1

Conférence La vérité sur le Big Data, Hadoop,

l‘Internet des objets et les tendances technologiques

Démasquez les promesses surdimensionnées grâce au cycle de vie

des technologies émergentes

Au programme de cette conférence…

Le cycle de vie des technologies : Hype curve et promesses d’Eden.

3 panélistes expérimentés pour 3 angles d’approche.

2

Déroulement de notre rencontre…

Introduction, présentation de vos hôtes

Hype curve et cycle de vie

Approches d’experts et débats

• Technologies

• Données

• Organisation

Conclusion et période de questions

3

Qui sommes nous ? Titulaire d’un MBA de McGill et d’un BAC en génie logiciel, Charles

est architecte en intelligence d’affaires, présentement expert Microsoft de la plateforme de données. Il couvre les grands comptes

commerciaux et du secteur public de l’est du Canada, d’Ottawa à l’Atlantique. Charles a œuvré dans l’industrie du transport, du

commerce de détail et le bancaire. Passionné par l’analytique et les visualisations de données interactives, il s’active à créer la culture

des données dans les entreprises.

4

Leader de la pratique de consultation Gestion de l’Information et Technologies Analytiques au Québec et participant actif à la

transformation analytique du cabinet à l’échelle nationale, Guillaume possède plus de 15 ans d’expérience en services professionnels en intelligence d’affaires et analytique. Il a contribué activement au

développement de ces disciplines au sein de nombreuses organisations à Montréal et ailleurs dans le monde. Cette vaste expérience, ajoutée à son

esprit innovateur et son implication au sein de la communauté d’intelligence d’’affaires du Québec, font de lui un des leader local de cette

industrie florissante.

Guillaume Bédard

Charles Verdon

Qui sommes nous ? Denis détient une maîtrise en sciences (M.Sc.) et un baccalauréat en administration des affaires (B.A.A.) d’HEC. Il est aussi membre de l'Ordre des comptables professionnels agréés (CPA, CMA) du Québec.

Denis est un expert reconnu et certifié Tableau en visualisation des données. Il est fondateur et chef de pratique chez DATA VIZ PRO, compagnie spécialisée en analytique et en visualisation de données. Denis aide les décideurs par la visualisation de données et la mise en récit des données, il a participé à plus de 34 projets analytiques majeurs depuis 1991 auprès de groupes de premier rang tels que le Cirque du Soleil, l’American Automobile Association (AAA) et la Caisse de dépôt et de placement du Québec.

5

Jean-Michel est consultant chargé de programmes et de projets indépendant et formateur PMP. Il apporte son soutien et ses compétences de gestion aux décideurs et aux entreprises depuis plus de 18 ans, dans différents secteurs tels que la Finance, l’Énergie, les Services et les Loisirs et ce, dans plusieurs pays, en Europe et en Amérique du Nord. Démontrant une expérience majeure en programmes et projets d’intelligence d’affaires et décisionnels, il apporte également son expertise sur tous types de projets organisationnels, stratégiques ou technologiques, qu’il s’agisse de transformation, d’évolution ou d’intégration. Il est titulaire d’un Master en Méthodes informatiques appliquées à la gestion des entreprises de l’Université de Lyon (France) et certifié PMP et Scrummaster. Très impliqué dans la communauté, Jean-Michel apporte également son soutien en gestion de manière bénévole à diverses associations ou évènements tels que le programme de mentorat du PMI, les comités de l’AQIII, l’initiative JefaisMtl ou encore le concours KGP de l’UQAM.

Jean-Michel Laroche

Denis Archambault

Très impliqué dans la communauté BI et Analytics, Denis intervient régulièrement à titre de conférencier et de spécialiste.

Hype curve et promesses d’Eden

Le cycle de vie technologique

6

Hype curve et cycle de vie

7

- Opportunité des émergences technologiques - Vision du risque de maturité

www.gartner.com

« Lorsque les entreprises s’engagent dans l’aventure de la transformation

digitale, identifier et employer les bonnes technologies au bon moment

devient un enjeu critique» Gartner, 2014

Le Hype cycle de Gartner : outil de veille pour les décideurs

Les 5 phases du cycle

8

Technology trigger → Émergence technologique Peak of inflated expectations → Attentes surdimensionnées Trough of desillusionment → Gouffre de désillusion Slope of enlightenment → Chemin vers la lumière Plateau of productivity → Phase productive

Les 5 phases du cycle

9

Émergence technologique • maquettes et prototypes • viabilité commerciale non prouvée • peu d’entreprises se lancent

