Le décisionnel et la culture des données à AF KL
|
|
- Émile Beaudin
- il y a 8 ans
- Total affichages :
Transcription
1 Le décisionnel et la culture des données à AF KL - & Perspectives - 5 Décembre 2013 CUSI Xavier Henderson xahenderson@airfrance.fr
2 2 Prolégomènes
3 3 Objectifs Présenter l exemple de AFKL Présenter les métiers «données» Sensibiliser à la culture «données» Illustrer les bénéfices Présenter la demande des entreprises aujourd hui et demain
4 4 Agenda 1. Historique 2. Couverture fonctionnelle 3. Positionnement du EDW 4. Exemples 5. Organisation 6. Acteurs 7. Forces et facteurs de succès 8. Défis 9. Évolutions, prospective ANNEXES
5 5 Agenda Historique 1. Historique 2. Couverture fonctionnelle 3. Positionnement du EDW 4. Exemples 5. Organisation 6. Acteurs 7. Forces et facteurs de succès 8. Défis 9. Évolutions, prospective
6 6 Historique décisionnel AF Couverture Aujourd hui Nombreux débats Croissance forte et continue Des résistances (infocentres..) Un existant facilitateur Démarrage difficile Operational BI Temps Air inter /11 SRAS Référentiels & infocentres BICC Fusions (Air Inter, UTA) & SI intégré, SOA Recherche opérationnelle KLM JV Alitalia, Delta 2013
7 7 Historique décisionnel AF Couverture PLUS DE Aujourd hui X15 (+25%/an) - Domaines & applications - Données - Usage - Types «d Analytics» - Fonctionnalités outils - Efficience - Ergonomie - Performance - QDS - Réactivité Operational BI Temps Air inter /11 SRAS BICC KLM JV Alitalia, Delta 2013
8 8 Débats historiques Organisation & méthode Fonctionnel Technique Culture Politique
9 9 Culture données AF Mise en œuvre de référentiels Équipes dédiées d administration de données «Predictive Analytics», Recherche Opérationnelle, Revenue Management (go show, no show ) Suites SAP, CRM avec référentiels intégrés Services «SOA» middleware Data Warehouse d Entreprise depuis ~ 2000 «La richesse réside dans les contenus, dans leur organisation, dans leur communication» - Yannis Delmas
10 10 Agenda Couverture fonctionnelle 1. Historique 2. Couverture fonctionnelle 3. Positionnement du EDW 4. Exemples 5. Organisation 6. Acteurs 7. Forces et facteurs de succès 8. Défis 9. Évolutions, prospective
11 11 Petit Exemple de données du DW AF/KL Référentiels Individu Données AF - KL - JV DL - JV AZ CRM Cartes Payantes Fidélisés Flying Blue Catering Réclamations Recettes diverses - operating, marketing Bagages Ponctualité Exploitation Programme prévu et réalisé Concurrence (MIDT, OAG) Logs web AF Billets Dossiers Passagers Agences Firmes Revenue Management BIEN D AUTRES..
12 12 Couverture fonctionnelle Plus de 2/3 des sous-domaines couverts Exceptions: ce qui ressort de SAP finance/achats & ce qui restera départemental il reste < 10% à conquérir Plus de 80% données potentielles en volume Plus de 1/3 domaines ont des données AF et KLM Rythme dicté par l alignement des processus, des référentiels, des applications, et des obligations réglementaires ou métiers Poids des historiques de données, et culturels
13 13 Marketing, RM & Réseau Ventes PASSAGER Services Sol Opérations Vol CARGO Flight INDUSTRIEL MÉTIERS CORPORATE Finance Financial Services Ressources Humaines Strategic HR HR Administration Revenue Accounting Informatique Domaining 2011 Couvert Grandement Couvert Peu Couvert
14 14 Agenda Positionnement du EDW 1. Historique 2. Couverture fonctionnelle 3. Positionnement du EDW 4. Exemples 5. Organisation 6. Acteurs 7. Forces et facteurs de succès 8. Défis 9. Évolutions, prospective
15 15 Positionnement EDW App. Transac. Externe Flux données batchs & services s t a g i n g DECISIONNEL «STANDARD» EDW/BI DM 1 DW 1 DM 2 DW 2 CRM, ERP Décisionnel intégré dans les applications (1) Cas général TRANSACTIONNEL Décisionnel Prédictif & Advanced Analytics (2) (1) Ex: tableaux de bords dans gestion de contrats firmes, CRM (2) Ex: recherche opérationnelle, CCO + data mining (3) Arbitrage : solutions «data mart» d Operational Intelligence
16 16 Solution Décisionnel «standard» AFKL Quelques Repères TERADATA ~ objets (dont tables) scripts 148 To RAID1 dont 38 To de données utiles compressées Les tables les plus volumineuses : 1.3 To 331 attributs millions de lignes Personnel 2 équipes développement ~45 internes 1 équipe Production ~10 internes 130 applications, avec : 250+ univers BO 300 batch jobs (y compris Informatica) 7 applications autres techno (Java, SAS) 5+ applications QlikView utilisateurs déclarés, dont ~900 KLM se connectent 1fois+/mois Données de tous les métiers de l entreprise + KLM
17 CRYSTAL Population d utilisateurs 17 Positionnement des outils IT AFKL BI traditionnel Petite Utilisation statique dynamique Legende: Reporting and querying OLAP (MSAS, ESSBASE) Analysis Qlikview Outils maison Enrichissements possibles (cf prospectives) Large Faible Efficacité de l analyste Elevée En tant que composant intégré OEM
18 18 Agenda Exemples 1. Historique 2. Couverture fonctionnelle 3. Positionnement du EDW 4. Exemples 5. Organisation 6. Acteurs 7. Forces et facteurs de succès 8. Défis 9. Évolutions, prospective
19 19 Analyse Comparative des primes et contrats flying blue vs recette
20 20 Dashboard des Commerciaux - Croisement de données Firmes contrats - agences
21 21 Informations passager ou soute Dossiers passagers ou Soutes 2 ans, grain événement Gain productivité 2h/pers/jr BABAR RATAXES BABAR RATAXES Délai de mise à disposition données très rapide Temps de réponse: < 1sec Milliards d enregistrements BABAR BABAR BABAR BABAR BABAR BABAR BABAR BABAR BABAR BABAR BABAR BABAR BABAR BABAR BABAR RATAXES RATAXES RATAXES RATAXES RATAXES RATAXES RATAXES RATAXES RATAXES RATAXES RATAXES RATAXES RATAXES RATAXES RATAXES
22 22 Et encore Pilotage Recettes Annexes Bagage (DW+BO) Facturation excédent bagage en Escale Facturation inter-cies gestion bagages Analyse PNR pour Revenue Integrity (DW+BO) Identification de faux noms-prénoms et de réservations abusives; Analyse des fraudes
