Big Data On Line Analytics
|
|
- Timothée Maurice Gaudet
- il y a 8 ans
- Total affichages :
Transcription
1 Fdil Fadila Bentayeb Lb Laboratoire ERIC Lyon 2 Big Data On Line Analytics ASD 2014 Hammamet Tunisie 1
2 Sommaire Sommaire Informatique décisionnelle (BI Business Intelligence) Big Data Big Data analytics Infonuagique (Cloud computing) Big data on line analytics : Enjeux Big data on line analytics : quelques verrous scientifiques / solutions Conclusion 2
3 Informatique décisionnelle Business intelligence BI : Informatique décisionnelle Ensemble des moyens, outils et méthodes qui permettent de collecter, consolider, modéliser et restituer les données d'une entreprise en vue : d offrir aux décideurs une aide à la décision de permettre à un décideur d avoir une vue d ensemble de l activité traitée Repose sur une architecture commune appelée : entreposage de données L'informatique décisionnelle s'attache à mesurer : un certain nombre d indicateurs ou de mesures (faits ou métriques) restitués selon les axes d'analyse (dimensions) 3
4 Informatique décisionnelle Systèmes d information décisionnels Sources de données Modélisation multidimensionnelle ETL Intégration de données complexes Entrepôt de données Analyse en ligne (OLAP) OLAP D é c i s i o n Personnalisation / Sécurité 4
5 Informatique décisionnelle ETL : Extract Transform Load Entreposage de données collecte : sélection et extraction des données transformation et intégration : homogénéisation chargement des données dans l entrepôt Modélisation multidimensionnelle i ll conforme aux besoins d analyse Exploitation de l entrepôt diffusion : mettre les données à disposition des utilisateurs présentation : utilisation d outils bureautiques, interfaces Web Administration : rafraichissement de l entrepôt, optimisation, sécurité 5
6 Informatique décisionnelle Définitioni i Entrepôt de données base de données multidimensionnelles regroupant une partie de l'ensemble des données fonctionnelles d'une entreprise base de données orientée analyse base centralisée contenant des données historisées, homogènes et non volatiles provenant de bases de données opérationnelles Modèles d entrepôts de données en étoile en flocons de neige en constellation 6
7 Informatique décisionnelle Exemple d entrepôt Activity activity key activity_name Fact Table #product_key #time_key #activity_key Profit margin Product product_key product_name category Time time_key Day Month Year 7
8 Informatique décisionnelle OLAP (On Line Analytical Processing) OLAP ensemble d opérateurs d exploration et de navigation dans les cubes de données Rollup : forage vers le haut Drilldown : forage vers le bas Slice & Dice : Sélection et projection permet de construire et de manipuler des cubes OLAP Cube de données structure multidimensionnelle les coordonnées sont les axes d analyse les cellules contiennent les indicateurs 8
9 Informatique décisionnelle Exemple de cube OLAP Suivi des différents indicateurs de performance pour améliorer la gestion quotidienne de l entreprise 9
10 Informatique décisionnelle Evolution ou révolution? Avènement des Big Data volumes de données de plusieurs pétaoctets données continues (datastreams) Limites des SGBD classiques Besoin d analyse en ligne à la demande Besoin d infrastructures, d outils logiciels et de modèles adaptés Big Data (On Line) Analytics 10
11 Big Data Avènement des big data Prolifération des données 90% des données dans le monde ont été créées au cours des deux dernières années seulement données produites principalement par le Web grands acteurs d Internet réseaux sociaux Type de données données structurées : bases de données relationnelles peu structurées : fichiers XML non structurées : textes, images, etc. Volumétrie des données grandes quantités de données données continues données de simulation 11
12 Big Data Dimensions des big data volume Twitter génère 7 teraoctets de données chaque jour et Facebook 10 teraoctets variété données au format relationnel, texte, image, pouvant être publiques (Open Data, Web des données) relevant de la propriété des consommateurs (profils) vélocité c est la fréquence à laquelle les données sont générées, capturées et partagées analyser en temps réel 50 millions d'enregistrements détaillés d'appels quotidiens 12
13 Big Data Exemples Capteurs utilisés pour collecter les informations climatiques Messages sur les sites de médias sociaux Images numériques et de vidéos publiées en ligne Enregistrements transactionnels d'achats en ligne Signaux GPS de téléphones mobiles 13
14 Big Data Données, technologies, gestion, analyse VOLUME BIG MANAGEMENT INFORMATION THECHNOLOGY BILLION DATA 14