Attentes surdimensionnées • Effet de buzz, le public s’enflamme • Flou global sur le produit • Exposition importante : ideal pour le lancement

Gouffre de désillusion • Indisponibilité du produit • Incapacité a tenir les promesses • Les entreprises doutent • Phase d’echec

Les 5 phases du cycle

10

Chemin vers la lumière • Phase de croissance lente • Ajustements et nouvelles generations

Phase productive • Marché qui se concrétise • Critères de viabilité apparents • Rentabilité financière stable

Cycle vie des technologies : Big Data

11

2011

2012

2013

2014

2015 ???

c

Cycle vie des technologies : IoT

12

2011

2012

2013 2014

2015

c

Cycle de vie : Statuts et durée de vie

13

Big Data

14

Communication véhiculaire

15

RFID : Logistique et transport

16

Des cycles de vie variés…

17

Business Intelligence and Analytics

Big Data

Emerging Technologies

Cloud Computing

Digital Marketing

CRM, ERP, SCM

+ 50 autres thèmes, + 500 sujets

Ce qu’est le Hype cycle…

… un outil d’intelligence économique

18

Usages et tendances des consommateurs, professionnels… Évolution et positionnement des technologies Indicateur stratégique d’aide à la décision

Les bénéfices de l’intelligence économique

19

Identification des technologies • Potentiellement profitables • Potentiellement utilisables Priorisation et pertinence des investissements technologiques Réduction potentielle des coûts et processus décisionnels Optimisation des stratégies de marketing

Ce que le Hype cycle n’est pas :

un outil de gestion de projet !

mais… sa logique peut s’avérer utile !

20

L’impact des nouvelles technologies

Avis d’experts

21

La Perspective Technologique

22

Charles Verdon

Technology Solutions Professional Email: chverdon@microsoft.com Twitter: @chverdon

Le monde des données a changé

Les “Big Data Analytics” enrichissent

Les 3 V’ traditionnels du Big Data…

Volume

Variété

Vélocité

Téraoctets Petaoctets

Structurées Non structurées

Batch Streaming

Véracité

Volume Téraoctets Petaoctets

Le nuagique, pour quoi?

Performance Échelle Données

économiques

Toujours actif

et efficient Ouvert et

flexible

Délai de

valorisation

Données tous volumes

Variété, Vélocité

Traitement et

stockage massifs

Déploiement

expertise

Répartition mondiale des centres de données

Operational Announced

Central US Iowa

West US California

North Europe Ireland

East US Virginia

East US 2 Virginia

US Gov Virginia

US Gov Iowa

South Central US Texas

Brazil South Sao Paulo

China North * Beijing

China South * Shanghai

Japan East Saitama

Japan West Osaka

India West Mumbai

East Asia Hong Kong

SE Asia Singapore

Australia West Melbourne

Australia East Sydney

* Operated by Third Party

Canada Central Toronto

Canada East Québec

North Central US Illinois

India South Chennai

India Central Pune

UK2 TBD

West Europe

Netherlands

UK1 TBD

Germany1* TBD

Germany2* TBD

29

Accès simplifié aux données grandes ou petites

Use your historical and

ongoing transactional

data to your

advantage

Data types:

Social sentiment

Audio

Video

Handwritten

TB Streaming

HDInsight, APS, HDP

Use your historical and

ongoing transactional

data to your

advantage

Data types:

CEP

Weblogs

Sensor data

PB Unstructured

StreamInsight

Use your historical and

ongoing transactional

data to your

advantage

Data types:

ERP

CRM

GB Structured

Microsoft SQL Server

Unstructured

Streaming

Use your historical and

ongoing transactional

data to your

advantage

Data types:

ERP

CRM

GB Structured

Microsoft SQL Server

Unstructured Structured

Streaming

Use your historical and

ongoing transactional

data to your

advantage

Data types:

Social sentiment

Audio

Video

Handwritten

TB Streaming

Use your historical and

ongoing transactional

data to your

advantage

Data types:

ERP

CRM

GB Structured

Microsoft SQL Server HDInsight, APS, HDP

Use your historical and

ongoing transactional

data to your

advantage

Data types:

ERP

CRM

Unstructured Structured

Streaming

Use your historical and

ongoing transactional

data to your

advantage

Data types:

CEP

Weblogs

Sensor data

GB Structured PB Unstructured

StreamInsight Microsoft SQL Server

Use your historical and

ongoing transactional

data to your

advantage

Data types:

Social sentiment

Audio

Video

Handwritten

TB Streaming

HDInsight, APS, HDP

Conduire l’activité

d’affaires en temps

réel, des applications

vers la compréhension

Types de données:

ERP/CRM

Paye

Gestion des ventes

Inventaire

Surveiller, gérer et

investiguer les

données pour trouver

les faiblesses et les

opportunités

Types de données:

Trading et finance

Analytiques Web

Analytiques

opérationnelles

Stocker, traiter tout

type de données et de

volumes

Types de données:

Fichiers de logs

Senseurs, RFID,

appareils

GPS et données

spatiales

Conditions climatiques

Structurées Streaming Non structurées

Variété Structurées Non structurées

Observation

Pattern

Théorie

Hypothèses

Que va-t-il

arriver ?