23 23 KARMA ADT - DI.IZ Traitement Schedule + Réservations (RM) Milliards de lignes à traiter Temps de calcul ramené de 3 semaines à 2h45 Réseau 10 Gb Big Data Hadoop 3 To NFS partagé Map/Reduce 14 serveurs = 112 coeurs
24 24 Module Web d analyse dynamique («Voice of the Customer»)
25 25 Agenda Organisation 1. Historique 2. Couverture fonctionnelle 3. Positionnement du EDW 4. Exemples 5. Organisation 6. Acteurs 7. Forces et facteurs de succès 8. Défis 9. Évolutions, prospective
26 26 Schéma Général Propritaire «métier» «utilisateur final» Assistance à Maîtrise d Ouvrage (AMO) Porte parole IT et métier Informatique (IT) Exprime un besoin Formalise Valide les solutions IT Spécifs Livraison & opérations
27 27 Le BICC position relative AMO PN AMO / BIZ Métier Métier exploit. Sol AMO Process AMO Déci. Support «Front Office BI» BICC Dev IT 1 Dev et support util. Support dev. Dev IT 2 Dev IT N Production
28 28 Agenda Acteurs 1. Historique 2. Couverture fonctionnelle 3. Positionnement du EDW 4. Exemples 5. Organisation 6. Acteurs 7. Forces et facteurs de succès 8. Défis 9. Évolutions, prospective
29 29 Dimensions des postes 12 dimensions spécifiques: Centré sur les données ou sur les outils ou sur le fonctionnel Intégré au métier ou IT Front end ou IT back end Selon le type de pratiques données: administration/stewardship, visualisation, Voir annexe Autres dimensions habituelles Caractéristiques personnelles: communication...«soft skills» Du débutant à l expert au super expert polyvalent (data scientist) Multi niveaux hiérarchiques et managériaux
30 30 Synthèse de fonctions Fonction Nb où Métiers à dominante managériale C Dir. Métier - AMO - IT Métiers à dominante analytique B/C Dir. Métier Métiers à dominante données/information B Dir. Métier - IT Métiers à dominante normative (Méthodologie, standards, normes) A IT Métiers à dominante outils (Back End + admin front end) C IT Métiers à dominante outils (Front End) A/B (1) Dir. Métier - AMO - IT Métiers à dominante projet/maintenance C surtout AMO-IT si tradi, sinon Dir Métier - IT si agile Métiers à dominance support B/C Selon nature du support architecture (en coordo avec tous les acteurs) A/B (2) Métiers IT en vue de Monter et Opérer l'éco-système DW + BI B (3) IT ou Dir. Métier IT Gestionnaire de fournisseurs (IT, données, hébergement, clé en main, cloud) A (3) Métiers chez les consultants, SSII, SSCI, free lance N/A N/A IT Nombre de fonctions: - A : 1 à 5 - B: 5 à 10 - C: plus de 10 Nombreuses fonctions, nombreuses opportunités (1) par outil (2) selon complexité de l'installation (3) fonctions souvent mutualisées
31 31 Agenda Forces et facteurs de succès 1. Historique 2. Couverture fonctionnelle 3. Positionnement du EDW 4. Exemples 5. Organisation 6. Acteurs 7. Forces et facteurs de succès 8. Défis 9. Évolutions, prospective
32 32 Forces et facteurs de succès Bon Fond de «culture données» Soutien Directions Métiers et IT Vision, stratégie, feuille de route décisionnelle (IT) Architecture et Infrastructure «état de l art» Équipes dédiées: BICC IT, AMO dédiés, admin. de données Démarche incrémentale «pseudo-agile» en spirale Performances opérationnelles du socle teradata Couverture, accessibilité et disponibilité données Déploiement large
33 33 Forces et facteurs de succès Assez bonne proximité IT <> métier Fluidité et agilité Ergonomie & autonomie utilisateur (outils, méthodes, formation) Opérational BI et DW Développer une communauté entre utilisateurs clés, IMO et IT Développer le Self Service BI (SSBI) Intégrer les évolutions des dernières années Développer la maîtrise du contenu des données et des metadonnées
34 34 Agenda Défis 1. Historique 2. Couverture fonctionnelle 3. Positionnement du EDW 4. Exemples 5. Organisation 6. Acteurs 7. Forces et facteurs de succès 8. Défis 9. Évolutions, prospective
35 35 Défis Toujours plus flexible, rapide et concret; Plus d agilité Structurer notre approche pour être encore plus orienté données Raz de marée d évolutions, changements profonds Appréhender la nature de la donnée L homme intemporel Ubik Être c'est être perçu ou percevoir L homme multidimensionnel 1984 Voir Annexes pour vision détaillée
36 36 Agenda Évolutions, prospective 1. Historique 2. Couverture fonctionnelle 3. Positionnement du EDW 4. Exemples 5. Organisation 6. Acteurs 7. Forces et facteurs de succès 8. Défis 9. Évolutions, prospective
37 37 Tendances du Marché CRM Web
38 38 Prospective Air France KLM est dans le peloton de tête aérien Mais d autres sont en avance surtout aux USA et Allemagne: Web, High Tech, Telecoms, Banques et Assurances, Retail, R&D Tendances Nb items Utilisation 13 - SSBI - Operational BI Principaux items Technique IT 8 - En phase avec nouveaux usages - Zoo Big Data Opportunités AFKL Nombreuses Nombreuses Développement 7 - Agile BI Nombreuses Organisation 7 - Gouvernance des informations Très Nombreuses Gestion des Infos 4 - Qualité des informations - Metadata Management Très Nombreuses Voir Annexes pour vision détaillée
39 39 Prospective zoom sur Opportunités Données Transactional & Application Data Volume - Données structurées - Débit Machine Data Vélocité/Faible latence - Semi-structurées - Ingestion Social Data Variété - Non Structurées - Véracité Enterprise Content Variété - Non Structurées - Volume Source : IBM Solconnect13 (2013)
40 40 Ce qui est en train de se passer Le Big Data redynamise le BI Exploration Analyse opérationnelle: capteurs avion, RFID Extension analytique Source : IBM Solconnect13 (2013) Secteurs à fort investissement DW/BI/analytics Les compagnies innovantes Les compagnies et organismes où beaucoup d argent est en jeu Les compagnies et organismes où la vie est en jeu Cf annexe pour détails
41 41 En conclusion: Un beau présent et un meilleur avenir Besoins qui explosent, durables, Relative immaturité dans les entreprises et du secteur Le savoir-faire «contenu données» est préservé car difficile à copier Nombreuses fonctions très variées, IT et hors IT Possibilité d innover (data scientist, entrepreneur, start-up)
42 42 Questions?
