Qu’est-ce que le cloud ?

Le cloud, ou nuage en français, renvoie à une nouvelle conception de l’informatique. Les ressources de stockage, les logiciels d’analyse ou les applications sont basés sur Internet. Il s’agit donc de solutions dématérialisées, qui remplacent l’installation sur un réseau d’entreprise, en local. Le cloud constitue une infrastructure virtuelle sur laquelle des ressources accessibles depuis un navigateur ou une application dédiée sont mises à disposition. C’est le fournisseur des solutions de cloud computing qui se charge de la maintenance et de l’entretien de l’architecture sous-jacente.

Le terme ‘cloud’ est apparu dans les années 1990, pour désigner les parties d’une architecture dédiée à l’information et à son échange. On l’utilise couramment pour décrire les domaines informatiques dans lesquels des systèmes numériques comme des

ordinateurs de bureau, des serveurs, les smartphones ou les tablettes échangent des données. L’image du ‘nuage’ s’explique d’une part par le fait que cette architecture demeure pour une grande part voilée pour l’utilisateur, d’autre part par la dimension dématérialisée des ressources. L’histoire du cloud débute à proprement parler en 2006, lorsque Amazon décide de louer des capacités de stockage aux entreprises.

Depuis lors, l’offre croissante de services de cloud computing permet de délocaliser plus aisément à des prestataires externes des questions telles que le stockage des données ou la sécurité informatique. Les systèmes ERP cloud, par exemple, sont moins sensibles aux défaillances qu’un réseau local, dans la mesure où les données sont certes stockées sur un serveur, mais généralement de manière redondante, à plusieurs emplacements, ce qui limite le risque de perte. Les collaborateurs de l’entreprise peuvent alors se connecter par le biais d’Internet au stockage en ligne. Il leur suffit d’un PC, d’une tablette ou d’un smartphone pour accéder aux données dont ils ont besoin. L’accès peut se faire quel que soit l’endroit où ils se trouvent, au bureau, chez eux ou en déplacement.

Solutions de cloud computing : les avantages

Utiliser un présente pour les entreprises de nombreux avantages. Souvent, elles choisissent de passer à une solution cloud pour des raisons de coût. En effet, un ERP cloud permet de réduire l’investissement pour l’achat de matériel et de logiciels ou pour la mise en place de centres de données. De même, l’entreprise n’a pas besoin d’engager un expert en informatique pour gérer l’infrastructure locale, puisque celle-ci se trouve dans le cloud . Installer un centre de données local entraîne de nombreux frais pour une PME. S’y ajoutent des frais de gestion et le temps qu’il faut y consacrer, afin d’appliquer les mises à jour logicielles et de configurer le matériel. L’utilisation de logiciels cloud permet donc aux équipes informatiques en entreprise de se consacrer à d’autres missions et sur la stratégie commerciale.Ìý

Le cloud computing est aussi plus rapide que les ressources locales. S’agissant d’offres à la demande, en libre-service, les PME et les ETI peuvent disposer en quelques minutes d’une puissance importante, mise à disposition par le prestataire. Il en résulte une meilleure flexibilité. L’entreprise n’a plus besoin de se soucier de la planification de ses capacités. C’est d’autant plus vrai que les services informatiques en cloud s’appuient sur un réseau puissant de centres de données. Il est régulièrement mis à niveau avec du matériel informatique rapide et efficace. La latence réseau est donc bien plus faible.Ìý

Enfin, les solutions de cloud computing offrent des avantages en termes de fiabilité et de sécurité. Le cloud ERP simplifie la protection des données, la restauration en cas deÌýproblème et la continuité des activités. Le cloud permet en effet la mise en miroir des données, stockées à plusieurs endroits différents. Concernant la sécurité, c’est le prestataire de solutions cloud qui met à disposition les technologies de pointe. Il effectue également les contrôles indispensables. De cette manière, l’environnement informatique des PME et ETI est mieux sécurisé. Les données sont protégées et les applications résistent mieux aux menaces potentielles.Ìý

Les différents types de solutions de cloud computing

L’un des avantages du cloud est, comme nous avons pu le voir, la flexibilité. Selon l’organisation des entreprises, les habitudes de travail et le fonctionnement des équipes, un type donné de cloud computing est plus adapté qu’un autre. Votre prestataire étudie votre cahier des charges et vous propose un ERP basé sur le cloud convenant réellement à vos besoins et à ceux de votre activité. Autrement dit, les solutions de cloud computing sont taillées sur mesure pour les différents utilisateurs.Ìý

La première différence réside dans l’architecture du cloud sur lequel mettre en Å“uvre vos ressources. Il existe trois options pour la fourniture de services en cloudÌý : le cloud public, le cloud privé et le cloudÌý hybride. Dans le cas du cloud public, les ressources informatiques comme les serveurs et les supports de stockage se trouvent sur Internet. Le fournisseur donne accès aux logiciels et applications. Dans le cloud privé, à l’inverse, les ressources informatiques sont dédiées à une seule entreprise. Le cloud peut néanmoins être hébergé par un prestataire externe, pour les raisons que nous avons examinées ci-dessus. Enfin, le cloud hybride combine les deux solutions.Ìý

Les services et les logiciels cloud, quant à eux, appartiennent aux catégories suivantes :Ìý

• IaaS, ou Infrastructure as a service
• Paas, ou Platform as a service
• Saas, ou Software as a service.Ìý

Ces catégories peuvent évidemment se combiner pour fournir aux entreprises un service intégralement externalisé dans le cloud.

À quel moment une entreprise devrait-elle avoir recours à un ERP cloud ?

Vous vous demandez si des solutions de cloud computing sont faites pour vous ? Voici quelques éléments de réponse, sachant qu’aujourd’hui, environ un quart des entreprises a recours à un ERP cloud.Ìý

La réponse à cette question est relativement simple. L’utilisation du cloud computing apporte un plus indéniable dès lors que les données de l’entreprise doivent être disponibles à partir de plus d’un terminal numérique. Lorsque les collaborateurs de la PME utilisent des terminaux mobiles comme le smartphone ou les tablettes, le recours au cloud s’impose. Le cloud permet, comme nous l’avons vu, l’accès décentralisé aux données. Vos collaborateurs peuvent y accéder de partout, et pas seulement depuis le siège de l’entreprise.

Les solutions en cloud sont intéressantes pour les entreprises qui sont basées sur plusieurs sites différents, d’où elles doivent pouvoir consulter une base de données commune. C’est aussi le cas lorsque l’entreprise connaît une croissance rapide et qu’il lui faut des capacités informatiques supplémentaires. Le cloud est par ailleurs une solution de mobilité par excellence, incontournable à l’heure du télétravail. Grâce au cloudÌý privé, la PME peut évoluer de manière flexible, en fonction de ses besoins en capacité de stockage et de calcul.Ìý L’accès aux données est accordé de manière sécurisée uniquement à ceux qui doivent pouvoir s’en servir. Le plus souvent, l’investissement dans une solution de cloud computing est rentabilisé rapidement, en une année environ.Ìý

Contrairement à ce qu’on pense souvent, les ERP cloud offrent une sécurité améliorée par rapport à la plupart des solutions locales. Le scepticisme que l’on rencontre parfois à l’égard des solutions en cloud n’est donc en aucun cas justifié. Le cryptage des données, en particulier, peut être mis en Å“uvre dans le cloudÌý comme sur un serveur local. Il est important que le prestataire fournisse une solution de cryptage adaptée, auquel cas le stockage en cloud ne pose pas de problème particulier. Pour une sécurité optimale, nous vous conseillons évidemment le recours à des solutions de cloud computing dans le cloudÌý privé.Ìý

Le cloud pour quelles utilisations ?

Le cloud computing permet de nombreuses utilisations. En voici quelques exemples, parmi les plus intéressants pour les PME / ETI. Le cloudÌý permet tout d’abord de créer des applications et de les faire évoluer. On peut s’en servir aussi bien pour les applications sur ordinateur que pour les applications mobiles. Le cloud est particulièrement adapté aux applications API. Il est non seulement possible de les créer, mais aussi de les tester dans le cloud, de manière optimisée.

L’utilisation la plus courante est cependant le stockage de données, et leur restauration en cas de problème informatique. Le cloud contribue donc à la protection des données de l’entreprise. Ces données sont accessibles de partout. Il est facile de les analyser, en les partageant entre les membres de vos équipes et les différents services. Les services d’intelligence artificielle basés dans le cloud aident les dirigeants à prendre les meilleures décisions stratégiques.Ìý

La puissance des solutions basées dans le cloud vous permettra aussi d’offrir des supports audio et vidéo à vos clients. Ils pourront les consulter depuis n’importe quel emplacement, et sur n’importe quel terminal. Enfin, ce type d’hébergement est aujourd’hui incontournable pour y stocker des logiciels cloud, avec utilisation à la demande, ce qu’on appelle SaaS pour Software as a service.Ìý

Choisir les solutions de cloud computing Â鶹ԭ´´

Â鶹ԭ´´ est spécialisé dans les solutions de cloud computing. Ce sont aujourd’hui plus de 200 millions d’utilisateurs du cloud qui les ont choisies comme support pour leur activité. Â鶹ԭ´´ met en Å“uvre des technologies intelligentes depuis plus de 40 ans et accompagne les entreprises comme les PME / ETI. Aujourd’hui, Â鶹ԭ´´ est la société de logiciels cloud leader dans le monde. Elle fournit en particulier des ERP cloud pour faciliter l’organisation de travail au quotidien et optimiser les processus de gestion. Tous les outils Â鶹ԭ´´ peuvent être basés dans le cloud et sont conçus dans ce but.Ìý

Nous avons développé en particulier différentes solutions pour les PME / ETI afin de les aider à gérer leur trésorerie, leurs stocks, le télétravail, les missions des différents collaborateurs ou encore les opérations financières. Grâce aux solutions Â鶹ԭ´´, votre entreprise répond de manière plus agile à l’évolution du marché. De plus, elle améliore son indice de satisfaction client. Vous souhaitez en savoir plus sur nos solutions de cloud computing ou nos ERP cloud ?

N’hésitez pas à nous contacter, par téléphone, par courriel ou par le chat. Notre service de support analysera précisément vos besoins et vous orientera vers les solutions les mieux adaptées à votre entreprise.

The post Solution Cloud Computing : maitrisez le Big Data et accélérez l’innovation de votre PME/ETI appeared first on Â鶹ԭ´´ France News.