Comment peut-on

y arriver ?

Analytique

prédictive

Prescriptive

Analytics

Qu’est-il arrivé ?

Pourquoi

est-ce arrivé?

Analytique

descriptive

Analytiques de

diagnostique

Confirmation

Théorie

Hypothèses

Observation

2 approches de la gestion des données: Top-Down + Bottom-Up

Data Lake + Data Warehouse agissent mieux ensemble

Data sources

Qu’est-il arrivé ?

Analytique

descriptive

Analytique de

diagnostique

Pourquoi est-ce arrivé ?

Que va-t-il se passer ?

Analytique

prédictive

Analytique

prescriptive

Comment y arriver?

Objets

30M

Vélocité Batch Catégorisation

Notre point de vue

L’Internet des objets commencent

avec Vos Objets.

• Construire sur l’infrastructure que vous possédez déjà.

• Ajouter des équipements à ceux que vous possédez.

• Obtenir plus de données existantes.

Big Data

Computer Vision

Deep Learning

Machine Learning

Data Mining

Veracity

Ricky White Dispatcher de flotte - Contoso Logistics

Ricky est le dispatcher de la flotte routière chez Contoso

logistics.

Il est responsable de la sélection et de la maintenance en

parfaite condition des véhicules pour que l’entreprise puisse

atteindre ses objectifs de distribution efficacement et en

maîtrisant ses coûts.

Il utilise le logiciel de dispatch de la flotte pour suivre et contrôler

les différents aspects des véhicules et des activités des

conducteurs.

Données et analytiques

36

Denis Archambault

Intégration de données

37

Serveur

Systèmes sources

Extract, Load, Transform (ELT) Destination finale

Intégration et optimisation

Extract Transform

Load

Intrégration Optimisation

Phase de données Phase analytique

Gouvernance des données

38

À Temps Complet Exact Approuvé

Modèles analytiques

39

Définition de problèmes

Algorithmes décisionnels

Mathématiques

Ressources humaines

40

Spécialiste en base de données

Spécialiste en analytiques d affaires

Spécialiste deslignes d affaires

Spécialiste envisualisation

Ressources technologiques

41

Extract, Load,

Transform

Data LakeData Warehouse

Aide à la prise de décision

Statistiques

Logiciel reporting Logiciel de

visualisation

Les organisations et la gestion du changement

42

Guillaume Bédard

Le défi: changer la culture de la décision!

43

Donnée Action

Décision

Descriptif

Que s’est-il passé?

Diagnostic

Pourquoi est-ce arrivé?

Prédictif

Qu’est-ce qui arrivera?

Prescriptif

Que devrais-je faire?

Support à la décision

Automatisation de la décision

Analytique Humain

Source: Gartner (Août 2014)

Resistence is not futile…

Pourquoi donnée et technologie ne suffisent pas?

Surcharge de travail

Surcharge de nouvelles technologies à apprendre

Incompréhension de la valeur

Confiance plus élevée en l’instinct qu’en la donnée

Peur! • De paraître non efficient/efficace

• De perdre leur emploi

• Que la machine surpasse l’humain

44

45

46

Facteur clé #1 – La vision

Mobiliser l’équipe autour d’une vision claire

Exercices simples, mais payants:

• Définition de l’analytique avec l’équipe complète

• Compréhension de ce que la donnée peut concrètement changer

• Compréhension de la valeur pour l’organisation

47

Facteur clé #2 – La valeur

Clarifier, piloter et mesurer la valeur

48

Facteur clé #3 – Briser les silos

Penser globalement, agir localement

49

PLAN STRATÉGIQUE ANALYTIQUE EXÉCUTION AGILE

Facteur clé #4 – La qualité des données

Gérer activement sa police d’assurance: la qualité des données

• Identifier clairement les bénéfices à risque

• Renforcer les requis de qualité de données

50

Conclusion et période de questions

51