Pendant des décennies, l'informatique s'est appuyée sur l'informatique décisionnelle et l'entreposage de données classiques, avec des exigences bien définies et des rapports prédéfinis..

Nous sommes maintenant dans une nouvelle ère de l'analyse de données volumineuses, où la découverte fait partie du processus, de sorte que les objectifs changent à mesure que de nouvelles perspectives apparaissent. Cela nécessite une infrastructure et des processus capables de passer rapidement et de manière transparente de l’exploration de données à la connaissance opérationnelle en informations exploitables..

Pour transformer rapidement les données en valeur commerciale, une architecture Big Data doit être considérée comme une chaîne logistique capable de gérer et de traiter le volume, la variété et la rapidité des données. Pour commencer, chaque entreprise a besoin d'un processus Big Data. Ce processus est divisé en trois étapes:

1. Identifier les objectifs de l'entreprise

Personne ne devrait déployer le Big Data sans une vision globale de ce qui sera gagné. Le développement de ces objectifs repose sur votre équipe d’analyse et de science des données qui travaille en étroite collaboration avec des experts en la matière. Les scientifiques, les analystes et les développeurs de données doivent collaborer pour hiérarchiser les objectifs de l'entreprise, générer des informations et valider des hypothèses et des modèles analytiques..

2. Rendre opérationnelle les analyses de données volumineuses

Il est impératif que l'équipe de science des données travaille en collaboration avec l'équipe de devops. Les deux groupes doivent veiller à ce que les idées et les objectifs soient opérationnels, avec des méthodes et des processus reproductibles, et communiquent des informations exploitables aux parties prenantes, aux clients et aux partenaires..

3. Construire un pipeline de données volumineuses

L’architecture des systèmes de gestion et d’analyse des données doit faciliter la collaboration et éliminer les étapes manuelles. La chaîne logistique Big Data comprend quatre opérations clés nécessaires pour transformer les données brutes en informations exploitables. Ceux-ci inclus:

  • Acquérir et stocker: Accédez à tous les types de données à partir de n'importe quelle plate-forme, quelle que soit la latence, grâce aux adaptateurs des systèmes opérationnels et existants, des médias sociaux et des données de machine, avec la possibilité de collecter et de stocker des données en mode batch, en temps réel ou quasi réel.
  • Affiner et enrichir: Intégrez, nettoyez et préparez les données pour l'analyse, tout en collectant des métadonnées techniques et opérationnelles pour baliser et enrichir des ensembles de données, facilitant ainsi leur recherche et leur réutilisation..
  • Explorer et organiser: Parcourir des données et visualiser et découvrir des modèles, des tendances et des idées ayant un impact potentiel sur l'entreprise; gérer et gouverner les ensembles de données qui contiennent le plus de valeur commerciale.
  • Distribuer et gérer: Transformez et distribuez des informations exploitables aux utilisateurs finaux via des périphériques mobiles, des applications d'entreprise et d'autres moyens. Gestion et prise en charge des contrats de niveau de service avec une architecture de déploiement flexible.

Une fois le processus établi, l’architecture de référence Big Data peut prendre en charge ces quatre modèles de cas d’utilisation Big Data communs, qui permettent une veille stratégique exploitable: optimisation de l’entrepôt de données, analyse client à 360 degrés, intelligence opérationnelle en temps réel et données gérées..

Optimisation de l'entrepôt de données

À mesure que les volumes de données augmentent, les entreprises dépensent de plus en plus en environnement d'entrepôt de données. Le problème se pose lorsque la capacité de l'environnement est consommée trop rapidement, ce qui oblige finalement les entreprises à effectuer des mises à niveau coûteuses de la capacité de stockage et de traitement..

Une façon de faire face à la croissance des volumes de données en volume consiste à déployer Hadoop, qui constitue une solution peu coûteuse pour stocker et traiter des données à grande échelle. Au lieu de stocker les données brutes provenant des systèmes sources dans l'entrepôt, stockez simplement les données sources d'origine dans Hadoop.

À partir de là, vous pouvez préparer et pré-traiter les données avant de réintégrer les résultats (un ensemble de données beaucoup plus petit) dans l'entrepôt de données pour la business intelligence et les rapports analytiques. Hadoop ne remplace pas le data warehouse traditionnel, mais constitue une excellente solution complémentaire..

Analyse client à 360 degrés

La plupart des entreprises souhaitent mieux comprendre leurs clients pour accroître la fidélité et la rétention, ainsi que pour promouvoir des produits ou des services. Pour ce faire, vous devez développer une vue à 360 degrés du client..

Le logiciel de CRM a longtemps prétendu faire cela. Aujourd'hui, cependant, les nouveaux types de données sur les individus abondent via les canaux sociaux, mobiles et de commerce électronique - ainsi que les enregistrements de service client, la télématique, les données de capteurs et les données de flot de clics basées sur des interactions Web..

Une véritable vue à 360 degrés signifie désormais que vous devez être en mesure d'accéder à de nouveaux types de données ainsi qu'à ceux traditionnels, de les combiner, de les transformer et de tout analyser pour découvrir de nouvelles informations sur les clients et les prospects..

Ce niveau de compréhension accru, associé à des algorithmes de données volumineuses pour l'analyse prédictive, permet aux organisations de prévoir le comportement des clients avec plus de précision et de fournir des recommandations significatives. Le fait de mieux connaître vos clients, y compris ce qu'ils disent et font, vous permet de leur offrir plus de valeur.

Intelligence opérationnelle en temps réel

L'intelligence opérationnelle en temps réel est la capacité de surveiller et de réagir (de manière optimale) aux événements en temps réel. Un exemple de ceci dans les ventes ou le marketing est connu sous le nom de "marketing au moment".

Par exemple, via un appareil mobile, un représentant des ventes peut recevoir des informations sur un client dès son entrée dans le magasin, y compris les expériences récentes de ce client sur son site de commerce électronique..