43 43 Agenda ANNEXES 1. Air France KLM éléments clés 2. Composants DW & Big Data 3. Échelle de maturité décisionnelle 4. Types de BICC 5. Types d utilisateurs et d utilisation, fonctions 6. Détail défis et prospectives & directives QI 7. Qui investit beaucoup? 8. Glossaire 9. Références
44 44 ANNEXES Air France - KLM Source: Assemblée Générale 2013 NB: Les indicateurs évoluent selon l activité et le contexte économique
45 45 Air France KLM éléments clés Source: Assemblée Générale 2013
46 46 +60% de nos ventes sont réalisées à l international Source: Assemblée Générale 2013
47 47 Les métiers d Air France KLM Passage Cargo Maintenance Loisirs Catering Source: Assemblée Générale 2013
48 48 Services (janvier 2013) (avril 2013)
49 49 ANNEXES COMPOSANTS
50 50 Schéma générique décisionnel standard Staging EDW Marts Operational Business Intelligence Sources Information Integration Reporting & Performance Management Modeling, Analytics & Simulation Decision Support Data Governance & Security Master Data Management Metadata Repository Data Management
51 51 Cible Infrastructure BI (réflexion en cours feb 2013) Application entry points Operational services Business Portal : One multi-channel access point Reporting / Exploration / Dashboard over SAP and non SAP data Business Objects 4 Analysis /Explorer/ Dashboard / Webi / Crystal OLAP Expl. Tbc Executive viewer Service Qlikview Service Advanced analytics xxx tools WAS appl SAP queries Ad hoc query Enterprise reporting Olap Exploration Dynamic Analysis Statistical Analysis xxx SAP/BW Engine (Sap data only) BO Universes Cube Olap (MSAS -Essbase) QV files Transactional applications SAP Zos / DB2 Unix / Oracle Natural/Adabas. Data integration Informatica/Tibco TERADATA
52 52 Composants d une architecture Big Data (IBM) Sources Techniques Device Logs Données Traditionnelles Données Externes Ingestion and Real-time Analytic Zone Ingest Filter, Transform Correlate, Classify Ingest Extract, Annotate Landing & Historical Analytic Zone Analytics MapReduce Documents In Variety of Formats Hive/HBase Col Stores Indexes, facets Models Data Sinks Data Management Warehousing Zone Data Warehouse Analytics Appliance Data Marts Governance & Integration Zone Analytics and Reporting Zone Query Engines Cubes Descriptive, Predictive Models Discovery, Visualizer Search MDM, Metadata, Workbench, Intégration BI / Reporting Exploration / Visualization Functional App Industry App Predictive Analytics Content Analytics Analytic Applications Source : IBM Solconnect13 (2013)
53 53 ANNEXES ECHELLE DE MATURITE DW/BI
54 54 Echelle de maturité décisionnelle Source: «Business Intelligence Strategy» Boyer, Frank, Green, Harris, Van De Vanter - sept 2010 MC Press
55 55 ANNEXES TYPES DE BICC
56 56 Type d organisation BICC Source: «Business Intelligence Strategy» Boyer, Frank, Green, Harris, Van De Vanter - sept 2010 MC Press Repris de «Building a BI Competency Center» IBM 2009
57 57 ANNEXES POSTES & FONCTIONS
58 58 Type d utilisateurs et de solutions IT Users (2% headcount) 98% producer 2% consumer IT Data Mining Application Development Metadata Design Power Users (5% headcount) 85% producer 15% consumer Power Users Ad-hoc Query + OLAP Statistical Analysis Analytic Reporting Business Users Business Users (25% headcount) 15% producer 85% consumer Analytic Apps Scorecards Business Reporting Casual Users Casual Users (30% headcount) 5% producer 95% consumer Extended Enterprise Users Enterprise Reporting In-line Analytics Dashboards Ext Enterprise Users (38% headcount) 1% producer 99% consumer Mobile/ Wireless Extranets/ B2B B2C
59 59 Particularités du Décisionnel Fluidité entre métier AMO IT Des fonctions de l un peuvent se retrouver chez l autre surtout pour le front-end Les data scientists peuvent être intégrés dans certains métiers Recouvrements limités à AF Varie selon les compagnies et les cultures Besoin de proximité données + processus métiers + solutions informatiques Situation évolutive Le back end restera IT ainsi que les parties très techniques et la production Le front end migre de plus en plus vers les directions métiers
60 60 Dimensions des postes 1/2 Remarque: pour l IT, c est plutôt «back-end» Mécanicien ou pilote, constructeur ou utilisateur? Contenu ou contenant, signifiant ou signifié? Du focalisé au global; multi domaine ou spécifique fonctionnel; Spécialisé ou polyvalent IT; Explorateur, «mineur», fermier ou touriste (consommateur de données); Créateur/producteur de données et analyse au simple consommateur? Front end (IT ou métier) ou back end (IT)? Cœur de métier/opérationnel ou support côté métier ou IT? Quel degré de technicité IT? Quel degré de technicité données; quelle connaissance des informations? Quel degré de technicité métier; quelle expertise processus? Selon quelles caractéristiques personnelles (communication «soft skills» etc)? Avec quel niveau de compétences; Du débutant à l expert au super expert polyvalent (data scientist)? A quel niveau hiérarchique et managérial?