Souvent associé aux demandes du service marketing, le data mining est considéré par de nombreux dirigeants comme un moyen de mieux comprendre la demande et de voir l’impact des modifications apportées aux produits, des prix ou des promotions sur les ventes. Mais le data mining présente également des avantages considérables pour d’autres domaines d’activité. Les ingénieurs et les concepteurs peuvent analyser l’efficacité des modifications de produit et rechercher les causes possibles de la réussite ou de l’échec d’un produit en fonction de la manière, du moment et du lieu d’utilisation des produits.ÌýLe MRO (entretien, réparation et fonctionnement) est en mesure de mieux planifier le stock de pièces et l’affectation du personnel. Les entreprises de services professionnels peuvent utiliser le data mining pour identifier les nouvelles opportunités liées à l’évolution des tendances économiques et aux changements démographiques.

Le data mining s’avère davantage utile et précieux maintenant que l’on se retrouve avec des ensembles de données plus volumineux et une expérience utilisateur accrue. Logiquement, plus il y a de données, plus elles cachent d’informations et de renseignements. Par ailleurs, plus les utilisateurs se familiarisent avec les outils et comprennent la base de données, plus ils deviennent créatifs vis-à-vis des explorations et des analyses.

Pourquoi utiliser le data miningÌý?

Le principal avantage du data mining est sa capacité à repérer des modèles et des relations dans de grands volumes de données provenant de plusieurs sources. Avec de plus en plus de données disponibles, provenant de sources aussi variées que les réseaux sociaux, les capteurs à distance et les rapports de plus en plus détaillés sur les mouvements de produits et l’activité du marché, le data mining offre les outils nécessaires pour exploiter pleinement le Big Data et le transformer en renseignements exploitables. De plus, il peut aider à «Ìýsortir des sentiers battusÌý».

Le processus de data mining peut détecter des relations et des modèles surprenants et intrigants dans des fragments d’informations apparemment non liées. Comme les informations tendent à être compartimentées, il a toujours été difficile, voire impossible, de les analyser dans leur ensemble. Toutefois, il peut exister une relation entre les facteurs externes (démographiques ou économiques, par exemple) et la performance des produits d’une entreprise. Les dirigeants, qui examinent régulièrement les chiffres des ventes par territoire, ligne de produits, canal de distribution et région, manquent souvent de contexte externe pour ces informations. Leur analyse souligne «Ìýce qui s’est passéÌý», mais ne détaille pas vraiment «Ìýpourquoi cela s’est passé de cette manièreÌý». Le data mining peut apporter une solution.

Le data mining peut rechercher des corrélations avec des facteurs externes. Si la corrélation n’indique pas toujours la causalité, ces tendances peuvent être des indicateurs précieux pour guider les décisions relatives aux produits, aux canaux et à la production. La même analyse peut être bénéfique pour d’autres domaines de l’activité, de la conception de produit à l’efficacité opérationnelle, en passant par la prestation de services.

Historique du data mining

Nous collectons et analysons des données depuis des milliers d’années et, à bien des égards, le processus est resté le mêmeÌý: identifier les informations nécessaires, trouver des sources de données de qualité, collecter et combiner les données, utiliser les outils les plus efficaces pour analyser les données, et tirer parti des enseignements appris. À mesure que l’informatique et les systèmes basés sur les données se sont développés, il en a été de même pour les outils de gestion et d’analyse des données. Le véritable point d’inflexion est venu dans les années 1960 avec le développement de la technologie de base de données relationnelle et des outils de requête en langage naturel orienté utilisateur, tels que Structured Query Language (SQL). Les données n’étaient plus disponibles uniquement via des programmes codés personnalisés. Grâce à cette avancée, les utilisateurs pouvaient explorer leurs données de manière interactive et en extraire les «Ìýjoyaux cachésÌý».

Le data mining est traditionnellement un ensemble de compétences spécialisées dans la science des données. Cependant, chaque nouvelle génération d’outils analytiques nécessite dans un premier temps des compétences techniques avancées, mais évolue rapidement pour devenir accessible aux utilisateurs. L’interactivité, c’est-à-dire la possibilité de laisser les données vous parler, est la principale avancée. Posez une question et visualisez la réponse. En fonction de ce que vous apprenez, posez une autre question. Ce type d’itinérance non structurée à travers les données permet à l’utilisateur d’aller au-delà des limites de la conception de bases de données spécifiques à une application et permet de découvrir des relations qui dépassent les limites fonctionnelles et organisationnelles.

Le data mining est une composante clé de la Business Intelligence. Les outils d’exploration de données sont créés dans les tableaux de bord décisionnels, en extrayant des informations du Big Data, y compris les données des réseaux sociaux, des flux de capteurs IoT, des appareils de localisation, du texte non structuré, des vidéos, etc. Le data mining moderne s’appuie sur le Cloud, l’informatique virtuel et les pour gérer les données de diverses sources de manière rentable et s’adapter à la demande.

Comment cela fonctionne ?

Il y a environ autant d’approches du data mining qu’il y a d’explorateurs de données. L’approche dépend du type de questions posées, du contenu et de l’organisation de la base de données ou des ensembles de données fournissant la matière première pour la recherche et l’analyse. Cela dit, certaines étapes organisationnelles et préparatoires doivent être accomplies pour préparer les données, les outils et les utilisateursÌý:

1. Comprendre le problème, ou du moins le domaine d’enquête.Le décideur, qui doit prendre les commandes de cette grande aventure de data mining, a besoin d’une compréhension générale du domaine dans lequel il travaillera, à savoir les types de données internes et externes qui doivent faire partie de cette exploration. On suppose qu’il a une connaissance approfondie de l’entreprise et des domaines fonctionnels impliqués.
2. Collecte de données.ÌýCommencez par vos systèmes et bases de données internes. Liez-les à l’aide de leurs modèles de données et de divers outils relationnels, ou rassemblez les données dans un entrepôt de données (data warehouse). Cela inclut toutes les données provenant de sources externes qui font partie de vos opérations, telles que les données de force de vente et/ou de service, les données IoT ou des réseaux sociaux. Recherchez et acquérez auprès des associations professionnelles et des gouvernements les droits sur les données externes, notamment les données démographiques, économiques et relatives au marché, telles que les tendances du secteur et les indices financiers. Intégrez-les dans le périmètre du kit d’outils (intégrez-les dans votre data warehouse ou reliez-les à l’environnement de data mining).
3. Préparation et compréhension des données.Faites appel aux experts en la matière pour définir, catégoriser et organiser les données. Cette partie du processus est parfois appelée «Ìýremaniement des donnéesÌý». Certaines données peuvent nécessiter un nettoyage pour supprimer les doublons, les incohérences, les enregistrements incomplets ou les formats obsolètes. La préparation et le nettoyage des données peuvent se poursuivre à mesure que de nouveaux projets ou des données provenant de nouveaux champs d’enquête deviennent intéressants.
4. Formation des utilisateurs.Vous ne donneriez pas à votre adolescent les clés de la Ferrari sans qu’il n’ait appris à conduire ou qu’il n’ait pratiqué la conduite sur route avec un moniteur. Par conséquent, veillez à dispenser une formation formelle à vos futurs explorateurs de données et à les familiariser avec ces outils puissants. La formation continue est également bienvenue une fois qu’ils maîtrisent les bases et qu’ils peuvent passer à des techniques plus avancées.

Techniques de data mining

Gardez à l’esprit que l’exploration de données est basée sur un kit d’outils plutôt que sur une routine ou un processus fixe. Les techniques spécifiques de data mining citées ici ne sont que des exemples d’utilisation des outils par les organisations afin d’explorer leurs données et rechercher des tendances, des corrélations et des renseignements.

D’une manière générale, les approches de data mining peuvent être catégorisées comme étant orientées (vers un résultat spécifique souhaité) ou non orientées, comme un simple processus de découverte. D’autres explorations peuvent être destinées au tri ou à la classification des données, telles que le regroupement des clients potentiels en fonction d’attributs commerciaux comme le secteur, les produits, la taille et le lieu géographique. De même, la détection de cas particuliers ou d’anomalies est une méthode automatisée de reconnaissance des anomalies réelles (plutôt que simple variabilité) dans un ensemble de données qui affiche des modèles identifiables.

Association

Un autre objectif intéressant est l’association, qui relie deux événements ou activités apparemment non liés. Il existe un récit bien connu des débuts de l’analyse et du data mining, peut-être fictif, selon lequel une chaîne de magasins découvrait une corrélation entre les ventes de bière et de couches. Il avait été supposé que les nouveaux papas stressés qui sortaient tard le soir pour acheter des couches pouvaient aussi prendre un pack de 6 bières dans la foulée. Les magasins ont alors placé la bière et les couches à proximité, ce qui a augmenté les ventes de bière.

Clustering

Cette approche vise à regrouper les données par similitudes plutôt que par hypothèses prédéfinies. Par exemple, lorsque vous explorez vos informations commerciales clients combinées à des données externes démographiques et de crédit à la consommation, vous pourriez découvrir que vos clients les plus rentables vivent dans des villes de taille moyenne.

La majorité du temps, le data mining est exécuté en soutien à la prévision. Plus vous comprenez les modèles et les comportements, mieux vous pouvez prévoir les actions futures liées aux causes ou aux corrélations.

¸éé²µ°ù±ð²õ²õ¾±´Ç²Ô

L’une des techniques mathématiques proposées dans les kits d’outils de data mining est l’analyse de régression, qui prédit un nombre en fonction de modèles historiques projetés dans le futur. Divers autres algorithmes de détection et de suivi des modèles fournissent des outils flexibles pour aider les utilisateurs à mieux comprendre les données et le comportement qu’elles représentent.

Ce ne sont là que quelques-uns des outils et des techniques disponibles dans les kits d’outils de data mining. Le choix de l’outil ou de la technique est en quelque sorte automatisé en ce sens que les techniques seront appliquées en fonction de la manière dont la question est posée. Auparavant, l’exploration de données revenait à «Ìýdécouper en tranchesÌý» la base de données, mais la pratique est aujourd’hui plus sophistiquée et les termes comme association, clustering et régression sont monnaie courante.

Exemples de cas d’utilisation

Le data mining est essentiel à l’analyse des sentiments, à l’optimisation des prix, au marketing de bases de données, à la gestion des risques de crédit, à la formation et à l’assistance, à la détection des fraudes, aux diagnostics médicaux, à l’évaluation des risques, aux systèmes de recommandation (à savoir, « les clients qui ont acheté ceci ont également aimé… »), et bien plus encore. Elle peut être un outil efficace dans pratiquement n’importe quel secteur, y compris la distribution de détail, la distribution de gros, les services, la fabrication, les télécommunications, les communications, les assurances, l’éducation, la santé, la banque, la science, l’ingénierie et le marketing en ligne ou les réseaux sociaux.

