Par Insight Editor / 5 Feb 2019 / Sujets: Centre des données Internet des objets (IOT)
Il s'agit d'une capacité informatique essentielle qui permet aux entreprises de toutes tailles d'être plus légères - et plus agiles - dans leur processus décisionnel.
Par « grandes données », on entend des volumes importants de données structurées et non structurées qu'une entreprise accumule par le biais de diverses sources, telles que les applications destinées aux clients, les sites Web, les dispositifs de l’Internet des objets (IdO) et autres.
En tant que concept, les grandes données sont l'effet de levier de ce vaste réservoir créé par les sources ci-dessus pour réduire les coûts, mettre sur le marché plus rapidement que la concurrence et identifier de nouvelles opportunités de croissance des revenus.
Pour comprendre ce dernier point, jetez un coup d'œil à ces cas réels d'implémentation de grandes données :
À l'aide des services en nuage de Microsoft Azure, Shell a mis au point une plate-forme d'analyse qui s'appuie sur l'intelligence artificielle (IA) et les données pour prévoir le moment où l'un de ses 3 000+ composants machine pourrait tomber en panne.
Grâce à cette plate-forme, Shell a été en mesure de planifier efficacement l'approvisionnement de nouvelles pièces et d'éviter les goulots d'étranglement causés par une pièce défectueuse ou les dépenses excessives liées au remplacement des pièces excédentaires.
Tirant parti de l'IdO, la société de logistique Schneider National recueille et interprète des données de la consommation de carburant de ses camions, du freinage et d'autres mesures pour optimiser la consommation de carburant et améliorer la sécurité des conducteurs.
L'objectif est de maximiser l'efficacité opérationnelle et de réduire les risques sur la route.
Les grandes données aident les banques de multiples façons. En accédant aux multiples facettes de l'histoire, du comportement et des besoins réels d'un client en devenir, les banques peuvent déterminer avec précision les risques, identifier les ventes incitatives ou les offres de services élargies, et comprendre ce qui peut inciter un client à changer de banque.
Comme le montrent ces exemples, les grandes données jouent un rôle déterminant dans la manière dont les entreprises deviennent plus compétitives dans leurs secteurs respectifs.
Mais pour exploiter de grandes quantités de données, vous devez disposer de l'infrastructure nécessaire. Sinon, vous risquez d'être confronté à des goulots d'étranglement dans des domaines critiques, tels que la vitesse de traitement des données, la capacité et la vitesse du réseau.
Pour développer efficacement de grandes capacités de données, vous aurez besoin du réseau, du stockage de données et de l'infrastructure de traitement nécessaires.
En termes techniques, vous avez besoin de ces éléments d'infrastructure pour les grandes données :
La couche de données - la base de vos grandes capacités de données - est composée des serveurs qui collectent et stockent vos données. Lorsque vous prenez des données provenant de centaines de milliers - ou de millions - d'utilisateurs finaux ou de sources IdO, vous constaterez que l'expansion continue de votre infrastructure de serveurs devient une nécessité.
Pour analyser les données, vous devez les collecter. La couche d'intégration implique généralement des outils d'ingestion pour l'extraction, la transformation et la charge (ETL). Les technologies comprennent Stich, Blendo et Kafka. Ces outils ETL tirent des données de sources multiples pour les utiliser dans l'analyse.
L'avantage des outils modernes de capture de données est que vous pouvez extraire et préparer les données pour l'analyse en quelques minutes, au lieu de jours ou même de mois.
Vos analystes et scientifiques doivent organiser les données recueillies pour qu'ils puissent les comprendre plus tard (c.-à-d. dans la couche d'analyse et d'intelligence d'affaires).
C'est là que le traitement des données est essentiel. Votre équipe exécutera des requêtes SQL contre les données, mais ce processus nécessite une immense puissance de calcul. Vous avez également besoin d'outils pour rendre le processus d'analyse efficace, en particulier lorsque vous exécutez des requêtes parallèles.
Les outils de traitement de données les plus populaires sont Apache Spark et Hadoop, entre autres.
Grâce aux couches précédentes, vous disposez maintenant de données exploitables. Dans la couche analytique et intelligence d'affaires, votre équipe peut rechercher les tendances clés, les opportunités et d'autres informations précieuses.
En utilisant vos données, vous pouvez exécuter des requêtes, créer des tableaux de bord, fournir des visualisations, et plus encore. La clé est d'avoir les bons outils d'analyse et d'intelligence d'affaires.
Vous avez maintenant la théorie de l'infrastructure et des outils dont vous avez besoin pour de grandes capacités de données, mais vous avez aussi besoin de connaissances pratiques.
Vous vous demandez peut-être: comment puis-je mettre cela en œuvre ?
En janvier 2019, Microsoft a annoncé un partenariat avec le géant de la pharmacie Walgreens pour « créer des expériences innovantes, rentables et centrées sur le consommateur dans le domaine de la santé qui tirent parti des technologies de données en nuage et des stratégies basées sur l'intelligence artificielle » avec Azure.
Walgreens n'essaie pas de construire sa propre infrastructure de serveurs ou ses propres applications. Elle travaille plutôt avec des solutions éprouvées, comme Azure Cloud et la plate-forme Microsoft Office 365.
Le développement des capacités en matière de données sans l'aide d'une expertise externe crée plusieurs défis et risques. Il s'agit notamment de dépenses d'investissement initiales importantes, de contraintes techniques, d'inadéquation des talents et de problèmes de maintenance.
De plus, la capacité du nuage est intrinsèquement liée aux grandes données: vous ne pouvez utiliser la seconde sans maîtriser la première.
En travaillant avec un partenaire infonuagique tel que Microsoft Azure, vous pouvez facilement répondre à vos besoins d'infrastructure de données importants sans vous soucier des dépassements de coûts d'investissement.
En plus d'acquérir l'infrastructure serveur nécessaire, Azure vous permet également d'utiliser des outils tiers et open source populaires, tels que Hadoop, Spark et Kafka, pour l'intégration et le traitement. En d'autres termes, vous n'êtes pas lié strictement à l'utilisation des solutions Microsoft: vous avez de la flexibilité.
Obtenir de grandes capacités de données n'est pas en soi une tâche intimidante. Vous pouvez construire les couches de données, d'intégration, de traitement et d'analyse nécessaires en travaillant avec un fournisseur de solutions cloud clé en main tel que Microsoft. Vous devriez vous concentrer sur la définition de la manière dont vous pouvez exploiter de grandes quantités de données, sans vous soucier de l'infrastructure d’arrière-plan.