61 61 Dimensions des postes 2/2 Dans quel pratique donnée évoluer? MDM, Gouvernance des Informations, Qualité des Informations Administration/Stewardship, Metadata management, Sécurité, Confidentialité Développement, Support accompagnement, formation, assistance Production, SOA & Integration, DW modélisation, SQL, optimisation, stockage et accès, EIM, BI - analytics: reporting, dashboard, scorecard, ad hoc query, predictive, prescriptive, Data mining, Text mining, Statistiques, Algorithmique Impacts et applications big data, ECM, document management Visualisation, NLP, Machine learning,
62 62 Types de fonctions 1/4 Nombre de fonctions: - A : 1 à 5 - B: 5 à 10 - C: plus de 10 Fonction Nb où Métiers à dominante managériale C Dir. Métier - AMO - IT Métiers à dominante analytique B/C Dir. Métier Utilisateur données (touriste, fermier) Dir. Métier producteur données ( explorateur) Dir. Métier collaborateur données Dir. Métier data scientists, statisticiens, data miner, text miner, predictive analytics, prescriptive analytics Dir. Métier expert analytique (en relation avec expert outil front end) Dir. Métier Métiers à dominante données/information B Dir. Métier - IT Chief data officer (CDO) Dir. Métier Conseil de gouvernance des informations Dir. Métier - IT Administrateur fonctionnel de données (propriétaire, dépositaire, gestionnaire des Données,; en charge des habilitations, de la qualité D., de la confidentialité; en charge des métadonnées fonctionnelles) - MDM (contenu) et Dir. Métier Metadata Management (fonctionnel) Admnistrateur technique des données (metadonnées techniques, traçabilité, auditabilité) - MDM (outil et support) et Metadata Management (admin et metadonnées tech) Expert données fonctionnel (contenu, sémantique, finalité, contexte d'usage) Expert données IT (format, syntaxe, flux, traçabilité, vision SI) Sécurité, confidentialité, habilitation (en relation avec équipes sécurité) utilisateurs ECM (bibliothécaire..) IT Dir. Métier IT Dir. Métier - IT Dir. Métier
63 63 Types de fonctions 2/4 Nombre de fonctions: - A : 1 à 5 - B: 5 à 10 - C: plus de 10 Fonction Nb où Métiers à dominante normative (Méthodologie, standards, normes) A IT Métiers à dominante outils (Back End + admin front end) C IT experts ETL, Informatica, batchs, chargement, extraction, virtualisation données, SOA etc - en projet et en support experts Base de données, Teradata, etc - en proj et en support experts ordonnancement, etc - en projet et en support modélisateur expert optimisation équipe exploitation, monitoring IT IT IT IT IT IT Métiers à dominante outils (Front End) experts BO, Qlikview etc en projet, support, usage régulier ergonome expert visualisation expert requêtes, dashboard, scorecard, traduction besoin et ensemble de solution front end (1) par outil A/B (1) Dir. Métier - AMO - IT Dir. Métier - AMO - IT Dir. Métier - AMO - IT Dir. Métier - AMO - IT Dir. Métier - AMO - IT
64 64 Types de fonctions 3/4 Nombre de fonctions: - A : 1 à 5 - B: 5 à 10 - C: plus de 10 Fonction Nb où Métiers à dominante projet/maintenance C surtout AMO-IT si tradi, sinon Dir Métier - IT si agile cf profils projet habituels + métiers outils + construire des scenari focus front end base données (dimensions, données, modélisation, règles données, metadonnées, sans processus) focus back end (chargement et transformation des données, qualité des données, stockage, intégration, mutualisation données, modélisation, architecture, dimensionnement) AMO - IT Dir. Métier - AMO AMO - IT IT Métiers à dominance support expert conseil réalisateur / auditeur sur chaque outil Formateur expert conseil méthodes, démarche, interlocuteurs expert sur données, indicateurs, modèles de données et relation avec processus Help-Desk, accompagnement, gestion changement Formation, Front office BI, "service bureau" formateurs B/C Selon nature du support IT AMO IT Dir. Métier - IT AMO - IT Dir. Métier - AMO - IT
65 65 Types de fonctions 4/4 Nombre de fonctions: - A : 1 à 5 - B: 5 à 10 - C: plus de 10 Fonction Nb où architecture (en coordo avec tous les acteurs) A/B (2) IT ou Dir. Métier architecte DW & BI IT equipe architectes données (domaining, flux, metadonnées, macro modèles) IT architecte Unified Information Access, ECM IT architecte Big Data IT architecte NLP, Machine learning, Intelligence artificielle IT architecte fonctionnel/domaine/entreprise Dir. Métier Métiers IT en vue de Monter et Opérer l'éco-système DW + BI B (3) Dimensionner, faire évoluer, exploiter, intervenir à froid/à chaud, administrer les infra et les logiciels, gestion d'incidents Gestionnaire du SLA (Service Level Agreement) et Qualité de Service (Définition contrat, indicateurs, tableaux de suivi, boucle d'amélioration, évolution, instruire le Traitement d'anomalies IT IT IT Gestionnaire de fournisseurs (IT, données, hébergement, clé en main, cloud) A (3) IT Métiers chez les consultants, SSII, SSCI, free lance N/A N/A (2) selon complexité de l'installation (3) fonctions souvent mutualisées
66 66 ANNEXES DETAILS DEFIS ET PROSPECTIVES
67 67 Défis 1/2 Toujours plus flexible, rapide et concret; Plus d agilité Structurer l approche données et l intégrer dans les métiers & AMO+IT Structurer la Gouvernance de l information, «Chief Data Officer» Qualité de l information appliquée de façon permanente Upgrade organisation, contenu et outils autour des référentiels et de la QI «Data scientists», mathématiques et sachant communiquer Être responsable et respectueux de la réglementation, la sécurité, de la vie privée
68 68 Défis 2/2 Raz de marée d évolutions, changements profonds Culture, technologies, méthodes, déluge d informations, variété internationale, ubiquité, virtualisation, digitalisation, pérennisation des traces Mathématiques, informatique, Intelligence Artificielle, NLP, Machine Learning Former et se tenir informé. Devancer? Appréhender la nature de la donnée Linguistique, théorie de la communication, théorie de la connaissance, enjeux sociaux et juridiques
69 69 Prospective 1 / 4 - Utilisation Tendances d utilisation 1. Solutions personnalisées 2. Boîte à Outils de standards de solutions BI 3. SSBI, Front Line BI, rapprocher IT utilisateur final 4. Operational BI & BI incrustée ( embedded BI ), stream analytics 5. Analyses avancées ( advanced analytics, predictive analytics ) 6. Mobile BI 7. Simulations, CPM (Corporate Performance Mgt) 8. Analyses en bac à sable ( data as is ) 9. Exploration et découverte 10. Content analytics, text analytics 11. Social media analytics 12. Enhanced visualisation 13. Big data BI
70 70 Prospective 2 / 4 - Technique Tendances Techniques 1. Cf utilisation: Pervasive BI et SSBI, Mobilité: BI/ipad, iphone etc., Operational BI, Exploration, bacs à sable, 2. Java 3. Appliances, in memory, 4. Cloud BI (externe) vs Cloud BI (interne) vs installations sur site 5. Data Virtualisation, Data Federation 6. SGBD spécifiques (NoSQL, SGBD colonne, SGBD graphe) 7. Big data zoo: Hadoop, Map reduce families Event Analytics, Complex Event Processing (CEP)
71 71 Prospective 3 / 4 - développement Tendances dévelopt 1. Agile BI 2. Réduire le time to market & réactivité 3. Composants réutilisables 4. Référentiels Centralisés 5. Prototypages 6. Mashups (mixer à la volée des données multi-formats / sources) 7. Adaptations méthodologies et techniques (cf diapos précédentes)
72 72 Prospective 4 / 4 Organisation et Données Tendances organisation 1. Mettre en place un BICC commun IT+ Business 2. Mettre en place un CIF Corporate Information Factory flexible 3. Mettre en place une Gouvernance des Informations Tendances données 4. Généraliser les data architects 5. Généraliser les experts technico-métier intégrés aux métiers 6. Généraliser les experts données technico-métier 7. Accompagner les utilisateurs (Held Desk, réseau utilisateurs clés..) 1. Développer la qualité des informations 2. Développer le Master data Management 3. Développer le Metadata Management fonctionnel 4. Mettre en place un eco-système d accès unifié à l information ( unified information Access ) à la Google
73 73 12 Directives for Data Quality Directive 1: Obtain Management Commitment to Data Quality Directive 2: Treat Data as an Asset Directive 3: Apply Resources to Focus on Quality Directive 4: Build Explicit Knowledge of Data Directive 5: Treat Data as a Product of Processes which can be Measured and Improved Directive 6: Recognize Quality is Defined by Data Consumers Directive 7: Address the Root Causes of Data Problems Directive 8: Measure Data Quality, Monitor Critical Data Directive 9: Hold Data Producers Accountable for the Quality their Data Directive 10: Provide Data Consumers with the Knowledge the Require for Data Use Directive 11: Data will continue to evolve Plan for evolution Directive 12: Data Quality goes Beyond the Data Build a Culture Focused on Data Quality Source: «A Strategic Approach To Data Quality: A Dataversity Webinar» Laura Sebastian-Coleman 15 octobre 2013
74 74 ANNEXES QUI INVESTIT BEAUCOUP?