Défis liés au data mining

• Big Data :Ìýla génération de données est de plus en plus rapide, ce qui offre de plus en plus d’opportunités pour le data mining. Cependant, des outils d’exploration de données modernes sont nécessaires pour extraire une signification du Big Data, compte tenu du volume élevé, de la grande rapidité et de la grande variété des structures de données, ainsi que du volume croissant de données non structurées. De nombreux systèmes existants ont du mal à gérer, à stocker et à utiliser ce grand flux d’intrants.
• Compétence de l’utilisateur :Ìýles outils d’exploration et d’analyses des données sont conçus pour aider les utilisateurs et les décideurs à comprendre et à obtenir des informations à partir de grands volumes de données. Bien que hautement techniques, ces outils puissants offrent désormais une excellente expérience utilisateur, de sorte que pratiquement tous les utilisateurs sont en mesure d’utiliser ces outils avec un minimum de formation. Toutefois, pour tirer pleinement profit des avantages, l’utilisateur doit comprendre les données disponibles et le contexte commercial des informations qu’il recherche. Il doit également savoir, au moins de manière générale, comment fonctionnent les outils et ce qu’ils peuvent faire. Ces outils ne sont pas hors de portée du responsable ou dirigeant moyen, mais nécessitent un apprentissage, raison pour laquelle les utilisateurs doivent consacrer du temps au développement de cette nouvelle compétence.
• Qualité et disponibilité des données :Ìýavec ces énormes quantités de nouvelles données, il existe également des masses de données incomplètes, incorrectes, trompeuses, frauduleuses, endommagées ou simplement inutiles. Les outils peuvent contribuer à résoudre ce problème, mais les utilisateurs doivent constamment tenir compte de la source des données et de sa crédibilité et fiabilité.ÌýLes préoccupations en matière de confidentialité sont également importantes, tant en ce qui concerne l’acquisition des données que la prise en charge et la gestion une fois qu’elles sont en votre possession.

Renforcez votre expertise en matière de gestion des données

Comprenez le processus de gestion des données et les avantages qu’il peut apporter à votre organisation.

En savoir plus

FAQ sur le data mining

Quelle est la différence entre le machine learning et le data miningÌý?

Le data mining consiste à utiliser des outils analytiques avancés pour extraire des informations utiles d’une accumulation de données.ÌýÌýest un type Ìý(IA) qui permet aux systèmes d’apprendre par l’expérience. L’exploration de données peut utiliser le machine learning lorsque les programmes analytiques ont la possibilité d’adapter leurs fonctionnalités en fonction de l’analyse de données qu’ils effectuent.

Existe-t-il une différence entre le data mining et l’analyse de donnéesÌý?

L’analyse des données est un terme général pour le large éventail de pratiques visant à identifier les informations utiles, à les évaluer et à fournir des réponses spécifiques. Le data mining est un type d’analyse des données qui se concentre sur l’exploration de grands ensembles de données combinés pour découvrir des modèles, des tendances et des relations susceptibles de générer des informations et des prévisions.

Le data mining est-il identique à la science des donnéesÌý?

La science des données est un terme qui inclut de nombreuses technologies de l’information, y compris les statistiques, les mathématiques et les techniques de calcul sophistiquées appliquées aux données. Le data mining est un cas d’utilisation de la science des données centré sur l’analyse de grands ensembles de données provenant d’un large éventail de sources.

Le data mining est-il identique au data warehouseÌý?

±«²ÔÌýdata warehouseÌýest un ensemble de données, généralement provenant de sources multiples (,Ìý, par exemple) qu’une entreprise rassemblera dans l’entrepôt à des fins d’archivage et d’analyse à grande échelle, comme le data mining.

The post Qu’est-ce que le data mining ? appeared first on Â鶹ԭ´´ France News.

Le modèle de données résultant de ce processus établit une structure de relations entre les éléments de données dans une base de données et sert de guide d’utilisation des données. Les modèles de données sont un élément fondamental du développement et de l’analyse de logiciels. Ils fournissent une méthode standardisée pour définir et mettre en forme les contenus de base de données de manière cohérente dans les systèmes, ce qui permet à diverses applications de partager les mêmes données.

Pourquoi la modélisation des données est-elle importanteÌý?

Un modèle de données complet et optimisé permet de créer une base de données logique et simplifiée qui élimine la redondance, réduit les besoins en stockage et permet une récupération efficace. Elle dote également tous les systèmes de ce que l’on appelle une «Ìýsource unique de la véritéÌý», ce qui est essentiel pour assurer des opérations efficaces et garantir une conformité vérifiable aux réglementations et exigences réglementaires. La modélisation des données est une étape clé dans deux fonctions vitales d’une entreprise numérique.

Projets de développement logiciel (nouveaux ou personnalisations) mis en place par le service informatique

Avant de concevoir et de créer un projet logiciel, il doit exister une vision documentée de ce à quoi ressemblera le produit final et de son comportement. Une grande partie de cette vision concerne l’ensemble de règles de gestion qui régissent les fonctionnalités souhaitées. L’autre partie est la description des donnéesÌý: les flux de données (ou le modèle de données) et la conception de la base de données qui les prendra en charge.

La modélisation des données est une trace de cette vision et fournit une feuille de route pour les concepteurs de logiciels. Grâce à la définition et à la documentation complètes des flux de données et de la base de données, ainsi qu’au développement des systèmes conformément à ces spécifications, les systèmes devraient être en mesure de fournir les fonctionnalités attendues requises pour garantir l’exactitude des données (en supposant que les procédures ont été correctement suivies).

Analyses et visualisation (ou Business Intelligence)Ìý: un outil de prise de décision clé pour les utilisateurs

Avec l’augmentation des volumes de données et le nombre croissant d’utilisateurs, les entreprises ont besoin de transformer les données brutes en informations exploitables pour prendre des décisions. Sans surprise, la demande en analyse des données a augmenté de façon spectaculaire. La visualisation des données rend les données encore plus accessibles aux utilisateurs en les présentant sous forme graphique.

Les modèles de données actuels transforment les données brutes en informations utiles qui peuvent être transposées dans des visualisations dynamiques. La modélisation des données prépare les données pour l’analyseÌý: nettoyage des données, définition des mesures et des dimensions, amélioration des données par l’établissement de hiérarchies, la définition d’unités et de devises et l’ajout de formules.

Quels sont les types de modélisation des donnéesÌý?

Les trois types de modèles de données clés sont le modèle relationnel, le modèle dimensionnel et le modèle entité-association. Il en existe d’autres qui ne sont pas communément utilisés, notamment les types hiérarchique, réseau, orienté objet et à plusieurs valeurs. Le type de modèle définit la structure logique, à savoir comment les données sont stockées, organisées et extraites.

1. Type relationnel :Ìýbien qu’«ÌýancienÌý» dans son approche, le modèle de base de données le plus couramment utilisé aujourd’hui est le relationnel, qui stocke les données dans des enregistrements au format fixe et organise les données dans des tables avec des lignes et des colonnes. Le type de modèle de données le plus basique comporte deux élémentsÌý: des mesures et des dimensions. Les mesures sont des valeurs numériques, telles que les quantités et le chiffre d’affaires, utilisées dans les calculs mathématiques comme la somme ou la moyenne. Les dimensions peuvent correspondre à des valeurs numériques ou textuelles. Elles ne sont pas utilisées dans les calculs et incluent des descriptions ou des emplacements. Les données brutes sont définies comme une mesure ou une dimension. Autres termes utilisés dans la conception de base de données relationnelleÌý: «ÌýrelationsÌý» (la table comportant des lignes et des colonnes), «ÌýattributsÌý» (colonnes), «ÌýnupletsÌý» (lignes) et «ÌýdomaineÌý» (ensemble de valeurs autorisées dans une colonne). Bien qu’il existe d’autres termes et exigences structurelles qui définissent une base de données relationnelle, le facteur essentiel concerne les relations définies dans cette structure. Les éléments de données communs (ou clés) relient les tables et les ensembles de données. Les tables peuvent également être explicitement liées, comme une relation parent/enfant, y compris les relations dites un-à-un (one-to-one), un-à-plusieurs (one-to-many) ou plusieurs-à-plusieurs (many-to-many).
2. Type dimensionnel :Ìýmoins rigide et structurée, l’approche dimensionnelle privilégie une structure de données contextuelle davantage liée à l’utilisation professionnelle ou au contexte. Cette structure de base de données est optimisée pour les requêtes en ligne etÌýles outils d’entreposage de données. Les éléments de données critiques, comme une quantité de transaction par exemple, sont appelés «ÌýfaitsÌý» et sont accompagnés d’informations de référence appelées «ÌýdimensionsÌý», telles que l’ID de produit, le prix unitaire ou la date de la transaction. Une table de faits est une table primaire dans un modèle dimensionnel. La récupération peut être rapide et efficace (avec des données pour un type d’activité spécifique stockées ensemble), mais l’absence de relations peut compliquer l’extraction analytique et l’utilisation des données. Étant donné que la structure des données est liée à la fonction qui produit et utilise les données, la combinaison de données produites par divers systèmes (dans un entrepôt de données, par exemple) peut poser des problèmes.
3. Modèle entité-association (modèle E-R) :Ìýun modèle E-R représente une structure de données métier sous forme graphique contenant d’une part des boîtes de différentes formes pour représenter des activités, des fonctions ou des «ÌýentitésÌý», et d’autre part des lignes qui représentent des dépendances, desÌýrelations ou des «ÌýassociationsÌý».ÌýLe modèle E-R est ensuite utilisé pour créer une base de données relationnelle dans laquelle chaque ligne représente une entité et comporte des zones qui contiennent des attributs. Comme dans toutes les bases de données relationnelles, les éléments de données «ÌýclésÌý» sont utilisés pour relier les tables entre elles.

Quels sont les trois niveaux d’abstraction des donnéesÌý?

Il existe de nombreux types de modèles de données, avec différents types de mises en forme possibles. La communauté du traitement des données identifie trois types de modélisation permettant de représenter les niveaux de pensée au fur et à mesure que les modèles sont développés.

Modèle de données conceptuel

Ce modèle constitue une «Ìývue d’ensembleÌý» et représente la structure globale et le contenu, mais pas le détail du plan de données. Il s’agit du point de départ standard de la modélisation des données qui permet d’identifier les différents ensembles de données et flux de données dans l’organisation. Le modèle conceptuel dessine les grandes lignes pour le développement des modèles logiques et physiques, et constitue une part importante de la documentation relative à l’architecture des données.

