rapport à un objectif Ne pas confondre informatique et information, support et données Chaque donnée prise dans son contexte peut être notée sur une échelle de justesse et de certitude 13

14 Les 3 disciplines de l Analyse de données Data Discovery Data Science Dataviz L analyse des données pour tous Apporter de l intelligence aux données Présenter les données pour mieux les partager - Outils dédiés à l analyse des données - Outils issus du monde du Datamining - Capacités graphiques avancées et innovantes - Facilité d utilisation pour tous les utilisateurs de la donnée - Dédiés à des utilisateurs statisticiens / data- Scientists - Support du Data- Storytelling ou des infographies - Fonctionnalités de Dataviz - Apport d une très forte valeur ajoutée sur les données - Présentation dynamique ou statique 1er Avril 2015 Etat de l'art Big Data 14

15 Discipline Data Discovery L analyse des données pour tous La discipline qui demande le moins de compétences aux utilisateurs Une forte maîtrise des données manipulées est nécessaire mais pas de compétence informatique ou mathématique nécessaire Data Discovery Discipline à la croisée des chemins Fonctionnalités de présentation avancées (Dataviz) Fonctionnalités de manipulation complexe des données L apport d intelligence sur ces outils est limitée et des traitements avancés prendront du temps à être réalisés Principales solutions : Acteurs traditionnels : Qlik, Tableau, Tibco Nouveaux acteurs nés du Big Data : Datameer, ZoomData Open- source Apache Elastic Search Kibana 1er Avril 2015 Etat de l'art Big Data 15

16 Discipline Data Science Apporter de l intelligence aux données La discipline des spécialistes (statisticiens, dataminers, data- Scientists) Data Science Une forte maîtrise des données manipulées est nécessaire Des connaissances avancées en statistiques sont nécessaires Les outils de Data- Science sont complexes à prendre en main (langage, interfaces utilisateurs limitées ) Par l élaboration de modèles avancés basés sur des combinaisons d algorithmes ces outils permettent de réaliser du Prédictif La majeure partie du temps de projets de Data Science est à consacrer à la préparation des données (recueil, nettoyage, tri, modélisation ), et à la caractérisation Principales solutions : Acteurs traditionnels : SAS, IBM SPSS, Dell Statistica, SAP Infinite Insight (ex KXEN), SPAD Open- source : R, KNIME, Rapid Miner 1er Avril 2015 Etat de l'art Big Data 16

17 Discipline Data Visualisation Présenter les données complexes de façon simple juste et attractive Cette discipline se concentre sur la présentation des données, le design des représentations Après avoir donné beaucoup d intelligence aux données, il faut un mode de représentation simple Pour véhiculer les bons messages ou donner les bons outils permettant d exploiter l intelligence apportée à des non- sachants Support du Data- Storytelling Dataviz Les fonctionnalités à rechercher sont : Modes de représentations innovants Dynamisme, capacité à interagir sur les informations présentées Principales solutions du marché : Librairies JavaScript : D3.js, CanvasJS, Highcharts Outils de la Data Discovery : Qlik, Tableau, Tibco Outils d infographisme : Adobe Photoshop, InDesign 1er Avril 2015 Etat de l'art Big Data 17

18 Exemple de Dataviz : l importance de l aspect visuel des Indicateurs 18

19 Agenda 1. Data Science, Big Data & analyse des données 2. Cas d usage 3. Zoom sur la Data Science 4. Organisation et Méthodologie 5. Conclusion 19

20 Le Big data pour optimiser l éco- conduite Véhiposte est l opérateur de la flotte de véhicules du Groupe La Poste Quelques chiffres véhicules actifs (4 roues) Données détaillées au trajet (entre 2 arrêts) pour les véhicules électriques immobilisations de véhicules d'au moins 1 journée sur les 4 dernières années Données des capteurs des véhicules électriques + Données déclaratives des véhicules thermiques Utiliser les techniques de l Advanced Analytics pour optimiser l éco- conduite Traitements de calculs avancés sur Hadoop (en Map/Reduce) Dataviz sur QlikView 1er Avril 2015 Etat de l'art Big Data Nov BIG DATA - Etat de l'art 20

21 Projet «Le Smart Watering» En France, 25% de l eau injectée sur le réseau est perdue en fuites et fraudes Le manque à gagner pour les citoyens s élève à 2,4 milliards d euros par an. (Source SIA Conseil) Les canaux numériques et l Internet des objets ouvrent de nouvelles opportunités pour collecter/exploiter les données, et les mettre à disposition de tous Les Gains : Informations en temps réel sur les débits et la qualité de l eau Services à valeur ajoutée pour les consommateurs et les collectivités Détection au plus tôt des problèmes sur le réseau et en bout de chaine Engagement commun au principe de consommation responsable Automatisation du processus de collecte de la consommation 21 01/04/2015 Etat de l'art du Big data

22 Agenda 1. Data Science, Big Data & analyse des données 2. Cas d usage 3. Zoom sur la Data Science 4. Organisation et Méthodologie 5. Conclusion 22

23 Qu est ce que la Data Science? La Data Science propose plusieurs niveaux : De l analyse descriptive : Vise à identifier les causes d une situation donnée De la projection : Vise à projeter sur le futur les éléments du passé De l analyse prédictive : Vise à anticiper au plus juste ce qu il va se passer en basant sur des paramètres contextuels (Contraintes, variables, hypothèses, ) De l analyse prescriptive (Ou optimale) : Vise à identifier et anticiper les actions /décisions les plus optimales à prendre pour arriver à la situation voulue 23

24 Focus sur le prédictif L'analyse prédictive n'est pas nouvelle : Les entreprises emploient déjà la modélisation et le Data Mining depuis des années, notamment sur les métiers de la R&D Les fondements des statistiques ont été inventés dans les années 50 La discipline, connaît cependant un essor sans précédent grâce au marketing digital et au Big Data L analyse prédictive ou quantitative s appuie sur: D importants volumes de données Des méthodes statistiques Des hypothèses de fond Méthodes statistiques Les analyses prédictives et prescriptives reposent sur la capture des liens entre les variables explicatives et la variable à prédire Ces liens sont ensuite utilisés pour déterminer les valeurs de la variable à prédire sur les individus pour lesquels on ne dispose que des variables explicatives Données Hypothèses 24