75 75 Investisseurs en décisionnel (au sens large) Les secteurs à fort investissement sont : Compagnies du web : Google, Amazon, Apple, Facebook (GAAF), media sociaux et start-ups Télécoms Banques et Assurances, Finance Energie: prospection énergies fossiles Retail vente grande distribution Gouvernement «sanctuarisé»: Défense et RG, Impôts, URSAFF R&D sub atomique, astronomie, CERN, génomique Santé privé et public Ce qui a trait à la résolution de litiges (et amendes) Sécurité, confidentialité, Juridique
76 76 ANNEXES GLOSSAIRE
77 77 Glossaire 1/2 Souvent possibilité d interchanger les termes «Knowledge» «Data» «Information» et leur traduction en français S applique surtout aux fonctions Dwglossary.pdf COURS_SI_decisionnel_glossaire.pdf chez de jchambon.fr/textes/ Nombreux glossaires à la fin d ouvrages de référence
78 78 Glossaire 2/2 OLAP et MOLAP; cube, agrégation et calcul à la volée Data Warehouse et Data Mart; dénormalisation, dimension et faits, conformed dimension, derived column, hiérarchie; drill-down; indicateurs et KPI, métriques ODS et Infocentre opérationnel Modèle de données relationnel, en étoile, en flocon; données structurées, non structurées, documents, video, audio, xml Scalability, shared nothing, NoSQL, BD vectorielle, en colonne, MPP, MapReduce, HDFS, GFS, NFS, BigData, Hadoop Métadonnées (techniques, métier, processus), qualité de données, gouvernance de données ETL, ELT et intégration de données; virtualisation, CDC, operational BI; Middleware, SOA, web services Data mining, text mining Analytics, advanced analytics, predictive analytics, prescriptive analytics Business Intelligence, BI, dashboards, requêtes ad hoc, Visualisation, SLA, QoS et qualité de service
79 79 ANNEXES REFERENCES
80 80 Références Sites Web 1/3 Réseaux sociaux - Nombreux groupes linkedin, Facebook etc Sites de SSII et de grands éditeurs (IBM, Oracle, Teradata, SAS) dont Informatica, SAS, Business Objects, Microstrategy, Pentaho, Qlikview, Tableau Souvent une version française est disponible Sites d auteurs (cf diapo auteurs, par ex ) Google scholar Pour big data: Les grands noms de la BI et du DW, Alteryx, Attivio, Cloudera, Couchbase, Greenplum, Hortonworks, Karmasphere, Lavastorm, MapR, Mongo, Salesforce, Splunk, Vertica, Aster, Les précurseurs: Google, Amazon, Yahoo, Facebook Académies Toutes ces sources sont précieuses
81 81 Références Sites Web 2/3 MOOC (Massive Open Online Courses) Open Courseware déclinable sur plusieurs universiés Ted Ed online Coursera Slideshare Open Study Desire2learn Knewton Sites Blackboard (dont nombreuses institutions françaises), Grockit, etc. Youtube Académies et universités: Oregon, MIT, Stanford, Oklahoma, Arizona, Arkansas, Carnegie-Mellon, St Gallen et beaucoup d autres Toutes ces sources sont précieuses
82 82 Références Sites Web 3/3 Sites (white paper, webinars, entretiens, podcasts, de nombreux blogs et Expert Channel (aussi BI Journal, What Works..) (inside analysis, white papers, The briefing room) (DM Radio) sentialguide/guide-to-big-data-analytics-toolstrends-and-best-practices The MDM institute (Aaron Zornes) (français) (français) et (français) (français) Les sites les plus riches sont en gras
La valeur du big data pour Air France - KLM
La valeur du big data pour Air France - KLM - Réalisations & Perspectives - 2 octobre 2014 CUSI Xavier Henderson xahenderson@airfrance.fr 2 Prolégomènes Statistiques, Corrélation & interprétation Fiabilité
Plus en détailL offre décisionnel IBM. Patrick COOLS Spécialiste Business Intelligence
L offre décisionnel IBM Patrick COOLS Spécialiste Business Intelligence Le marché du Business Intelligence L enjeux actuel des entreprises : devenir plus «agiles» Elargir les marchés tout en maintenant
Plus en détailLe traitement du Big Data inclue la collecte, la curation, le stockage, l enrichissement, le croisement, la partage, l analyse et la visualisation.