Modèle de données logique

Le deuxième niveau de détail est le modèle de données logique. Il est étroitement lié à la définition générale du « modèle de données » en ce sens qu’il décrit le flux de données et le contenu de la base de données. Le modèle logique ajoute des détails à la structure globale du modèle conceptuel, mais n’inclut pas de spécifications pour la base de données en elle-même, car le modèle peut être appliqué à diverses technologies et divers produits de base de données. (Notez qu’il peut ne pas exister de modèle conceptuel si le projet est lié à une application unique ou à un autre système limité).

Modèle de données physique

Le modèle de base de données physique décrit comment le modèle logique sera réalisé. Il doit contenir suffisamment de détails pour permettre aux techniciens de créer la structure de base de données dans les matériels et les logiciels pour prendre en charge les applications qui l’utiliseront. Il va sans dire que le modèle physique est spécifique à un système logiciel de base de données en particulier. Il peut exister plusieurs modèles physiques dérivés d’un seul et même modèle logique si plusieurs systèmes de base de données seront utilisés.

Processus et techniques de modélisation des données

La modélisation des données est par essence un processus descendant qui débute par l’élaboration du modèle conceptuel pour établir la vision globale, puis se poursuit avec le modèle logique pour s’achever par la conception détaillée contenue dans le modèle physique.

L’élaboration du modèle conceptuel consiste principalement à mettre des idées sous la forme d’un graphique qui ressemble au diagramme des flux de données conçu par un développeur.

Les outils de modélisation des données modernes peuvent vous aider à définir et à créer vos modèles de données logiques et physiques et vos bases de données. Voici quelques techniques et étapes classiques de modélisation des donnéesÌý:

• Déterminez les entités et créez un diagramme entité-association. Les entités sont considérées comme des «Ìýéléments de données qui intéressent votre entrepriseÌý». Par exemple, «ÌýclientÌý» serait une entité. «ÌýVenteÌý» en serait une autre. Dans un diagramme entité-association, vous documentez la manière dont ces différentes entités sont liées les unes aux autres dans votre entreprise, et les connexions qui existent entre elles.
• Définissez vos faits, mesures et dimensions.ÌýUn fait est la partie de vos données qui indique une occurrence ou une transaction spécifique, comme la vente d’un produit. Vos mesures sont quantitatives, comme la quantité, le chiffre d’affaires, les coûts, etc. Vos dimensions sont des mesures qualitatives, telles que les descriptions, les lieux et les dates.
• Créez un lien de vue de données à l’aide d’un outil graphique ou via des requêtes SQL. Si vous ne maîtrisez pas SQL, l’option la plus intuitive sera l’outil graphiqueÌý: il vous permet de faire glisser des éléments dans votre modèle et de créer visuellement vos connexions. Lors de la création d’une vue, vous avez la possibilité de combiner des tables et d’autres vues dans une sortie unique. Lorsque vous sélectionnez une source dans la vue graphique et que vous la faites glisser dans une source déjà associée à la sortie, vous pouvez soit la joindre, soit créer une union de ces tables.

Les solutions analytiques modernes peuvent également vous aider à sélectionner, filtrer et connecter des sources de données à l’aide d’un affichage graphique de type glisser-déposer. Des outils avancés sont disponibles pour les experts en données qui travaillent généralement au sein des équipes informatiques. Toutefois, les utilisateurs peuvent également créer leurs propres présentations en créant visuellement un modèle de données et en organisant des tables, des graphiques, des cartes et d’autres objets pour élaborer une présentation basée sur des analyses de données.

Exemples de modélisation des données

Pour toute application, qu’elle soit professionnelle, de divertissement, personnelle ou autre, la modélisation des données est une étape préalable nécessaire à la conception du système et à la définition de l’infrastructure nécessaire à sa mise en Å“uvre. Cela concerne tout type de système transactionnel, de suite d’applications de traitement des données, ou tout autre système qui collecte, crée ou utilise des données.

La modélisation des données est essentielle pour l’entreposage de données car un entrepôt de données est un référentiel de données provenant de plusieurs sources, qui contiennent probablement des données similaires ou liées, mais disponibles sous des formats différents. Il est nécessaire de mapper en premier lieu les formats et la structure de l’entrepôt afin de déterminer comment manipuler chaque ensemble de données entrant pour répondre aux besoins de la conception de l’entrepôt, afin que les données soient utiles pour l’analyse et l’exploration de données. Le modèle de données est alors un catalyseur important pour les outils analytiques, les systèmes d’information pour dirigeants (tableaux de bord), l’exploration de données et l’intégration à tous les systèmes et applications de données.

Dans les premières étapes de conception de n’importe quel système, la modélisation des données est une condition préalable essentielle dont dépendent toutes les autres étapes pour établir la base sur laquelle reposent tous les programmes, fonctions et outils. Le modèle de données est comparable à un langage commun permettant aux systèmes de communiquer selon leur compréhension et leur acceptation des données, comme décrit dans le modèle. Dans le monde actuel de Big Data,Ìý,Ìý,Ìýde connectivité Cloud,Ìý et de systèmes distribués, dont l’informatique en périphérie, la modélisation des données s’avère plus importante que jamais.

Évolution de la modélisation des données

De façon très concrète, la modélisation des données est apparue en même temps que le traitement des données, le stockage de données et la programmation informatique, bien que le terme lui-même n’ait probablement été utilisé qu’au moment où les systèmes de gestion de base de données ont commencé à évoluer dans les années 1960. Il n’y a rien de nouveau ou d’innovant dans le concept de planification et d’architecture d’une nouvelle structure. La modélisation des données elle-même est devenue plus structurée et formalisée au fur et à mesure que davantage de données, de bases de données et de variétés de données sont apparues.

Aujourd’hui, la modélisation des données est plus essentielle que jamais, étant donné que les techniciens se retrouvent face à de nouvelles sources de données (capteurs IdO, appareils de localisation, flux de clics, réseaux sociaux) et à une montée des données non structurées (texte, audio, vidéo, sorties de capteurs brutes), à des volumes et à une vitesse qui dépassent les capacités des systèmes traditionnels. Il existe désormais une demande constante de nouveaux systèmes, de nouvelles structures et techniques innovantes de bases de données, et de nouveaux modèles de données pour rassembler ces nouveaux efforts de développement.

Quelle est la prochaine étape de la modélisation des donnéesÌý?

La connectivité des informations et les grandes quantités de données provenant de nombreuses sources disparates (capteurs, voix, vidéo, emails, etc.) étendent le champ d’application des projets de modélisation pour les professionnels de l’informatique. Internet est, bien sûr, l’un des moteurs de cette évolution. Le Cloud est en grand partie la solution car il s’agit de la seule infrastructure informatique suffisamment grande, évolutive et agile pour répondre aux exigences actuelles et futures dans un monde hyperconnecté.

Les options de conception de base de données évoluent également. Il y a dix ans, la structure dominante de la base de données était relationnelle, orientée lignes et utilisait la technologie traditionnelle de l’espace disque. Les données du grand livre ou de la gestion des stocks d’un système ERP standard étaient stockées dans des dizaines de tables différentes qui doivent être mises à jour et modélisées. Aujourd’hui, lesÌýÌýstockent des données actives dans la mémoire à l’aide d’une conception en colonnes, ce qui réduit considérablement le nombre de tables et accroît la vitesse et l’efficacité.

Pour les professionnels du secteur, les nouveaux outils en libre-service disponibles aujourd’hui continueront à s’améliorer. De nouveaux outils seront également introduits pour rendre la modélisation et la visualisation des données encore plus simples et plus collaboratives.

³§²â²Ô³Ù³óè²õ±ð

Un modèle de données bien pensé et complet est la clé du développement d’une base de données véritablement fonctionnelle, utile, sécurisée et exacte. Commencez par le modèle conceptuel pour présenter tous les composants et fonctions du modèle de données. Affinez ensuite ces plans dans un modèle de données logique qui décrit les flux de données et définit clairement les données nécessaires et la manière dont elles seront acquises, traitées, stockées et distribuées. Le modèle de données logique donne lieu au modèle de données physique spécifique à un produit de base de données et constitue le document de conception détaillé qui guide la création de la base de données et du logiciel d’application.

Une bonne modélisation des données et une bonne conception de base de données sont essentielles au développement de bases de données et de systèmes d’application fonctionnels, fiables et sécurisés, qui fonctionnent bien avec les entrepôts de données et les outils analytiques, et facilitent l’échange de données entre les partenaires et entre les suites d’application. Des modèles de données bien pensés aident à garantir l’intégrité des données, ce qui rend les données de votre entreprise encore plus précieuses et fiables.

Découvrez les outils modernes de modélisation des données de Â鶹ԭ´´ Data Warehouse Cloud

The post Qu’est-ce que la modélisation des données ? appeared first on Â鶹ԭ´´ France News.

Les données sont envoyées vers un data warehouse à partir de systèmes opérationnels (tels qu’un système ouÌý), de bases de données et de sources externes comme les systèmes partenaires, les appareils IoT, les applications météo ou les réseaux sociaux, généralement de manière régulière.ÌýL’émergence du cloud computing a changé la donne. Ces dernières années, le stockage des données a été déplacé de l’infrastructure sur site traditionnelle vers de multiples emplacements, y compris sur site, dans le cloud privé et dans le cloud public.

Ìýsont conçus pour gérer à la fois les données structurées et les données non structurées, comme les vidéos, les fichiers image et les données de capteurs. Certains utilisent les outils analytiques intégrés et la technologie de base de données in-memory (qui conserve l’ensemble de données dans la mémoire de l’ordinateur plutôt que dans l’espace disque) pour fournir un accès en temps réel à des données fiables et favoriser une prise de décision en toute confiance. Sans entreposage de données, il est très difficile de combiner des données provenant de sources hétérogènes, de s’assurer qu’elles sont au bon format pour les analyses et d’obtenir une vue des données sur le court terme et sur le long terme.

