Big Data: (mégadonnées) possible de les stocker en l’état, mais seulement de les
• Le Big Data est une collection de données dont le analyser en flux (streaming), voire de les
volume est énorme et qui croît de manière résumer.
exponentielle avec le temps.
aucun des outils traditionnels de gestion des données
Modèle des 3V étendu aux 5V:
ne peut les stocker ou les traiter efficacement. 4/ La Valeur:
Provenir: d’une source unique ou de sources combinées dimension économique et stratégique des données.
→L'analyse des big data est le processus d'examen de Aussi l’usage qui peut être fait de ces mégadonnées,
grandes quantités de données. de leur analyse.
L’exploitation des données peut générer des gains
Def : le principe de base du big data est de importants
collecter des données provenant de multiples Nécessite des compétences spécifiques en statistiques,
sources, de les analyser et d'en extraire des data science et expertise métier.
informations : ces dernières vont aider à la décision C’est le V le plus crucial pour les entreprises, car il
ou apporter des solutions via des tableaux de bord transforme les données en avantages concrets
ou des analyses prédictives. (efficacité, fidélisation, profits).
Big Data - Pourquoi? 5/La Véracité (fiabilité ou validité ):
· Augmentation exponentielle de la quantité de données la qualité des données et/ou problèmes éthiques liés
non structuées à leur utilisation.
· Augmentation de la capacité de stockage et d’analyse · Inclut les problèmes de valeurs aberrantes, données
· Les outils classiques sont inadaptés à ces données. manquantes, ou peu fiables.
· Nouvelles technologies développées : GFS, MapReduce, · La taille et la complexité du Big Data rendent la
Hadoop. vérification difficile.
· Naissance du Big Data : un changement de méthode, pas · La confiance dans les données est essentielle pour
juste de volume. une prise de décision fiable.
· Exemples de risques : faux profils, fraudes, erreurs…
Caractérisation des mégadonnées: → nécessité de recouper et enrichir les données.
Modèle des 3V: Volume, Variété et Vélocité. Exemples d’applications Big Data:
sont essentielles pour comprendre comment nous - Analyse de fichiers de traces (transactions,
pouvons mesurer le big data et à quel point le big data déplacements, navigation web) pour comprendre
est différent des données traditionnelles. comportements passés et prédire les futurs.
1/ Le Volume: - Analyse de capteurs industriels :
la quantité d’informations, trop volumineuse pour être Utilise les signaux de capteurs + bases de données
acquise, stockée, traitée, analysée et diffusée par des historiques et [Link] détecter les signes
outils standards. avant-coureurs de pannes
2/La Variété: - l’analyse de réseaux sociaux
à l’hétérogénéité des formats, de types, et de qualité
des information.
Disciplines participant au Big Data:
(les données structurées et non 1. Mathématiques et informatique (Math-Info)
structurées susceptibles d'être générées par des Statistiques, probabilités, machine learning, fouille de
humains ou des machines. ) données et de graphes.
3/ La Vélocité:(Vitesse) Constitue le cœur de la Data Science, base
- la vitesse à laquelle les données sont générées. mathématique du Big Data.
- Les données ne sont plus traitées, analysées, en 2. Informatique distribuée
différé, mais en temps réel ou quasi réel Algorithmes distribués récents ,traitement des
- Dans le cas de telles données de grande vélocité données là où elles sont stockées.
engendrant des volumes très importants, il n’est plus
Permet l’analyse à grande échelle, jusqu’à l’échelle du
web.
3. Informatique parallèle à haute performance
Utilisation de clusters de PC multi-cœurs ou GPU pour
accélérer les calculs.
Essentiel pour le machine learning intensif, notamment
le deep learning.
4. Bases de données NoSQL
Stockage de données non relationnelles, structurées
ou non.
Conçues pour être rapides, scalables et adaptées au
traitement distribué.
5. Domaines applicatifs & visualisation
Nécessité de comprendre le contexte métier pour
interpréter les données