Articles

Qu’est-ce que la modélisation des données ?

, ,

La modélisation des données correspond au processus de création de diagrammes de flux de données. Lors de la création d’une structure de base de données, qu’elle soit nouvelle ou non, le concepteur commence par élaborer un diagramme illustrant la façon dont les données entreront et sortiront de la base de données. Ce diagramme est utilisé pour définir les caractéristiques des formats et structures de données, ainsi que des fonctions de gestion de base de données, afin de répondre efficacement aux exigences des flux de données. Une fois la base de données créée et déployée, le modèle de données servira de documentation expliquant les motifs de création de la base de données ainsi que la manière dont les flux de données ont été conçus.

Le modèle de données résultant de ce processus établit une structure de relations entre les éléments de données dans une base de données et sert de guide d’utilisation des données. Les modèles de données sont un élément fondamental du développement et de l’analyse de logiciels. Ils fournissent une méthode standardisée pour définir et mettre en forme les contenus de base de données de manière cohérente dans les systèmes, ce qui permet à diverses applications de partager les mêmes données.

Pourquoi la modélisation des données est-elle importante ?

Un modèle de données complet et optimisé permet de créer une base de données logique et simplifiée qui élimine la redondance, réduit les besoins en stockage et permet une récupération efficace. Elle dote également tous les systèmes de ce que l’on appelle une « source unique de la vérité », ce qui est essentiel pour assurer des opérations efficaces et garantir une conformité vérifiable aux réglementations et exigences réglementaires. La modélisation des données est une étape clé dans deux fonctions vitales d’une entreprise numérique.

Projets de développement logiciel (nouveaux ou personnalisations) mis en place par le service informatique

Avant de concevoir et de créer un projet logiciel, il doit exister une vision documentée de ce à quoi ressemblera le produit final et de son comportement. Une grande partie de cette vision concerne l’ensemble de règles de gestion qui régissent les fonctionnalités souhaitées. L’autre partie est la description des données : les flux de données (ou le modèle de données) et la conception de la base de données qui les prendra en charge.

La modélisation des données est une trace de cette vision et fournit une feuille de route pour les concepteurs de logiciels. Grâce à la définition et à la documentation complètes des flux de données et de la base de données, ainsi qu’au développement des systèmes conformément à ces spécifications, les systèmes devraient être en mesure de fournir les fonctionnalités attendues requises pour garantir l’exactitude des données (en supposant que les procédures ont été correctement suivies).

Analyses et visualisation (ou Business Intelligence) : un outil de prise de décision clé pour les utilisateurs

Avec l’augmentation des volumes de données et le nombre croissant d’utilisateurs, les entreprises ont besoin de transformer les données brutes en informations exploitables pour prendre des décisions. Sans surprise, la demande en analyse des données a augmenté de façon spectaculaire. La visualisation des données rend les données encore plus accessibles aux utilisateurs en les présentant sous forme graphique.

Les modèles de données actuels transforment les données brutes en informations utiles qui peuvent être transposées dans des visualisations dynamiques. La modélisation des données prépare les données pour l’analyse : nettoyage des données, définition des mesures et des dimensions, amélioration des données par l’établissement de hiérarchies, la définition d’unités et de devises et l’ajout de formules.

Quels sont les types de modélisation des données ?

Les trois types de modèles de données clés sont le modèle relationnel, le modèle dimensionnel et le modèle entité-association. Il en existe d’autres qui ne sont pas communément utilisés, notamment les types hiérarchique, réseau, orienté objet et à plusieurs valeurs. Le type de modèle définit la structure logique, à savoir comment les données sont stockées, organisées et extraites.

  1. Type relationnel : bien qu’« ancien » dans son approche, le modèle de base de données le plus couramment utilisé aujourd’hui est le relationnel, qui stocke les données dans des enregistrements au format fixe et organise les données dans des tables avec des lignes et des colonnes. Le type de modèle de données le plus basique comporte deux éléments : des mesures et des dimensions. Les mesures sont des valeurs numériques, telles que les quantités et le chiffre d’affaires, utilisées dans les calculs mathématiques comme la somme ou la moyenne. Les dimensions peuvent correspondre à des valeurs numériques ou textuelles. Elles ne sont pas utilisées dans les calculs et incluent des descriptions ou des emplacements. Les données brutes sont définies comme une mesure ou une dimension. Autres termes utilisés dans la conception de base de données relationnelle : « relations » (la table comportant des lignes et des colonnes), « attributs » (colonnes), « nuplets » (lignes) et « domaine » (ensemble de valeurs autorisées dans une colonne). Bien qu’il existe d’autres termes et exigences structurelles qui définissent une base de données relationnelle, le facteur essentiel concerne les relations définies dans cette structure. Les éléments de données communs (ou clés) relient les tables et les ensembles de données. Les tables peuvent également être explicitement liées, comme une relation parent/enfant, y compris les relations dites un-à-un (one-to-one), un-à-plusieurs (one-to-many) ou plusieurs-à-plusieurs (many-to-many).
  2. Type dimensionnel : moins rigide et structurée, l’approche dimensionnelle privilégie une structure de données contextuelle davantage liée à l’utilisation professionnelle ou au contexte. Cette structure de base de données est optimisée pour les requêtes en ligne et les outils d’entreposage de données. Les éléments de données critiques, comme une quantité de transaction par exemple, sont appelés « faits » et sont accompagnés d’informations de référence appelées « dimensions », telles que l’ID de produit, le prix unitaire ou la date de la transaction. Une table de faits est une table primaire dans un modèle dimensionnel. La récupération peut être rapide et efficace (avec des données pour un type d’activité spécifique stockées ensemble), mais l’absence de relations peut compliquer l’extraction analytique et l’utilisation des données. Étant donné que la structure des données est liée à la fonction qui produit et utilise les données, la combinaison de données produites par divers systèmes (dans un entrepôt de données, par exemple) peut poser des problèmes.
  3. Modèle entité-association (modèle E-R) : un modèle E-R représente une structure de données métier sous forme graphique contenant d’une part des boîtes de différentes formes pour représenter des activités, des fonctions ou des « entités », et d’autre part des lignes qui représentent des dépendances, des relations ou des « associations ». Le modèle E-R est ensuite utilisé pour créer une base de données relationnelle dans laquelle chaque ligne représente une entité et comporte des zones qui contiennent des attributs. Comme dans toutes les bases de données relationnelles, les éléments de données « clés » sont utilisés pour relier les tables entre elles.

Quels sont les trois niveaux d’abstraction des données ?

Il existe de nombreux types de modèles de données, avec différents types de mises en forme possibles. La communauté du traitement des données identifie trois types de modélisation permettant de représenter les niveaux de pensée au fur et à mesure que les modèles sont développés.

Modèle de données conceptuel

Ce modèle constitue une « vue d’ensemble » et représente la structure globale et le contenu, mais pas le détail du plan de données. Il s’agit du point de départ standard de la modélisation des données qui permet d’identifier les différents ensembles de données et flux de données dans l’organisation. Le modèle conceptuel dessine les grandes lignes pour le développement des modèles logiques et physiques, et constitue une part importante de la documentation relative à l’architecture des données.

Modèle de données logique

Le deuxième niveau de détail est le modèle de données logique. Il est étroitement lié à la définition générale du « modèle de données » en ce sens qu’il décrit le flux de données et le contenu de la base de données. Le modèle logique ajoute des détails à la structure globale du modèle conceptuel, mais n’inclut pas de spécifications pour la base de données en elle-même, car le modèle peut être appliqué à diverses technologies et divers produits de base de données. (Notez qu’il peut ne pas exister de modèle conceptuel si le projet est lié à une application unique ou à un autre système limité).

Modèle de données physique

Le modèle de base de données physique décrit comment le modèle logique sera réalisé. Il doit contenir suffisamment de détails pour permettre aux techniciens de créer la structure de base de données dans les matériels et les logiciels pour prendre en charge les applications qui l’utiliseront. Il va sans dire que le modèle physique est spécifique à un système logiciel de base de données en particulier. Il peut exister plusieurs modèles physiques dérivés d’un seul et même modèle logique si plusieurs systèmes de base de données seront utilisés.

Processus et techniques de modélisation des données

La modélisation des données est par essence un processus descendant qui débute par l’élaboration du modèle conceptuel pour établir la vision globale, puis se poursuit avec le modèle logique pour s’achever par la conception détaillée contenue dans le modèle physique.

L’élaboration du modèle conceptuel consiste principalement à mettre des idées sous la forme d’un graphique qui ressemble au diagramme des flux de données conçu par un développeur.

Les outils de modélisation des données modernes peuvent vous aider à définir et à créer vos modèles de données logiques et physiques et vos bases de données. Voici quelques techniques et étapes classiques de modélisation des données :

  • Déterminez les entités et créez un diagramme entité-association. Les entités sont considérées comme des « éléments de données qui intéressent votre entreprise ». Par exemple, « client » serait une entité. « Vente » en serait une autre. Dans un diagramme entité-association, vous documentez la manière dont ces différentes entités sont liées les unes aux autres dans votre entreprise, et les connexions qui existent entre elles.
  • Définissez vos faits, mesures et dimensions. Un fait est la partie de vos données qui indique une occurrence ou une transaction spécifique, comme la vente d’un produit. Vos mesures sont quantitatives, comme la quantité, le chiffre d’affaires, les coûts, etc. Vos dimensions sont des mesures qualitatives, telles que les descriptions, les lieux et les dates.
  • Créez un lien de vue de données à l’aide d’un outil graphique ou via des requêtes SQL. Si vous ne maîtrisez pas SQL, l’option la plus intuitive sera l’outil graphique : il vous permet de faire glisser des éléments dans votre modèle et de créer visuellement vos connexions. Lors de la création d’une vue, vous avez la possibilité de combiner des tables et d’autres vues dans une sortie unique. Lorsque vous sélectionnez une source dans la vue graphique et que vous la faites glisser dans une source déjà associée à la sortie, vous pouvez soit la joindre, soit créer une union de ces tables.

Les solutions analytiques modernes peuvent également vous aider à sélectionner, filtrer et connecter des sources de données à l’aide d’un affichage graphique de type glisser-déposer. Des outils avancés sont disponibles pour les experts en données qui travaillent généralement au sein des équipes informatiques. Toutefois, les utilisateurs peuvent également créer leurs propres présentations en créant visuellement un modèle de données et en organisant des tables, des graphiques, des cartes et d’autres objets pour élaborer une présentation basée sur des analyses de données.

Exemples de modélisation des données

Pour toute application, qu’elle soit professionnelle, de divertissement, personnelle ou autre, la modélisation des données est une étape préalable nécessaire à la conception du système et à la définition de l’infrastructure nécessaire à sa mise en œuvre. Cela concerne tout type de système transactionnel, de suite d’applications de traitement des données, ou tout autre système qui collecte, crée ou utilise des données.

