|
| Titre : | Enjeux et usages du Big Data : technologies, méthodes et mise en oeuvre | | Type de document : | texte imprime | | Auteurs : | Christophe Brasseur, Auteur | | Editeur : | Hermes science publ. | | Année de publication : | DL 2013, cop. 2013 | | Autre Editeur : | Lavoisier | | Importance : | 203 p. | | Présentation : | ill., couv. ill. en coul. | | Format : | 24 cm | | ISBN/ISSN/EAN : | 978-2-7462-4520-4 | | Note générale : | Bibliogr. et liste de sites internet p. [197]-199. Index | | Langues : | Français | | Mots-clés : | Données massives Analyse des données Exploration de données Big data Data mining | | Résumé : |
Le développement spectaculaire d'internet, des réseaux sociaux, de la technologie mobile et la multiplication des capteurs provoquent une croissance exponentielle des données à laquelle les entreprises doivent faire face : c'est le phénomène Big Data. Ses enjeux sont considérables. Au-delà de la simple question technique du stockage, il offre la possibilité de tirer profit du contenu de ces nouvelles sources d'information. Les solutions décisionnelles classiques laissent progressivement place au Business Analytics et aux méthodes prédictives, transformant l'avalanche de données en valeur ajoutée. La technologie est aujourd'hui disponible, les bases de données traditionnelles ont évolué et les solutions dédiées à l'exploitation des données massives, telles que Hadoop, sont désormais opérationnelles. S'appuyant sur différents cas pratiques, "Enjeux et usages du Big Data" met l'accent sur les méthodes, les techniques et les ressources nécessaires pour permettre aux entreprises d'entrer avec succès dans l'ère de l'information à grande échelle. [4e de couv.]
| | Note de contenu : |
Introduction. L'émergence d'un déluge 11
Première partie. Origines et enjeux du big data 17
Chapitre 1. Qu'est-ce que le big data ? 19
1.1. Une brève histoire des données 19
1.1.1. L'évolution des systèmes d'information 19
1.1.2. Information et données 21
1.1.3. Les données : pour faire quoi et pour qui ? 22
1.1.3.1. Les contraintes légales 22
1.1.3.2. Les besoins opérationnels 23
1.1.3.3. Les besoins d'analyse et d'aide à la décision 24
1.1.4. Différents types de données 24
1.1.4.1. Le texte 24
1.1.4.2. Les dessins vectoriels 25
1.1.4.3. L'image matricielle 26
1.1.4.4. La vidéo numérique 26
1.1.4.5. Le son 27
1.1.5. L'explosion du volume de données 28
1.1.6. L'ouverture des données publiques 31
1.2. Définition et caractéristiques du big data 33
1.2.1. Définition du big data 33
1.2.2. Caractéristiques du big data 35
1.2.3. Big data et décisionnel 37
1.3. Qui est concerné par le big data ? 39
1.3.1. Les secteurs économiques 39
1.3.2. Les fonctions concernées 42
1.3.2.1. Dirigeants 42
1.3.2.2. Managers et responsables opérationnels 43
1.3.2.3. Collaborateurs opérationnels 44
1.3.2.4. Responsables informatiques 45
Chapitre 2. Les enjeux du big data 47
2.1. Quand les données créent de la valeur 47
2.1.1. Un nouveau levier de compétitivité 47
2.1.2. Une source de progrès scientifique et humain 50
2.1.3. Les gains attendus du big data 52
2.2. Un défi technologique majeur 54
2.3. Big data et qualité des données 56
2.3.1. Quelques exemples courants de défauts de qualité des données 56
2.3.1.1. Doublons 56
2.3.1.2. Coordonnées des partenaires 57
2.3.1.3. Montants facturés 57
2.3.1.4. Disponibilité des produits 57