Les infrastructure du Big Data Le «Big Data» vise à tirer un avantage concurrentiel au travers de méthodes de collecte, d analyse et d exploitation des données qu on ne pouvait utiliser jusqu à présent
Plus en détailBUSINESS INTELLIGENCE. Une vision cockpit : utilité et apport pour l'entreprise
BUSINESS INTELLIGENCE Une vision cockpit : utilité et apport pour l'entreprise 1 Présentation PIERRE-YVES BONVIN, SOLVAXIS BERNARD BOIL, RESP. SI, GROUPE OROLUX 2 AGENDA Définitions Positionnement de la
Plus en détailLa Business Intelligence pour les Institutions Financières. Jean-Michel JURBERT Resp Marketing Produit
La Business Intelligence pour les Institutions Financières Jean-Michel JURBERT Resp Marketing Produit Agenda Enjeux des Projets Financiers Valeur de Business Objects Références Clients Slide 2 Des Projets
Plus en détailFINI LA RÉCRÉ PASSONS AUX MÉGADONNÉES
1 FINI LA RÉCRÉ PASSONS AUX MÉGADONNÉES «Dans le concret, projets de transformation vers le BigData» V1-10/03/15 ABED AJRAOU CONNAISSEZ-VOUS PAGESJAUNES? CONNAISSEZ-VOUS PAGESJAUNES? LES MEGADONNEES RÉPONDENT
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 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 détailTitre : 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 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 détailWEB15 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 détailLe "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 détailBig data et données géospatiales : Enjeux et défis pour la géomatique. Thierry Badard, PhD, ing. jr Centre de Recherche en Géomatique
Big data et données géospatiales : Enjeux et défis pour la géomatique Thierry Badard, PhD, ing. jr Centre de Recherche en Géomatique Événement 25e anniversaire du CRG Université Laval, Qc, Canada 08 mai
Plus en détailCATALOGUE DE FORMATIONS BUSINESS INTELLIGENCE. Edition 2012
CATALOGUE DE FORMATIONS BUSINESS INTELLIGENCE Edition 2012 AGENDA Qui sommes nous? Présentation de Keyrus Keyrus : Expert en formations BI Nos propositions de formation 3 modes de formations Liste des
Plus en détailAXIAD 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 détailLe nouveau visage de la Dataviz dans MicroStrategy 10
Le nouveau visage de la Dataviz dans MicroStrategy 10 Pour la première fois, MicroStrategy 10 offre une plateforme analytique qui combine une expérience utilisateur facile et agréable, et des capacités
Plus en détailJean-Philippe VIOLET Solutions Architect
Jean-Philippe VIOLET Solutions Architect IBM Cognos: L' Expertise de la Gestion de la Performance Acquis par IBM en Janvier 08 Rattaché au Brand Information Management Couverture Globale 23,000 clients
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 détailComment 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 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 détailInnovative BI with SAP Jean-Michel JURBERT D. de Marché BI, HANA, BIG DATA _ SAP France
Innovative BI with SAP Jean-Michel JURBERT D. de Marché BI, HANA, BIG DATA _ SAP France 2013 SAP AG. All rights reserved. Customer 1 Rôles et Attentes Instantanéité BIG DATA Users IT Real Time SAP HANA
Plus en détailEntreprise 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 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 détailQlikView et Google Big Query : Une réponse simple, rapide et peu coûteuse aux analyses Big Data
QlikView et Google Big Query : Une réponse simple, rapide et peu coûteuse aux analyses Big Data Qui sommes-nous? Société de stratégie et de consulting IT spécialisée en ebusiness, Cloud Computing, Business
Plus en détailBI = Business Intelligence Master Data-Science
BI = Business Intelligence Master Data-Science UPMC 25 janvier 2015 Organisation Horaire Cours : Lundi de 13h30 à 15h30 TP : Vendredi de 13h30 à 17h45 Intervenants : Divers industriels (en cours de construction)
Plus en détailLes Entrepôts de Données. (Data Warehouses)
Les Entrepôts de Données (Data Warehouses) Pr. Omar Boussaid Département d'informatique et de Sta5s5que Université Lyon2 - France Les Entrepôts de Données 1. Généralités, sur le décisionnel 2. L'entreposage
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 détailFusion : l interopérabilité chez Oracle
Standardisation et interopérabilité Fusion : l interopérabilité chez Oracle Lionel Dubreuil,, Applications Technology Product Manager, Oracle France, lionel.dubreuil@oracle.com 29/03/2006 Page : 1 Oracle
Plus en détailELCA Forum 2014 BIG DATA
ELCA Forum 2014 BIG DATA Jérôme Berthier, Head of Division Christian Nançoz, BI Consultant September 2014 SPEAKER Jérôme Berthier Head of Division Topics: Business Intelligence Data Warehouse Big Data
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 détailBig 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 détailSuite Jedox La Business-Driven Intelligence avec Jedox
Suite La Business-Driven Intelligence avec Une solution intégrée pour la simulation, l analyse et le reporting vous offre la possibilité d analyser vos données et de gérer votre planification selon vos
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 détailAccélérateur de votre RÉUSSITE
Accélérateur de votre RÉUSSITE SAP Business Objects est une suite décisionnelle unifiée et complète qui connecte ses utilisateurs en éliminant les difficultés d accès à l information. Mobile Devices Browsers
Plus en détailLabs Hadoop Février 2013
SOA - BRMS - ESB - BPM CEP BAM - High Performance Compute & Data Grid - Cloud Computing - Big Data NoSQL - Analytics Labs Hadoop Février 2013 Mathias Kluba Managing Consultant Responsable offres NoSQL
Plus en détailLa 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 détailBIGDATA 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 détailAnalytics 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 détailORACLE DATA INTEGRATOR ENTERPRISE EDITION - ODI EE
ORACLE DATA INTEGRATOR ENTERPRISE EDITION - ODI EE ORACLE DATA INTEGRATOR ENTERPRISE EDITION offre de nombreux avantages : performances de pointe, productivité et souplesse accrues pour un coût total de
Plus en détailSQL Server 2012 et SQL Server 2014
SQL Server 2012 et SQL Server 2014 Principales fonctions SQL Server 2012 est le système de gestion de base de données de Microsoft. Il intègre un moteur relationnel, un outil d extraction et de transformation
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 détailSession Business Objects. Thierry Nicault Directeur Régional EEMEA Business Objects
Session Business Objects Thierry Nicault Directeur Régional EEMEA Business Objects Agenda La Business Intelligence: Une définition Le Marché de la Business Intelligence La Société Business Objects Nos
Plus en détailRendez-vous la liberté avec Rational Quality Manager
IBM Software Group RAT02 Rendez-vous la liberté avec Rational Quality Manager Bernard Dupré IBM Rational IT Specialist 2008 IBM Corporation Envisager une plateforme qui change la production de logiciels
Plus en détailLES ENTREPOTS DE DONNEES
Module B4 : Projet des Systèmes d information Lille, le 25 mars 2002 LES ENTREPOTS DE DONNEES Problématique : Pour capitaliser ses informations, une entreprise doit-elle commencer par mettre en œuvre des
Plus en détailDidier MOUNIEN Samantha MOINEAUX
Didier MOUNIEN Samantha MOINEAUX 08/01/2008 1 Généralisation des ERP ERP génère une importante masse de données Comment mesurer l impact réel d une décision? Comment choisir entre plusieurs décisions?