La modélisation des données est essentielle pour l’entreposage de données car un entrepôt de données est un référentiel de données provenant de plusieurs sources, qui contiennent probablement des données similaires ou liées, mais disponibles sous des formats différents. Il est nécessaire de mapper en premier lieu les formats et la structure de l’entrepôt afin de déterminer comment manipuler chaque ensemble de données entrant pour répondre aux besoins de la conception de l’entrepôt, afin que les données soient utiles pour l’analyse et l’exploration de données. Le modèle de données est alors un catalyseur important pour les outils analytiques, les systèmes d’information pour dirigeants (tableaux de bord), l’exploration de données et l’intégration à tous les systèmes et applications de données.

Dans les premières étapes de conception de n’importe quel système, la modélisation des données est une condition préalable essentielle dont dépendent toutes les autres étapes pour établir la base sur laquelle reposent tous les programmes, fonctions et outils. Le modèle de données est comparable à un langage commun permettant aux systèmes de communiquer selon leur compréhension et leur acceptation des données, comme décrit dans le modèle. Dans le monde actuel de Big Data, d’apprentissage automatique, d’intelligence artificielle, de connectivité Cloud, d’IdO et de systèmes distribués, dont l’informatique en périphérie, la modélisation des données s’avère plus importante que jamais.

Évolution de la modélisation des données

De façon très concrète, la modélisation des données est apparue en même temps que le traitement des données, le stockage de données et la programmation informatique, bien que le terme lui-même n’ait probablement été utilisé qu’au moment où les systèmes de gestion de base de données ont commencé à évoluer dans les années 1960. Il n’y a rien de nouveau ou d’innovant dans le concept de planification et d’architecture d’une nouvelle structure. La modélisation des données elle-même est devenue plus structurée et formalisée au fur et à mesure que davantage de données, de bases de données et de variétés de données sont apparues.

Aujourd’hui, la modélisation des données est plus essentielle que jamais, étant donné que les techniciens se retrouvent face à de nouvelles sources de données (capteurs IdO, appareils de localisation, flux de clics, réseaux sociaux) et à une montée des données non structurées (texte, audio, vidéo, sorties de capteurs brutes), à des volumes et à une vitesse qui dépassent les capacités des systèmes traditionnels. Il existe désormais une demande constante de nouveaux systèmes, de nouvelles structures et techniques innovantes de bases de données, et de nouveaux modèles de données pour rassembler ces nouveaux efforts de développement.

Quelle est la prochaine étape de la modélisation des données ?

La connectivité des informations et les grandes quantités de données provenant de nombreuses sources disparates (capteurs, voix, vidéo, emails, etc.) étendent le champ d’application des projets de modélisation pour les professionnels de l’informatique. Internet est, bien sûr, l’un des moteurs de cette évolution. Le Cloud est en grand partie la solution car il s’agit de la seule infrastructure informatique suffisamment grande, évolutive et agile pour répondre aux exigences actuelles et futures dans un monde hyperconnecté.

Les options de conception de base de données évoluent également. Il y a dix ans, la structure dominante de la base de données était relationnelle, orientée lignes et utilisait la technologie traditionnelle de l’espace disque. Les données du grand livre ou de la gestion des stocks d’un système ERP standard étaient stockées dans des dizaines de tables différentes qui doivent être mises à jour et modélisées. Aujourd’hui, les solutions ERP modernes stockent des données actives dans la mémoire à l’aide d’une conception en colonnes, ce qui réduit considérablement le nombre de tables et accroît la vitesse et l’efficacité.

Pour les professionnels du secteur, les nouveaux outils en libre-service disponibles aujourd’hui continueront à s’améliorer. De nouveaux outils seront également introduits pour rendre la modélisation et la visualisation des données encore plus simples et plus collaboratives.

Synthèse

Un modèle de données bien pensé et complet est la clé du développement d’une base de données véritablement fonctionnelle, utile, sécurisée et exacte. Commencez par le modèle conceptuel pour présenter tous les composants et fonctions du modèle de données. Affinez ensuite ces plans dans un modèle de données logique qui décrit les flux de données et définit clairement les données nécessaires et la manière dont elles seront acquises, traitées, stockées et distribuées. Le modèle de données logique donne lieu au modèle de données physique spécifique à un produit de base de données et constitue le document de conception détaillé qui guide la création de la base de données et du logiciel d’application.

Une bonne modélisation des données et une bonne conception de base de données sont essentielles au développement de bases de données et de systèmes d’application fonctionnels, fiables et sécurisés, qui fonctionnent bien avec les entrepôts de données et les outils analytiques, et facilitent l’échange de données entre les partenaires et entre les suites d’application. Des modèles de données bien pensés aident à garantir l’intégrité des données, ce qui rend les données de votre entreprise encore plus précieuses et fiables.

Découvrez les outils modernes de modélisation des données de SAP Data Warehouse Cloud

En savoir plus

 

The post Qu’est-ce que la modélisation des données ? appeared first on SAP France News.

Source de l’article sur sap.com

/par

Qu’est-ce que le Big Data ?

, ,

Le Big Data est le flot d’informations dans lequel nous nous trouvons tous les jours (des zettaoctets de données provenant de nos ordinateurs, des terminaux mobiles et des capteurs). Ces données sont utilisées par les entreprises pour orienter la prise de décisions, améliorer les processus et les stratégies, et créer des produits, des services et des expériences centrés sur le client.

Le Big Data désigne non seulement de gros volumes de données, mais aussi des données de nature variée et complexe. Il dépasse généralement la capacité des bases de données traditionnelles à capturer, gérer et traiter ce type de données. De plus, le Big Data peut provenir de n’importe où et de tout ce que nous sommes en mesure de surveiller numériquement. Les satellites, les appareils IoT (Internet des Objets), les radars et les tendances des réseaux sociaux ne sont que quelques exemples parmi la multitude de sources de données explorées et analysées pour rendre les entreprises plus résilientes et compétitives.

L’importance de l’analyse du Big Data

La véritable valeur du Big Data se mesure d’après votre capacité à l’analyser et à le comprendre. L’intelligence artificielle (IA), le machine learning et les technologies de base de données modernes permettent de visualiser et d’analyser le Big Data pour fournir des informations exploitables en temps réel. L’analyse du Big Data aide les entreprises à exploiter leurs données en vue de saisir de nouvelles opportunités et de créer de nouveaux modèles de gestion. Comme l’a si bien dit Geoffrey Moore, auteur et analyste de gestion, « sans analyse du Big Data, les entreprises sont aveugles et sourdes, errant sur le Web comme des cerfs sur une autoroute ».

How does Big Data and Analytics work? Simply Explained

Click the button below to load the content from YouTube.

Always allow YouTube

How does Big Data and Analytics work? Simply Explained

L’évolution du Big Data

Aussi inconcevable que cela puisse paraître aujourd’hui, l’Apollo Guidance Computer a emmené l’homme sur la lune avec moins de 80 kilo-octets de mémoire. Depuis, la technologie informatique s’est développée à un rythme exponentiel, de même que la génération de données. La capacité technologique mondiale à stocker des données a doublé tous les trois ans depuis les années 1980. Il y a un peu plus de 50 ans, lors du lancement d’Apollo 11, la quantité de données numériques générées dans le monde aurait pu tenir dans un ordinateur portable. Aujourd’hui, l’IDC estime ce chiffre à 44 zettaoctets (soit 44 000 milliards de gigaoctets) et prévoit qu’il atteindra 163 zettaoctets en 2025.

44 zettaoctets de données numériques aujourd’hui, IDC

163 zettaoctets de données numériques en 2025, IDC

Plus les logiciels et la technologie se développent, moins les systèmes non numériques sont viables. Le traitement des données générées et collectées numériquement requiert des systèmes de data management plus avancés. En outre, la croissance exponentielle des plates-formes de réseaux sociaux, des technologies pour smartphones et des appareils IoT connectés numériquement ont contribué à l’émergence du Big Data.

Types de Big Data : que sont les données structurées et non structurées ?

Les ensembles de données sont généralement catégorisés en trois types, selon leur structure et la complexité de leur indexation.

Illustration des différents types de big data : données structurées, données non-structurées, données semi-structurées.

  1. Données structurées : ce type de données est le plus simple à organiser et à rechercher. Il peut inclure des données financières, des machine logs et des détails démographiques. Une feuille de calcul Microsoft Excel, avec sa mise en forme de colonnes et de lignes prédéfinies, offre un moyen efficace de visualiser les données structurées. Ses composants peuvent facilement être catégorisés, ce qui permet aux concepteurs et administrateurs de bases de données de définir des algorithmes simples pour la recherche et l’analyse. Même lorsque les données structurées sont très volumineuses, elles ne sont pas nécessairement qualifiées de Big Data, car elles sont relativement simples à gérer et ne répondent donc pas aux critères qui définissent le Big Data. Traditionnellement, les bases de données utilisent un langage de programmation appelé SQL (Structured Query Language) pour gérer les données structurées. SQL a été développé par IBM dans les années 1970 pour permettre aux développeurs de créer et gérer des bases de données relationnelles (de type feuille de calcul) qui commençaient à émerger à l’époque.
  2. Données non structurées : cette catégorie de données peut inclure des publications sur les réseaux sociaux, des fichiers audio, des images et des commentaires client ouverts. Ces données ne peuvent pas être facilement capturées dans les bases de données relationnelles standard en lignes et colonnes. Auparavant, les entreprises qui voulaient rechercher, gérer ou analyser de grandes quantités de données non structurées devaient utiliser des processus manuels laborieux. La valeur potentielle liée à l’analyse et à la compréhension de ces données ne faisait aucun doute, mais le coût associé était souvent trop exorbitant pour en valoir la peine. Compte tenu du temps nécessaire, les résultats étaient souvent obsolètes avant même d’être générés. Contrairement aux feuilles de calcul ou aux bases de données relationnelles, les données non structurées sont généralement stockées dans des lacs de données, des entrepôts de données et des bases de données NoSQL.
  3. Données semi-structurées : comme leur nom l’indique, les données semi-structurées intègrent à la fois des données structurées et non structurées. Les e-mails en sont un bon exemple, car ils incluent des données non structurées dans le corps du message, ainsi que d’autres propriétés organisationnelles telles que l’expéditeur, le destinataire, l’objet et la date. Les dispositifs qui utilisent le marquage géographique, les horodatages ou les balises sémantiques peuvent également fournir des données structurées avec un contenu non structuré. Une image de smartphone non identifiée, par exemple, peut indiquer qu’il s’agit d’un selfie et préciser l’heure et l’endroit où il a été pris. Une base de données moderne exécutant une technologie d’IA peut non seulement identifier instantanément différents types de données, mais aussi générer des algorithmes en temps réel pour gérer et analyser efficacement les ensembles de données disparates.