Avantages de l’entreposage de données

Un data warehouse bien conçu constitue la base de tout programme de BI ou d’analyse réussi. Son principal objectif est d’alimenter les rapports, les tableaux de bord et les outils analytiques devenus indispensables aux entreprises d’aujourd’hui. Un entrepôt de données fournit les informations dont vous avez besoin pour prendre des décisions basées sur les données et vous aide à faire les bons choix, que ce soit pour le développement de nouveaux produits ou la gestion des niveaux de stock.ÌýUn data warehouse présente de nombreux avantages. En voici quelques-unsÌý:

• Un meilleur reporting analytique :Ìýgrâce à l’entreposage de données, les décideurs ont accès à des données provenant de plusieurs sources et n’ont plus besoin de prendre des décisions basées sur des informations incomplètes.
• Des requêtes plus rapides :Ìýles data warehouse sont spécialement conçus pour permettre l’extraction et l’analyse rapides des données. Avec un entrepôt de données, vous pouvez très rapidement demander de grandes quantités de données consolidées avec peu ou pas d’aide du service informatique.
• Une amélioration de la qualité des données :Ìýavant de charger les données dans l’entrepôt de données le système met en place des nettoyages de données afin de garantir que les données sont converties dans un seul et même format dans le but de faciliter les analyses (et les décisions), qui reposent alors sur des données précises et de haute qualité.
• Une visibilité sur les données historiques :Ìýen stockant de nombreuses données historiques, un data warehouse permet aux décideurs d’analyser les tendances et les défis passés, de faire des prévisions et d’améliorer l’organisation au quotidien.

Que peut stocker un data warehouseÌý?

Lorsque les data warehouse sont devenus populaires à la fin des années 1980, ils étaient conçus pour stocker des informations sur les personnes, les produits et les transactions. Ces données, appeléesÌýdonnées structurées, étaient bien organisées et mises en forme pour en favoriser l’accès. Cependant, les entreprises ont rapidement voulu stocker, récupérer et analyserÌýdes données non structurées, comme des documents, des images, des vidéos, des e-mails, des publications sur les réseaux sociaux et des données brutes issues de capteurs.

Un entrepôt de données moderne peut contenir des données structurées et des données non structurées. En fusionnant ces types de données et en éliminant les silos qui les séparent, les entreprises peuvent obtenir une vue complète et globale sur les informations les plus précieuses.

Termes clés

Il est essentiel de bien comprendre un certain nombre de termes en lien avec les data warehouse. Les plus importants ont été définis ci-dessous. Découvrez d’autres termes et notre FAQ dans notreÌý.

Data warehouse et base de données

Les bases de données et les data warehouse sont tous deux des systèmes de stockage de données, mais diffèrent de par leurs objectifs.ÌýUne base de données stocke généralement des données relatives à un domaine d’activité particulier. Un entrepôt de données stocke les données actuelles et historiques de l’ensemble de l’entreprise et alimente la BI et les outils analytiques. Les data warehouse utilisent un serveur de base de données pour extraire les données présentes dans les bases de données d’une organisation et disposent de fonctionnalités supplémentaires pour la modélisation des données, la gestion du cycle de vie des données, l’intégration des sources de données, etc.

Data warehouse et lac de données

Les data warehouse et les lacs de données sont utilisés pour stocker leÌýBig Data, mais sont des systèmes de stockage très différents. Un data warehouse stocke des données qui ont été formatées dans un but spécifique, tandis qu’un lac de données stocke les données dans leur état brut, non traité, dont l’objectif n’a pas encore été défini. Les entrepôts de données et les lacs de données se complètent souvent. Par exemple, lorsque des données brutes stockées dans un lac s’avèrent utiles pour répondre à une question, elles peuvent être extraites, nettoyées, transformées et utilisées dans un data warehouse à des fins d’analyse.ÌýLe volume de données, les performances de la base de données et les coûts du stockage jouent un rôle important dans le choix de la solution de stockage adaptée.

Data warehouse et datamart

Un datamart est une sous-section d’un data warehouse, partitionné spécifiquement pour un service ou un secteur d’activité, comme les ventes, le marketing ou la finance. Certains datamarts sont également créés à des fins opérationnelles autonomes. Alors qu’un data warehouse sert de magasin de données central pour l’ensemble de l’entreprise, un datamart utilise des données pertinentes à un groupe d’utilisateurs désigné. Ces utilisateurs peuvent alors accéder plus facilement aux données, accélérer leurs analyses et contrôler leurs propres données.ÌýPlusieurs datamarts sont souvent déployés dans un data warehouse.

Quels sont les composants clés d’un data warehouseÌý?

Un data warehouse classique comporte quatre composants principauxÌý: une base de données centrale, des outils ETL (extraction, transformation, chargement), des métadonnées et des outils d’accès.ÌýTous ces composants sont conçus pour être rapides afin de vous assurer d’obtenir rapidement des résultats et vous permettre d’analyser les données à la volée.

1. Base de données centrale :Ìýune base de données sert de fondement à votre data warehouse. Auparavant, on utilisait essentiellement des bases de données relationnelles standard exécutées sur site ou dans le cloud. Mais en raison du Big Data, du besoin d’une véritable performance en temps réel et d’une réduction drastique des coûts de la RAM, les bases de données in-memory sont en train de monter en puissance.
2. Intégration des données :Ìýles données sont extraites des systèmes source et modifiées pour aligner les informations afin qu’elles puissent être rapidement utilisées à des fins analytiques à l’aide de différentes approches d’intégration des données telles que l’ETL (extraction, transformation, chargement) et les services de réplication de données en temps réel, de traitement en masse, de transformation des données et de qualité et d’enrichissement des données.
3. Métadonnées :Ìýles métadonnées sont des données relatives à vos données. Elles indiquent la source, l’utilisation, les valeurs et d’autres fonctionnalités des ensembles de données présents dans votre data warehouse.ÌýIl existe des métadonnées de gestion, qui ajoutent du contexte à vos données, et des métadonnées techniques, qui décrivent comment accéder aux données, définissent leur emplacement ainsi que leur structure.
4. Outils d’accès du data warehouse :Ìýles outils d’accès permettent aux utilisateurs d’interagir avec les données de votre data warehouse. Exemples d’outils d’accès :Ìýoutils de requête et de reporting, outils de développement d’applications, outils d’exploration de données et outils OLAP.

Architecture de data warehouseÌý

Auparavant, les data warehouse fonctionnaient par couches, lesquelles correspondaient au flux des données de gestion.

Les data warehouse, conçus pour faciliter la prise de décision, ont été essentiellement créés et gérés par les équipes informatiques. Néanmoins, ces dernières années, ils ont évolué pour renforcer l’autonomie des utilisateurs fonctionnels, réduisant ainsi leur dépendance aux équipes informatiques pour accéder aux données et obtenir des informations exploitables. Parmi les fonctionnalités clés d’entreposage de données qui ont permis de renforcer l’autonomie des utilisateurs fonctionnels, on retrouve les suivantesÌý:

1. La couche sémantique ou de gestion fournit des expressions en langage naturel et permet à tout le monde de comprendre instantanément les données, de définir des relations entre les éléments dans le modèle de données et d’enrichir les zones de données avec de nouvelles informations.
2. Les espaces de travail virtuels permettent aux équipes de regrouper les connexions et modèles de données dans un lieu sécurisé et géré, afin de mieux collaborer au sein d’un espace commun, avec un ensemble de données commun.
3. Le cloud a encore amélioré la prise de décision en permettant aux employés de disposer d’un large éventail d’outils et de fonctionnalités pour effectuer facilement des tâches d’analyse des données. Ils peuvent connecter de nouvelles applications et de nouvelles sources de données sans avoir besoin de faire appel aux équipes informatiques.

Click the button below to load the content from YouTube.

Always allow YouTube

Kate Wright, responsable de la Business Intelligence augmentée chez Â鶹ԭ´´, évoque la valeur d’un data warehouse cloud moderne.

Les 7 principaux avantages d’un data warehouse cloudÌýÌý

Les data warehouse cloud gagnent en popularité, à juste titre. Ces entrepôts modernes offrent plusieurs avantages par rapport aux versions sur site traditionnelles. Voici les sept principaux avantages d’un data warehouse cloud :

1. Déploiement rapide :Ìýgrâce à l’entreposage de données cloud, vous pouvez acquérir une puissance de calcul et un stockage de données presque illimités en quelques clics seulement, et créer vos propres data warehouse, datamarts et systèmes de test en quelques minutes.
2. Faible coût total de possession (TCO)Ìý: les modèles deÌýtarification du data warehouse en tant que service (DWaaS) sont établis de sorte que vous payez uniquement les ressources dont vous avez besoin, lorsque vous en avez besoin. Vous n’avez pas besoin de prévoir vos besoins à long terme ou de payer pour d’autres traitements tout au long de l’année. Vous pouvez également éviter les coûts initiaux tels que le matériel coûteux, les salles de serveurs et le personnel de maintenance.ÌýSéparer les coûts du stockage des coûts informatiques vous permet également de réduire les dépenses.
3. Élasticité :Ìýun data warehouse cloud vous permet d’ajuster vos capacités à la hausse ou à la baisse selon vos besoins. Le Cloud offre un environnement virtualisé et hautement distribué capable de gérer d’immenses volumes de données qui peuvent diminuer ou augmenter.
4. Sécurité et restauration après sinistre :Ìýdans de nombreux cas, les data warehouse cloud apportent une Ìýet un chiffrage plus forts que les entrepôts sur site. Les données sont également automatiquement dupliquées et sauvegardées, ce qui vous permet de minimiser le risque de perte de données.
5. Technologies en temps réelÌý:Ìýles data warehouse cloud basés sur la technologie de base de données in-memory présentent des vitesses de traitement des données extrêmement rapides, offrant ainsi des données en temps réel et une connaissance instantanée de la situation.
6. Nouvelles technologies :Ìýles data warehouse cloud vous permettent d’intégrer facilement de nouvelles technologies telles que le machine learning, qui peuvent fournir une expérience guidée aux utilisateurs fonctionnels et une aide décisionnelle sous la forme de suggestions de questions à poser, par exemple.
7. Plus grande autonomie des utilisateurs fonctionnels :Ìýles data warehouse cloud offrent aux employés, de manière globale et uniforme, une vue unique sur les données issues de nombreuses sources et un vaste ensemble d’outils et de fonctionnalités pour effectuer facilement des tâches d’analyse des données. Ils peuvent connecter de nouvelles applications et de nouvelles sources de données sans avoir besoin de faire appel aux équipes informatiques.

Meilleures pratiques concernant l’entreposage des données

Pour atteindre vos objectifs et économiser du temps et de l’argent, il est recommandé de suivre certaines étapes éprouvées lors de la création d’un data warehouse ou l’ajout de nouvelles applications à un entrepôt existant.ÌýCertaines sont axées sur votre activité tandis que d’autres s’inscrivent dans le cadre de votre programme informatique global.ÌýVous pouvez commencer avec la liste de meilleures pratiques ci-dessous, mais vous en découvrirez d’autres au fil de vos collaborations avec vos partenaires technologiques et de services.

En résuméÌý

Les data warehouse modernes, et de plus en plus les data warehouse cloud, seront un élément clé de toute initiative de transformation numérique pour les sociétés mères et leurs unités commerciales. Ils capitalisent sur les systèmes d’entreprise actuels, en particulier lorsque vous combinez les données de plusieurs systèmes internes avec de nouvelles informations importantes provenant d’organisations extérieures.