15 Big Data Emergence de nouvelles applications Explosion de nouvelles sources de données diverses à granularité fine à faible latence Sources de données réseaux sociaux données issues de capteurs Besoin de stocker, gérer et analyser ces données Nouvelles gammes d applications métiers nouvelles opportunités commerciales nouveaux outils d analyse (prédire le comportement des clients) 15
16 Big data analytics Introduction Emergence de nouvelles architectures et technologies infrastructures cloud modèles NoSQL et la paradigme MapReduce Web Sémantique Nouveaux besoins traitement massif des données traitement de données en flux continu analyse des tendances prévisions prévention 16
17 Big data analytics Pistes de recherche Gestion des big data dans le Cloud utilisation de nouveaux modèles de données : NoSQL stockage des données dans le cloud analyse en ligne des big data OLAP à la demande analyse au besoin proche du client OLAP as a service OLAP proposé comme un service 17
18 Big data analytics Modèles de données Modèles relationnels limitation des bases de données classiques pour gérer les Big Data problème du passage à l échelle (petabyte : 10 puissance 15, zettabyte : 10 puissance 21) variété des données big data Emergence de nouveaux systèmes à forte scalabilité modèles NoSQL : Not Only SQL MongoDB Cassandra traitement parallèle de données paradigme MapReduce développé par Google et utilisé dans le framework Hadoop 18
19 Big data analytics Modèles de données NoSQL Bases de données Clé Valeur Bases de données Colonnes Bases de données Documents Bases de données Graphes 19
20 Big data analytics Stockage Cloud Computing l accès laccès se fait via le réseau les services sont accessibles à la demande et en libre service utilisation de ressources informatiques partagées et configurables exemple : microsoft Windows Azure Super calculateurs hybrides HPC : High Performance Computing Exemple : CEA (commissariat à l énergie atomique et aux énergies alternatives) 20
21 Big data analytics Programmes scientifiques Applications des Big Data Grandes entreprises IBM29,Amazon Web Services, BigQuery, SAP HANA, Entreprises spécialisées é Teradata, Jaspersoft30, Pentaho31, Open source Apache Hadoop, Infobright32, Talend33, Start up 21
22 Big data analytics Application des Big data Recherche scientifique décodage d du génome humain Politique analyse d opinions politiques de la population Secteur privé ié grande distribution : 1 million de transactions client par jour Facebook traite 50 milliards de photos 22
23 Big data analytics Enjeux stratégiques Modélisation de données modèles de données modèles de métadonnées modèles de sources de données modèles représentant des informations contextuelles sur les données modèles supportant l incertitude et la qualité des données Gestion de données analyser l ensemble des donnes et pas seulement un échantillon accélération des temps d analyse danalyse réponses pouvant être approximatives mais pouvant guider l analyste besoin de nouveaux outils de gestion et d analyse des big data 23
24 Infonuagique Un peu d histoire 1950 : systèmes centraux applications fonctionnant t sur ces systèmes accès via des terminaux à ces applications 2000 : hébergeurs Web premières applications Web 2.0 déployées en cloud computing courrier électronique outils collaboratifs Promotion du cloud computing public généralisation de l utilisation de l Internet par les particuliers et les entreprises augmentation de la puissance des équipements informatiques baisse du coût du stockage 24
25 Infonuagique Principes du cloud computing Définition cloud computing : un nuage informatique est un ensemble de matériel, de raccordements réseau et de logiciels qui fournit des services sophistiqués que les individus et les collectivités peuvent exploiter via des accès Internet Caractéristiques ressources en self service & élasticité : adaptation automatique à la demande ouverture : services mis à disposition sur l Internet, compatibles ordibnateurs, tablettes, téléphones mutualisation paiement à l usage 25
26 Infonuagique Principes du cloud computing Mécanisme du cloud computing les entreprises accèdent à des services en ligne d une infrastructure t proposée par un fournisseur les applications et les données se trouvent sur un nuage composé de serveurs distants interconnectés complexité des liaisons réseaux multiplicité des intervenants fournisseur d accès Internet, hébergeur, éditeur, revendeur, risque de diminution de la qualité de service problème de sécurité des données 26
27 Infonuagique Principes du cloud computing Technologies utilisées virtualisationdu it ti matériel informatique grilles de calcul architecture orientée services services Web Types de cloud public : jeu à la demande (gaming on demand cloud gaming) privé communautaire 27