Les sources du Big Data

Les objets générateurs de données se développent à un rythme spectaculaire, depuis les drones jusqu’aux grille-pains. Toutefois, à des fins de catégorisation, les sources de données sont généralement divisées en trois types :

Illustration des différentes sources du big data : données sociales, données machine, données altérables.

Données sociales

Comme leur nom l’indique, les données sociales sont générées par les réseaux sociaux : commentaires, publications, images et, de plus en plus, vidéos. En outre, compte tenu de l’ubiquité croissante des réseaux 4G et 5G, on estime que le nombre de personnes dans le monde qui regardent régulièrement des contenus vidéo sur leur smartphone atteindra 2,72 milliards en 2023. Bien que les tendances concernant les réseaux sociaux et leur utilisation évoluent rapidement et de manière imprévisible, leur progression en tant que générateurs de données numériques est incontestable.

Données machine

Les machines et appareils IoT sont équipés de capteurs et ont la capacité d’envoyer et de recevoir des données numériques. Les capteurs IoT aident les entreprises à collecter et traiter les données machine provenant des appareils, des véhicules et des équipements. Globalement, le nombre d’objets générateurs de données augmente rapidement, des capteurs météorologiques et de trafic jusqu’à la surveillance de la sécurité. Selon l’IDC, il y aura plus de 40 milliards d’appareils IoT en 2025, générant près de la moitié des données numériques mondiales.

Données altérables

Il s’agit des données parmi les plus évolutives au monde. Par exemple, un détaillant international traite plus d’un million de transactions client par heure. Si l’on ajoute à cela les transactions d’achat et bancaires au niveau mondial, on comprend mieux le volume phénoménal de données générées. En outre, les données altérables contiennent de plus en plus de données semi-structurées, y compris des images et des commentaires, ce qui les rend d’autant plus complexes à gérer et à traiter.

Les cinq V du Big Data

Ce n’est pas parce qu’un ensemble de données est volumineux qu’il s’agit nécessairement de Big Data. Pour être qualifiées en tant que telles, les données doivent posséder au minimum les cinq caractéristiques suivantes :

Illustration des 5 V du Big Data : Volume, Vitesse, Variété, Véracité, Valeur.

  1. Volume : même si le volume n’est pas le seul composant qui constitue le Big Data, il s’agit d’une de ses caractéristiques principales. Pour gérer et exploiter pleinement le Big Data, des algorithmes avancés et des analyses pilotées par l’IA sont nécessaires. Mais avant tout cela, il doit exister un moyen fiable et sécurisé de stocker, d’organiser et d’extraire les téraoctets de données détenus par les grandes entreprises.
  2. Vitesse : auparavant, les données générées devaient ensuite être saisies dans un système de base de données traditionnel (souvent manuellement) avant de pouvoir être analysées ou extraites. Aujourd’hui, grâce à la technologie du Big Data, les bases de données sont capables de traiter, d’analyser et de configurer les données lorsqu’elles sont générées, parfois en l’espace de quelques millisecondes. Pour les entreprises, cela signifie que les données en temps réel peuvent être exploitées pour saisir des opportunités financières, répondre aux besoins des clients, prévenir la fraude et exécuter toute autre activité pour laquelle la rapidité est un facteur clé.
  3. Variété : les ensembles de données contenant uniquement des données structurées ne relèvent pas nécessairement du Big Data, quel que soit leur volume. Le Big Data comprend généralement des combinaisons de données structurées, non structurées et semi-structurées. Les solutions de gestion des données et les bases de données traditionnelles n’offrent pas la flexibilité et le périmètre nécessaires pour gérer les ensembles de données complexes et disparates qui constituent le Big Data.
  4. Véracité : bien que les bases de données modernes permettent aux entreprises d’accumuler et d’identifier des volumes considérables de Big Data de différents types, elles ne sont utiles que si elles sont précises, pertinentes et opportunes. S’agissant des bases de données traditionnelles alimentées uniquement avec des données structurées, le manque de précision des données était souvent dû à des erreurs syntaxiques et des fautes de frappe. Les données non structurées présentent toute une série de nouvelles difficultés en matière de véracité. Les préjugés humains, le « bruit social » et les problèmes liés à la provenance des données peuvent avoir un impact sur la qualité des données.
  5. Valeur : les résultats de l’analyse du Big Data sont souvent fascinants et inattendus. Mais pour les entreprises, l’analyse du Big Data doit fournir une visibilité qui les aident à gagner en compétitivité et en résilience, et à mieux servir leurs clients. Les technologies modernes du Big Data offrent la possibilité de collecter et d’extraire des données susceptibles de procurer un avantage mesurable à la fois en termes de résultats et de résilience opérationnelle.

Avantages du Big Data

Les solutions modernes de gestion du Big Data permettent aux entreprises de transformer leurs données brutes en informations pertinentes avec une rapidité et une précision sans précédent.

  • Développement de produits et de services :l’analyse du Big Data permet aux développeurs de produits d’analyser les données non structurées, telles que les témoignages clients et les tendances culturelles, et de réagir rapidement.
  • Maintenance prédictive : dans le cadre d’uneenquête internationale, McKinsey a constaté que l’analyse du Big Data émanant des machines IoT pouvait réduire les coûts de maintenance des équipements jusqu’à 40 %.
  • Expérience client :dans le cadre d’une enquête réalisée en 2020 auprès de responsables d’entreprises du monde entier, Gartner a déterminé que « les entreprises en croissance collectent plus activement des données sur l’expérience client que les entreprises à croissance nulle ». L’analyse du Big Data permet aux entreprises d’améliorer et de personnaliser l’expérience de leurs clients avec leur marque.
  • Gestion de la résilience et des risques :la pandémie de COVID-19 a été une véritable prise de conscience pour de nombreux dirigeants d’entreprise qui se sont rendu compte à quel point leur activité était vulnérable. La visibilité offerte par le Big Data peut aider les entreprises à anticiper les risques et à se préparer aux imprévus.
  • Économies et efficacité accrue : lorsque les entreprises effectuent une analyse avancée du Big Data pour tous les processus de l’organisation, elles peuvent non seulement détecter les inefficacités, mais aussi déployer des solutions rapides et efficaces.
  • Amélioration de la compétitivité : les informations obtenues grâce au Big Data peuvent aider les entreprises à réaliser des économies, à satisfaire leurs clients, à concevoir de meilleurs produits et à innover dans les opérations de gestion.

IA et Big Data

La gestion du Big Data repose sur des systèmes capables de traiter et d’analyser efficacement de gros volumes d’informations disparates et complexes. À cet égard, le Big Data et l’IA ont une relation de réciprocité. Sans l’IA pour l’organiser et l’analyser, le Big Data n’aurait pas grande utilité. Et pour que l’IA puisse générer des analyses suffisamment fiables pour être exploitables, le Big Data doit contenir des ensembles de données suffisamment étendus. Comme l’indique Brandon Purcell, analyste chez Forrester Research, « les données sont au cœur de l’intelligence artificielle. Un système d’IA doit apprendre des données pour remplir sa fonction ».

« Les données sont au cœur de l’intelligence artificielle. Un système d’IA doit apprendre des données pour remplir sa fonction ».

Brandon Purcell, analyste, Forrester Research

Machine learning et Big Data

Les algorithmes de machine learning définissent les données entrantes et identifient des modèles associés. Ces informations permettent de prendre des décisions avisées et d’automatiser les processus. Le machine learning se nourrit du Big Data, car plus les ensembles de données analysés sont fiables, plus le système est susceptible d’apprendre, de faire évoluer et d’adapter ses processus en continu.

Technologies du Big Data

Architecture du Big Data

À l’instar de l’architecture du bâtiment, l’architecture du Big Data fournit un modèle pour la structure de base déterminant la manière dont les entreprises gèrent et analysent leurs données. L’architecture du Big Data mappe les processus requis pour gérer le Big Data à travers quatre « couches » de base, des sources de données au stockage des données, puis à l’analyse du Big Data, et enfin via la couche de consommation dans laquelle les résultats analysés sont présentés en tant que Business Intelligence.

‍Analyse du Big Data

Ce processus permet de visualiser les données de manière pertinente grâce à l’utilisation de la modélisation des données et d’algorithmes spécifiques aux caractéristiques du Big Data. Dans le cadre d’une étude approfondie et d’une enquête de la MIT Sloan School of Management, plus de 2 000 dirigeants d’entreprise ont été interrogés sur leur expérience en matière d’analyse du Big Data. Comme on pouvait s’y attendre, ceux qui s’étaient impliqués dans le développement de stratégies de gestion du Big Data ont obtenu les résultats les plus significatifs.

Big Data et Apache Hadoop

Imaginez une grande boîte contenant 10 pièces de 10 centimes et 100 pièces de 5 centimes. Puis imaginez 10 boîtes plus petites, côte à côte, contenant chacune 10 pièces de 5 centimes et une seule pièce de 10 centimes. Dans quel scénario sera-t-il plus facile de repérer les pièces de 10 centimes ? Hadoop fonctionne sur ce principe. Il s’agit d’une structure en open source permettant de gérer le traitement du Big Data distribué sur un réseau constitué de nombreux ordinateurs connectés. Ainsi, au lieu d’utiliser un gros ordinateur pour stocker et traiter toutes les données, Hadoop regroupe plusieurs ordinateurs sur un réseau pouvant évoluer presque à l’infini et analyse les données en parallèle. Ce processus utilise généralement un modèle de programmation appelé MapReduce, qui coordonne le traitement du Big Data en regroupant les ordinateurs distribués.

Lacs de données, entrepôts de données et NoSQL

Les bases de données traditionnelles de type feuille de calcul SQL servent à stocker les données structurées. Le Big Data non structuré et semi-structuré nécessite des modèles de stockage et de traitement uniques, car il ne peut pas être indexé et catégorisé. Les lacs de données, les entrepôts de données et les bases de données NoSQL sont des référentiels de données capables de gérer les ensembles de données non traditionnels. Un lac de données est un vaste pool de données brutes qui n’ont pas encore été traitées. Un entrepôt de données est un référentiel de données qui ont déjà été traitées à des fins spécifiques. Les bases de données NoSQL fournissent un schéma flexible qui peut être modifié en fonction de la nature des données à traiter. Ces systèmes présentent chacun des avantages et des inconvénients, c’est pourquoi de nombreuses entreprises utilisent plutôt une combinaison de ces référentiels de données pour répondre au mieux à leurs besoins.