Les tableaux de bord, les indicateurs clés de performance, les alertes et les rapports répondent aux exigences des dirigeants, de la direction et du personnel, ainsi qu’aux besoins importants des clients et des fournisseurs. Les data warehouse permettent également l’exploration et l’analyse rapides et complexes des données, sans perturber les performances des autres systèmes de l’entreprise.

Grâce à la possibilité de commencer à petite échelle et d’étendre selon les besoins, les sièges sociaux et les unités commerciales peuvent améliorer leur prise de décision et leurs résultats grâce à la technologie moderne des data warehouse.

Découvrez la solution Â鶹ԭ´´ Data Warehouse Cloud

Unifiez vos données et analyses pour prendre des décisions avisées et obtenir la flexibilité nécessaire pour un contrôle efficace des coûts, notamment grâce à un paiement selon l’utilisation.

Publié en anglais sur

The post Qu’est-ce qu’un Data WarehouseÌý? appeared first on Â鶹ԭ´´ France News.

Le Big Data désigne non seulement de gros volumes de données, mais aussi des données de nature variée et complexe. Il dépasse généralement la capacité des bases de données traditionnelles à capturer, gérer et traiter ce type de données. De plus, le Big Data peut provenir de n’importe où et de tout ce que nous sommes en mesure de surveiller numériquement. Les satellites, les appareils IoT (Internet des Objets), les radars et les tendances des réseaux sociaux ne sont que quelques exemples parmi la multitude de sources de données explorées et analysées pour rendre les entreprises plus résilientes et compétitives.

L’importance de l’analyse du BigÌýData

La véritable valeur du Big Data se mesure d’après votre capacité à l’analyser et à le comprendre.ÌýL’Ìý(IA), le et les technologies de base de données modernes permettent de le visualiser et de l’analyser pour fournir des informations exploitables en temps réel. L’analyse du Big Data aide les entreprises à exploiter leurs données en vue de saisir de nouvelles opportunités et de créer de nouveaux modèles de gestion. Comme l’a si bien dit Geoffrey Moore, auteur et analyste de gestion, «Ìýsans analyse du Big Data, les entreprises sont aveugles et sourdes, errant sur le Web comme des cerfs sur une autorouteÌý».

Click the button below to load the content from YouTube.

Always allow YouTube

L’évolution du BigÌýData

Aussi inconcevable que cela puisse paraître aujourd’hui, l’Apollo Guidance Computer a emmené l’homme sur la lune avec moins de 80Ìýkilo-octets de mémoire. Depuis, la technologie informatique s’est développée à un rythme exponentiel, de même que la génération de données. La capacité technologique mondiale à stocker des données a doublé tous les trois ans depuis les annéesÌý1980. Il y a un peu plus de 50Ìýans, lors du lancement d’ApolloÌý11, la quantité de données numériques générées dans le monde aurait pu tenir dans un ordinateur portable. Aujourd’hui, l’Ìýce chiffre à 44Ìýzettaoctets (soit 44Ìý000 milliards de gigaoctets) et prévoit qu’il atteindra 163Ìýzettaoctets en 2025.

44 zettaoctets de données numériques aujourd’hui,Ìý

163 zettaoctets de données numériques en 2025,Ìý

Plus les logiciels et la technologie se développent, moins les systèmes non numériques sont viables. Le traitement des données générées et collectées numériquement requiert des systèmes de data management plus avancés. En outre, la croissance exponentielle des plates-formes de réseaux sociaux, des technologies pour smartphones et des appareils IoT connectés numériquement ont contribué à l’émergence du Big Data.

Types de Big DataÌý: que sont les données structurées et non structuréesÌý?

Les ensembles de données sont généralement catégorisés en trois types, selon leur structure et la complexité de leur indexation.

1. Données structurées :Ìýce type de données est le plus simple à organiser et à rechercher. Il peut inclure des données financières, des machine logs et des détails démographiques. Une feuille de calcul MicrosoftÌýExcel, avec sa mise en forme de colonnes et de lignes prédéfinies, offre un moyen efficace de visualiser les données structurées. Ses composants peuvent facilement être catégorisés, ce qui permet aux concepteurs et administrateurs de bases de données de définir des algorithmes simples pour la recherche et l’analyse. Même lorsque les données structurées sont très volumineuses, elles ne sont pas nécessairement qualifiées de Big Data, car elles sont relativement simples à gérer et ne répondent donc pas aux critères qui définissent le Big Data. Traditionnellement, les bases de données utilisent un langage de programmation appelé SQL (Structured Query Language) pour gérer les données structurées. SQL a été développé par IBM dans les annéesÌý1970 pour permettre aux développeurs de créer et gérer des bases de données relationnelles (de type feuille de calcul) qui commençaient à émerger à l’époque.
2. Données non structurées :Ìýcette catégorie de données peut inclure des publications sur les réseaux sociaux, des fichiers audio, des images et des commentaires client ouverts. Ces données ne peuvent pas être facilement capturées dans les bases de données relationnelles standard en lignes et colonnes. Auparavant, les entreprises qui voulaient rechercher, gérer ou analyser de grandes quantités de données non structurées devaient utiliser des processus manuels laborieux. La valeur potentielle liée à l’analyse et à la compréhension de ces données ne faisait aucun doute, mais le coût associé était souvent trop exorbitant pour en valoir la peine. Compte tenu du temps nécessaire, les résultats étaient souvent obsolètes avant même d’être générés. Contrairement aux feuilles de calcul ou aux bases de données relationnelles, les données non structurées sont généralement stockées dans des lacs de données, des entrepôts de données et des bases de données NoSQL.
3. Données semi-structurées :Ìýcomme leur nom l’indique, les données semi-structurées intègrent à la fois des données structurées et non structurées. Les e-mails en sont un bon exemple, car ils incluent des données non structurées dans le corps du message, ainsi que d’autres propriétés organisationnelles telles que l’expéditeur, le destinataire, l’objet et la date. Les dispositifs qui utilisent le marquage géographique, les horodatages ou les balises sémantiques peuvent également fournir des données structurées avec un contenu non structuré. Une image de smartphone non identifiée, par exemple, peut indiquer qu’il s’agit d’un selfie et préciser l’heure et l’endroit où il a été pris. Une base de données moderne exécutant une technologie d’IA peut non seulement identifier instantanément différents types de données, mais aussi générer des algorithmes en temps réel pour gérer et analyser efficacement les ensembles de données disparates.

Les sources du BigÌýData

Les objets générateurs de données se développent à un rythme spectaculaire, depuis les drones jusqu’aux grille-pains. Toutefois, à des fins de catégorisation, les sources de données sont généralement divisées en trois typesÌý:

Données sociales

Comme leur nom l’indique, les données sociales sont générées par les réseaux sociaux : commentaires, publications, images et, de plus en plus, vidéos. En outre, compte tenu de l’ubiquité croissante des réseaux 4G et 5G, on estime que le nombre de personnes dans le monde qui regardent régulièrement des contenus vidéo sur leur smartphone atteindraÌý. Bien que les tendances concernant les réseaux sociaux et leur utilisation évoluent rapidement et de manière imprévisible, leur progression en tant que générateurs de données numériques est incontestable.

Données machine

Les machines et appareils IoT sont équipés de capteurs et ont la capacité d’envoyer et de recevoir des données numériques. Les capteurs IoT aident les entreprises à collecter et traiter les données machine provenant des appareils, des véhicules et des équipements. Globalement, le nombre d’objets générateurs de données augmente rapidement, des capteurs météorologiques et de trafic jusqu’à la surveillance de la sécurité. Selon l’IDC, il y aura plus de 40 milliards d’appareils IoT en 2025, générant près de la moitié des données numériques mondiales.

Données altérables

Il s’agit des données parmi les plus évolutives au monde. Par exemple, un détaillant international traite plus d’un million de transactions client par heure. Si l’on ajoute à cela les transactions d’achat et bancaires au niveau mondial, on comprend mieux le volume phénoménal de données générées. En outre, les données altérables contiennent de plus en plus de données semi-structurées, y compris des images et des commentaires, ce qui les rend d’autant plus complexes à gérer et à traiter.

Les cinqÌýV du BigÌýData

Ce n’est pas parce qu’un ensemble de données est volumineux qu’il s’agit nécessairement de Big Data. Pour être qualifiées en tant que telles, les données doivent posséder au minimum les cinq caractéristiques suivantesÌý:

1. Volume :Ìýmême si le volume n’est pas le seul composant qui constitue le Big Data, il s’agit d’une de ses caractéristiques principales. Pour gérer et exploiter pleinement le Big Data, des algorithmes avancés et des analyses pilotées par l’IA sont nécessaires. Mais avant tout cela, il doit exister un moyen fiable et sécurisé de stocker, d’organiser et d’extraire les téraoctets de données détenus par les grandes entreprises.
2. VitesseÌý:Ìýauparavant, les données générées devaient ensuite être saisies dans un système de base de données traditionnel (souvent manuellement) avant de pouvoir être analysées ou extraites. Aujourd’hui, grâce à la technologie du BigÌýData, les bases de données sont capables de traiter, d’analyser et de configurer les données lorsqu’elles sont générées, parfois en l’espace de quelques millisecondes. Pour les entreprises, cela signifie que les données en temps réel peuvent être exploitées pour saisir des opportunités financières, répondre aux besoins des clients, prévenir la fraude et exécuter toute autre activité pour laquelle la rapidité est un facteur clé.
3. VariétéÌý:Ìýles ensembles de données contenant uniquement des données structurées ne relèvent pas nécessairement du BigÌýData, quel que soit leur volume. Le BigÌýData comprend généralement des combinaisons de données structurées, non structurées et semi-structurées. Les solutions de gestion des données et les bases de données traditionnelles n’offrent pas la flexibilité et le périmètre nécessaires pour gérer les ensembles de données complexes et disparates qui constituent le BigÌýData.
4. VéracitéÌý:Ìýbien que les bases de données modernes permettent aux entreprises d’accumuler et d’identifier des volumes considérables de BigÌýData de différents types, elles ne sont utiles que si elles sont précises, pertinentes et opportunes. S’agissant des bases de données traditionnelles alimentées uniquement avec des données structurées, le manque de précision des données était souvent dû à des erreurs syntaxiques et des fautes de frappe. Les données non structurées présentent toute une série de nouvelles difficultés en matière de véracité. Les préjugés humains, le «Ìýbruit socialÌý» et les problèmes liés à la provenance des données peuvent avoir un impact sur la qualité des données.
5. Valeur :Ìýles résultats de l’analyse du Big Data sont souvent fascinants et inattendus. Mais pour les entreprises, l’analyse du Big Data doit fournir une visibilité qui les aident à gagner en compétitivité et en résilience, et à mieux servir leurs clients. Les technologies modernes offrent la possibilité de collecter et d’extraire des données susceptibles de procurer un avantage mesurable à la fois en termes de résultats et de résilience opérationnelle.