2.3.1.5. Stocks 58
2.3.1.6. Indicateurs d'activité 58
2.3.2. La gouvernance des données au coeur de la stratégie big data 59
2.4. Big data et protection des données personnelles 61
2.4.1. La législation en matière de protection des données personnelles 61
2.4.2. Les bonnes pratiques à adopter 63
2.4.2.1. La collecte des données 63
2.4.2.2. L'utilisation des données 64
2.5. Prévisions de croissance du marché big data 65
Chapitre 3. Exemples d'usage du big data 69
3.1. Quand le big data apporte des réponses au marketing 69
3.1.1. Exploitation des données des réseaux sociaux 69
3.1.2. Microsegmentation et géolocalisation 72
3.1.3. Analyse comportementale et fidélisation 73
3.1.4. Innovation participative 74
3.2. Vers une gestion intelligente de l'énergie 76
3.2.1. Enjeux et mutation des réseaux électriques 76
3.2.2. Caractéristiques des réseaux électriques intelligents 78
3.2.3. Un défi pour la gestion des données volumineuses 80
3.2.4. Les projets de smart grids en cours 81
3.3. Des données massives pour améliorer la santé 83
3.3.1. Recherche médicale 83
3.3.2. Santé publique et prévention 86
3.3.3. Vers une médecine personnalisée 86
3.4. Un levier de productivité dans les services publics 89
3.4.1. Une plus grande transparence 89
3.4.2. Lutte contre la fraude 90
3.4.3. Personnalisation des services publics 91
3.5. Du journalisme traditionnel au data journalism (journalisme de données) 92
3.5.1. La collecte des données 92
3.5.2. La transformation des données en informations 93
3.5.3. La visualisation des données 94
3.5.4. Quelques spécialistes du journalisme de données 95
3.6. ... et tant d'autres domaines d'application 97
Deuxième partie. Les technologies et les méthodes du big data 99
Chapitre 4. Les technologies du big data 101
4.1. La problématique technique 101
4.1.1. Les limites des bases de données classiques 101
4.1.2. De nouvelles exigences techniques 106
4.2. Les solutions techniques du big data 107
4.2.1. Des solutions majoritairement open source 107
4.2.2. Hadoop et son écosystème 109
4.2.3. De nouveaux types de bases de données 113
4.2.4. Les solutions de big data analytics 116
4.3. La rencontre du big data et du cloud computing 119
4.3.1. Qu'est-ce que le cloud computing ? 119
4.3.2. Avantages et inconvénients du cloud 121
4.3.3. Le cloud computing, facilitateur du big data 122
4.4. Big data et web sémantique 122
4.4.1. Le web sémantique 122
4.4.2. Intérêt du web sémantique pour le big data 124
4.5. Les principaux acteurs du marché 126
4.5.1. Les spécialistes big data open source 126
4.5.2. Les fournisseurs de stockage physique 129
4.5.3. Les fournisseurs d'entrepôts de données (datawarehouses) 130
4.5.4. Les fournisseurs de solutions analytiques 131
4.5.5. Les intégrateurs 132
Chapitre 5. Les méthodes et techniques d'analyse du big data 135
5.1. L'analyse des données massives 135
5.1.1. Qu'est-ce que l'analyse des données ? 135
5.1.2. Les méthodes d'analyse de référence 140
5.1.2.1. Les méthodes descriptives 140
5.1.2.2. Les méthodes prédictives 141
5.1.3. Le big data révolutionne-t-il les méthodes d'analyse ? 142
5.2. Principales techniques d'analyse des données massives 144
5.2.1. Data mining 144
5.2.2. Apprentissage automatique (machine learning) 147
5.2.3. Analyse des réseaux sociaux 149
5.2.4. Test A/B 150
5.2.5. Crowdsourcing 151
5.2.6. Géomarketing 152