Bases de données in-memory

Les bases de données traditionnelles sur disque ont été conçues pour SQL et les bases de données relationnelles. Bien qu’elles soient capables de traiter de gros volumes de données structurées, elles ne sont pas adaptées au stockage et au traitement des données non structurées. Dans le cas des bases de données in-memory, le traitement et l’analyse se font entièrement dans la RAM, pour ne pas avoir à extraire les données d’un système sur disque. Les bases de données in-memory reposent également sur des architectures distribuées. Cela signifie qu’elles peuvent atteindre des vitesses beaucoup plus élevées en utilisant le traitement parallèle, par rapport aux modèles de base de données sur disque à un seul nœud.

Fonctionnement du Big Data

Le Big Data remplit ses fonctions lorsque son analyse fournit des informations pertinentes et exploitables qui améliorent l’activité de manière significative. Pour se préparer à la transition vers le Big Data, les entreprises doivent s’assurer que leurs systèmes et processus sont en mesure de collecter, de stocker et d’analyser le Big Data.

Illustration du fonctionnement du Big Data : collecter le Big Data, stocker le Big Data, Analyser le Big Data

  1. Collecter le Big Data.Une grande partie du Big Data est constituée d’énormes ensembles de données non structurées qui émanent de sources disparates et incohérentes. Les bases de données traditionnelles sur disque et les mécanismes d’intégration des données ne sont pas suffisamment performants pour les gérer. La gestion du Big Data requiert des solutions de base de données in-memory et des solutions logicielles spécifiques de l’acquisition de ce type de données.
  2. Stocker le Big Data.Comme son nom l’indique, le Big Data est volumineux. De nombreuses entreprises utilisent des solutions de stockage sur site pour leurs données existantes et espèrent réaliser des économies en réutilisant ces référentiels pour traiter le Big Data. Toutefois, le Big Data est plus performant lorsqu’il n’est pas soumis à des contraintes de taille et de mémoire. Les entreprises qui n’intègrent pas dès le départ des solutions de stockage Cloud dans leurs modèles de Big Data le regrettent souvent quelques mois plus tard.
  3. Analyser le Big Data. Il est impossible d’exploiter pleinement le potentiel du Big Data sans utiliser les technologies d’IA et de machine learning pour l’analyser. L’un des cinq V du Big Data est la « vitesse ». Pour être utiles et exploitables, les informations du Big Data doivent être générées rapidement. Les processus d’analyse doivent s’auto-optimiser et tirer régulièrement profit de l’expérience, un objectif qui ne peut être atteint qu’avec l’IA et les technologies modernes de bases de données.

Applications du Big Data

La visibilité offerte par le Big Data est bénéfique à la plupart des entreprises ou secteurs d’activité. Cependant, ce sont les grandes entreprises aux missions opérationnelles complexes qui en tirent souvent le meilleur parti.

Finance

Dans le Journal of Big Data, une étude de 2020 souligne que le Big Data « joue un rôle important dans l’évolution du secteur des services financiers, en particulier dans le commerce et les investissements, la réforme fiscale, la détection et les enquêtes en matière de fraude, l’analyse des risques et l’automatisation ». Le Big Data a également contribué à transformer le secteur financier en analysant les données et les commentaires des clients pour obtenir les informations nécessaires à l’amélioration de la satisfaction et de l’expérience client. Les ensembles de données altérables figurent parmi les plus importants et les plus évolutifs au monde. L’adoption croissante de solutions avancées de gestion du Big Data permettra aux banques et aux établissements financiers de protéger ces données et de les utiliser d’une manière qui bénéficie à la fois au client et à l’entreprise.

Hygiène et santé
publique

L’analyse du Big Data permet aux professionnels de santé d’établir des diagnostics plus précis, fondés sur des données avérées. De plus, le Big Data aide les administrateurs d’hôpitaux à identifier les tendances, à gérer les risques et à limiter les dépenses inutiles, afin de consacrer le maximum de fonds aux soins des patients et à la recherche. En cette période de pandémie, les chercheurs du monde entier s’efforcent de traiter et de gérer au mieux la COVID-19, et le Big Data joue un rôle fondamental dans ce processus. Un article de juillet 2020 paru dans The Scientist explique comment des équipes médicales ont pu collaborer et analyser le Big Data afin de lutter contre le coronavirus : « Nous pourrions transformer la science clinique en exploitant les outils et les ressources du Big Data et de la science des données d’une manière que nous pensions impossible ».

Transport et logistique

L’« effet Amazon » est un terme qui définit la manière dont Amazon a fait de la livraison en un jour la nouvelle norme, les clients exigeant désormais la même vitesse d’expédition pour tout ce qu’ils commandent en ligne. Le magazine Entrepreneur souligne qu’en raison de l’effet Amazon, « la course logistique au dernier kilomètre ne fera que s’intensifier ». Les entreprises du secteur s’appuient de plus en plus sur l’analyse du Big Data pour optimiser la planification des itinéraires, la consolidation des charges et les mesures d’efficacité énergétique.

Éducation

Depuis l’apparition de la pandémie, les établissements d’enseignement du monde entier ont dû réinventer leurs programmes d’études et leurs méthodes d’enseignement afin de faciliter l’apprentissage à distance. L’un des principaux défis a été de trouver des moyens fiables d’analyser et d’évaluer la performance des étudiants et l’efficacité globale des méthodes d’enseignement en ligne. Un article paru en 2020 au sujet de l’impact du Big Data sur la formation et l’apprentissage en ligne indique, au sujet des enseignants, que « le Big Data les aide à gagner en confiance pour personnaliser l’enseignement, développer l’apprentissage mixte, transformer les systèmes d’évaluation et promouvoir l’apprentissage continu ».

Énergie et services publics

Selon le U.S. Bureau of Labor Statistics, le service public consacre plus de 1,4 milliard de dollars aux relevés de compteurs et s’appuie généralement sur des compteurs analogiques et des lectures manuelles peu fréquentes. Les relevés de compteurs intelligents fournissent des données numériques plusieurs fois par jour et, grâce à l’analyse du Big Data, ces informations permettent d’accroître l’efficacité de la consommation énergétique, ainsi que la précision des prix et des prévisions. En outre, lorsque les agents n’ont plus à se charger des relevés de compteurs, la saisie et l’analyse des données peuvent permettre de les réaffecter plus rapidement là où les réparations et les mises à niveau sont les plus urgentes.

Publié en anglais sur insights.sap.com

The post Qu’est-ce que le Big Data ? appeared first on SAP France News.

Source de l’article sur sap.com

/par

Qu’est-ce que le data management ?

, ,

Les données jouent un rôle clé dans le fonctionnement des entreprises. Il est donc essentiel de leur donner du sens et de déterminer leur pertinence parmi la multitude d’informations générées par les systèmes et technologies qui soutiennent nos économies mondiales hautement connectées. Les données sont omniprésentes, mais inutiles en tant que telles. Pour exploiter toutes les formes de données et les utiliser de manière pratique et efficace dans les chaînes logistiques, les réseaux d’employés, les écosystèmes de clients et de partenaires, etc., les entreprises doivent mettre en œuvre une stratégie, une gouvernance et un modèle de data management performants.

Qu’est-ce que le data management (ou gestion des données) ? Le data management consiste à collecter, organiser et accéder aux données en vue d’améliorer la productivité, l’efficacité et la prise de décision. Compte tenu de l’importance accrue des données, il est essentiel que toute entreprise, indépendamment de sa taille et de son secteur d’activité, mette en place un système moderne et une stratégie efficace de data management.

Petite infographie qui illustre les principaux éléments du data management

Le processus de data management comprend un large éventail de tâches et de procédures. Par exemple :

  • Collecte, traitement, validation et stockage des données
  • Intégration de différents types de données émanant de sources disparates, notamment des données structurées et non structurées
  • Haute disponibilité des données et restauration après sinistre
  • Gestion de l’utilisation des données et de l’accès aux données par les collaborateurs et les applications
  • Protection et sécurisation des données en garantissant leur confidentialité

Pourquoi le data management est-il important ?

Les applications, solutions analytiques et algorithmes utilisés dans une entreprise (c’est-à-dire les règles et les processus associés au moyen desquels les ordinateurs résolvent les problèmes et exécutent les tâches) reposent sur un accès transparent aux données. Fondamentalement, un système de data management permet de garantir la sécurité, la disponibilité et l’exactitude des données. Mais ses avantages ne s’arrêtent pas là.

Transformer le Big Data en actif à forte valeur ajoutée

Les données trop volumineuses peuvent être inutiles, voire nuisibles, si elles ne sont pas gérées de manière appropriée. Toutefois, avec les outils adéquats, les entreprises peuvent exploiter le Big Data pour enrichir plus que jamais les renseignements dont elles disposent et améliorer leurs capacités prévisionnelles. Le Big Data peut les aider à mieux comprendre les attentes de leurs clients et à leur offrir une expérience exceptionnelle. L’analyse et l’interprétation du Big Data permet également de mettre en place de nouveaux modèles de gestion axés sur les données, tels que les offres de services basées sur l’Internet des Objets (IoT) en temps réel et les données de capteurs.

163 zettaoctets de données en 2025 (IDC)

80 % des données mondiales seront non structurées en 2025 (IDC)

Les Big Data sont des ensembles de données extrêmement volumineux, souvent caractérisés par les cinq V : le volume de données collectées, la variété des types de données, la vitesse à laquelle les données sont générées, la véracité des données et leur valeur.

Il est bien connu que les entreprises pilotées par les données disposent d’un avantage concurrentiel majeur. En utilisant des outils avancés, les entreprises peuvent gérer des volumes de données plus importants provenant de sources plus diversifiées que jamais. Elles peuvent aussi exploiter des données très variées, structurées et non structurées ou en temps réel, notamment les données des dispositifs IoT, les fichiers audio et vidéo, les données du parcours de navigation sur Internet et les commentaires sur les réseaux sociaux, ce qui leur offre davantage de possibilités de monétiser les données et de les utiliser comme véritable actif.

Créer une infrastructure de données qui favorise la transformation numérique

On dit souvent que les données sont le moteur de la transformation numérique. L’intelligence artificielle (IA), le machine learning, l’Industrie 4.0, les analyses avancées, l’Internet des Objets et l’automatisation intelligente requièrent d’énormes volumes de données ponctuelles, exactes et sécurisées.

L’importance des données et des technologies axées sur les données n’a fait que se renforcer depuis l’apparition de la COVID-19. De nombreuses entreprises ressentent le besoin urgent d’exploiter leurs données de manière plus efficace pour prévoir les événements à venir, réagir rapidement et intégrer la résilience dans leurs plans et modèles de gestion.