Avantages du BigÌýData

LesÌýÌýpermettent aux entreprises de transformer leurs données brutes en informations pertinentes avec une rapidité et une précision sans précédent.

• Développement de produits et de servicesÌý:l’analyse du BigÌýData permet aux développeurs de produits d’analyser les données non structurées, telles que les témoignages clients et les tendances culturelles, et de réagir rapidement.
• Maintenance prédictiveÌý:Ìýdans le cadre d’une, McKinsey a constaté que l’analyse du BigÌýData émanant des machines IoT pouvait réduire les coûts de maintenance des équipements jusqu’à 40Ìý%.
• Expérience clientÌý:dans le cadre d’uneÌýÌýauprès de responsables d’entreprises du monde entier, Gartner a déterminé que «Ìýles entreprises en croissance collectent plus activement des données sur l’expérience client que les entreprises à croissance nulleÌý». L’analyse du BigÌýData permet aux entreprises d’améliorer et de personnaliser l’expérience de leurs clients avec leur marque.
• Gestion de la résilience et des risquesÌý:la pandémie de COVID-19 a été une véritable prise de conscience pour de nombreux dirigeants d’entreprise qui se sont rendu compte à quel point leur activité était vulnérable. La visibilité offerte par le BigÌýData peut aider les entreprises à anticiper les risques et à se préparer aux imprévus.
• Économies et efficacité accrue :Ìýlorsque les entreprises effectuent une analyse avancée du BigÌýData pour tous les processus de l’organisation, elles peuvent non seulement détecter les inefficacités, mais aussi déployer des solutions rapides et efficaces.
• Amélioration de la compétitivitéÌý:Ìýles informations obtenues grâce au BigÌýData peuvent aider les entreprises à réaliser des économies, à satisfaire leurs clients, à concevoir de meilleurs produits et à innover dans les opérations de gestion.

IA et BigÌýData

La gestion du BigÌýData repose sur des systèmes capables de traiter et d’analyser efficacement de gros volumes d’informations disparates et complexes. À cet égard, le BigÌýData et l’IA ont une relation de réciprocité. Sans l’IA pour l’organiser et l’analyser, le BigÌýData n’aurait pas grande utilité. Et pour que l’IA puisse générer des analyses suffisamment fiables pour être exploitables, le Big Data doit contenir des ensembles de données suffisamment étendus. Comme l’indique BrandonÌýPurcell, analyste chez ForresterÌýResearch, «Ìýles données sont au cÅ“ur de l’intelligence artificielle. Un système d’IA doit apprendre des données pour remplir sa fonctionÌý».

Machine learning et Big Data

Les algorithmes de machine learning définissent les données entrantes et identifient des modèles associés. Ces informations permettent de prendre des décisions avisées et d’automatiser les processus. Le machine learning se nourrit du Big Data, car plus les ensembles de données analysés sont fiables, plus le système est susceptible d’apprendre, de faire évoluer et d’adapter ses processus en continu.

Technologies du BigÌýData

Architecture du BigÌýData

À l’instar de l’architecture du bâtiment, l’architecture du BigÌýData fournit un modèle pour la structure de base déterminant la manière dont les entreprises gèrent et analysent leurs données. L’architecture du BigÌýData mappe les processus requis pour gérer le BigÌýData à travers quatre «ÌýcouchesÌý» de base, des sources de données au stockage des données, puis à l’analyse du BigÌýData, et enfin via la couche de consommation dans laquelle les résultats analysés sont présentés en tant queÌý.

‍Analyse du Big Data

Ce processus permet de visualiser les données de manière pertinente grâce à l’utilisation de la modélisation des données et d’algorithmes spécifiques aux caractéristiques du BigÌýData. Dans le cadre d’uneÌýÌýet d’une enquête de la MITÌýSloan School of Management, plus de 2Ìý000Ìýdirigeants d’entreprise ont été interrogés sur leur expérience en matière d’analyse du BigÌýData. Comme on pouvait s’y attendre, ceux qui s’étaient impliqués dans le développement de stratégies de gestion du BigÌýData ont obtenu les résultats les plus significatifs.

BigÌýData et ApacheÌýHadoop

Imaginez une grande boîte contenant 10Ìýpièces de 10Ìýcentimes et 100Ìýpièces de 5Ìýcentimes. Puis imaginez 10Ìýboîtes plus petites, côte à côte, contenant chacune 10Ìýpièces de 5Ìýcentimes et une seule pièce de 10Ìýcentimes. Dans quel scénario sera-t-il plus facile de repérer les pièces de 10ÌýcentimesÌý?ÌýÌýfonctionne sur ce principe. Il s’agit d’une structure en open source permettant de gérer le traitement du BigÌýData distribué sur un réseau constitué de nombreux ordinateurs connectés. Ainsi, au lieu d’utiliser un gros ordinateur pour stocker et traiter toutes les données, Hadoop regroupe plusieurs ordinateurs sur un réseau pouvant évoluer presque à l’infini et analyse les données en parallèle. Ce processus utilise généralement un modèle de programmation appeléÌý, qui coordonne le traitement du BigÌýData en regroupant les ordinateurs distribués.

Lacs de données, entrepôts de données et NoSQL

Les bases de données traditionnelles de type feuille de calcul SQL servent à stocker les données structurées. Le BigÌýData non structuré et semi-structuré nécessite des modèles de stockage et de traitement uniques, car il ne peut pas être indexé et catégorisé. Les lacs de données, les entrepôts de données et les bases de données NoSQL sont des référentiels de données capables de gérer les ensembles de données non traditionnels. Un lac de données est un vaste pool de données brutes qui n’ont pas encore été traitées. Un entrepôt de données est un référentiel de données qui ont déjà été traitées à des fins spécifiques. Les bases de données NoSQL fournissent un schéma flexible qui peut être modifié en fonction de la nature des données à traiter. Ces systèmes présentent chacun des avantages et des inconvénients, c’est pourquoi de nombreuses entreprises utilisent plutôt une combinaison de ces référentiels de données pour répondre au mieux à leurs besoins.

Bases de données in-memory

Les bases de données traditionnelles sur disque ont été conçues pour SQL et les bases de données relationnelles. Bien qu’elles soient capables de traiter de gros volumes de données structurées, elles ne sont pas adaptées au stockage et au traitement des données non structurées. Dans le cas desÌý, le traitement et l’analyse se font entièrement dans la RAM, pour ne pas avoir à extraire les données d’un système sur disque. Les bases de données in-memory reposent également sur des architectures distribuées. Cela signifie qu’elles peuvent atteindre des vitesses beaucoup plus élevées en utilisant le traitement parallèle, par rapport aux modèles de base de données sur disque à un seul nÅ“ud.

Fonctionnement du BigÌýData

Le BigÌýData remplit ses fonctions lorsque son analyse fournit des informations pertinentes et exploitables qui améliorent l’activité de manière significative. Pour se préparer à la transition vers le BigÌýData, les entreprises doivent s’assurer que leurs systèmes et processus sont en mesure de collecter, de stocker et d’analyser le BigÌýData.

1. Collecter le BigÌýData.Une grande partie de ce dernier est constituée d’énormes ensembles de données non structurées qui émanent de sources disparates et incohérentes. Les bases de données traditionnelles sur disque et les mécanismes d’intégration des données ne sont pas suffisamment performants pour les gérer. La gestion du Big Data requiert des solutions de base de données in-memory et des solutions logicielles spécifiques de l’acquisition de ce type de données.
2. Stocker le Big Data. Comme son nom l’indique, le Big Data est volumineux. De nombreuses entreprises utilisent des solutions de stockage sur site pour leurs données existantes et espèrent réaliser des économies en réutilisant ces référentiels pour traiter le Big Data. Toutefois, ce dernier est plus performant lorsqu’il n’est pas soumis à des contraintes de taille et de mémoire. Les entreprises qui n’intègrent pas dès le départ des solutions de stockage Cloud dans leurs modèles de Big Data le regrettent souvent quelques mois plus tard.
3. Analyser le BigÌýData.ÌýIl est impossible d’exploiter pleinement le potentiel du Big Data sans utiliser les technologies d’IA et de machine learning pour l’analyser. L’un des cinq V du Big Data est la « vitesse ». Pour être utiles et exploitables, les informations doivent être générées rapidement. Les processus d’analyse doivent s’auto-optimiser et tirer régulièrement profit de l’expérience, un objectif qui ne peut être atteint qu’avec l’IA et les technologies modernes de bases de données.

Applications du BigÌýData

Publié en anglais sur

The post Qu’est-ce que le Big Data ? appeared first on Â鶹ԭ´´ France News.

Il ne s’agit pas d’une nouvelle façon de s’attaquer à cette «Ìýpile de lingeÌý» qui semble grossir de semaine en semaine ; c’est une approche technologique fascinante pour aider les scientifiques à découvrir un remède contre le COVID-19.

Selon les scientifiques, les protéines sont constituées d’une chaîne linéaire de substances chimiques – les acides aminés – qui, si elles sont efficaces, se «ÌýplientÌý» en structures compactes et fonctionnelles. La façon dont les composants d’une protéine s’arrangent et se déplacent détermine sa fonction. Les virus ont également des protéines, qui sont utilisées pour supprimer notre système immunitaire et se reproduire.

Pour aider à lutter contre le coronavirus, les scientifiques et les médecins doivent comprendre comment la protéine virale fonctionne, ou «se replie», s’ils veulent trouver des moyens de l’arrêter.

C’est là que le Big Data rencontre l’épidémiologie.ÌýEn exécutant des simulations informatiques qui les aident à comprendre les parties mobiles des protéines, les chercheurs pensent que les données qu’ils collectent les rapprocheront d’un remède.

«Il n’y a jamais eu plus d’experts réunis pour se concentrer sur un seul et même sujet», déclare Michael Schmidt, architecte de Converged Cloud chez Â鶹ԭ´´.

Cependant, l’exécution des innombrables simulations nécessaires requiert une puissance de calcul énorme. C’est là que les entreprises et le grand public entrent en jeu. Le don de la puissance de calcul inutilisée peut accélérer la vitesse d’exécution de ces simulations, ce qui peut nous rapprocher d’un remède.