25 Principaux concepts en Data Science et analytique avancé Data Science Descriptif Approche linéaire : Statistique Explicatif et prédictif Approche non linéaire : Machine learning 25

26 Analytique descriptif, explicatif et prédictif Approche descriptive : Lorsqu on recense les données disponibles, qu on analyse leur qualité, leur complétude, qu on essaye d identifier des indices de comportements (passés), des interactions entre différentes parties, quand on classifie, qu on établit des liens possibles, on est dans une approche descriptive. Approche explicative ou prédictive : Lorsqu on essaye d établir un lien entre des données passés ou présentes et des évènements, des comportements, des risques on est dans une approche explicative ou prédictive. Explicative si on cherche a expliquer une situation existante Prédictive, si elle n existe pas encore Evènements passés Evènements présents Evènements futurs Risques passés Risques présents Risques futurs Passé Présent Futur temps Descriptif Explicatif Prédictif 26

27 Analytique descriptif, explicatif et prédictif Descriptif Variables explicatives Analyse Informations et Connaissance Exemples : segmentation, typologie, classification, analyse dimensionnelle Explicatif et prédictif Variables explicatives Modèle Variable à prédire Exemple : ciblage de campagne, scoring 27

28 Lien entre données et raisonnement Les données et le raisonnement ont une relation étroite avec le savoir et la connaissance Les données sont la base de cette connaissance : Données justes + Raisonnement juste = Connaissance Données fausses + Raisonnement juste = Ignorance Données justes + Raisonnement faux = Ignorance Données fausses + Raisonnement faux = Ignorance 28

29 Très important : Corrélation ne vaut pas cause! Cause et l'effet (Hume, 1748) La cause et l'effet doit se produire dans une continuité de temps (contiguïté) La cause doit se produire avant l effet L'effet ne devrait jamais se produire sans présence de la cause. Condition d élimination (moulin, 1865) Un effet devrait être présent quand la cause est présente Quand la cause est absente l'effet devrait être absente également. Conditions du contrôle : la cause est absente. 29

30 Egalement très important : signaux Forts et signaux faibles Dans les bases de données il existe plusieurs sortes d information : Les signaux forts Ils sont repérables par le fait qu ils induisent des corrélations fortes Ils sont relativement constant sur une longue période de temps Ils peuvent évoluer sur le long terme mais ne se démentent pas Ils ont en quelque sorte valeur de «Loi» On parle aussi de données froides Exemple : le champ magnétique terrestre Les signaux faibles Ils sont beaucoup moins repérables et sont volatiles Ils induisent des corrélations faibles, parfois pas de corrélation du tout Ils évoluent très vite dans le temps Ils ont une durée de vie beaucoup plus courte On parle aussi de données chaudes Exemple : la détection du passage d un chasseur sur un radar La règle : il faut commencer par analyser les signaux forts avant d analyser les signaux faibles! 30

31 Data Mining et modes de raisonnement Nous nous basons sur trois modes de raisonnement principaux : Le raisonnement intuitif : Utile mais on ne peut pas se baser dessus pour prouver et démontrer Le raisonnement déductif : Mode usuel dans la vie courante Utile en particulier en «analyse descriptive» Le but est de représenter les données observées de sorte qu'on puisse les comprendre facilement, d'une manière synthétique : tables, graphiques Le raisonnement inductif : Mode utilisé en particulier en recherche scientifique et en Data Mining Généraliser dans certaines conditions les conclusions obtenues sur un aspect des données. Cette phase dépend d hypothèses, de leur vérification, et d un calcul de risque (erreur) qui peut être évalué. 31

32 Notions clés en Data Science Les deux indicateurs clés en statistique La robustesse du modèle : Aussi nommé «Sig» ou «P- Value» Est égal au pourcentage de chance que le modèle soit du au hasard (donc faux) Un modèle est dit acceptable si son «sig» ou sa p- value est inférieur(e) à 0,05 soit 5 %. La précision : Elle indique les pourcentage de la base expliqué par le modèle Une précision est considérée comme «bonne» à partir de 70 % (0,7). 32

33 Panorama des méthodes en Data Science 33

34 Agenda 1. Data Science, Big Data & analyse des données 2. Cas d usage 3. Zoom sur la Data Science 4. Organisation et Méthodologie 5. Conclusion 34

35 La démarche Data Mining CRISP- DM (1996) CRoss Industry Standard Process for Data Mining Compréhension de la problématique opérationnelle : Définir les objectifs et les prérequis en termes business et les traduire en problématique technique Datamining Compréhension des données Collecter des données, audit de qualité Préparation des données Construction des tables d analyse Modélisation Sélection du meilleur modèle sur des critères statistiques Evaluation Evaluation de la pertinence du modèle par rapports aux objectifs business initiaux Déploiement 35

36 CRISP- DM 36

37 Profils pour un projet d Analytique avancé Comme pour les autres projets basés sur les données, plusieurs acteurs sont à réunir pour le succès du projet : 37

38 Data Scientiste : de multiples dénominations Quel est le titre qui correspond le mieux à vos fonctions? Enquête REXER Advanced Analytics 2013 Ces multiples dénominations donnent à chaque fois un poids renforcé à l une ou l autre des 4 composantes du Data Scientist mais ont une composante commune, celle des Mathématiques et Statistiques 38

39 Constituer une Data Science Team Face à la pénurie de profils et à l incapacité d avoir l homme providentiel en interne, nous conseillons plutôt une approche «Data Science Team» Cette «Data Science Team» sera composée de profils complémentaires permettant de centraliser en un même lieu toutes les compétences pour l Advanced Analytics Cette Data Science Team devra tenir compte des différents métiers : Décideurs, AMOA, AMOE et Utilisateurs finaux! Le point commun des membres de l équipe : Connaissance de la Donnée Approche centrée sur l objectif à atteindre 39

40 Agenda 1. Data Science, Big Data & analyse des données 2. Cas d usage 3. Zoom sur la Data Science 4. Organisation et Méthodologie 5. Conclusion 40