Le machine learning, par exemple, requiert des ensembles de données extrêmement volumineux et diversifiés pour « apprendre », identifier des modèles complexes, résoudre les problèmes et assurer la mise à jour et l’exécution efficace des modèles et algorithmes. Les analyses avancées (qui exploitent souvent l’apprentissage automatique) requièrent également de gros volumes de données de haute qualité pour pouvoir générer des informations pertinentes et exploitables qui puissent être utilisées en toute confiance. Quant à l’IoT et l’IoT industriel, ils s’exécutent sur un flux constant de données de machines et capteurs à 1,6 millions de kilomètres par minute.

Les données sont le dénominateur commun de tout projet de transformation numérique. Pour transformer leurs processus, tirer parti des nouvelles technologies et devenir intelligentes, les entreprises doivent disposer d’une infrastructure de données solide. En résumé, d’un système de data management moderne.

« La survie de toute entreprise dépendra d’une architecture agile centrée sur les données, capable de s’adapter au rythme constant du changement. »

Donald Feinberg, vice-président de Gartner

Garantir la conformité aux lois en matière de confidentialité des données

Une gestion appropriée des données est également essentielle pour garantir la conformité aux lois nationales et internationales en matière de confidentialité des données, telles que le Règlement général sur la protection des données (RGPD) et la loi californienne sur la protection de la vie privée des consommateurs (California Consumer Privacy Act ou « CCPA ») aux États-Unis, et répondre aux exigences de confidentialité et de sécurité spécifiques du secteur. En outre, il est essentiel de mettre en place des politiques et procédures solides en matière de data management pour satisfaire aux exigences d’audit.

Systèmes et composants du data management

Les systèmes de data management reposent sur des plates-formes et intègrent une combinaison de composants et processus qui vous aident à tirer profit de vos données. Il peut s’agir de systèmes de gestion de base de données, d’entrepôts de données, de lacs de données, d’outils d’intégration de données, d’outils analytiques, etc.

Systèmes de gestion de base de données (SGBD)

Il existe différents types de systèmes de gestion de base de données. Les systèmes les plus courants sont les systèmes de gestion de base de données relationnelle (SGBDR), les systèmes de gestion de base de données orientée objet (SGBDOO), les bases de données in-memory et les bases de données en colonnes.

Petite infographie des différents types de systèmes de gestion de base de données

  • Système de Gestion de Base de Données Relationnelle (SGBDR) :il s’agit d’un système qui contient des définitions de données permettant aux programmes et aux systèmes d’extraction de référencer les éléments de données par nom, plutôt que de décrire à chaque fois la structure et l’emplacement des données. En fonction du modèle relationnel, le système SGBDR gère également les relations entre les éléments de données qui améliorent l’accès et empêchent les doublons. Par exemple, la définition et les caractéristiques de base d’un élément sont stockées une seule fois et liées aux lignes de détail des commandes clients et aux tables de détermination du prix.
  • Système de Gestion de Base de Données Orientée Objet (SGBDOO) :il s’agit d’une approche différente de la définition et du stockage de données, développée et utilisée par les développeurs de systèmes de programmation orientée objet (SPOO). Les données sont stockées en tant qu’objets, entités autonomes et auto-décrites, plutôt que dans des tables à l’image du système SGBDR.
  • Base de données in-memory :une base de données in-memory (BDIM) stocke les données dans la mémoire principale (RAM) d’un ordinateur, plutôt que sur un lecteur de disque. L’extraction des données étant beaucoup plus rapide qu’à partir d’un système basé sur disque, les bases de données in-memory sont couramment utilisées par les applications qui exigent des temps de réponse rapides. Par exemple, les données qu’il fallait auparavant compiler dans un rapport sont désormais accessibles et peuvent être analysées en quelques minutes, voire quelques secondes.
  • Base de données en colonnes : une base de données en colonnes stocke des groupes de données liées (une « colonne » d’informations) pour y accéder plus rapidement. Cette base de données est utilisée dans les applications de gestion in-memory modernes et dans de nombreuses applications d’entrepôt de données autonomes dans lesquelles la vitesse d’extraction (d’un éventail de données limité) est importante.

Entrepôts et lacs de données

  • Entrepôt de données :un entrepôt de données est un référentiel central de données cumulées à partir de différentes sources à des fins de reporting et d’analyse.
  • Lac de données :un lac de données est un vaste pool de données stockées dans leur format brut ou naturel. Les lacs de données sont généralement utilisés pour stocker le Big Data, y compris les données structurées, non structurées et semi-structurées.

Gestion des données de base (MDM)

La gestion des données de base est une discipline qui consiste à créer une référence de base fiable (référence unique) de toutes les données de gestion importantes, telles que les données produit, les données client, les données d’actifs, les données financières, etc. Elle garantit que l’entreprise n’utilise pas plusieurs versions potentiellement incohérentes des données dans ses différentes activités, y compris dans les processus, les opérations, l’analyse et le reporting. La consolidation des données, la gouvernance des données et la gestion de la qualité des données constituent les trois piliers clés d’une gestion des données de base efficace.

« Une discipline basée sur la technologie dans laquelle l’entreprise et l’organisation informatique collaborent pour garantir l’uniformité, la précision, l’administration, la cohérence sémantique et la responsabilité des ressources de données de base partagées officielles de l’entreprise. »

Définition de la gestion des données de base par Gartner

Gestion du Big Data

De nouveaux types de bases de données et d’outils ont été développés pour gérer le Big Data : d’énormes volumes de données structurées, non structurées et semi-structurées inondent les entreprises aujourd’hui. Outre les infrastructures basées sur le Cloud et les techniques de traitement hautement efficaces mises en place pour gérer le volume et la vitesse, de nouvelles approches ont vu le jour pour interpréter et gérer la variété de données. Pour que les outils de data management puissent comprendre et utiliser différents types de données non structurées, par exemple, de nouveaux processus de prétraitement permettent d’identifier et de classer les éléments de données en vue de faciliter leur stockage et leur extraction.

Intégration des données

L’intégration des données consiste à intégrer, transformer, combiner et mettre à disposition les données à l’endroit et au moment où les utilisateurs en ont besoin. Cette intégration s’effectue dans l’entreprise et au-delà, chez les partenaires et dans les cas d’utilisation et les sources de données tierces, pour répondre aux besoins de consommation de données de toutes les applications et de tous les processus de gestion. Les techniques utilisées incluent le déplacement des données en masse/par lots, l’extraction, la transformation, le chargement (ETL), la capture des données de modification, la réplication des données, la virtualisation des données, l’intégration des données de streaming, l’orchestration des données, etc.

Gouvernance, sécurité et conformité des données

La gouvernance des données est un ensemble de règles et de responsabilités visant à garantir la disponibilité, la qualité, la conformité et la sécurité des données dans toute l’organisation. Elle définit l’infrastructure et désigne les collaborateurs (ou postes) au sein d’une organisation dotés du pouvoir et de la responsabilité nécessaires pour assurer le traitement et la sauvegarde de types de données spécifiques. La gouvernance des données est un aspect clé de la conformité. Alors que les mécanismes de stockage, de traitement et de sécurité sont gérés par les systèmes, la gouvernance des collaborateurs permet de s’assurer que les données sont exactes, correctement gérées et protégées avant d’être entrées dans les systèmes, lorsqu’elles sont utilisées, puis lorsqu’elles sont extraites des systèmes à d’autres fins d’utilisation et de stockage. La gouvernance détermine comment les responsables utilisent les processus et les technologies pour gérer et protéger les données.

La sécurité des données est bien évidemment une préoccupation majeure dans notre monde actuel constamment menacé par les pirates informatiques, les virus, les cyberattaques et les violations de données. Bien que la sécurité soit intégrée dans les systèmes et les applications, la gouvernance des données garantit que ces systèmes sont correctement configurés et administrés pour protéger les données, et que les procédures et les responsabilités sont appliquées pour assurer leur protection en dehors des systèmes et de la base de données.

Business Intelligence et analyses

La plupart des systèmes de data management, sinon tous, incluent des outils de reporting et d’extraction des données de base, et beaucoup d’entre eux intègrent ou sont fournis avec de puissantes applications d’extraction, d’analyses et de reporting. Les applications d’analyses et de reporting sont également disponibles auprès de développeurs tiers et sont presque toujours incluses dans le groupe d’applications en tant que fonctionnalité standard ou en tant que module complémentaire facultatif pour des fonctionnalités plus avancées.

La puissance des systèmes de data management actuels réside, dans une large mesure, dans les outils d’extraction ad hoc qui permettent aux utilisateurs disposant d’un minimum de formation de créer leurs propres extractions de données à l’écran et d’imprimer des rapports en bénéficiant d’une grande flexibilité dans la mise en forme, les calculs, les tris et les résumés. En outre, les professionnels peuvent utiliser ces outils ou des jeux d’outils d’analyses plus avancés pour aller encore plus loin en termes de calculs, comparaisons, mathématiques abstraites et mises en forme. Les nouvelles applications analytiques permettent de relier les bases de données traditionnelles, les entrepôts de données et les lacs de données pour intégrer le Big Data aux données des applications de gestion en vue d’améliorer les prévisions, les analyses et la planification.

Qu’est-ce qu’une stratégie de gestion des données d’entreprise et quelle est son utilité ?

De nombreuses entreprises se sont montrées passives dans leur approche de stratégie de data management en acceptant ce que leur fournisseur d’applications de gestion avait intégré dans leurs systèmes. Mais cela ne suffit plus. Avec l’explosion actuelle des données et leur importance accrue dans le fonctionnement de toute entreprise, il devient indispensable d’adopter une approche plus proactive et plus globale du data management. D’un point de vue pratique, cela implique de définir une stratégie des données visant à :

  • identifier les types de données spécifiques utiles à votre entreprise ;
  • attribuer des responsabilités pour chaque type de données ; et
  • définir des procédures régissant l’acquisition, la collecte et la gestion de ces données.

La mise en œuvre d’une infrastructure et d’une stratégie de gestion des données d’entreprise offre notamment l’avantage de fédérer l’entreprise, en coordonnant toutes les activités et décisions à l’appui de ses objectifs, à savoir offrir des produits et des services de qualité de manière efficace. Une stratégie globale de data management et une intégration transparente des données permettent de décloisonner les informations. Elles aident chaque service, responsable et employé à mieux comprendre sa contribution individuelle à la réussite de l’entreprise, et à adopter des décisions et des actions alignées sur ces objectifs.

