Maintenance Prédictive, personnalisation des interactions clients, optimisation de la supply chain : quand Spark et Hadoop s'immiscent dans les activités opérationnelles de l'entreprise
2. 2
Les entreprises orientées données…
· 23 fois plus d’acquisition de clients
· 6 fois plus de fidélisation clients
· 19 fois plus rentables
McKinsey’s DataMatics 2013 Survey - Using customer analytics to boost corporate performance
Dynamiser l’entreprise par ses Données
3. 3
ABOUT TALEND
Faits et chiffres
• Créé en 2006
• 500+ employés dans 7 pays
• 1700+ clients
• 2M+ téléchargement open source
• 108% CAGR
2007 2008 2209 2010 2011 2012 2013 2014
CLOUD
INTEGRATIO
N
DATA
INTEGRATION
BIG DATA
INTEGRATION
MASTER DATA
MANAGEMENT
APPLICATION
INTEGRATION
Talend en bref
Data Fabric
4. 4
Réussir les transitions de l’expérimentation à la transformation digitale
Trajectoires d’adoption pour le Big Data
Experimentation Analytique Data driven
Valeur
Seuil de
rentabilité
Proof of
concept
Projet
approuvé
Généra-
lisation
Transfor-
mation
+
+
Data Fabric
+
Big data
“Ne cédez pas à la mode “data scientist”.
Ayez une vision plus globale
& commencez dès à présent à
opérationnaliser le big data”
5. 5
Le Big Data pour mieux servir le client connecté
Exemple de Cas d’usage
Mettre en place la Customer Data Platform
Les enjeux :
• Améliorer les taux de transformation tout au long du parcours client
• Améliorer le service client et personnaliser chaque interaction
• Mesurer avec plus de précision l’efficacité des promotions et services
La démarche :
• Créer la vue unique et opérationnelle du client multi-canal
• Collecter et connecter les données d’interaction/transaction
• Enrichir avec l’analytique
• Intégrer les points de contacts client en temps réel
La plate forme :
• Master Data Management pour la vue client consolidée
• Big Data et machine learning pour la vue 360°enrichie
• Intégration temps réel aux applications digitales et point de vente
6. 6
Personnaliser le parcours santé
L’enjeu :
Transformer le parcours santé en une expérience personnalisée et
plus efficace grâce aux données et à l’analytique
Pourquoi Talend :
Une offre de Master Data Management dans le cloud, prête pour
le Big Data, pour comprendre le contexte de chaque patient et
l’orienter vers le bon service
Valeur :
Temps et efforts pour intégrer chaque nouveau client diminués de
75% grâce à la standardisation et la réutilisation des sources de
données We are smart, passionate people, committed
to creating a better healthcare experience
and better outcome
7. 7
Pourquoi Spark et Talend ?
Quelle plate-forme pour opérer votre transformation
par les données ?
Spark
Streaming
Architecture
Lambda
In Memory
Machine
Learning
Pas de code
Migration
en 1 click
Analyser avant d’agir, au
bon moment
Transformer les
données en décisions,
prescriptions et actions
Rester à la pointe de la
technologie sans efforts
Supprimer les temps de
latence quels que soient
les traitements à
appliquer
Exploiter la donnée dès
qu’elle vient
8. 8
Disposer de l’information en juste à temps
Supprimer les temps de latence grâce à l’in-memory
Case d’usage : Vers une approche plus dynamique du pricing
Pourquoi Spark et Talend :
· Développer rapidement des traitements massifs de données et augmenter
leur fréquence d’exécution
Augmentation de la performance des traitements batch
Utilisation du caching et du partitionnement
Tirer partie de la mémoire pour accélérer drastiquement les temps
de traitement
Résultats :
· Des ventes augmentées de 9%,
· Des rotations de stocks améliorées de 6%
· Une profitabilité améliorée de 5%.
http://www.blue-yonder.com/blog-e/2014/05/07/dynamic-pricing-critical-todays-multichannel-retailer/
9. 9
Avantage : Transformer les données de l’Internet des Objets en décisions
puis actions prises en temps réel grâce à une seule solution
z NoSQL
Messaging rapide, Ingestion à haut débit, Traitement
de données
Les usages de Spark Streaming pour l’Internet des Objets
Exploiterla donnéedèsqu’ellevient
AMQP
10. 10
Les apports de l’architecture Lambda
Analyser avant d’agir, au bon moment
Mobile
Sensors
Web
Mobile App
Analytic App
Web App
Streaming
Batch
Query
Transform
Cleanse
Govern
Transform
Cleanse
Govern
Spark Streaming/Kafka
Spark
Spark
SQL
11. 11
Passer de l’analyse prédictive vers l’analyse prescriptive avec MLlib
• Cas d’usage typique :
personnalisation et
recommandation temps réel
• Bénéfices (source Venture Beat
Survey) :
• Cas 1 : contenu personnalisé sur
site web pour un nombre de page
vues augmenté de 300 %
• Cas 2 : taux de conversion
augmenté de 219%.
Transformer les données en Décisions, Actions &
Prescriptions
Don-
nées
Intégrer
Appren
dre
Agir
avec
clairvo-
yance
Valeur
Alimenter
l’apprentissage
Appliquer le
modèle
Talend Big Data
Integration
& Quality
Machine learning et
analyse prédictive
Talend Real Time Big
Data integration
Puissance de
traitement des
données dans Spark
MLlib et Spark R
Spark streaming
et modèle de machine
learning
opérationnalisé
Solution
13. 13
Passer de MapReduce vers Spark en un clic grâce à Talend !
Performance
MapReduce
(fonctionnement sur
disque)
Un
Clic
Performance
Spark
(fonctionnement en mémoire
et sur disque)
5X
plus
rapide
14. 14
Tenez vous prêts pour le « Next Big Thing »
Un
Click
Spark
Next Big Thing
Next Big Thing
la prochaine
innovation