28 Infonuagique Principes du cloud computing Services IaaS Infrastructure as a Sevice service de bas niveau accès à un parc informatique virtualisé le consommateur peut installer un système d'exploitation et des applications PaaS Platform as a Sevice le système d'exploitation et les outils d'infrastructure sont sous la responsabilité du fournisseur le consommateur a le contrôle des applications et peut ajouter ses propres outils SaaS Software as a Sevice des applications sont mises à la disposition des consommateurs le consommateur n'a pas à se soucier d'effectuer des mises à jour 28
29 Infonuagique Principes du cloud computing Avantages mutualisation des services pour un grand nombre de clients élasticité du nuage permet de fournir des services évolutifs montée en charge facile permet aux entreprises de faire des économies Inconvénients sécurité des données devenir des données dépendant de la qualité du réseau perte de la maîtrise de l implantation des données Conséquence développement des datacenters 29
30 Big data on line analytics : Enjeux Introduction Motivation identifier en continu des données exploitables enfouies dans les big data intégrer ces données dans l environnement de travail de l utilisateur lorsque c est nécessaire procéder à des analyses d exploration, de prédiction et de prospection prise de décisions plus pertinentes Nouvelles applications métiers basées sur l analyse analyse du panier de la ménagère optimisation des prix et du rendement gestion de la démarque des produits programme de fidélisation fdél de la clientèle analyse en fonction de la demande : prévision, comparaisons, 30
31 Big data on line analytics : Enjeux Usages possibles Mieux comprendre les modes d utilisation des usagers améliorer l offre de services Permettre la communication en temps réel d une organisation avec ses usagers Mieux comprendre les sentiments ou les besoins des citoyens à l aide des données des réseaux sociaux Anticiper jusqu à un certain degré de certitude les comportements les besoins des consommateurs Prévenir certaines maladies et améliorer le traitement des patients 31
32 Big data on line analytics : Enjeux Potentiel des analyses des big data Simplifier et adapter les services éducation en ligne : améliorer les enseignements en fonction des activités des élèves Extraire les informations enfouies données pertinentes données suspectes Prédire et prévenir anticiper sur des évènements futurs prévention des crimes : identifier les zones et les périodes sensibles Améliorer les performances de gestion faciliter l évaluation des services aide à la prise de décision permettre d économiser des ressources 32
33 Big data on line analytics : Enjeux Défis Mettre de l intelligence dans les big data Recueillir des millions de lignes de données données du commerce en ligne travailler sur des millions de données, en continu, en temps réel comment tirer profit de ces millions de données? Stocker les big dt data Analyser ayse les big bgdata Visualiser les résultats 33
34 Big data on line analytics : Enjeux Contexte Méthodes de conception ardues Outils de reportingrudimentaires i Données à croissance exponentielle Technologies de bases de données limitées et rigides Emergence de nouvelles applications initiatives métier stratégiques 34
35 Big data on line analytics : Problèmes Limitations des entrepôts classiques Au niveau stockage les entrepôts de données sont implémentés dans les SGBD traditionnels les SGBD traditionnels stockent des données numériques capacité de gestion des SGBD est limitée pour des données massives Au niveau modèle les modèles d entrepôts classiques sont limités les données massives sont peu ou pas structurées les données massives sont en flux continu Au niveau du processus ETL l ETL sert à extraire, transformer et charger les données des sources vers l entrepôt l ETL classique est limité pour des données massives et continues 35
36 Big data on line analytics : Problèmes Limitations des entrepôts classiques Au niveau analyse calcul préalable des agrégats dans les entrepôts traditionnels compenser la puissance de calcul limitée des SGBD traditionnels plusieurs jointures pour calculer les cubes OLAP Impact du pré calcul des agrégats sur les big data problème du chargement des données en flux continu problème de génération des rapports mis à jour en temps réel 36
37 Big data on line analytics : Démarche Vers de nouveaux entrepôts de données Utilisation de nouveaux modèles de données modèles de données NoSQL SGBD NoSQL (Cassandra) meilleure prise en compte des données peu ou pas structurées Utilisation des nouvelles plateformes et outils cloud computing capacité de stockage illimitée puissance de calcul Hadoop traitement parallèle des données gain de temps 37
38 Big data on line analytics : Démarche Vers de nouveaux entrepôts de données Entrepôt de données agile flexible réactif Vers une nouvelle façon de faire de l OLAP OLAP à la demande meilleure gestion des données arrivant en flux continu L analyse au sein des nouveaux SGBD créer les opérateurs OLAP au sein des SGBD NoSQL intégrer des opérateurs de prédiction, d analyse de tendances, dans les SGBD NoSQL 38