Plus en détail1 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 détailStratégie et Vision de SAP pour le secteur Banque- Assurance: Data-Management, BI, Mobilité
Stratégie et Vision de SAP pour le secteur Banque- Assurance: Data-Management, BI, Mobilité Patrice Vatin Business Development SAP FSI Andrew de Rozairo Business Development Sybase EMEA Septembre 2011
Plus en détailHADOOP ET SON ÉCOSYSTÈME
HADOOP ET SON ÉCOSYSTÈME Mars 2013 2012 Affini-Tech - Diffusion restreinte 1 AFFINI-TECH Méthodes projets Outils de reporting & Data-visualisation Business & Analyses BigData Modélisation Hadoop Technos
Plus en détailCatalogue Formation «Vanilla»
Catalogue Formation «Vanilla» Date : octobre 2009 Table des matières Liste des Formations...2 Contenu des formations...3 Vanilla FastTrack...3 Vanilla Architecture...5 Enterprise Services...6 BIPortail...7
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 détailBig 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 détailExpérience de la mise en place s une solution de gestion de capacité pour supporter la migration des Datacenter
Expérience de la mise en place s une solution de gestion de capacité pour supporter la migration des Datacenter Gilles HANUSSE Responsable services Monitor & Operate Sanofi Global Infrastructure Services
Plus en détailEvry - M2 MIAGE Entrepôt de données
Evry - M2 MIAGE Entrepôt de données Introduction D. Ploix - M2 Miage - EDD - Introduction 1 Plan Positionnement du BI dans l entreprise Déclinaison fonctionnelle du décisionnel dans l entreprise Intégration
Plus en détailIntelligence Economique - Business Intelligence
Intelligence Economique - Business Intelligence Notion de Business Intelligence Dès qu'il y a une entreprise, il y a implicitement intelligence économique (tout comme il y a du marketing) : quelle produit
Plus en détailL offre IBM Software autour de la valeur métier
IBM Frame Mai 2011 L offre IBM Software autour de la valeur métier Hervé Rolland - Vice Président, Software Group France Milestones that Matter: IBM Software Acquisitions Milestones that Matter: IBM Software
Plus en détailNos Solutions PME VIPDev sont les Atouts Business de votre entreprise.
Solutions PME VIPDev Nos Solutions PME VIPDev sont les Atouts Business de votre entreprise. Cette offre est basée sur la mise à disposition de l ensemble de nos compétences techniques et créatives au service
Plus en détailATELIER. QUASAR OBILOG BI (Décisionnel) ATELIER > PROJET BI
ATELIER QUASAR OBILOG BI (Décisionnel) Sommaire Définitions Objectifs du projet Notre démarche Notre partenaire (TIBCO) Présentation indicateurs Production et Qualité Création indicateur (TRS) Disponibilité
Plus en détailAnalyse comparative entre différents outils de BI (Business Intelligence) :
Analyse comparative entre différents outils de BI (Business Intelligence) : Réalisé par: NAMIR YASSINE RAGUI ACHRAF Encadré par: PR. L. LAMRINI Dans le domaine d économies des Big Data et Open Data, comment
Plus en détailDEMARREZ RAPIDEMENT VOTRE EVALUATION
Pentaho Webinar 30 pour 30 DEMARREZ RAPIDEMENT VOTRE EVALUATION Resources & Conseils Sébastien Cognet Ingénieur avant-vente 1 Vous venez de télécharger une plateforme moderne d intégration et d analyses
Plus en détailPlan de cours. 1. Mise en contexte. 2. Place du cours dans le programme. 3. Descripteur du cours
Faculté des sciences Centre de formation en technologies de l information Plan de cours Cours : INF 735 Entrepôt et forage de données Trimestre : Hiver 2015 Enseignant : Robert J. Laurin 1. Mise en contexte
Plus en détailBusiness Intelligence, Etat de l art et perspectives. ICAM JP Gouigoux 10/2012
Business Intelligence, Etat de l art et perspectives ICAM JP Gouigoux 10/2012 CONTEXTE DE LA BI Un peu d histoire Premières bases de données utilisées comme simple système de persistance du contenu des
Plus en détailGaligeo Location Intelligence Solutions. 29.11.2012 Galigeo Solution
Galigeo Location Intelligence Solutions 29.11.2012 Galigeo Solution Agenda Présentation GALIGEO Cas d usage Smart Grid Linky L introduction de GALIGEO La solution mise en oeuvre Galigeo Solutions Architecture
Plus en détailSéminaire Partenaires Esri France 7-8 juin 2011 - Paris Cloud Computing Stratégie Esri
Séminaire Partenaires Esri France 7-8 juin 2011 - Paris Cloud Computing Stratégie Esri Gaëtan LAVENU Plan de la présentation Evolution des architectures SIG Qu'est ce que le Cloud Computing? ArcGIS et
Plus en détailL information et la technologie de l informationl
L information et la technologie de l informationl CRM & informatique décisionnelled CRM CRM & informatique décisionnelle. d 1 2 3 Les Les fondements managériaux managériaux du du CRM. CRM. Les Les fondements
Plus en détailDomaines d intervention
MANAGEMENT INFORMATIQUE 1 PLACE DE L EGALITE 78280 GUYANCOURT TELEPHONE + 33 1 30 48 54 34 TELECOPIE + 33 1 30 48 54 34 INFOS mailto:contact@managementinformatique.com Société Présentation Société Notre
Plus en détailLe MDM (Master Data Management) Pierre angulaire d'une bonne stratégie de management de l'information
Darren Cooper Information Management Consultant, IBM Software Group 1st December, 2011 Le MDM (Master Data Management) Pierre angulaire d'une bonne stratégie de management de l'information Information
Plus en détailBIG 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 détailL écosystème Hadoop Nicolas Thiébaud ni.thiebaud@gmail.com. Tuesday, July 2, 13
L écosystème Hadoop Nicolas Thiébaud ni.thiebaud@gmail.com HUG France 250 membres sur la mailing liste 30 présentations 9 meetups organisés, de 20 à 100 invités Présence de Cloudera, MapR, Hortonworks,
Plus en détailThéories de la Business Intelligence
25 Chapitre 2 Théories de la Business Intelligence 1. Architectures des systèmes décisionnels Théories de la Business Intelligence Depuis les premières requêtes sur les sources de données OLTP consolidées