41 Analyse des données : les 6 points clés à retenir 1. Deux phases : la phase de modélisation, et la phase d industrialisation 2. Les points de vigilance en phase de modélisation : a) Corrélation ne vaut pas cause b) Traitement différencié des signaux forts et des signaux faibles c) Le mode de raisonnement est essentiellement de type «inductif» 3. Importance d avoir un objectif : un objectif général vaut mieux que pas d objectif 4. La méthodologie dépend : a) Des Data b) De l infrastructure c) Des outils de modélisation utilisés 5. Les méthodes de machine learning et les méthodes statistiques marchent mieux ensemble 6. La méthodologie doit suite la méthode CRISP, qui est une démarche exploratoire 41

42 BIG DATA Des Questions? Didier Gaultier :

Data 2 Business : La démarche de valorisation de la Data pour améliorer la performance de ses clients

Data 2 Business : La démarche de valorisation de la Data pour améliorer la performance de ses clients Data 2 Business : La démarche de valorisation de la Data pour améliorer la performance de ses clients Frédérick Vautrain, Dir. Data Science - Viseo Laurent Lefranc, Resp. Data Science Analytics - Altares

Plus en détail

Des données à la connaissance client. A la découverte de la plateforme de connaissance client knowlbox

Des données à la connaissance client. A la découverte de la plateforme de connaissance client knowlbox Des données à la connaissance client A la découverte de la plateforme de connaissance client knowlbox Livre blanc mai 2013 A l heure du Big Data, les entreprises s interrogent davantage sur leurs données.

Plus en détail

Introduction Big Data

Introduction Big Data Introduction Big Data SOMMAIRE Rédacteurs : Réf.: SH. Lazare / F. Barthélemy AXIO_BD_V1 QU'EST-CE QUE LE BIG DATA? ENJEUX TECHNOLOGIQUES ENJEUX STRATÉGIQUES BIG DATA ET RH ANNEXE Ce document constitue

Plus en détail

Agenda de la présentation

Agenda de la présentation Le Data Mining Techniques pour exploiter l information Dan Noël 1 Agenda de la présentation Concept de Data Mining ou qu est-ce que le Data Mining Déroulement d un projet de Data Mining Place du Data Mining

Plus en détail

AXIAD Conseil pour décider en toute intelligence

AXIAD Conseil pour décider en toute intelligence AXIAD Conseil pour décider en toute intelligence Gestion de la Performance, Business Intelligence, Big Data Domaine d expertise «Business Intelligence» Un accompagnement adapté à votre métier dans toutes

Plus en détail

Panorama des solutions analytiques existantes

Panorama des solutions analytiques existantes Arnaud LAROCHE Julien DAMON Panorama des solutions analytiques existantes SFdS Méthodes et Logiciels - 16 janvier 2014 - Données Massives Ne sont ici considérés que les solutions autour de l environnement

Plus en détail

We make your. Data Smart. Data Smart

We make your. Data Smart. Data Smart We make your We make your Data Smart Data Smart Une société Une société du du groupe Le groupe NP6 SPECIALISTE LEADER SECTEURS EFFECTIFS SaaS Marketing : 50% Data intelligence : 50% 15 sociétés du CAC

Plus en détail

Big Data -Comment exploiter les données et les transformer en prise de décisions?

Big 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 détail

Les solutions SAS pour les Petites et Moyennes Entreprises

Les solutions SAS pour les Petites et Moyennes Entreprises BROCHURE SOLUTION Les solutions SAS pour les Petites et Moyennes Entreprises Sur un marché aussi compétitif que celui des Petites et Moyennes Entreprises, le temps et l efficacité sont deux valeurs prioritaires

Plus en détail

L Information : Un des facteurs sinon le facteur clé de différenciation des entreprises et des organisations

L Information : Un des facteurs sinon le facteur clé de différenciation des entreprises et des organisations L Information : Un des facteurs sinon le facteur clé de différenciation des entreprises et des organisations Marc Yvon 1 Agenda Le Challenge de l Information dans une Smarter Planet Les challenges métier

Plus en détail

BIG 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 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 détail

BIG DATA et DONNéES SEO

BIG DATA et DONNéES SEO BIG DATA et DONNéES SEO Vincent Heuschling vhe@affini-tech.com @vhe74 2012 Affini-Tech - Diffusion restreinte 1 Agenda Affini-Tech SEO? Application Généralisation 2013 Affini-Tech - Diffusion restreinte

Plus en détail

1 Actuate Corporation 2012. + de données. + d analyses. + d utilisateurs.

1 Actuate Corporation 2012. + de données. + d analyses. + d utilisateurs. 1 Actuate Corporation 2012 + de données. + d analyses. + d utilisateurs. Actuate et BIRT Actuate est l Editeur spécialiste de la Business Intelligence et le Reporting qui a créé le projet Open Source BIRT

Plus en détail

IBM Content Analytics Libérer l Information

IBM Content Analytics Libérer l Information IBM Content Analytics Libérer l Information Patrick HOFLEITNER patrick_hofleitner@fr.ibm.com Août 2011 TABLE DES MATIERES RESUME...3 INTRODUCTION...4 LA PROBLEMATIQUE...5 1 L EXPLOSION DU CONTENU NON-STRUCTURE...5

Plus en détail

Surmonter les 5 défis opérationnels du Big Data

Surmonter les 5 défis opérationnels du Big Data Surmonter les 5 défis opérationnels du Big Data Jean-Michel Franco Talend Connect 9 octobre 2014 Talend 2014 1 Agenda Agenda Le Big Data depuis la découverte jusqu au temps réel en passant par les applications

Plus en détail

d e l a s s urance g r â ce a u «C u s t omer

d e l a s s urance g r â ce a u «C u s t omer Siège mondial : 5 Speen Street Framingham, MA 01701 États-Unis P.508.620.5533 F.508.988.6761 www.idc-fi.com Créer de la valeur dans le secteur d e l a s s urance g r â ce a u «C u s t omer Analytics» L

Plus en détail

DocForum 18 Juin 2015. Réussites d un projet Big Data Les incontournables

DocForum 18 Juin 2015. Réussites d un projet Big Data Les incontournables DocForum 18 Juin 2015 Réussites d un projet Big Data Les incontournables Vos interlocuteurs Mick LEVY Directeur Innovation Business mick.levy@businessdecision.com 06.50.87.13.26 @mick_levy 2 Business &

Plus en détail

Enjeux mathématiques et Statistiques du Big Data

Enjeux mathématiques et Statistiques du Big Data Enjeux mathématiques et Statistiques du Big Data Mathilde Mougeot LPMA/Université Paris Diderot, mathilde.mougeot@univ-paris-diderot.fr Mathématique en Mouvements, Paris, IHP, 6 Juin 2015 M. Mougeot (Paris

Plus en détail

Analytics Platform. MicroStrategy. Business Intelligence d entreprise. Self-service analytics. Big Data analytics.