39 Big data on line analytics : Quelques résultats Analyse en ligne de textes Intégration de données textes texte: donnée peu ou pas structurée définir une démarche de prétraitement de données textes Entrepôts de textes comment stocker les données textes t quel modèle d entrepôt choisir? quel est le niveau de granularité (terme, paragraphe, document ) Text OLAP définir des mesures textuelles définir les opérateur Text OLAP construction de cubes de textes 39
40 Big data on line analytics : Quelques résultats Analyse en ligne de textes Intégration de données textes utilisation de techniques avérées de la recherche d information Indexation de documents segmentation thématique de textes Entrepôts de textes dimensions thématiques mesures textuelles : vecteur de poids des termes / dimensions Opérateurs d agrégation adaptées aux données texte classement de documents et navigation selon les dimensions thématiques catégorisation par mots clés 40
41 Big data on line analytics : Quelques résultats Cube de textes 41
42 Big data on line analytics : Quelques résultats Opérateur de classement de documents et navigation 42
43 Big data on line analytics : Quelques résultats Parallélisation du processus ETL Vers l intégration de données massives décomposition des tâches ETL en fonctionnalités de base répartition des fonctionnalités sur les différents nœuds du cluster Paradigme Map/Reduce fonctions s exécutent en plusieurs instances parallèles sur les différents nœuds du cluster Parallélisation des fonctions de base changing data capture data quality validation surrogate key slowly changing dimension 43
44 Big data on line analytics : Quelques résultats Vers l intégration de données massives MapReduce Partitionnement Map Reduce Données sources Parti. 0 Parti. 1 Résultat Parti. 2 ETL Données sources DW/Cubes Extraction Partitionnement Transformation Fusion Chargement 44
45 Big data on line analytics : Quelques résultats Entrepôts de données en colonnes Données entreposées stockées en colonnes mode de stockage plus adapté aux données multidimensionnelles utilisation d un dun SGBD NoSQL en colonnes Construction de cubes OLAP en colonnes accès aux seules colonnes sollicitées par la requête décisionnelle accès aux seuls blocs contenant ces colonnes Développement d applications décisionnelles dans le cloud 45
46 Big data on line analytics : Quelques résultats OLAP pour les entrepôts NoSQL Opérateur d agrégation CN Cube : Columnar NoSQL Cube operator appliqué sur des entrepôts en colonnes Etude de performance comparaison du temps de construction de cubes OLAP selon : environnement relationnel : Oracle environnement non relationnel : MonetDB Résultats CN Cube C plus performant que l opérateur Cube d Oracle facilité du passage à l échelle avec les entrepôts NoSQL 46
47 Big data on line analytics : Quelques résultats OLAP à la demande OLAP pour tous rendre accessible l OLAP aux PME/TPE projet décisionnel à coût réduit en mode «software as a service» (SAS) Projet décisionnel comme un service prise en main simplifiée du processus décisionnel phases d intégration et de modélisation multidimensionnelles masquées Navigation visuelle dans les cubes OLAP 47
48 Big data on line analytics : Quelques résultats OLAP à la demande Agrégation à la demande créer des agrégats en temps réel pas de mise à jour de cubes OLAP à faire gain de temps Création directe de nouveaux indicateurs clés de performance indicateurs non figés meilleure exploitation des données continues Définir les hiérarchies à la demande ne pas figer les hiérarchies de dimensions à lors de la conception de l entrepôt possibilité de changer de hiérarchie d une analyse à l autre 48
49 Big data on line analytics : Quelques résultats OLAP à la demande Analyse opérationnelle exploitation en continu des flux de données reporting opérationnel à faible latence Prise de décision rapide peu de temps entre l apparition d un évènement et la prise de décision prise de décision quasi en temps réel Exemple gestion d une campagne publicitaire réallouer les budgets de campagne en ligne aux sites les plus efficaces alors qu une campagne est en cours 49
50 Big data on line analytics : Quelques résultats OLAP à la demande Traitement des requêtes massives environnement cloudcomputing gestion rapide des accès concurrents étude de performance Analyse en ligne collaborative partage de cubes OLAP partage de résultats enrichissement des cubes 50