5.2.7. Analyse des séries temporelles 154
5.3. Les techniques de visualisation 156
5.3.1. Objectif de la visualisation des données 156
5.3.2. Principes de la visualisation 157
5.3.3. Quelques exemples de visualisation de données 159
5.3.3.1. Les visualisations classiques 159
5.3.3.2. Les visualisations avancées 160
Troisième patrie. Comment tirer parti du big data ? 163
Chapitre 6. Compétences et ressources humaines 165
6.1. Un nouveau virage pour les entreprises 165
6.1.1. Manager avec l'analytique 165
6.1.2. De nouvelles opportunités pour les DSI 166
6.1.3. Les différents types de compétences requises 168
6.2. La montée en puissance des data scientists 170
6.2.1. Les compétences fondamentales du data scientist 170
6.2.2. Les qualités indispensables 172
6.2.3. Comment devient-on data scientist ? 173
6.3. Les compétences IT requises 176
6.3.1. Les architectes techniques 176
6.3.2. Les ingénieurs développement 177
6.3.3. Les chefs de projet 177
Chapitre 7. Gérer un projet big data 179
7.1. Les caractéristiques d'un projet big data 179
7.1.1. Qu'est-ce qu'un projet big data ? 179
7.1.2. Une organisation projet pluridisciplinaire 180
7.1.3. Une approche progressive et itérative 181
7.2. Quel retour sur investissement pour le big data ? 183
7.2.1. Définition du retour sur investissement 183
7.2.2. Les limites du Roi 184
7.2.3. Le Roi des projets big data 185
7.3. Les étapes d'un projet big data 186
7.3.1. La phase préparatoire 186
7.3.2. Analyse et réalisation 188
7.3.3. Mise en oeuvre et exploitation 189
7.4. Les risques à prendre en compte 189
7.4.1. Le degré de maturité de l'entreprise 189
7.4.2. Des technologies encore jeunes 190
7.4.3. Comment limiter les risques ? 191
Conclusion. En route vers le big data 193
Bibliographie 197
Index 201
| | Permalink : | ./index.php?lvl=notice_display&id=13516 |
Enjeux et usages du Big Data : technologies, méthodes et mise en oeuvre [texte imprime] / Christophe Brasseur, Auteur . - [S.l.] : Hermes science publ. : [S.l.] : Lavoisier, DL 2013, cop. 2013 . - 203 p. : ill., couv. ill. en coul. ; 24 cm. ISBN : 978-2-7462-4520-4 Bibliogr. et liste de sites internet p. [197]-199. Index Langues : Français | Mots-clés : | Données massives Analyse des données Exploration de données Big data Data mining | | Résumé : |
Le développement spectaculaire d'internet, des réseaux sociaux, de la technologie mobile et la multiplication des capteurs provoquent une croissance exponentielle des données à laquelle les entreprises doivent faire face : c'est le phénomène Big Data. Ses enjeux sont considérables. Au-delà de la simple question technique du stockage, il offre la possibilité de tirer profit du contenu de ces nouvelles sources d'information. Les solutions décisionnelles classiques laissent progressivement place au Business Analytics et aux méthodes prédictives, transformant l'avalanche de données en valeur ajoutée. La technologie est aujourd'hui disponible, les bases de données traditionnelles ont évolué et les solutions dédiées à l'exploitation des données massives, telles que Hadoop, sont désormais opérationnelles. S'appuyant sur différents cas pratiques, "Enjeux et usages du Big Data" met l'accent sur les méthodes, les techniques et les ressources nécessaires pour permettre aux entreprises d'entrer avec succès dans l'ère de l'information à grande échelle. [4e de couv.]