Analytics Platform. MicroStrategy. Business Intelligence d entreprise. Self-service analytics. Big Data analytics. Business Intelligence d entreprise MicroStrategy Analytics Platform Self-service analytics Big Data analytics Mobile analytics Disponible en Cloud Donner l autonomie aux utilisateurs. Des tableaux de bord

Plus en détail

Comment valoriser votre patrimoine de données?

Comment valoriser votre patrimoine de données? BIG DATA POUR QUELS USAGES? Comment valoriser votre patrimoine de données? HIGH PERFORMANCE HIGH ANALYTICS PERFORMANCE ANALYTICS MOULOUD DEY SAS FRANCE 15/11/2012 L ENTREPRISE SAS EN QUELQUES CHIFFRES

Plus en détail

Transformation IT de l entreprise ANALYTIQUE: L ÈRE WATSON

Transformation IT de l entreprise ANALYTIQUE: L ÈRE WATSON Transformation IT de l entreprise ANALYTIQUE: L ÈRE WATSON L analytique joue un rôle désormais primordial dans la réussite d une entreprise. Les pouvoirs qu elle délivre sont incontestables, cependant

Plus en détail

Big Data et Marketing : les competences attendues

Big Data et Marketing : les competences attendues Big Data et Marketing : les competences attendues Laurence Fiévet Responsable Marketing Corporate Oney Banque Accord LA DYNAMIQUE DU MARKETING Selon la définition de Kotler et Dubois, «Le marketing est

Plus en détail

Big Data: comment passer de la stratégie à la mise en œuvre? Big Data Paris Mars 2015

Big Data: comment passer de la stratégie à la mise en œuvre? Big Data Paris Mars 2015 Big Data: comment passer de la stratégie à la mise en œuvre? Big Data Paris Mars 2015 Jean-David Benassouli Managing Director, Responsable France de la practice Digital Data management +33 6 79 45 11 51

Plus en détail

Les participants repartiront de cette formation en ayant une vision claire de la stratégie et de l éventuelle mise en œuvre d un Big Data.

Les participants repartiront de cette formation en ayant une vision claire de la stratégie et de l éventuelle mise en œuvre d un Big Data. Big Data De la stratégie à la mise en oeuvre Description : La formation a pour objet de brosser sans concession le tableau du Big Data. Les participants repartiront de cette formation en ayant une vision

Plus en détail

IBM Cognos TM1. Fiche Produit. Aperçu

IBM Cognos TM1. Fiche Produit. Aperçu Fiche Produit IBM Cognos TM1 Aperçu Cycles de planification raccourcis de 75 % et reporting ramené à quelques minutes au lieu de plusieurs jours Solution entièrement prise en charge et gérée par le département

Plus en détail

Les 10 grands principes de l utilisation du data mining pour une gestion de la relation client réussie

Les 10 grands principes de l utilisation du data mining pour une gestion de la relation client réussie Les 10 grands principes de l utilisation du data mining pour une gestion de la relation client réussie Découvrir les stratégies ayant fait leurs preuves et les meilleures pratiques Points clés : Planifier

Plus en détail

Libérez votre intuition

Libérez votre intuition Présentation de Qlik Sense Libérez votre intuition Qlik Sense est une application nouvelle génération de visualisation de données en libre-service qui permet à chacun de créer facilement des visualisations

Plus en détail

Accélérer l agilité de votre site de e-commerce. Cas client

Accélérer l agilité de votre site de e-commerce. Cas client Accélérer l agilité de votre site de e-commerce Cas client L agilité «outillée» devient nécessaire au delà d un certain facteur de complexité (clients x produits) Elevé Nombre de produits vendus Faible

Plus en détail

SAN07 IBM Social Media Analytics:

SAN07 IBM Social Media Analytics: SAN07 IBM Social Media Analytics: Vos clients partagent leurs connaissances Déployez une stratégie gagnante! Eric Martin Social Media Analytics Leader Europe IBM SWG, Business Analytics @Eric_SMA 1 Le

Plus en détail

Spécificités, Applications et Outils

Spécificités, Applications et Outils Spécificités, Applications et Outils Ricco Rakotomalala Université Lumière Lyon 2 Laboratoire ERIC Laboratoire ERIC 1 Ricco Rakotomalala ricco.rakotomalala@univ-lyon2.fr http://chirouble.univ-lyon2.fr/~ricco/data-mining

Plus en détail

Le métier de Chargé(e) d Etudes Statistiques

Le métier de Chargé(e) d Etudes Statistiques Le métier de Chargé(e) d Etudes Statistiques Nicolas Cabaj Sommaire Présentation du chargé d études statistiques 3 exemples de missions réalisées: Le scoring, illustré par un outil de détection des fraudes

Plus en détail

Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing

Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing Gilbert Saporta Chaire de Statistique Appliquée, CNAM ActuariaCnam, 31 mai 2012 1 L approche statistique

Plus en détail

20 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 -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 détail

La rencontre du Big Data et du Cloud

La rencontre du Big Data et du Cloud La rencontre du Big Data et du Cloud Libérez le potentiel de toutes vos données Visualisez et exploitez plus rapidement les données de tous types, quelle que soit leur taille et indépendamment de leur

Plus en détail

BIGDATA AN 3 : UNE NOUVELLE ERE DE B.I.