Évolution du data management

La gestion efficace des données joue un rôle clé dans la réussite des entreprises depuis plus de 50 ans : elle permet d’améliorer la précision du reporting, de repérer les tendances et de prendre de meilleures décisions pour favoriser la transformation numérique et exploiter les nouvelles technologies et les nouveaux modèles de gestion. Les données représentent aujourd’hui une nouvelle forme de capital et les organisations visionnaires sont toujours à l’affût de nouveaux moyens de les exploiter à leur avantage. Ces dernières tendances en matière de data management méritent d’être surveillées et peuvent être pertinentes pour votre entreprise et votre secteur d’activité :

  • Structure de données : la plupart des entreprises disposent aujourd’hui de différents types de données déployées sur site et dans le Cloud, et utilisent plusieurs systèmes de gestion de bases de données, outils et technologies de traitement. Une structure de données, qui est une combinaison personnalisée d’architecture et de technologie, utilise une intégration et une orchestration dynamiques des données pour permettre un accès et un partage transparents des données dans un environnement distribué.
  • Data management dans le Cloud :de nombreuses entreprises se sont mises à migrer tout ou partie de leur plateforme de gestion des données dans le Cloud. Le data management dans le Cloud offre tous les avantages du Cloud, notamment l’évolutivité, la sécurité avancée des données, l’amélioration de l’accès aux données, les sauvegardes automatisées et la restauration après sinistre, les économies de coûts, etc. Les solutions de base de données Cloud et base de données en tant que service (DBaaS), les entrepôts de données Cloud et les lacs de données Cloud montent en puissance.
  • Data management augmenté :c’est l’une des dernières tendances. Identifiée par Gartner comme une technologie au potentiel perturbateur d’ici 2022, la gestion des données augmentée exploite l’IA et l’apprentissage automatique pour donner aux processus de gestion la capacité de s’autoconfigurer et s’autorégler. Le data management augmenté automatise tout, de la qualité des données et de la gestion des données de base jusqu’à l’intégration des données, ce qui permet au personnel technique qualifié de se concentrer sur des tâches à plus forte valeur ajoutée.

« D’ici 2022, les tâches manuelles de data management seront réduites de 45 % grâce à l’apprentissage automatique et à la gestion automatisée des niveaux de service. »

– Gartner

  • Analyse augmentée : l’analyse augmentée, une autre tendance technologique de pointe identifiée par Gartner, est en train d’émerger. L’analyse augmentée exploite l’intelligence artificielle, l’apprentissage automatique et le traitement du langage naturel (TLN) pour rechercher automatiquement les informations les plus importantes, mais aussi pour démocratiser l’accès aux analyses avancées afin que tous les collaborateurs, et pas uniquement les experts en Big Data, puissent interroger leurs données et obtenir des réponses d’une manière naturelle et conversationnelle.

Découvrez d’autres termes et tendances en matière de data management.

Synthèse

L’information est dérivée des données et si elle synonyme de pouvoir, cela signifie que la gestion et l’exploitation efficaces de vos données pourraient représenter une formidable opportunité de croissance pour votre entreprise. Les responsabilités en matière de data management et le rôle des analystes de bases de données (DBA) évoluent vers un modèle d’agent du changement, qui favorise l’adoption du Cloud, exploite les nouvelles tendances et technologies et apporte une valeur stratégique à l’entreprise.

Pictogramme qui représente un entrepôt de données

Solutions de data management et de bases de données

Découvrez comment SAP peut vous aider à gérer, administrer et intégrer vos données d’entreprise pour disposer d’analyses fiables et prendre des décisions avisées.

En savoir plus

Publié en anglais sur insights.sap.com

The post Qu’est-ce que le data management ? appeared first on SAP France News.

Source de l’article sur sap.com

/par

SAP, acteur de la lutte contre le changement climatique

, ,

Le changement climatique est un sujet brûlant. Pour y remédier, tous les pays du monde se doivent d’agir et de mener des actions coordonnées. Depuis plus de 10 ans, SAP s’emploie à agir contre le changement climatique. L’éditeur a fixé ses premiers objectifs de baisse des émissions de CO2 dès 2009. Bien qu’il ait une nouvelle fois été classé numéro 1 des éditeurs de logiciels dans les indices de durabilité du Dow Jones cette année, le plus dur reste à accomplir.

Dans le cadre du mouvement #FridaysForFuture, des milliers d’étudiants descendent dans la rue chaque vendredi pour manifester en faveur de la protection du climat. Le rapport annuel sur l’écart entre les besoins et les perspectives en matière de réduction des émissions qui vient d’être publié a tiré une autre sonnette d’alarme avant la conférence sur le climat de cette semaine. En comparant la tendance des émissions de gaz à effet de serre à leur niveau souhaitable, le rapport souligne que ces émissions doivent baisser de 7,6 % par an sur la prochaine décennie pour que l’humanité parvienne à contenir l’élévation des températures du globe à 1,5 °C. Un réchauffement supérieur à 1,5 degré entraînerait des phénomènes climatiques plus fréquents et plus intenses, à l’image des vagues de chaleur et des tempêtes observées ces dernières années, et ferait planer de graves menaces sur les populations, les pays, l’environnement, mais aussi les entreprises.

Favoriser l’action pour le climat via les solutions SAP

Pour lutter contre les dommages causés par le changement climatique, SAP s’appuie sur la numérisation. Ce faisant, l’éditeur aide ses clients à réduire leurs émissions de CO2 et à contribuer à l’objectif de développement durable numéro 13 des Nations unies, à savoir Mesures relatives à la lutte contre les changements climatiques.

« Le principal levier de SAP se traduit par son portefeuille de produits, qui permet aux clients d’agir de manière positive sur le plan économique, environnemental et social », explique Daniel Schmid, directeur du développement durable de SAP. « Avec plus de 437 000 clients à son actif, notre entreprise dispose d’un énorme potentiel pour changer les choses. »

Une partie de ce potentiel a déjà été réalisée en collaboration avec les clients.

Lors dialogue consacré aux aspects stratégiques du développement durable qui s’est tenu au siège de SAP en septembre, Hanno Schoklitsch, fondateur et PDG de Kaiserwetter, a parlé de la façon dont son entreprise recourt à l’Internet des Objets (IdO) et l’intelligence artificielle (IA) pour accélérer la transition vers les énergies vertes. Il a présenté le dernier bilan d’ARISTOTELES, plateforme IdO optimisée par SAP Cloud Platform, qui s’appuie sur des analyses de données intelligentes et des simulations de données prédictives pour améliorer les investissements et le financement en faveur de l’efficacité énergétique.

Il est essentiel d’amplifier cet impact. En conséquence, les équipes SAP s’activent à faire évoluer les solutions SAP qui aident à transformer la mobilité urbaine et qui soutiennent les réseaux de chaîne logistique pour qu’ils gagnent en transparence, dans l’objectif de passer à une économie circulaire « zéro déchet » et de lutter contre la pollution plastique.

Donner l’exemple : efforts consentis en interne

Cliquez pour agrandir

Tout en cherchant à élaborer des produits et services qui aident les clients à déployer des modèles économiques durables, SAP s’engage à réduire ses propres émissions de gaz à effet de serre. Des mesures ont déjà été mises en place pour atteindre cet objectif.

SAP s’est fixé l’objectif de réduire de 85 % ses émissions de CO2 tout au long de la chaîne de création de valeur d’ici 2050, un objectif qui s’inscrit dans l’initiative « Science Based Targets ». Dans ce cadre-là, l’éditeur a récemment renforcé son engagement en adoptant les objectifs de réduction des émissions de 1,5 ºC dans l’optique d’une future neutralité carbone. Pour atteindre la neutralité carbone dans ses propres activités d’ici 2025, SAP s’appuie sur une stratégie en trois volets : éviter, réduire, compenser.

  • Éviter : dans la mesure du possible, SAP s’emploie à éviter les émissions de gaz à effet de serre. Il s’agit d’une priorité absolue, qui passe par exemple par le recours aux télécommunications virtuelles en lieu et place des vols d’affaires.
  • Réduire : au cas où les émissions de gaz à effet de serre ne pourraient pas être évitées, SAP cherche à renforcer l’efficacité et réduire tous les types d’émissions, par exemple avec l’efficacité énergétique des bâtiments, les opérations des centres de données, le covoiturage, l’autopartage et la mobilité connectée.
  • Compenser : SAP a élargi ses modèles de compensation des déplacements professionnels. Dans le cas des vols d’affaires, un prix interne du carbone a été établi pour compenser les émissions de CO2, et SAP a émis des cartes de carburant neutres en carbone pour toutes les voitures de fonction.

En 2009, SAP s’est fixé l’objectif de ramener les émissions de gaz à effet de serre aux niveaux de 2000 d’ici 2020. Ce résultat a été atteint dès la fin 2017 alors que les effectifs de SAP ont été multipliés par quatre au cours de cette période. L’année dernière, SAP a fait tomber ses émissions à 310 kilotonnes, dépassant ainsi son objectif annuel de réduire le nombre de ses émissions de CO2 à moins de 333 kilotonnes. Les chiffres exacts sont disponibles dans le rapport intégré annuel. En outre, un tableau de bord interne de durabilité permet aux employés de découvrir la répartition de ces rejets par pays, par site et par secteur d’activité.

Tous les centres de données et établissements SAP fonctionnent aux énergies vertes depuis 2014. En outre, SAP introduit progressivement un système de management environnemental conforme à la norme ISO 14001 sur les sites SAP du monde entier.  En 2019, 55 sites SAP avaient déjà obtenu la certification ISO 14001.  Un système de management de l’énergie certifié ISO 50001 est intégré aux systèmes de gestion existants de certains sites, tels que le siège de SAP à Walldorf et St. Leon-Rot, pour améliorer en continu la performance énergétique de l’entreprise.

La mobilité joue également un rôle clé dans la lutte contre le changement climatique. C’est la raison pour laquelle le profil des employés qui font la navette entre domicile et lieu de travail est pris en compte dans le calcul des émissions de CO2 de SAP. Avec son large éventail de voitures électriques, à ses systèmes de transport public spéciaux ainsi qu’à son vif soutien du vélo et du covoiturage, SAP propose différents moyens de se déplacer et de voyager de manière durable. Les résultats de l’enquête 2018 sur les trajets domicile-travail ont révélé une tendance positive : en 2018, les émissions quotidiennes de CO2 en lien avec ces trajets ont diminué de 4,7 % par rapport à l’année précédente. L’utilisation de la voiture a baissé de 5 %, celle des transports publics est restée stable et le recours au vélo a augmenté de 15 %. Le travail à domicile a progressé de 11 % d’une année sur l’autre.

