Tour du monde de la data

Données est la nouvelle huile ici ce qu'a dit le mathématique Clive Humby dès 2006. Aujourd'hui, la data est partie autour de nous. Finance, chaîne d'approvisionnement, marketing et même management sont des secteurs parmi d'autres dans lesquels la data met une place toujours plus importante. Découvrez dans cette introduction générale à la data comment la data fait partie de nos vies. Au Sommet de cet article :

• Infrastructures de données
• Les données pour l'analyse
• Les données pour la prédiction
• Les secteurs révolutionnaires par la donnée.

Les données sont la nouvelle huile : comment la data fait partie de nos vies

Les infrastructures de données

Une infrastructure de données est la gestion d'organiser la donnée et la gestion dont elle est collectée. On va créer autour de cela des dictionnaires de données, c'est-à-dire des guides expliquant comment cette donnée est collectée, traitee et comment les utiliser. Les bonnes technologies permettent.

Les données sont recueillies dans les bases de données, relations ou non. Pour gérer ces données, on va utiliser des systèmes de gestion de bases de données (SGBD). Parmi les plus connus, les SGBDR (SGBD relationnels) comme MySQL, PostgreSQL ou non relationnels comme MongoDB ou NoSQL. Avec l'événement du nuage, d'autres types d'infrastructures se sont développées : les datawarehouses et les data lacs.

Les données pour l'analyse

Une fois qu'on a collecté ces données avec la bonne architecture, on peut commencer à faire des analyses. On va donner utiliser cette donnée collectée pour mieux expliquer certains phénomènes passés.

Les outils de l'analyse de données

Les outils pour analyser cette donnée ont plusieurs niveaux de sophistication. On peut commencer par des agrégats connus par beaucoup : moyenne, médiane, quartils, cart-type sont des outils de base de base utilisés pour analyser certaines données.

Le niveau supérieur est ensuite utile des outils statistiques plus évolués. En voici quelques-uns :

• La régression linéaire
• La régression logistique
• L'analyse en composants principaux
• L'analyse factorielle
• L'analyse en composants indépendants

La liste est plus longue que ces seuls outils.

Les étapes de l'analyse de données

On va d'abord collecter des données, en provenance d'une ou plusieurs sources. C'est là que l'architecture de données prend son importance. Il est important de bien définir l'objectif de collecte de ces données pour bien choisir la bonne architecture.

Ensuite, avant de pouvoir les analyser, il faut d'abord nettoyer ces données et les transformer, pour les rencontres pratiques à être analysées. On appelle cela la préparation de données, ou en anglaispréparation des données.

On peut maintenir les analyser, la qualité de la donnée a bien aimé toutes ces importances. On va utiliser des outils comme définition préalable pour faire ces analyses. C'est à cette étape qu'on va transformer la donnée brute en information exploitable. Et de ces informations, on va généraliser desAperçuqui ont de la valeur pour les entreprises.

L'étape finale est celle de la restitution. Elle se fait via la visualisation de ces données.

Exemple d'utilisation de l'analyse de données

Voici quelques cas d'usages utilisés lors de l'analyse de données. L'analyse de données peut être utile pour détecter des anomalies. On va bientôt parler avec le terme anglaisaberrations. Les techniques d'analyse de données ont permis de détecter les données statistiques peu probables qui ne sont pas sûres. L. anomalie peut être de divers formes : mauvaise mesure, erreur dans le modèle, exception qui va perturber les analyses (notamment en calculant une moyenne par exemple).

Un autre exemple d'utilisation est la réalisation d'études de marché. Pour comparer un secteur, des entreprises, les études de marché avant d'être numéros d'analyses de données qui ont permis de comprendre en profondeur un secteur.

Le niveau supérieur à l'analyse est ensuite la prévision, pour être des événements qui ne se sont pas encore passés.

Les données pour la prédiction

La prévision est une sous-branche de l'analyse des données. C'est le fait d'utiliser des données pour prédire le futur... ou en tout cas l'estimateur le meilleur possible. Lequel est le plus probable, basé sur les données qu'on a recueillies. Prévoir le futur ? Ce n'est pas toute entreprise rêve. La réalité est bien sûr de la prédiction parfaite, mais si on peut limiter les risques, cela a une forte valeur pour les entreprises.