BIGDATA AN 3 : UNE NOUVELLE ERE DE B.I. BIGDATA AN 3 : UNE NOUVELLE ERE DE B.I. QUELLES PERSPECTIVES POUR LES 20 PROCHAINES ANNEES? 22 MARS 2013 CHARLES PARAT, DIR. INNOVATION adoption L ADOPTION DES EVOLUTIONS B.I. EST LENTE BIGDATA BUZZ MAINFRAME

Plus en détail

Découvrez le portefeuille de produits IBM SPSS

Découvrez le portefeuille de produits IBM SPSS Business Analytics Logiciels SPSS Découvrez le portefeuille de produits IBM SPSS L analytique avancée qui aident les entreprises à anticiper le changement et à prendre des mesures pour améliorer leurs

Plus en détail

CONSEIL EN STRATÉGIE ET TRANSFORMATION DIGITALE. Leading Digital Together

CONSEIL EN STRATÉGIE ET TRANSFORMATION DIGITALE. Leading Digital Together CONSEIL EN STRATÉGIE ET TRANSFORMATION DIGITALE Leading Digital Together 2 3 Capgemini Consulting, le leader français de la transformation digitale Une force de frappe de 900 consultants en France et de

Plus en détail

Pentaho Business Analytics Intégrer > Explorer > Prévoir

Pentaho Business Analytics Intégrer > Explorer > Prévoir Pentaho Business Analytics Intégrer > Explorer > Prévoir Pentaho lie étroitement intégration de données et analytique. En effet, les services informatiques et les utilisateurs métiers peuvent accéder aux

Plus en détail

Webinar EBG Nouvelles perspectives d'exploitation des données clients avec le big data

Webinar EBG Nouvelles perspectives d'exploitation des données clients avec le big data Webinar EBG Nouvelles perspectives d'exploitation des données clients avec le big data Approches & opportunités face aux enjeux de volume, variété et vélocité France, 2012-2014 28 mars 2013 Ce document

Plus en détail

LIVRE BLANC AMÉLIOREZ VOS PERFORMANCES MARKETING ET COMMERCIALES GRÂCE À UNE GESTION DE LEADS OPTIMISÉE

LIVRE BLANC AMÉLIOREZ VOS PERFORMANCES MARKETING ET COMMERCIALES GRÂCE À UNE GESTION DE LEADS OPTIMISÉE AMÉLIOREZ VOS PERFORMANCES MARKETING ET COMMERCIALES GRÂCE À UNE GESTION DE LEADS OPTIMISÉE 2 A PROPOS Pourquoi la gestion des leads (lead management) est-elle devenue si importante de nos jours pour les

Plus en détail

CONNECTEUR QLIKVIEW POUR INFORMATICA POWERCENTER

CONNECTEUR QLIKVIEW POUR INFORMATICA POWERCENTER CONNECTEUR QLIKVIEW POUR INFORMATICA POWERCENTER Tirer pleinement profit de l ETL d Informatica à l aide d une plate-forme de Business Discovery rapide et flexible De plus en plus d entreprises exploitent

Plus en détail

De la captation de données à la Datavisualisation

De la captation de données à la Datavisualisation De la captation de données à la Datavisualisation [Synopsis de l événement] Objets connectés : générateurs de données à visualiser! «En fait de calculs et de proportion, le plus sûr moyen de frapper l

Plus en détail

DEMANDE D INFORMATION RFI (Request for information)

DEMANDE D INFORMATION RFI (Request for information) DOD SEICAM RFI Demande d information EVDEC Réf. : RFI_EVDEC- GT5_Outil_reporting_BI_v4.doc Page 1/11 DEMANDE D INFORMATION RFI (Request for information) OUTIL INTÉGRÉ DE REPORTING ET D ANALYSE DÉCISIONNELLE

Plus en détail

Entreprise et Big Data

Entreprise et Big Data Entreprise et Big Data Christophe Favart Chef Architecte, SAP Advanced Development, Business Information Technology Public Juin 2013 Agenda SAP Données d Entreprise Big Data en entreprise Solutions SAP

Plus en détail

Introduction au datamining

Introduction au datamining Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des

Plus en détail

S e r v i r l e s clients actuels de maniè r e e f f ic a ce grâce a u «Co n s u m er Insight»

S e r v i r l e s clients actuels de maniè r e e f f ic a ce grâce a u «Co n s u m er Insight» Siège mondial : 5 Speen Street Framingham, MA 01701 États-Unis P.508.935.4400 F.508.988.7881 www.idc-ri.com S e r v i r l e s clients actuels de maniè r e e f f ic a ce grâce a u «Co n s u m er Insight»

Plus en détail

IFT 6261: L Analytique Web. Fares Aldik, Consultant principal, Analytique Web et optimisation Bell Marchés Affaires services d expérience client

IFT 6261: L Analytique Web. Fares Aldik, Consultant principal, Analytique Web et optimisation Bell Marchés Affaires services d expérience client IFT 6261: L Analytique Web Fares Aldik, Consultant principal, Analytique Web et optimisation Bell Marchés Affaires services d expérience client 2012 01 04 Analytique Web : une pratique multidisciplinaire

Plus en détail

transformer en avantage compétitif en temps réel vos données Your business technologists. Powering progress

transformer en avantage compétitif en temps réel vos données Your business technologists. Powering progress transformer en temps réel vos données en avantage compétitif Your business technologists. Powering progress Transformer les données en savoir Les données sont au cœur de toute activité, mais seules elles

Plus en détail

Location Analytics. Astrid GLADYS Thierry BABELAERE Pierre TEYSSENDIER. SIG 2013 Conférence Francophone 2 & 3 Octobre Versailles Atelier Technique

Location Analytics. Astrid GLADYS Thierry BABELAERE Pierre TEYSSENDIER. SIG 2013 Conférence Francophone 2 & 3 Octobre Versailles Atelier Technique SIG 2013 Conférence Francophone 2 & 3 Octobre Versailles Atelier Technique Astrid GLADYS Thierry BABELAERE Pierre TEYSSENDIER Plan de session La solution Focus Esri Maps for Cognos Focus Esri Maps for

Plus en détail

Introduction au Data-Mining

Introduction au Data-Mining Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane

Plus en détail

NEXITY. Nexity développe une stratégie d E-reputation à 360 sur la base des données sociales fournies par BuzzWatcher. CASE STUDY

NEXITY. Nexity développe une stratégie d E-reputation à 360 sur la base des données sociales fournies par BuzzWatcher. CASE STUDY Online Intelligence Solutions NEXITY développe une stratégie d E-reputation à 360 sur la base des données sociales fournies par BuzzWatcher. CASE STUDY CASE STUDY INTRODUCTION Client Industrie Immobilier

Plus en détail

Big Data. Concept et perspectives : la réalité derrière le "buzz"

Big Data. Concept et perspectives : la réalité derrière le buzz Big Data Concept et perspectives : la réalité derrière le "buzz" 2012 Agenda Concept & Perspectives Technologies & Acteurs 2 Pierre Audoin Consultants (PAC) Pierre Audoin Consultants (PAC) est une société

Plus en détail

Alphonse Carlier, Intelligence Économique et Knowledge Management, AFNOR Éditions, 2012.

