Accueil > Analytics > Data Analytics > Big Data 2017 : retour sur les transformations et les tendances de l’analyse des données
big data 2017 tendances transformations

Big Data 2017 : retour sur les transformations et les tendances de l’analyse des données

Découvrez les transformations et les nouvelles tendancs liées à l’essor qu’a connu le Big Data en 2017 dans de nombreuses entreprises de toutes les industries dans le monde entier. Disparition des silos de données, transformations des systèmes de traitement, création de micro produits/services… 

En 2017, le Big Data a beaucoup évolué. Le stockage et l’analyse de données est désormais une pratique commune dans presque toutes les entreprises. Les technologies analytiques se sont donc démocratisées tout au long de l’année. Ainsi, de nouvelles tendances commencent à émerger au sein des entreprises qui utilisent exploitent les possibilités offertes par les données. Voici quelles sont ces nouvelles tendances apparues en 2017, et qui continueront sans doute à se développer en 2018 à mesure que le Big Data continue son essor.

La disparition des silos de données

Les ensembles de données ne sont désormais plus répartis dans des silos. De nombreux systèmes d’enregistrement alimentent directement des Data Lakes, offrant à tous les employés de l’entreprise l’opportunité de les utiliser à la seule condition de posséder les autorisations nécessaires. Grâce à des connecteurs proposés par des entreprises comme Talend et Spark, de nouveaux datasets peuvent être ajoutés en quelques heures, au lieu de quelques jours ou quelques semaines comme c’était jadis le cas.

L’apparition de systèmes de traitement de données à mi-chemin entre le passé et le futur

Plutôt que de se précipiter pour remplacer leurs systèmes de transaction, la plupart des entreprises développent de nouveaux systèmes parallèles pouvant utiliser les données des anciens systèmes tout en étant tournés vers le futur. Ces nouveaux systèmes permettent de soulager les anciens en prenant en charge les tâches de traitement intensives.

Ils permettent ainsi de gagner en efficience. Grâce à des outils comme Google TensorFlow, R et Python, les nouveaux systèmes utilisés par les entreprises permettent de faciliter le Data Mining ou forage de données, et permettent également d’y ajouter de l’intelligence artificielle grâce aux technologies de Machine Learning ou apprentissage automatique, qui permettent notamment d’automatiser les processus.

La démocratisation des micro-services et micro-produits

Grâce au Big Data, et plus précisément à des logiciels comme Kafka et Cassandra, mais aussi à Python et Google TensorFlow, les entreprises peuvent désormais procéder au traitement en temps réel et à l’échelle des données.

Ces analyses en temps réel permettent de créer et de développer des offres de micro-produits et micro-services pour chaque client de manière automatisée. Par exemple, un assureur est en mesure de créer une assurance de voyage effective à partir du décollage de l’avion, pendant toute la durée du vol, et prenant fin à l’atterrissage.

L’essor des services client self-service grâce à l’intelligence artificielle

De plus en plus d’entreprises utilisent l’intelligence artificielle pour permettre à leurs clients de trouver des réponses à leurs questions sur des produits, des factures ou des questions techniques. Ainsi, le client peut se renseigner seuls et trouver des réponses sans avoir besoin de l’intervention d’un employé humain.

Grâce à l’apparition des assistants virtuels vocaux domestiques comme Apple Siri, Amazon Echo ou Google Home chez les particuliers, cette tendance va s’accélérer. Les consommateurs vont prendre l’habitude de communiquer avec des machines, et il sera bientôt possible d’acheter, de vendre des produits ou des services et de résoudre des problèmes au simple son de la voix.

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Send this to a friend