| | Note de contenu : |
Introduction. L'émergence d'un déluge 11
Première partie. Origines et enjeux du big data 17
Chapitre 1. Qu'est-ce que le big data ? 19
1.1. Une brève histoire des données 19
1.1.1. L'évolution des systèmes d'information 19
1.1.2. Information et données 21
1.1.3. Les données : pour faire quoi et pour qui ? 22
1.1.3.1. Les contraintes légales 22
1.1.3.2. Les besoins opérationnels 23
1.1.3.3. Les besoins d'analyse et d'aide à la décision 24
1.1.4. Différents types de données 24
1.1.4.1. Le texte 24
1.1.4.2. Les dessins vectoriels 25
1.1.4.3. L'image matricielle 26
1.1.4.4. La vidéo numérique 26
1.1.4.5. Le son 27
1.1.5. L'explosion du volume de données 28
1.1.6. L'ouverture des données publiques 31
1.2. Définition et caractéristiques du big data 33
1.2.1. Définition du big data 33
1.2.2. Caractéristiques du big data 35
1.2.3. Big data et décisionnel 37
1.3. Qui est concerné par le big data ? 39
1.3.1. Les secteurs économiques 39
1.3.2. Les fonctions concernées 42
1.3.2.1. Dirigeants 42
1.3.2.2. Managers et responsables opérationnels 43
1.3.2.3. Collaborateurs opérationnels 44
1.3.2.4. Responsables informatiques 45
Chapitre 2. Les enjeux du big data 47
2.1. Quand les données créent de la valeur 47
2.1.1. Un nouveau levier de compétitivité 47
2.1.2. Une source de progrès scientifique et humain 50
2.1.3. Les gains attendus du big data 52
2.2. Un défi technologique majeur 54
2.3. Big data et qualité des données 56
2.3.1. Quelques exemples courants de défauts de qualité des données 56
2.3.1.1. Doublons 56
2.3.1.2. Coordonnées des partenaires 57
2.3.1.3. Montants facturés 57
2.3.1.4. Disponibilité des produits 57
2.3.1.5. Stocks 58
2.3.1.6. Indicateurs d'activité 58
2.3.2. La gouvernance des données au coeur de la stratégie big data 59
2.4. Big data et protection des données personnelles 61
2.4.1. La législation en matière de protection des données personnelles 61
2.4.2. Les bonnes pratiques à adopter 63
2.4.2.1. La collecte des données 63
2.4.2.2. L'utilisation des données 64
2.5. Prévisions de croissance du marché big data 65
Chapitre 3. Exemples d'usage du big data 69
3.1. Quand le big data apporte des réponses au marketing 69
3.1.1. Exploitation des données des réseaux sociaux 69
3.1.2. Microsegmentation et géolocalisation 72
3.1.3. Analyse comportementale et fidélisation 73
3.1.4. Innovation participative 74
3.2. Vers une gestion intelligente de l'énergie 76
3.2.1. Enjeux et mutation des réseaux électriques 76
3.2.2. Caractéristiques des réseaux électriques intelligents 78
3.2.3. Un défi pour la gestion des données volumineuses 80
3.2.4. Les projets de smart grids en cours 81
3.3. Des données massives pour améliorer la santé 83
3.3.1. Recherche médicale 83
3.3.2. Santé publique et prévention 86
3.3.3. Vers une médecine personnalisée 86
3.4. Un levier de productivité dans les services publics 89
3.4.1. Une plus grande transparence 89
3.4.2. Lutte contre la fraude 90
3.4.3. Personnalisation des services publics 91
3.5. Du journalisme traditionnel au data journalism (journalisme de données) 92
3.5.1. La collecte des données 92
3.5.2. La transformation des données en informations 93
3.5.3. La visualisation des données 94
3.5.4. Quelques spécialistes du journalisme de données 95
3.6. ... et tant d'autres domaines d'application 97
Deuxième partie. Les technologies et les méthodes du big data 99
Chapitre 4. Les technologies du big data 101
4.1. La problématique technique 101
4.1.1. Les limites des bases de données classiques 101