Les différents types de prédiction

Voici quelques exemples de types de prédiction :

• Classement :un algorithme prédit, d'après des données historiques, une catégorie. Par exemple, à partir du contenu d'un mail, de son objet et de son opérateur s'il est probable que ce soit un spam ou non. Les deux catégories sont donne spam et non spam.
• Régression :Un algorithme prédit une valeur à partir de données historiques. Par exemple, quel sera le prix du baril de pétrole dans 2 mois. Combien vaut une maison ayant telle surface, tel nombre de pièces, tel nombre de chambres et situé à tel emplacement défini ?
• Groupement :Le but est de regrouper des données. Exemple : on dispose de diverses mensurations d'un groupe de personnes. Comment faire 3 groupes pour créer 3 queues de tee-shirt : S, M et L ? Les algorithmes de clustering von nous aider à cela.

Les secteurs révolutionnaires par la donnée

Assurance

En assurance, la data va permettre de comprendre quelles sont les zones géographiques les plus à risques sur certains sinistres et donc de bien juger le risque et le fournisseur pour le jour où il survit.

Côté client, il va permettre d'identifier quels sont les clients les plus sensibles de partir chez la concurrence et donc de trouver le bon moyen pour les retenir.

Cybersécurité

En matière de cybersécurité, la data peut permettre de protéger les plus brutes faillites, celles qui ont les plus brutes conséquences notamment. Elle laisse de protéger parmi les alertes, lesquelles présentent le plus de risques et sont à traiter en premier.

Énergie

Vous avez entendu parler de laréseau intelligent? La smart grid permet d'optimiser le flux d'électricité en temps réel. Avec l'expérience des énergies rénovables qui rendent très variables la production d'électricité, la smart grid permet de réguler la demande en électricité. On va par exemple pouvoir différencier la charge des batteries de voies électriques. On peut faire en sorte que tous les frigos ou les chauffe-eau ne tournent pas en même temps mais soient utilisés quand l'offre d'électricité est la plus importante.

Financement

Amener les données en temps réel pour permettre des décisions éclairées est le premier élément. La décision de fraudes et la création de modèles de risques toujours plus nombreux sont 2 autres cas d'usages dans lesquels la data est présente dans ce secteur

Logistique

Les cas dans l'industrie sont nombreux mais en voici un important : la data permet de meilleur gérer les stocks. C'est important pour le secteur de l'industrie. Acheter trop de stocks créer un trou dans la trésorerie et nécessaire d'avoir suffisant de places, ce qui représente là aussi un coût. De l'autre côté, pour des raisons écologiques, ne pas avoir accès à de stock est problématique. En effet, cela peut bloquer tout le reste de la chaîne.

Commercialisation

De gestion générale, la data permet de mieux comprendre sa clientèle. En amont, cela va permettre d=identifier quels clients sont les plus sensibles d=acquérir votre produit et services. Cela va permettre de développer des stratégies pour obtenir des clients. En aval, la data va ensuite permet d'identifier les clients les plus sensibles de partir et donner de définir des stratégies pour être capable de les garder.

Santé

La data est en train de révolutionner le monde de la santé. Le premier cas, qui concerne tout le monde est Doctolib. En créant une plateforme et en utilisant les données, Doctolib a créé un système qui optimise les réserves pour chaque et peut de trouver les crédits encore disponibles. Tout le monde est gagnant : les médecins réduisent les trop dans leur agenda. Les patients présentent les crédits disponibles et peuvent trouver le créneau le plus proche qui correspond à leur agenda et être informés quand un créneau se libère.

Et avec des prédictions plus portées : protéger certaines maladies complexes à évaluer. La détection de cancer par exemple, à l'aide d'analyses d'images (vision de l'ordinateur) est une grande évolution si elle permet de diminuer les erreurs humaines. En effet, un cancer mal diagnostiqué a des conséquences dans les deux sens. Par exemple, personne qui n'a pas le cancer et diagnostiqué comme ayant un cancer va subir un traitement lourd pour rien.

Transports

Les véhicules autonomes sont prévus pour dans quelques années. De nombres essais sont promoteurs. Les données recueillies à l'aide de Capteurs placés un peu partout sur les voix de cele et rendent le transport plus agréable et produisent le risque d'accident. La prévision de pannes est aussi un champ d'applications importantes de la data dans les transports et l'industrie.

Comme vous l'avez vu, la data s'integre aujourd'hui de plus en plus à tous les niveaux de l'entreprise. Elle permet d-optimiser la production, garantir la satisfaction client et permet d-importantes innovations, c'est pourquoi les métiers en data ont le vent en poupe !