51 Big data on line analytics Conclusion Au delà de l effet de mode des big data grand intérêt lié aux analyses prévenir des catastrophes traiter des pathologies organiser des services Nécessité de l interopérabilité des données et des applications OLAP à la volée ne pas stocker les données (trop volumineuses) système de médiation données continues Il convient de réfléchir dès maintenant aux : risques liés à la confidentialité des données risques liés au respect de la vie privée 51
52 Big data on line analytics Conclusion Services Web Ontologies Modèles NoSQL Fouille RI Entrepôts Big Data Intégration ETL Modélisation orientée analyse Analyse en ligne Dans le nuage Actifs Personnalisés Sécurisés Cloud OLAP Décideur Utilisateur non expert Personnalisation Sécurité A la demande Service Personnalisé Sécurisé Profils Contextes 52
53 Fdil Fadila Bentayeb Merci! Lb Laboratoire ERIC Lyon 2 53
Chapitre 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 détailIntroduction 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 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 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 détailEntrepôt de données 1. Introduction
Entrepôt de données 1 (data warehouse) Introduction 1 Présentation Le concept d entrepôt de données a été formalisé pour la première fois en 1990 par Bill Inmon. Il s agissait de constituer une base de
Plus en détailGroupe de Discussion Big Data Aperçu des technologies et applications. Stéphane MOUTON stephane.mouton@cetic.be
Groupe de Discussion Big Data Aperçu des technologies et applications Stéphane MOUTON stephane.mouton@cetic.be Recherche appliquée et transfert technologique q Agréé «Centre Collectif de Recherche» par
Plus en détailNoSQL. Introduction 1/23. I NoSQL : Not Only SQL, ce n est pas du relationnel, et le contexte. I table d associations - Map - de couples (clef,valeur)
1/23 2/23 Anne-Cécile Caron Master MIAGE - BDA 1er trimestre 2013-2014 I : Not Only SQL, ce n est pas du relationnel, et le contexte d utilisation n est donc pas celui des SGBDR. I Origine : recherche
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 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 détailEcole des Hautes Etudes Commerciales HEC Alger. par Amina GACEM. Module Informatique 1ière Année Master Sciences Commerciales
Ecole des Hautes Etudes Commerciales HEC Alger Évolution des SGBDs par Amina GACEM Module Informatique 1ière Année Master Sciences Commerciales Evolution des SGBDs Pour toute remarque, question, commentaire
Plus en 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 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 détailBig Data et l avenir du décisionnel
Big Data et l avenir du décisionnel Arjan Heijmenberg, Jaspersoft 1 Le nouveau monde des TI L entreprise en réseau de McKinsey McKinsey sur le Web 2.0 McKinsey Global Institute, décembre 2010 Emergence
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 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 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 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 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 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 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 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 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 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 détailEn route vers le succès avec une solution de BI intuitive destinée aux entreprises de taille moyenne
Présentation du produit SAP s SAP pour les PME SAP BusinessObjects Business Intelligence, édition Edge Objectifs En route vers le succès avec une solution de BI intuitive destinée aux entreprises de taille
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 détailEntrepôts de données. NEGRE Elsa Université Paris-Dauphine 2015-2016
Entrepôts de données NEGRE Elsa Université Paris-Dauphine 2015-2016 Contexte et problématique Le processus de prise de décision L entrepôt de données Définition Différence avec un SGBD Caractéristiques
Plus en détailPentaho 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 détailDatawarehouse: Cubes OLAP. Marlyse Dieungang Khaoula Ghilani
Datawarehouse: Cubes OLAP Marlyse Dieungang Khaoula Ghilani Table des matières 1 Data Warehouse 3 1.1 Introduction............................ 3 1.1.1 Définition......................... 3 1.1.2 Architecture........................
Plus en détailFournir un accès rapide à nos données : agréger au préalable nos données permet de faire nos requêtes beaucoup plus rapidement
Introduction Phases du projet Les principales phases du projet sont les suivantes : La mise à disposition des sources Des fichiers Excel sont utilisés pour récolter nos informations L extraction des données
Plus en détailBusiness & High Technology
UNIVERSITE DE TUNIS INSTITUT SUPERIEUR DE GESTION DE TUNIS Département : Informatique Business & High Technology Chapitre 8 : ID : Informatique Décisionnelle BI : Business Intelligence Sommaire Introduction...