4.1.2. De nouvelles exigences techniques 106
4.2. Les solutions techniques du big data 107
4.2.1. Des solutions majoritairement open source 107
4.2.2. Hadoop et son écosystème 109
4.2.3. De nouveaux types de bases de données 113
4.2.4. Les solutions de big data analytics 116
4.3. La rencontre du big data et du cloud computing 119
4.3.1. Qu'est-ce que le cloud computing ? 119
4.3.2. Avantages et inconvénients du cloud 121
4.3.3. Le cloud computing, facilitateur du big data 122
4.4. Big data et web sémantique 122
4.4.1. Le web sémantique 122
4.4.2. Intérêt du web sémantique pour le big data 124
4.5. Les principaux acteurs du marché 126
4.5.1. Les spécialistes big data open source 126
4.5.2. Les fournisseurs de stockage physique 129
4.5.3. Les fournisseurs d'entrepôts de données (datawarehouses) 130
4.5.4. Les fournisseurs de solutions analytiques 131
4.5.5. Les intégrateurs 132
Chapitre 5. Les méthodes et techniques d'analyse du big data 135
5.1. L'analyse des données massives 135
5.1.1. Qu'est-ce que l'analyse des données ? 135
5.1.2. Les méthodes d'analyse de référence 140
5.1.2.1. Les méthodes descriptives 140
5.1.2.2. Les méthodes prédictives 141
5.1.3. Le big data révolutionne-t-il les méthodes d'analyse ? 142
5.2. Principales techniques d'analyse des données massives 144
5.2.1. Data mining 144
5.2.2. Apprentissage automatique (machine learning) 147
5.2.3. Analyse des réseaux sociaux 149
5.2.4. Test A/B 150
5.2.5. Crowdsourcing 151
5.2.6. Géomarketing 152
5.2.7. Analyse des séries temporelles 154
5.3. Les techniques de visualisation 156
5.3.1. Objectif de la visualisation des données 156
5.3.2. Principes de la visualisation 157
5.3.3. Quelques exemples de visualisation de données 159
5.3.3.1. Les visualisations classiques 159
5.3.3.2. Les visualisations avancées 160
Troisième patrie. Comment tirer parti du big data ? 163
Chapitre 6. Compétences et ressources humaines 165
6.1. Un nouveau virage pour les entreprises 165
6.1.1. Manager avec l'analytique 165
6.1.2. De nouvelles opportunités pour les DSI 166
6.1.3. Les différents types de compétences requises 168
6.2. La montée en puissance des data scientists 170
6.2.1. Les compétences fondamentales du data scientist 170
6.2.2. Les qualités indispensables 172
6.2.3. Comment devient-on data scientist ? 173
6.3. Les compétences IT requises 176
6.3.1. Les architectes techniques 176
6.3.2. Les ingénieurs développement 177
6.3.3. Les chefs de projet 177
Chapitre 7. Gérer un projet big data 179
7.1. Les caractéristiques d'un projet big data 179
7.1.1. Qu'est-ce qu'un projet big data ? 179
7.1.2. Une organisation projet pluridisciplinaire 180
7.1.3. Une approche progressive et itérative 181
7.2. Quel retour sur investissement pour le big data ? 183
7.2.1. Définition du retour sur investissement 183
7.2.2. Les limites du Roi 184
7.2.3. Le Roi des projets big data 185
7.3. Les étapes d'un projet big data 186
7.3.1. La phase préparatoire 186
7.3.2. Analyse et réalisation 188
7.3.3. Mise en oeuvre et exploitation 189
7.4. Les risques à prendre en compte 189
7.4.1. Le degré de maturité de l'entreprise 189
7.4.2. Des technologies encore jeunes 190
7.4.3. Comment limiter les risques ? 191
Conclusion. En route vers le big data 193
Bibliographie 197
Index 201
| | Permalink : | ./index.php?lvl=notice_display&id=13516 |
|  |
Ajouter le résultat dans votre panier Faire une suggestion Affiner la recherche Interroger des sources externesEnjeux et usages du Big Data / Christophe Brasseur (DL 2013, cop. 2013)