Alphonse Carlier, Intelligence Économique et Knowledge Management, AFNOR Éditions, 2012. 1 Du même auteur chez le même éditeur Alphonse Carlier, Intelligence Économique et Knowledge Management, AFNOR Éditions, 2012. AFNOR 2013 Couverture : création AFNOR Éditions Crédit photo 2011 Fotolia

Plus en détail

DÉPLOIEMENT DE QLIKVIEW POUR DES ANALYSES BIG DATA CHEZ KING.COM

DÉPLOIEMENT DE QLIKVIEW POUR DES ANALYSES BIG DATA CHEZ KING.COM DÉPLOIEMENT DE QLIKVIEW POUR DES ANALYSES BIG DATA CHEZ KING.COM Étude de cas technique QlikView : Big Data Juin 2012 qlikview.com Introduction La présente étude de cas technique QlikView se consacre au

Plus en détail

Coheris est agréé organisme de formation, n d agrément 11 92 19507 92.

Coheris est agréé organisme de formation, n d agrément 11 92 19507 92. Formations 2015 Coheris est agréé organisme de formation, n d agrément 11 92 19507 92. Introduction La formation est une préoccupation constante de Coheris vis-à-vis de ses clients et de ses partenaires,

Plus en détail

Les RH à l ère du Big Data: faites parler vos données! Mesurez et optimisez la performance de vos programmes RH 18 septembre 2013

Les RH à l ère du Big Data: faites parler vos données! Mesurez et optimisez la performance de vos programmes RH 18 septembre 2013 Les RH à l ère du Big Data: faites parler vos données! Mesurez et optimisez la performance de vos programmes RH 18 septembre 2013 Qui nous sommes Firme québécoise (bureaux à Québec et Montréal) Spécialisée

Plus en détail

données en connaissance et en actions?

données 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 détail

TOP. année promet d être BIG (Business Intelligence Growth) PRINCIPALES TENDANCES EN MATIÈRE DE SOLUTIONS DÉCISIONNELLES POUR 2013

TOP. année promet d être BIG (Business Intelligence Growth) PRINCIPALES TENDANCES EN MATIÈRE DE SOLUTIONS DÉCISIONNELLES POUR 2013 0 Cette TOP 10 PRINCIPALES TENDANCES EN MATIÈRE DE SOLUTIONS DÉCISIONNELLES POUR 2013 année promet d être BIG (Business Intelligence Growth) Quel est le bilan de l année 2012 en matière de solutions décisionnelles?

Plus en détail

#BigData Dossier de presse Mai 2014

#BigData Dossier de presse Mai 2014 #BigData Dossier de presse Mai 2014 La valeur du Big Data pour l entreprise Comment permettre l avènement d une culture de la donnée pour tous? Dans un monde porté par la mobilité et le Cloud, non seulement

Plus en détail

FAITES DE LA DONNÉE LE MOTEUR DE VOTRE BUSINESS. Alexandre Vasseur Responsable Avant-Vente Europe du Sud Pivotal, EMC

FAITES DE LA DONNÉE LE MOTEUR DE VOTRE BUSINESS. Alexandre Vasseur Responsable Avant-Vente Europe du Sud Pivotal, EMC FAITES DE LA DONNÉE LE MOTEUR DE VOTRE BUSINESS Alexandre Vasseur Responsable Avant-Vente Europe du Sud Pivotal, EMC 1 Big Data = Volume, Variété, Vélocité et Valorisation Internet des objets Informations

Plus en détail

Aujourd hui, un nombre croissant d entreprises ont choisi

Aujourd hui, un nombre croissant d entreprises ont choisi UN ETAT DES LIEUX : Analyse de la clientèle Une approche proactive de la fidélisation et de la rétention Sponsorisé par Un rapport de recherche exclusif Les chercheurs d UBM TechWeb ont réalisé une enquête

Plus en détail

Formation continue. Ensae-Ensai Formation Continue (Cepe)

Formation continue. Ensae-Ensai Formation Continue (Cepe) CertifiCat de data scientist Formation continue Ensae-Ensai Formation Continue (Cepe) CertifiCat de data scientist La demande de data scientists est croissante mais peu de formations existent. Ce certificat

Plus en détail

La fonction Conformité dans l assurance

La fonction Conformité dans l assurance La fonction Conformité dans l assurance L approche par les risques L exemple de la lutte contre le blanchiment Présentation pour : Faculté d Orléans Intervenant(s) : Laurent GUEREL AG2R LA MONDIALE 1/19

Plus en détail

Data Mining. Exposés logiciels, systèmes et réseaux. Damien Jubeau IR3 Lundi 19 novembre 2012

Data Mining. Exposés logiciels, systèmes et réseaux. Damien Jubeau IR3 Lundi 19 novembre 2012 Data Mining Exposés logiciels, systèmes et réseaux. Damien Jubeau IR3 Lundi 19 novembre 2012 2 Plan Data mining : définition, utilisations et concepts Wolfram Alpha : extraction de données d'un compte

Plus en détail

PLATEFORME MÉTIER DÉDIÉE À LA PERFORMANCE DES INSTALLATIONS DE PRODUCTION

PLATEFORME MÉTIER DÉDIÉE À LA PERFORMANCE DES INSTALLATIONS DE PRODUCTION PLATEFORME MÉTIER DÉDIÉE À LA PERFORMANCE DES INSTALLATIONS DE PRODUCTION KEOPS Automation Espace Performance 2B, rue du Professeur Jean Rouxel BP 30747 44481 CARQUEFOU Cedex Tel. +33 (0)2 28 232 555 -