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 détailCloud Computing. 19 Octobre 2010 JC TAGGER
Cloud Computing 19 Octobre 2010 JC TAGGER AGENDA 8h30-9h00 Le Cloud Computing De quoi s agit-il? Opportunités pour les entreprises Impact sur la chaine de valeur de l industrie des NTIC s 9h00-9h15 Témoignage
Plus en détailIBM Software Big Data. Plateforme IBM Big Data
IBM Software Big Data 2 Points clés Aide les utilisateurs à explorer de grands volumes de données complexes Permet de rationaliser le processus de développement d'applications impliquant de grands volumes
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 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 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 détailJEDOX FACTSHEETS SELF-SERVICE BUSINESS INTELLIGENCE, ANALYTICS & PERFORMANCE MANAGEMENT
1. Excel Add-In 2. 3. 4. OLAP-Server 5. ETL 6. SAP 7. 8. Profil JEDOX FACTSHEETS SELF-SERVICE BUSINESS INTELLIGENCE, ANALYTICS & PERFORMANCE MANAGEMENT Excel OLAP Server ETL SAP JEDOX EXCEL ADD-IN Transformer
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 détailBusiness Intelligence avec Excel, Power BI et Office 365
Avant-propos A. À qui s adresse ce livre? 9 1. Pourquoi à chaque manager? 9 2. Pourquoi à tout informaticien impliqué dans des projets «BI» 9 B. Obtention des données sources 10 C. Objectif du livre 10
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 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 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 détailtransformer 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 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 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 détailNoSQL. Introduction 1/30. I NoSQL : Not Only SQL, ce n est pas du relationnel, et le contexte. I table d associations - Map - de couples (clef,valeur)
1/30 2/30 Anne-Cécile Caron Master MIAGE - SGBD 1er trimestre 2014-2015 I : Not Only SQL, ce n est pas du relationnel, et le contexte d utilisation n est donc pas celui des SGBDR. I Origine : recherche
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 détailIntroduction. Informatique décisionnelle et data mining. Data mining (fouille de données) Cours/TP partagés. Information du cours
Information du cours Informatique décisionnelle et data mining www.lia.univ-avignon.fr/chercheurs/torres/cours/dm Juan-Manuel Torres juan-manuel.torres@univ-avignon.fr LIA/Université d Avignon Cours/TP
Plus en détailCartographie des solutions BigData
Cartographie des solutions BigData Panorama du marché et prospective 1 1 Solutions BigData Défi(s) pour les fournisseurs Quel marché Architectures Acteurs commerciaux Solutions alternatives 2 2 Quels Défis?
Plus en 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 détail4. Utilisation d un SGBD : le langage SQL. 5. Normalisation
Base de données S. Lèbre slebre@unistra.fr Université de Strasbourg, département d informatique. Présentation du module Contenu général Notion de bases de données Fondements / Conception Utilisation :
Plus en détailSGBDR. Systèmes de Gestion de Bases de Données (Relationnelles)
SGBDR Systèmes de Gestion de Bases de Données (Relationnelles) Plan Approches Les tâches du SGBD Les transactions Approche 1 Systèmes traditionnels basés sur des fichiers Application 1 Gestion clients
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 détailBusiness Intelligence
avec Excel, Power BI et Office 365 Téléchargement www.editions-eni.fr.fr Jean-Pierre GIRARDOT Table des matières 1 Avant-propos A. À qui s adresse ce livre?..................................................