Si les émissions de CO2 ne peuvent être évitées ou réduites, auquel cas SAP investit dans des projets de compensation d’émissions et reçoit en retour des crédits carbone des projets sponsorisés. L’accent est mis sur des projets ambitieux, tels que le Fonds Livelihoods qui conjugue reboisement et amélioration des moyens de subsistance des communautés rurales et satisfait aux critères du label GOLD standard du WWF (World Wide Fund for Nature). À ce jour, 2,3 millions d’arbres ont été plantés, dont 1 million entre 2018 et 2019, par exemple, dans le cadre du projet « Réserve de forêt de Kikonda » en Ouganda.

Agir au niveau individuel

Chacun de nous, nous pouvons de bien des façons changer les choses, tant dans notre vie personnelle que professionnelle. Les employés de SAP sont désireux d’apporter une contribution positive. Selon l’enquête annuelle menée auprès du personnel, 93 % des employés conviennent qu’il est important pour SAP de poursuivre sa stratégie de développement durable. Plus de 200 personnes s’engagent comme défenseurs du développement durable au sein d’un réseau mondial pour encourager le changement et inspirer leurs collègues.

Le programme SAP Next-Gen, mis en place en collaboration avec les laboratoires d’innovation technologique de l’ONU, soutient une série de hackathons en faveur de l’action climat, Reboot the Earth, dont la finale aura lieu lors du sommet pour le climat à New York prévu en septembre prochain. De nombreux employés de SAP sur différents sites se sont portés volontaires pour jouer le rôle de juges dans les concours locaux.

Les lignes directrices de la programmation durable compilées par l’équipe Performance and Scalability de SAP ont également valeur d’exemple. Selon Detlef Thom, expert produit SAP en développement : « Pour les développeurs de logiciels et les architectes, appuyer le développement durable et contribuer à l’informatique écoresponsable implique de concevoir des programmes logiciels qui utilisent efficacement les ressources informatiques tout en économisant de l’énergie. Cela devient encore plus impératif si l’on tient compte du grand nombre de transactions commerciales que gère un système SAP à l’échelle mondiale. »

The post SAP, acteur de la lutte contre le changement climatique appeared first on SAP France News.

Source de l’article sur sap.com

/par

Mener la belle vie avec la conscience tranquille : c’est possible !

, ,

Auparavant, « mener la belle vie » signifiait jouir du confort et du luxe, loin des problèmes financiers et des préoccupations environnementales. Ce n’est plus le cas aujourd’hui.

Selon une récente étude Harris/Ketchum commandée par Sustainable Brands, une communauté mondiale d’innovateurs de marque, la définition d’une belle vie a changé. Plutôt que l’argent, le statut et les réalisations personnelles, aujourd’hui, « la base d’une vie bien vécue repose sur l’équilibre, la simplicité et des liens plus étroits avec la famille, la communauté et l’environnement ».

Selon les sources, la recherche indique qu’environ 65 à 95 % des personnes veulent désormais vivre une vie plus durable et acheter des produits qui soutiennent un avenir plus durable. Cela a un impact considérable sur les sociétés qui souhaitent rester compétitives dans ce nouveau contexte.

Comment les marques évoluent-elles alors pour répondre aux besoins et aux aspirations des consommateurs qui apprécient la simplicité, la transparence, l’authenticité et la durabilité plutôt que les biens personnels et l’apparence ?

Appliquer la théorie

Les objectifs et la vision des marques durables sont clairs. Elles créent des feuilles de route pour développer en permanence des pratiques commerciales plus durables. Elles excellent dans le leadership éclairé, l’innovation et les meilleures pratiques pour façonner une culture où la vie durable constitue la base de la belle vie de demain.

En voici quelques exemples sympathiques.

Procter & Gamble, géant des produits de consommation courante, a augmenté d’un cran ses initiatives en termes d’économie circulaire en fabriquant des bouteilles à partir du plastique ramassé sur les plages et repêché dans les océans. La société s’est également engagée à recycler et à récupérer 5 milliards de litres d’eau par an de ses processus de fabrication. Elle s’attaque même à un problème que personne d’autre ne semble savoir résoudre : la société a inventé une technologie capable de redonner de la valeur aux déchets, comme la cellulose plastique des couches jetables sales.

À Haïti, une des conséquences involontaires des opérations de secours après le séisme dévastateur de 2010 a été l’accumulation de montagnes de bouteilles plastique sur toute l’île. Des bouteilles d’eau vides et les emballages des fournitures expédiées pour aider les Haïtiens se sont retrouvés dans les canaux, sur les plages et dans les rues. Le système de collecte des déchets du pays s’est alors effondré. Aujourd’hui, ces bouteilles trouvent une seconde vie sous la forme de cartouches d’imprimante. À travers un projet de recyclage radical, HP, une société qui voit la circularité comme une approche liée au cycle de vie des produits, collabore avec divers partenaires pour créer de nouveaux emplois, offrir une formation en matière de santé et de sécurité et instruire des centaines d’enfants qui collectaient auparavant des déchets pour venir en aide à leur famille.

Parvenir à la belle vie

En mai 2019, plus de 2 500 représentants de la communauté Sustainable Brands se sont rassemblés à Détroit afin de faire part de leurs efforts et de s’inspirer de ce que font les autres pour agir et avoir la conscience tranquille, tout en fournissant des produits et des services qui répondent aux besoins et aux visions des clients et des consommateurs.

Cette conférence de quatre jours attire des leaders éclairés, des innovateurs, des experts du développement durable et des stratèges de marque du monde entier. L’événement principal est l’exposition Innovation Expo. Les participants peuvent s’inscrire à des ateliers, à des laboratoires d’innovation et à des activités de programmation centrés sur l’amélioration du monde.

L’exposition est divisée en pavillons « Belle vie » dédié aux différents secteurs du marché tels que la chimie, l’énergie et la finance, ainsi qu’à des sujets tels que la circularité et la gestion des ressources. Une section est même consacrée aux revues qui sont capables d’inspirer des changements comportementaux, comme le National Geographic.

En tant que sponsor « Good Life Lounge » pour l’économie circulaire, SAP organise plusieurs dialogues interactifs sur des sujets stratégiques. La question de la pollution plastique des océans est un des sujets de la conférence auquel les dirigeants de SAP sont très attachés.

Notre génération a fait la différence

The Knowledge That our Generation Has Made a Difference

Click the button below to load the content from YouTube.

Always allow YouTube

The Knowledge That our Generation Has Made a Difference

Vidéo d’Angela Klose

Une direction qui a du sens

En 2018, Stephen Jamieson, responsable de SAP Leonardo au Royaume-Uni et en Irlande, a participé à la création de « Plastics Cloud », une plateforme pour s’attaquer au problème du plastique à usage unique. L’initiative compile des informations et utilise l’apprentissage automatique pour identifier les matériaux et les tendances prévisionnelles en matière d’achat et de recyclage de matières plastiques, ce qui permet aux services de répondre à la demande. Elle partage également des données avec les consommateurs pour les aider à comprendre l’impact qu’ils ont au sujet des matières plastiques.

Entre-temps, Padmini Ranganathan, vice-présidente globale Produits et innovation chez SAP, a inclus Plastics for Change dans Ariba Network, de façon à intégrer l’économie informelle des collecteurs de déchets dans un système d’offre et de demande de matériaux secondaires plus formalisé.

L’initiative de Stephen Jamieson et le travail de Padmini Ranganathan avec les collecteurs de matières plastiques ont été deux des principaux facteurs qui ont poussé SAP à parrainer le sommet Ocean Plastic Leadership Summit dirigé par Jim Sullivan, responsable de l’Innovation durable chez SAP, et Alexandra van der Ploeg, responsable de la Responsabilité sociale d’entreprise chez SAP.

Comme l’a dit Mohammed Ali « l’impossible est temporaire ». Ce paradigme a été répété à maintes reprises par les 170 producteurs, scientifiques, chercheurs et innovateurs participant au sommet océanique. Bien que la pollution plastique des océans soit un immense défi, Jim Sullivan estime que si les gouvernements, les organisations non gouvernementales (ONG), les consommateurs et les leaders industriels s’associaient, il serait possible de le relever en dix ans. La plupart du plastique est rejeté dans l’océan par cinq cours d’eau en Asie. Les experts estiment qu’en réduisant la quantité des matières plastiques déversées dans les cours d’eau de seulement 20 % au cours des sept prochaines années, les océans reviendraient aux niveaux de pollution plastique des années 1990.

La technologie pour y parvenir existe déjà. C’est l’investissement nécessaire au développement de cette infrastructure essentielle qui fait défaut, et ce manque s’accentue encore plus du fait de l’échec du système d’offre et de demande de matériaux recyclés.

Les entreprises durables jouent un rôle majeur dans la solution. Elles transforment leurs activités avec des modèles circulaires qui permettent aux consommateurs et aux producteurs de refuser, de réduire, de réutiliser et de recycler. Ensemble, ils créent une assise durable pour mener la belle vie, selon la nouvelle définition qu’on lui prête.

Publié en anglais sur news.sap.com. 

The post Mener la belle vie avec la conscience tranquille : c’est possible ! appeared first on SAP France News.

Source de l’article sur sap.com

/par

Adoptez une stratégie gagnante face aux cybermenaces et aux risques liés à la confidentialité et à la sécurité

, ,

Les risques croissants liés aux cybermenaces, à la protection des données et aux nouvelles lois sur la confidentialité poussent les entreprises leaders à identifier et mettre en place des mesures efficaces de limitation des risques.

Alors que votre entreprise s’engage dans la transformation numérique et transfère toujours plus d’applications vers le cloud, vous avez besoin d’une sécurité plus intelligente, automatisée et intégrée. SAP vous aide à atteindre ces objectifs avec les solutions SAP pour la cybersécurité et la protection des données. Ces solutions uniques considèrent en parallèle les transactions métier et les risques liés à la sécurité, et contribuent à la sécurité des données, propice à une confiance numérique durable.

Nos solutions vous aideront à :

  • Détecter et traiter les activités suspectes dans les environnements logiciels SAP®.
  • Analyser le langage de programmation ABAP® et le code source non-ABAP pour identifier les risques.
  • Effectuer une surveillance des systèmes et applications à gros volumes, avec alertes et outils analytiques, mais aussi intégration à d’autres outils de gestion des événements et des informations de sécurité (SIEM).
  • Assurer le contrôle de vos données et une transparence optimale dans les environnements de type Hyperscale (clouds publics).
  • Gérer et faciliter la sécurisation des données personnelles, en toute conformité, avec notamment des capacités liées au masquage et à la journalisation.

Invitation spéciale :

Rejoignez-moi, ainsi que mes collègues Evelyne Salie, Anne Marie Colombo et Wasif Gilani, pour obtenir des informations de SAP, mais aussi de notre invité spécial, Kevin Heckel de Deloitte, le 23 mars 2021, pour notre présentation intitulée « Cybermenaces, confidentialité et sécurité », proposée dans le cadre du sommet virtuel SAP Finance and Risk.