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 détailPanorama 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 détailMANAGEMENT DES SERVICES INFORMATIQUES
MANAGEMENT DES SERVICES SOMMAIRE SAP BO DASHBOARDS 4.0 3 Nouveautés SAP BO Web Intelligence BI 4 3 SAP BO Web Intelligence 4 Niveau 1 4 SAP BO Web Intelligence 4 Niveau 2 4 SAP BO Web Intelligence XI3
Plus en détailPlanification, Elaboration budgétaire, Simulation, Analyse Temps Réel BAO02. Cognos TM1. Pascal DELVAL, Customer Technical Professional
Planification, Elaboration budgétaire, Simulation, Analyse Temps Réel BAO02 Cognos TM1 Pascal DELVAL, Customer Technical Professional 2010 IBM Corporation 3 Ensemble complet de Fonctionnalités BI Requête
Plus en détail<Insert Picture Here> Modernisation de la fonction Finance ERP, GRC & EPM
Modernisation de la fonction Finance ERP, GRC & EPM Laurent Ducros Directeur avant-vente EPM Damien Palacci Associé BearingPoint Modernisation de la fonction finance Oracle Applications
Plus en détailProgramme New BI. Décember 2014. Thierry Milhé, Directeur des Systèmes d Information Sagem Défense Sécurité (groupe Safran)
Programme New Décember 201 Thierry Milhé, Directeur des Systèmes d Information Sagem Défense Sécurité (groupe Safran) 1. Présentation du programme New 2. Le projet et la technologie 3. Résultats. Questions
Plus en détailBI : GESTION GESTION, PRODUCTION STRATEGIE DE BI. Un livre blanc d Hyperion
Un livre blanc d Hyperion LES TROIS PILIERS DE LA REUSSITE D UNE D STRATEGIE DE BI ET DIFFUSION DE L INFORMATIONL BI : GESTION GESTION, PRODUCTION Si votre société est comme la plupart des moyennes et
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 détailCATALOGUE DE FORMATIONS SAP BUSINESS OBJECTS. Edition 2013
CATALOGUE DE FORMATIONS SAP BUSINESS OBJECTS Edition 2013 SOMMAIRE AGENDA Qui sommes nous? Présentation de Keyrus Notre partenariat SAP Business Objects Nos engagements Formations Nos propositions de formation
Plus en détailChapitre 9 : Informatique décisionnelle
Chapitre 9 : Informatique décisionnelle Sommaire Introduction... 3 Définition... 3 Les domaines d application de l informatique décisionnelle... 4 Architecture d un système décisionnel... 5 L outil Oracle
Plus en détailL INTÉGRATION ENTRE BUSINESS INTELLIGENCE ET WEB ANALYTICS
L INTÉGRATION ENTRE BUSINESS INTELLIGENCE ET WEB ANALYTICS Julien Coquet Consultant Sénior Hub Sales Philippe Nieuwbourg Analyste Decideo.fr Notre partenaire : Naissance du terme «Business Intelligence»
Plus en détailGuide de référence pour l achat de Business Analytics
Guide de référence pour l achat de Business Analytics Comment évaluer une solution de décisionnel pour votre petite ou moyenne entreprise : Quelles sont les questions à se poser et que faut-il rechercher?
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 détailSEMINAIRE SAS VISUAL ANALYTICS LAUSANNE, MARCH 18 : JÉRÔME BERTHIER VALERIE AMEEL
SEMINAIRE SAS VISUAL ANALYTICS LAUSANNE, MARCH 18 : JÉRÔME BERTHIER VALERIE AMEEL AGENDA 14:15-14:30 Bienvenue & Introduction Jérôme Berthier et Manuel Fucinos 14:30-14:45 Le concept de la Data Viz et
Plus en détaile need L un des premiers intégrateurs opérateurs Cloud Computing indépendants en France
e need L un des premiers intégrateurs opérateurs Cloud Computing indépendants en France Sommaire Cloud Computing Retours sur quelques notions Quelques chiffres Offre e need e need Services e need Store
Plus en détailLe terme «ERP» provient du nom de la méthode MRP (Manufacturing Ressource Planning) utilisée dans les années 70 pour la gestion et la planification
Séminaire national Alger 12 Mars 2008 «L Entreprise algérienne face au défi du numérique : État et perspectives» CRM et ERP Impact(s) sur l entreprise en tant qu outils de gestion Historique des ERP Le
Plus en détailLes 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 détailSurmonter 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 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 détailAVRIL 2014. Au delà de Hadoop. Panorama des solutions NoSQL
AVRIL 2014 Panorama des solutions NoSQL QUI SOMMES NOUS? Avril 2014 2 SMILE, EN QUELQUES CHIFFRES 1er INTÉGRATEUR EUROPÉEN DE SOLUTIONS OPEN SOURCE 3 4 NOS EXPERTISES ET NOS CONVICTIONS DANS NOS LIVRES
Plus en détailDESCRIPTIF DE MODULE S5 GSI
Option SIM DESCRIPTIF DE MODULE S5 GSI : Gouvernance et Systèmes d Information COORDONNATEUR DU MODULE : Département : Ce module a pour but d enseigner les méthodes, les règles et les pratiques nécessaires
Plus en détailDÉPLOIEMENT 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 détailLes 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 détailLa problématique. La philosophie ' ) * )
La problématique!" La philosophie #$ % La philosophie &'( ' ) * ) 1 La philosophie +, -) *. Mise en oeuvre Data warehouse ou Datamart /01-2, / 3 13 4,$ / 5 23, 2 * $3 3 63 3 #, 7 Datawarehouse Data warehouse
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 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 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 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 détailLe Cloud Computing L informatique de demain?
Le Cloud Computing L informatique de demain? Henri Piriou Business Development ActiveEon Rémy Bigot WebMarketing WIMI yannick.janssen@youcloud.fr fabien.schmitz@wanadoo.fr henri.piriou@activeeon.com remy.bigot@gmail.com
Plus en détailSécurité des entrepôts de données dans le Cloud Un SaaS pour le cryptage des données issues d un ETL
Sécurité des entrepôts de données dans le Cloud Un SaaS pour le cryptage des données issues d un ETL Présenté par Hana Gara Kort Sous la direction de Dr Jalel Akaichi Maître de conférences 1 1.Introduction
Plus en détailDévelopper une stratégie SIG Entreprise efficace avec ESRI et ArcGIS
Développer une stratégie SIG Entreprise efficace avec ESRI et ArcGIS Gaëtan Lavenu Jean-Thomas Rouzin Les grandes lignes Le SIG dans un contexte «Entreprise»: contexte, considérations et challenges. Les
Plus en détail