Click the button below to load the content from YouTube.

Always allow YouTube

L’initiative a eu un grand coup de pouce lorsqueÌýÌýa lancé un appel aux joueurs du monde entier, leur demandant de rejoindre le combat.

«ÌýLes ordinateurs de jeu sont des machines extrêmement puissantesÌý», explique M. Schmidt. Avant cette crise, les joueurs utilisaient souvent leur capacité de réserve pour «ÌýminerÌý» des cryptomonnaies et gagner un peu d’argent en parallèle. Mais maintenant, ils font don de la puissance de leur unité de traitement graphique (GPU) à la scienceÌý».

Â鶹ԭ´´ s’est joint à cet effort. Pour que cela démarre rapidement, l’équipe DevOps de Schmidt a automatisé sa contribution en capacité, en augmentant la capacité de calcul de réserve existante. Cette capacité est située sur la plateforme d’édition d’entreprise convergente en nuage de la société, la même plateforme qui héberge un grand nombre de clients de Â鶹ԭ´´. Lorsque la crise COVID-19 a frappé, l’équipe a envisagé d’utiliser cette première mise en Å“uvre pour programmer et faire évoluer dynamiquement une unité centrale de traitement (CPU) et un GPU Folding@home à partir de la plateforme, en les augmentant lorsque les systèmes sont inactifs et en les réduisant lorsque d’autres charges utiles en ont besoin.

«L’une des choses que notre cloud fait vraiment bien est de répartir la charge sur les nombreux ordinateurs que nous avons dans nos centres de données», explique Schmidt.Ìý«Nous pouvons mesurer en temps réel la pression que nous mettons dans le système et réduire automatiquement la capacité que nous accordons à Folding @ home si nécessaire, en nous assurant vraiment qu’aucune charge utile productive n’est affectée.»

De plus, comme Â鶹ԭ´´ maintient toujours une capacité de réserve pour ses clients, quelques nÅ“uds GPU de rechange ont été ajoutés au projet. Bien que ces serveurs dédiés soient peu nombreux, ils peuvent calculer des unités de travail étendues qui donnent une très grande puissance de traitement pour des charges de travail très lourdes. L’équipe a ensuite augmenté sa contribution au projet Folding@home, en fournissant une moyenne de 19 pétaflops – ce qui équivaut à environ 50 000 CPU et GPU supplémentaires par rapport à sa capacité de réserve normale dans le cloud.

La charge de travail est répartie sur trois continents et neuf régions. L’équipe Â鶹ԭ´´ se classe actuellement parmi les 200 premiers contributeurs, plus que les autres entreprises de logiciels. M. Schmidt se dit ravi des résultats, mais se souvient qu’il ne s’agit pas vraiment d’une compétition. «ÌýNous sommes tous dans le même bateau, et je suis heureux que les autres entreprises donnent aussi beaucoupÌý».

En savoir plus sur l’objectif et la promesse de Â鶹ԭ´´:Ìý

Article publié pour la première fois en anglais sur news.sap.com

The post Quand le Big Data rencontre l’épidémiologie appeared first on Â鶹ԭ´´ France News.

Quelques semaines après la mise en place des mesures de confinement en France pour faire face à la crise sanitaire COVID-19, Odoxa et Â鶹ԭ´´ ont interrogés les français sur l’utilisation des technologies et du numérique pour faire face à l’épidémie.

Les principaux enseignements :

• 7 Français sur 10 jugent que la France n’a pas suffisamment recours aux nouvelles technologies pour lutter contre
  ±ô’ép¾±»åé³¾¾±
• Caméras thermiques (79%), Big data (58%), traking (54%) voire même reconnaissance faciale (51%) : les Français estiment que le pays doit utiliser les outils numériques pour lutter contre ±ô’ép¾±»åé³¾¾±e
• 62% des Français téléchargeraient et utiliseraient une application du type StopCovid
• La technologie peut aussi être utile en matière de télémédecine et d’informations en temps réel

Point de vue de Christopher Bousigues, Directeur Business Technology Platform, Â鶹ԭ´´ FranceÌý:

69 % des Français jugent que la France n’a pas suffisamment recours aux nouvelles technologies pour lutter contre ±ô’ép¾±»åé³¾¾±e. 62% des Français téléchargeraient et utiliseraient une application du type StopCovid alors qu’il étaient 76% à se dire préoccupés par la collecte de leurs données en mai 2019. Cela démontre que lorsqu’il s’agit de leur sécurité et à partir du moment où ils ont le choix d’utiliser ou non la technologie, les français peuvent être ouvert à l’utilisation de leurs données.

Caméras thermiques (79%), Big data (58%), traking (54%) voire même reconnaissance faciale (51%) : les Français estiment que le pays doit utiliser les outils numériques pour lutter contre ±ô’ép¾±»åé³¾¾±e. Contrairement à l’Asie, la France a pris un sérieux retard quant à l’adoption de ces technologies, Aujourd’hui, chez Â鶹ԭ´´ nous analysons les données issues d’objets connectés comme des drones, des robots, des caméras, pour aider un certain nombre de nos clients dans le pilotage de leur activité. En France, nous accompagnons par exemple un établissement de santé parisien dans la lutte contre le cancer via l’utilisation de l’IA et du big data. Nous proposons également nos solutions pour aider les équipes de soins intensifs dans la priorisation et la gestion des flux de patients. Il nous faut aujourd’hui aller au-delà de nos barrières culturelles et définir des cadres précis pour rattraper notre retards dans l’adoption de ces technologies.

Il n’est pas étonnant dans notre contexte actuel que 89 % des français estiment important de pouvoir contacter son médecin via la télémédecine. Il n’est pas surprenant non plus que les français considèrent comme important de disposer de la mise à jour des ouvertures des commerçants en temps réel et de pouvoir réserver des créneaux horaires auprès de des commerçants pour faire ses achats. Le secteur du retail a su s’adapter et doit désormais être capable de fournir une expérience digitale de proximité plus importante. Ceux qui ont misé sur cela sont aujourd’hui en train de capter une nouvelle clientèle. Les autres vont très certainement devoir repenser leur backend, rendre plus flexible leurs processus d’achats et digitaliser plus fortement leur supply chain.

72 % estiment comme prioritaire ou important d’être informé de manière plus systématique (mail sms, WhatsApp) par les institutions. Ils étaient en effet, 73 % le mois dernier à indiquer que le numérique peut améliorer le dialogue entre citoyens et élus locaux. Même si le secteur public et les institutions ont effectivement commencé leur digitalisation, les français appellent à plus de transparence et de démocratie. Nous déployons de plus en plus de technologies de type chatbots et d’enquête en ligne pour renforcer l’écoute et le dialogue avec les citoyens. Le secteur public a commencé à tester de nouveaux usages de la technologie. Il convient désormais d’accélérer l’adoption de ces technologies qui sont en train de démontrer leur efficacité.

The post Les Français favorables à l’utilisation des technologies pour lutter contre le COVID-19 appeared first on Â鶹ԭ´´ France News.

La gestion des risques, des compétences et de l’impact environnemental sont autant de sujets stratégiques qui touchent le monde de la data en 2020. Nous assistons à une explosion de la production de données, dont le volume généré devrait être supérieur dans les 18 prochains mois à celui mesuré pendant toute l’histoire de l’humanité.

Il est essentiel de prendre en compte cette croissance, qui va avoir un impact fort sur le coût des infrastructures IT, qu’elles soient sur site ou dans le cloud. Autre problématique, trop de données se trouvent dans la nature. Il faut savoir comment les collecter, les assainir,Ìýles sécuriser et les traiter.

Â鶹ԭ´´ accompagne les entreprises dans cette réflexion, ainsi que dans la transformation de leur SI vers un modèle piloté par la donnée. De plus en plus d’entreprises tirent en effet de la valeur de la donnée pour améliorer leurs produits et services.

Savoir bien gérer la data

La première étape consiste à remettre à plat la gouvernance des donnéesÌý: où sont-ellesÌý? De quels types sont-ellesÌý? Qui doit les contrôlerÌý? L’expérience montre que la gouvernance des données a tout intérêt à ne pas être trop centralisée. Il n’est pas nécessaire de tout contrôler et tout traiterÌý: la data et sa gestion doivent avant tout être un état d’esprit permettant de saisir les opportunités. Un alignement avec les métiers est également essentiel, car ce sont eux qui tireront profit de la data.

Second sujet clé, la gestion des risques. Une thématique qui couvre à la fois la perte et la fuite des données. Des actions en termes de sécurité et de PRA doivent être menées, avec des audits réguliers et la mise au point de plans d’action. Ceci permettra d’assurer une protection globale de la donnée. Les CTO se doivent également de découvrir les nouveaux types de risques, d’en évaluer les impacts et de les intégrer dans la démarche de protection de la donnée.

Une transformation culturelle

L’émergence d’un modèle de gouvernance centré sur la data s’accompagne de multiples transformations, à commencer au sein des équipes IT. Envoyer de la data sur le cloud ne doit plus être un sujet dans le cadre d’environnements hybrides modernes, à condition d’en maitriser les rouages.

Un alignement entre les métiers et l’IT est également nécessaire… jusqu’au Comex. Sans quoi la ligne directrice risquerait de manquer de force. Transverse, l’IT revient au cœur du business des entreprises et sera le moteur d’une transformation en profondeur, allant par exemple pour l’industrie jusqu’à un virage possible vers le monde des services.

Un autre défi est de savoir attirer – et garder – de nouveaux talents, capables d’intégrer ce processus de transformation et disposant d’un cursus «Ìýcloud première langueÌý». Des digital champions qui vont accélérer la transformation.

L’écoresponsabilitéÌý: un sujet vital

L’impact environnemental de l’IT est un sujet crucial. Collecter et traiter la data induit des besoins en énergie et matériaux très importants, et qui sont appelés eux aussi à croitre de façon exponentielle. L’architecture des services numériques est donc un sujet fondamental en matière d’impact environnemental.

Les CTO doivent prendre en compte cette problématique et opérer une transformation franche dans un délai court (environ 10 ans), sous peine de se retrouver dans une impasse. Cette transformation aura toutefois un impact positif sur l’image de l’entreprise. Un élément clé dans le cadre d’une économie d’expérience, qui sera susceptible d’attirer les jeunes talents, sensibles à cette démarche d’écoresponsabilité.

Découvrez comment Â鶹ԭ´´ aide les entreprises à transformer leurs données en valeur métier avec sa

The post Quelles responsabilités pour le CTO face à l’explosion de la data ? appeared first on Â鶹ԭ´´ France News.