Plus en détailVotre Infrastructure est-elle? Business Intelligence. Améliorer la capacité d analyse et de décision de vos équipes
Votre Infrastructure est-elle? Business Intelligence Améliorer la capacité d analyse et de décision de vos équipes Sommaire Introduction : Les domaines d application de la Business Intelligence p. 4 Vue
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 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 détailTOP. 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 détailEasy to. report. Connexion. Transformation. Stockage. Construction. Exploitation. Diffusion
M y R e p o r t, L A S O L U T I O N R E P O R T I N G D E S U T I L I S AT E U R S E X C E L Connexion Transformation Stockage Construction Exploitation Diffusion OBJECTIF REPORTING : De la manipulation
Plus en détailLes quatre piliers d une solution de gestion des Big Data
White Paper Les quatre piliers d une solution de gestion des Big Data Table des Matières Introduction... 4 Big Data : un terme très vaste... 4 Le Big Data... 5 La technologie Big Data... 5 Le grand changement
Plus en détailCloud Computing : Généralités & Concepts de base
Cloud Computing : Généralités & Concepts de base Les 24èmes journées de l UR-SETIT 22 Février 2015 Cette oeuvre, création, site ou texte est sous licence Creative Commons Attribution - Pas d Utilisation
Plus en détailUn datawarehouse est un entrepôt de données (une base de données) qui se caractérise par des données :
Page 1 of 6 Entrepôt de données Un article de Wikipédia, l'encyclopédie libre. L'entrepôt de données, ou datawarehouse, est un concept spécifique de l'informatique décisionnelle, issu du constat suivant
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 détailBusiness Intelligence : Informatique Décisionnelle
Business Intelligence : Informatique Décisionnelle On appelle «aide à la décision», «décisionnel», ou encore «business intelligence», un ensemble de solutions informatiques permettant l analyse des données
Plus en détailTransformez vos données en opportunités. avec Microsoft Big Data
Transformez vos données en opportunités avec Microsoft Big Data 1 VOLUME Augmentation du volume de données tous les cinq ans Vélocité x10 4,3 Nombre d appareils connectés par adulte VARIÉTÉ 85% Part des
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 détailLes entrepôts de données
Les entrepôts de données Lydie Soler Janvier 2008 U.F.R. d informatique Document diffusé sous licence Creative Commons by-nc-nd (http://creativecommons.org/licenses/by-nc-nd/2.0/fr/) 1 Plan Introduction
Plus en détailFouillez facilement dans votre système Big Data. Olivier TAVARD
Fouillez facilement dans votre système Big Data Olivier TAVARD A propos de moi : Cofondateur de la société France Labs Développeur (principalement Java) Formateur en technologies de moteurs de recherche
Plus en détailBusiness Intelligence
Pour aller plus loin Tous les détails de l offre Microsoft Business Intelligence : www.microsoft.com/france/decisionnel Contact Microsoft France : msfrance@microsoft.com Business Intelligence Votre Infrastructure
Plus en détailBUSINESS INTELLIGENCE
GUIDE COMPARATIF BUSINESS INTELLIGENCE www.viseo.com Table des matières Business Intelligence :... 2 Contexte et objectifs... 2 Une architecture spécifique... 2 Les outils de Business intelligence... 3
Plus en détailLes technologies du Big Data
Les technologies du Big Data PRÉSENTÉ AU 40 E CONGRÈS DE L ASSOCIATION DES ÉCONOMISTES QUÉBÉCOIS PAR TOM LANDRY, CONSEILLER SENIOR LE 20 MAI 2015 WWW.CRIM.CA TECHNOLOGIES: DES DONNÉES JUSQU'À L UTILISATEUR
Plus en détailSQL SERVER 2008, BUSINESS INTELLIGENCE
SGBD / Aide à la décision SQL SERVER 2008, BUSINESS INTELLIGENCE Réf: QLI Durée : 5 jours (7 heures) OBJECTIFS DE LA FORMATION Cette formation vous apprendra à concevoir et à déployer une solution de Business
Plus en 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 détailTechnologies du Web. Ludovic DENOYER - ludovic.denoyer@lip6.fr. Février 2014 UPMC
Technologies du Web Ludovic DENOYER - ludovic.denoyer@lip6.fr UPMC Février 2014 Ludovic DENOYER - ludovic.denoyer@lip6.fr Technologies du Web Plan Retour sur les BDs Le service Search Un peu plus sur les
Plus en détailIci, le titre de la. Tableaux de bords de conférence
Ici, le titre de la Tableaux de bords de conférence pilotage d entreprise, indicateurs de performance reporting et BI quels outils seront incontournables à l horizon 2010? Les intervenants Editeur/Intégrateur
Plus en détailLES NOUVEAUTES DE COST AND PROFITABILITY MANAGEMENT 8.1