Plus en détail

IBM SPSS Direct Marketing

IBM SPSS Direct Marketing IBM SPSS Statistics 19 IBM SPSS Direct Marketing Comprenez vos clients et renforcez vos campagnes marketing Points clés Avec IBM SPSS Direct Marketing, vous pouvez : Comprendre vos clients de manière plus

Plus en détail

GT Big Data. Saison 2014-2015. Bruno Prévost (Safran), Marc Demerlé (GDF SUEZ) CRiP Thématique Mise en œuvre du Big Data 16/12/14

GT Big Data. Saison 2014-2015. Bruno Prévost (Safran), Marc Demerlé (GDF SUEZ) CRiP Thématique Mise en œuvre du Big Data 16/12/14 GT Big Data Saison 2014-2015 Bruno Prévost (Safran), Marc Demerlé (GDF SUEZ) Sommaire GT Big Data : roadmap 2014-15 Revue de presse Business Education / Promotion Emploi Sécurité / Compliance Cuisine:

Plus en détail

Transformation IT de l entreprise COMMENT PROTÉGER VOS DONNÉES ET APPLICATIONS À L ÈRE DE LA MOBILITÉ?

Transformation IT de l entreprise COMMENT PROTÉGER VOS DONNÉES ET APPLICATIONS À L ÈRE DE LA MOBILITÉ? Transformation IT de l entreprise COMMENT PROTÉGER VOS DONNÉES ET APPLICATIONS À L ÈRE DE LA MOBILITÉ? L a montée en puissance des fuites de données en tout genre et l explosion des volumes de données

Plus en détail

BI SWISS FORUM (ecom / SITB)

BI SWISS FORUM (ecom / SITB) 2015 04 21 - GENEVA BI SWISS FORUM (ecom / SITB) LE BIG DATA A L ASSAUT DES ZONES DE CONFORT TECH ET BUSINESS WWW.CROSS-SYSTEMS.CH GROUPE MICROPOLE 1100 COLLABORATEURS DONT 130 EN SUISSE +800 CLIENTS 27

Plus en détail

Business Intelligence Les 15 tendances clefs pour 2015

Business Intelligence Les 15 tendances clefs pour 2015 Business Intelligence Les 15 tendances clefs pour 2015 Philippe Nieuwbourg www.decideo.fr www.b-eye-network.com 17/11/2008 15 : Temps réel» Fantasme de l intelligence artificielle» Il faut réduire les

Plus en détail

Intelligence Inventive & Mapping des réseaux de Recherche. Expernova & Active Innovation Management GFII 5 Mars 2015

Intelligence Inventive & Mapping des réseaux de Recherche. Expernova & Active Innovation Management GFII 5 Mars 2015 Intelligence Inventive & Mapping des réseaux de Recherche Expernova & Active Innovation Management GFII 5 Mars 2015 Identification d experts & Mapping des Réseaux de Recherche [ expernova, qui sommes nous?]

Plus en détail

Le Web, l'entreprise et le consommateur. Françoise Soulié Fogelman francoise@kxen.com

Le Web, l'entreprise et le consommateur. Françoise Soulié Fogelman francoise@kxen.com Le Web, l'entreprise et le consommateur Françoise Soulié Fogelman francoise@kxen.com Forum "Quel futur pour le Web" Lyon, mardi 21 septembre 2010 THE DATA MINING AUTOMATION COMPANY TM Agenda Le Web un

Plus en détail

Le "tout fichier" Le besoin de centraliser les traitements des fichiers. Maitriser les bases de données. Historique

Le tout fichier Le besoin de centraliser les traitements des fichiers. Maitriser les bases de données. Historique Introduction à l informatique : Information automatisée Le premier ordinateur Définition disque dure, mémoire, carte mémoire, carte mère etc Architecture d un ordinateur Les constructeurs leader du marché

Plus en détail

Les datas = le fuel du 21ième sicècle

Les datas = le fuel du 21ième sicècle Les datas = le fuel du 21ième sicècle D énormes gisements de création de valeurs http://www.your networkmarketin g.com/facebooktwitter-youtubestats-in-realtime-simulation/ Xavier Dalloz Le Plan Définition

Plus en détail

FORUM NTIC BIG DATA, OPEN DATA Big Data: les challenges, les défis

FORUM 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 détail

Les compétences clés en 2015 La révolution du Big Data souffle sur les métiers du commerce et du marketing

Les compétences clés en 2015 La révolution du Big Data souffle sur les métiers du commerce et du marketing Communiqué de presse Les compétences clés en 2015 La révolution du Big Data souffle sur les métiers du commerce et du marketing Paris, le 7 avril 2015 A la recherche de leviers permettant de soutenir le

Plus en détail

SYNERGIE Associés Confidentiel Reproduction interdite sans autorisation préalable Page 1 de 44

SYNERGIE Associés Confidentiel Reproduction interdite sans autorisation préalable Page 1 de 44 SYNERGIE Associés Confidentiel Reproduction interdite sans autorisation préalable Page 1 de 44 Le CRM (GRC) est la clef de votre succès Les Principes généraux de la Gestion de la Relation Clients Confidentiel

Plus en détail

multiplicité des médias sociaux, l explosion du l évolution des comportements des consommateurs.

multiplicité des médias sociaux, l explosion du l évolution des comportements des consommateurs. 1 Transformation de l environnement: La généralisation des technologies du web, la multiplicité des médias sociaux, l explosion du big data guidés par les réseaux sociaux et l évolution des comportements

Plus en détail

Vision prospective et obstacles à surmonter pour les assureurs

Vision prospective et obstacles à surmonter pour les assureurs smart solutions for smart leaders Le «Big Data» assurément Rédigé par Pascal STERN Architecte d Entreprise Vision prospective et obstacles à surmonter pour les assureurs Un avis rendu par la cour de justice

Plus en détail

Christophe CANDILLIER Cours de DataMining mars 2004 Page 1

Christophe CANDILLIER Cours de DataMining mars 2004 Page 1 Christophe CANDILLIER Cours de DataMining mars 2004 age 1 1. Introduction 2. rocessus du DataMining 3. Analyse des données en DataMining 4. Analyse en Ligne OLA 5. Logiciels 6. Bibliographie Christophe