Nous évoquerons ces sujets et la façon dont les technologies SAP peuvent aider les professionnels de la sécurité, de la protection des données et de la confidentialité à transformer votre approche en matière d’automatisation et de conformité.

Wasif Gilani nous parlera d’une nouvelle solution incontournable : SAP Data Custodian.

Nous évoquerons également deux autres solutions : SAP Enterprise Threat Detection et notre tableau de bord de cybersécurité SAP Analytics Cloud (Arndt Lingscheid et Gabriele Fiata).

En somme, nous vous proposons 45 minutes particulièrement riches et intenses, axées sur la cybersécurité et la protection des données, et la présentation de multiples fonctionnalités absolument incontournables.

Nous sommes impatients de vous retrouver à l’occasion de cet événement virtuel unique !  Rendez-vous à 11 h (UTC-4) ou bien à la demande, une fois l’événement terminé.

Et en attendant, voici quelques suggestions :

Consultez ce document de deux pages consacré à la manière dont Deloitte a utilisé SAP Enterprise Threat Detection pour optimiser la surveillance des menaces de sécurité pour nombre de ses applications.

Accédez à notre dizaine de sessions à la demande pour bénéficier de présentations de produits approfondies et pour découvrir les nombreux cas dans lesquels SAP utilise ses propres solutions pour gérer les risques, automatiser des centaines de contrôles et effectuer ses propres programmes d’audit interne à travers l’entreprise. Inscrivez-vous pour regarder la session de votre choix et approfondir les domaines de la GRC (gouvernance, gestion des risques et conformité), de la gouvernance des accès, de la confidentialité et de la cybersécurité.

The post Adoptez une stratégie gagnante face aux cybermenaces et aux risques liés à la confidentialité et à la sécurité appeared first on SAP France News.

Source de l’article sur sap.com

/par

Quatre manières de préserver notre planète

, ,

La plupart des pays industrialisés recyclent leurs déchets depuis déjà des décennies. Nous trions le verre, le plastique, le papier et le textile en les jetant dans les poubelles prévues à cet effet. Mais qu’advient-il ensuite de ces déchets ? En faisons-nous assez ? Et qu’en est-il des régions qui sont devenues des dépotoirs ou qui n’ont pas mis en place de systèmes de recyclage ?

Malgré nos efforts, près de 9 millions de tonnes de plastique sont déversés chaque année dans les océans en raison de notre modèle de consommation linéaire actuel Extraire, Fabriquer, Jeter.

L’entassement des déchets dans les décharges n’arrange rien. Pas moins de 1,3 milliard de tonnes de déchets sont mis en décharge chaque année et ce chiffre devrait grimper à 2,2 milliards de tonnes en 2025. Les dommages causés à l’homme, à la faune sauvage et à l’environnement sont considérables, mais nous pouvons prendre des mesures pour les atténuer.

Le cas des vêtements

Outre les déchets plastiques et électroniques, les textiles, notamment les textiles non biologiques, sont en grande partie responsables du problème. Selon l’Agence de protection de l’environnement des États-Unis (EPA), les Américains jettent 13,1 millions de tonnes de textiles par an, dont 15 % seulement sont recyclés. Cela signifie que plus de 11 millions de tonnes de textiles sont déversés chaque année dans les décharges, libérant dans le sol des colorants et des produits chimiques qui contaminent les eaux souterraines et nuisent à l’environnement. Pire encore, à mesure que les textiles se décomposent, ils libèrent du méthane, un gaz à effet de serre nocif qui contribue de manière significative au réchauffement climatique.

L’industrie textile est la plus polluante après le logement, le transport et l’alimentation. L’apparition des achats en ligne a bouleversé nos habitudes. Aujourd’hui, les consommateurs commandent les articles en plusieurs tailles ou plusieurs couleurs, les essaient et retournent ce qui ne leur convient pas, ce qui crée de nouveaux défis pour les commerçants. De nombreux détaillants sont contraints de jeter plus de 25 % des articles retournés, soit des tonnes de marchandises neuves déversées chaque année dans les décharges.

Dans ce contexte, le secteur de la mode éphémère est soumis à de fortes pressions pour repenser sa stratégie de production et merchandising en vue de réduire les dommages écologiques.

Quatre gestes pour réduire les déchets

La protection de l’environnement relève de la responsabilité collective. Si les gouvernements, les consommateurs, les fabricants et les détaillants font leur part du travail, il est encore possible d’inverser la tendance. En tant que citoyens et consommateurs, nous avons un rôle important à jouer.

Nous pouvons tous refuser d’acheter des articles en plastique à usage unique, des produits vendus dans des emballages superflus ou des vêtements bon marché qui finissent dans des décharges après avoir été portés une ou deux fois.

Nous pouvons réduire les déchets en évitant d’en générer, par exemple en réduisant le volume des marchandises achetées en ligne, puis retournées au vendeur. Pour ce qui est de la réutilisation, cette pratique est en plein essor. Des friperies aux associations caritatives, il existe de nombreux moyens de remettre des textiles, meubles et appareils sur le marché plutôt que de les déverser dans les décharges.

Enfin, le recyclage doit être l’objectif ultime. Il permet non seulement de réduire la dépendance à l’égard des matières premières, mais il crée des emplois et diminue l’impact de notre société de consommation sur l’environnement.

Toutefois, il existe encore un énorme fossé entre ce que nous aspirons à faire en tant que consommateurs et notre comportement au quotidien.

Même si plusieurs études, telles que l’enquête sur les emballages plastiques de 2017 réalisée par l’institut britannique de sondage Populus, confirment la motivation des consommateurs à mieux gérer leur consommation et leurs déchets de matières plastiques, il reste encore beaucoup à faire. Par exemple, les étiquettes d’emballage sont souvent source de confusion et la communication des collectivités locales sur les options de recyclage disponibles n’est pas suffisamment claire.

Une participante à une enquête a donné un excellent exemple de la complexité à laquelle les consommateurs sont confrontés lorsqu’ils tentent d’adopter les bons gestes. « J’ai effectué des recherches sur les couches biodégradables, qui me semblent être une bonne idée », a-t-elle déclaré. « Mais apparemment, ces couches peuvent uniquement être recyclées dans un composteur. Si elles sont mises en décharge, elles produisent du méthane, ce qui est réellement nocif pour l’environnement. »

Le défi de SAP concernant les matières plastiques

S’agissant des matières plastiques et de la pollution qu’elles engendrent, une manière de résoudre le problème serait de les éliminer tout simplement de la chaîne logistique.

L’an passé, l’équipe SAP Leonardo a lancé un projet d’innovation collaborative dans le cadre du UK Plastics Pact de WRAP afin de trouver de nouvelles solutions face au problème de pollution plastique. L’initiative a débuté par une enquête ethnographique visant à déterminer comment les citoyens perçoivent le défi de la pollution plastique. Sur la base des résultats de l’enquête, cinq personas ont été développées pour représenter les attitudes et comportements qui prévalent aujourd’hui dans la société britannique, depuis les sympathisants jusqu’aux ardents défenseurs de l’écologie.

Plusieurs thèmes sont ressortis de cette étude : le devoir de réduire la consommation de matières plastiques, la confusion et les mythes sur le recyclage, la nécessité d’apprendre et de répondre de manière appropriée et, enfin, la nécessité de sensibiliser.

Dans le cadre de la deuxième phase du projet, un marathon de programmation et une session de conception créative organisés sur trois jours ont rassemblé des experts et des innovateurs de SAP et de grandes entreprises internationales comme Unilever, HSBC et Deliveroo. Les équipes ont été invitées à concevoir des prototypes de produits et services autour des cinq thèmes pour les différents personas. Les prototypes sont en cours de développement et de test dans une phase d’incubation. Les solutions visant à éliminer le plastique seront présentées à l’occasion de l’exposition collective Design Frontiers, qui se déroulera au London Design Festival en septembre prochain.

Autres bonnes nouvelles

Pour ce qui est de la gestion des déchets industriels et ménagers, le lot d’efforts déployés varie d’un pays à l’autre. La Suède importe à présent des déchets, car moins de 1 % de ceux générés dans le pays se retrouvent dans des décharges. Le reste est recyclé ou brûlé pour chauffer les maisons. Le processus est tellement efficace que la Suède s’est mise à manquer de déchets et a commencé à en importer auprès de pays voisins pour alimenter son programme national de valorisation énergétique.

L’Allemagne est un autre exemple : sur les 45,9 millions de tonnes de déchets ménagers produites en 2017, seules 0,5 million de tonnes ont été mises en décharge grâce aux directives de l’UE, à des réglementations nationales strictes en matière de gestion des déchets et à des installations de traitement des déchets de pointe. La ville de Heidelberg, par exemple, a ajouté des capteurs intelligents à ces bacs à ordures et les a connectés à la solution SAP Connected Goods. La ville dispose désormais d’une visibilité en temps réel sur l’état des déchets, ce qui réduit le nombre de camions à ordures sur la route, en éliminant le ramassage inutile et le remplissage excessif. Cela a également contribué à la réduction du bruit, du trafic et de la pollution.

On constate aussi des progrès dans le Global Fashion Agenda. À la fin du premier semestre de l’année dernière, l’Engagement 2020 en faveur du système de mode circulaire avait été signé par 94 entreprises représentant 12,5 % du marché mondial de la mode. Ces entreprises se sont engagées à collecter et revendre des vêtements et des chaussures, de même qu’à accroître la part de vêtements et chaussures fabriqués à partir de fibres recyclées. Elles ont également promis de rendre compte des progrès annuels et, plus important encore, de transformer leurs pratiques commerciales linéaires actuelles.

De plus en plus d’entreprises prennent conscience des avantages d’une approche circulaire et de plus en plus de consommateurs réclament des produits et services plus durables. Dès lors, il est encore possible d’inverser la tendance.

Découvrez Isabelle Pierard et son entreprise Soulyé

Click the button below to load the content from YouTube.

Always allow YouTube

Découvrez Isabelle Pierard et son entreprise Soulyé

Publié initialement en anglais sur Forbes dans la catégorie Brandvoice

The post Quatre manières de préserver notre planète appeared first on SAP France News.

Source de l’article sur sap.com

/par

Rendre les développeurs heureux ? La recette en chiffres

De l’amour ? De l’argent ? Un nouveau clavier ? Une étude fait le point sur ce qui donne la pêche aux développeurs. Apprendre de nouvelles choses, Java, et le machine learning permettent de toucher du doigt leurs aspirations.
Source de l’article sur ZDNet

/0 Commentaires/par