LES NOUVEAUTES DE COST AND PROFITABILITY MANAGEMENT 8.1 SAS Cost and Profitability Management, également appelé CPM (ou C&P), est le nouveau nom de la solution SAS Activity-Based Management. Cette version
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 détailLa Geo-Business Intelligence selon GALIGEO avec 26/10/2005 1
La Geo-Business Intelligence selon GALIGEO avec ESRI 2005 session «Décisionnel» 26/10/2005 1 La Business Intelligence : Une Définition La Business intelligence permet l utilisation des données opérationnelles
Plus en détailBases de Données. Stella MARC-ZWECKER. stella@unistra.u-strasbg.fr. Maître de conférences Dpt. Informatique - UdS
Bases de Données Stella MARC-ZWECKER Maître de conférences Dpt. Informatique - UdS stella@unistra.u-strasbg.fr 1 Plan du cours 1. Introduction aux BD et aux SGBD Objectifs, fonctionnalités et évolutions
Plus en détailLondres 1854 Des problèmes (re)connus Faire plus avec moins Tendances et défis «BYOD» WIN INTUNE «Nouveaux paradigmes» «Big Data» «Cloud» Windows Server Gestion Sys. Center Identité & Virt CLOUD OS Microsoft
Plus en détailPlan. Introduction Eléments de la théorie des systèmes d'informations Les entrepôts de données (Datawarehouse) Les datamart Architecture Modélisation
Data WareHouse Plan Introduction Eléments de la théorie des systèmes d'informations Les entrepôts de données (Datawarehouse) Les datamart Architecture Modélisation 2 Présentation Besoin: prise de décisions
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 détailBI dans les nuages. Olivier Bendavid, UM2 Prof. A. April, ÉTS
BI dans les nuages Olivier Bendavid, UM2 Prof. A. April, ÉTS Table des matières Introduction Description du problème Les solutions Le projet Conclusions Questions? Introduction Quelles sont les défis actuels
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 détailSAP Business Suite Powered by SAP HANA Transactionnel et Analytique réunis
Christophe Toulemonde Janvier 2013 SAP Business Suite Powered by SAP HANA Transactionnel et Analytique réunis Cette note a pour objectif de décrypter l annonce de SAP Business Suite Powered by SAP HANA.
Plus en détailPourquoi IBM System i for Business Intelligence
Améliorer les performances et simplifier la gestion de vos applications d aide à la décision (Business Intelligence ou BI) Pourquoi IBM System i for Business Intelligence Points clés Technologie IBM DB2
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 détailBusiness Intelligence avec SQL Server 2014 Maîtrisez les concepts et réalisez un système décisionnel
Avant-propos 1. À qui s'adresse ce livre? 9 2. Les pré-requis 10 3. Les objectifs du livre 11 Introduction 1. Présentation du décisionnel 13 1.1 La notion de décideur 14 1.2 Les facteurs d'amélioration
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 détailCATALOGUE DE FORMATIONS BUSINESS INTELLIGENCE. Edition 2014
CATALOGUE DE FORMATIONS BUSINESS INTELLIGENCE Edition 2014 SOMMAIRE Présentation de Keyrus Les modes de formation Liste des formations, Plan de cours & Pré-requis IBM Cognos QlikView Microsoft Talend Oracle
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 détailBIG DATA AVEC BULLION
BIG DATA AVEC BULLION SEPTEMBRE 2014 Le succès d un projet Big Data dépend de multiples facteurs : clarté des objectifs métiers, solidité des équipes projets, implication du management. Mais la performance,
Plus en détailBI Haute performance. Jean-François Vannier Responsable Infrastructures Décisionnelles, Bull
BI Haute performance Jean-François Vannier Responsable Infrastructures Décisionnelles, Bull Bull aujourd'hui - La seule expertise 100% européenne des infrastructures et des applications critiques - Une
Plus en détailDEMANDE 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 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 détailTP2_1 DE BUSINESS INTELLIGENCE ISIMA ZZ3 F3
TP2_1 DE BUSINESS INTELLIGENCE ISIMA ZZ3 F3 03/11/2014 Plan du TP 2 Présentation de la suite Microsoft BI Ateliers sur SSIS (2H) Ateliers sur RS (2H) 3 Présentation de la suite Microsoft BI Présentation
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 détailIBM Cognos TM1. Les points clés. Logiciels IBM Business Analytics
IBM Capacités de planification, d analyse et de génération de scorecarding pour assurer la gestion des performances au niveau individuel, au niveau des différents départements et de toute l entreprise
Plus en détailTP2 DE BUSINESS INTELLIGENCE ISIMA ZZ3 F3
TP2 DE BUSINESS INTELLIGENCE ISIMA ZZ3 F3 30/11/2011 Plan du TP 2 Rappel sur la chaine de BI Présentation de la suite Microsoft BI Ateliers sur SSIS (2H) Ateliers sur RS (2H) 3 Rappel sur la chaine de
Plus en détail