Plus en détail

Formation Storytelling par l image Partie 1 L importance du visuel + Pinterest

Formation Storytelling par l image Partie 1 L importance du visuel + Pinterest Formation Storytelling par l image Partie 1 L importance du visuel + Pinterest [ Agenda ] 1. Qu est-ce que le storytelling? 2. L importance de la photo et de la vidéo aujourd hui 3. Le potentiel de Pinterest

Plus en détail

SMARC La révolution des usages et des technologies : Quels impacts sur votre Stratégie Digitale. Mardi, le 21 avril 2015 SMARC G16

SMARC La révolution des usages et des technologies : Quels impacts sur votre Stratégie Digitale. Mardi, le 21 avril 2015 SMARC G16 SMARC La révolution des usages et des technologies : Quels impacts sur votre Stratégie Digitale Mardi, le 21 avril 2015 SMARC G16 Avant, la relation entre le Client et la Marque était simple Depuis, les

Plus en détail

Le Data Mining au service du Scoring ou notation statistique des emprunteurs!

Le Data Mining au service du Scoring ou notation statistique des emprunteurs! France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative

Plus en détail

Stages 2014-2015 ISOFT : UNE SOCIETE INNOVANTE. Contact : Mme Lapedra, stage@isoft.fr

Stages 2014-2015 ISOFT : UNE SOCIETE INNOVANTE. Contact : Mme Lapedra, stage@isoft.fr Stages 2014-2015 ISOFT : UNE SOCIETE INNOVANTE Contact : Mme Lapedra, stage@isoft.fr ISoft, éditeur de logiciels, est spécialisé dans l informatique décisionnelle et l analyse de données. Son expertise

Plus en détail

Mesurer, collecter et monitorer pour agir

Mesurer, collecter et monitorer pour agir Mesurer, collecter et monitorer pour agir Services de gestion de l'énergie Lausanne, 6 novembre 2014 Antoine Hayek, Energy Management Services Eric Magnin, Energy Management Specialist Michael Grelier,

Plus en détail

WEB15 IBM Software for Business Process Management. un offre complète et modulaire. Alain DARMON consultant avant-vente BPM alain.darmon@fr.ibm.

WEB15 IBM Software for Business Process Management. un offre complète et modulaire. Alain DARMON consultant avant-vente BPM alain.darmon@fr.ibm. WEB15 IBM Software for Business Process Management un offre complète et modulaire Alain DARMON consultant avant-vente BPM alain.darmon@fr.ibm.com Claude Perrin ECM Client Technical Professional Manager

Plus en détail

Table des matières. PREMIÈRE PARTIE Étapes initiales des études marketing 7

Table des matières. PREMIÈRE PARTIE Étapes initiales des études marketing 7 Table des matières Préface Public 1 Structure de l ouvrage 1 Caractéristiques de l ouvrage 3 Contenu 3 Pédagogie 4 Remarques sur l adaptation française 4 Ressources numériques 5 Biographie 6 PREMIÈRE PARTIE

Plus en détail

SÉRIE NOUVELLES ARCHITECTURES

SÉRIE 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 détail

QLIKVIEW POUR SALESFORCE

QLIKVIEW POUR SALESFORCE QLIKVIEW POUR SALESFORCE Exploiter rapidement et facilement les données issues de votre CRM QlikView simplifie l intégration de la Business Discovery à une Plate-forme PaaS (Platform as a Service) éprouvée

Plus en détail

Organisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining.

Organisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining. 2 jours : Mardi 15 et mercredi 16 novembre 2005 de 9 heures 30 à 17 heures 30 Organisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining. Madame, Monsieur, On parle

Plus en détail

Structure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données

Structure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données Structure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données et le Data Mining Nous suivons le plan suivant : Fonctionnement de Spad Catalogue des méthodes (statistiques

Plus en détail

Transformation IT de l entreprise COMMENT L ANALYTIQUE ET LE BIG DATA RENFORCENT LES ENJEUX DE SÉCURITÉ

Transformation IT de l entreprise COMMENT L ANALYTIQUE ET LE BIG DATA RENFORCENT LES ENJEUX DE SÉCURITÉ Transformation IT de l entreprise COMMENT L ANALYTIQUE ET LE BIG DATA RENFORCENT LES ENJEUX DE SÉCURITÉ L analytique de données peut-elle faire baisser la criminalité? Si vous pensez que c est impossible

Plus en détail

Big Data et Statistique Publique

Big Data et Statistique Publique Big Data et Statistique Publique Miracle ou mirage? Matthieu Cornec Mission Innovation Sommaire 1. Constat : Explosion des données 1. Constat 2. Exemples 2. Big Data : nouvelle révolution économique? 1.

Plus en détail

BIG DATA en Sciences et Industries de l Environnement

BIG DATA en Sciences et Industries de l Environnement BIG DATA en Sciences et Industries de l Environnement François Royer www.datasio.com 21 mars 2012 FR Big Data Congress, Paris 2012 1/23 Transport terrestre Traçabilité Océanographie Transport aérien Télémétrie

Plus en détail

Business Analytics pour le Big Data

Business Analytics pour le Big Data IBM Software Business Analytics Big Data Business Analytics pour le Big Data Libérer la valeur pour générer la performance 2 Business Analytics pour le Big Data Sommaire 2 Introduction 3 Extraction d éclairages

Plus en détail

Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring

Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems

Plus en détail

SQL Server 2014 Implémentation d'une solution de Business Intelligence (Sql Server, Analysis Services, Power BI...)

SQL Server 2014 Implémentation d'une solution de Business Intelligence (Sql Server, Analysis Services, Power BI...) 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 détail

Titre : La BI vue par l intégrateur Orange

Titre : La BI vue par l intégrateur Orange Titre : La BI vue par l intégrateur Orange Résumé : L entité Orange IT&L@bs, partenaire privilégié des entreprises et des collectivités dans la conception et l implémentation de SI Décisionnels innovants,

Plus en détail

1. Qu'est-ce que Adobe Analytics?

1. Qu'est-ce que Adobe Analytics? Début 2014, Adobe a annoncé que sa suite Omniture sera renommé "Adobe Analytics". Concrètement, cela ne change rien dans le traitement des données et l'interface. Cela donne juste du poids à la plate-forme

Plus en détail