Le livre blanc Real-Time Big Data Analytics: Emerging Architecture (Analyses Temps-Réel de Big Data : Architectures Émergentes) écrit par Mike Barlow couvre le sujet de l'analyse de Big Data et en quoi les analyses temps-réel de Big Data sont différentes des analyses traditionnelles. Mike décrit les cinq phases de la structure d'analyses temps-réel de Big Data : la distillation des données, le développement du modèle, la validation et le déploiement, l'injection temps-réel, et le rafraîchissement du modèle.
Il parle également de la pile technologique en quatre couches des analyses temps-réel de Big Data proposée par David Smith :
- Données
- Analyses
- Intégration
- Décision
InfoQ a echangé avec Mike à propos de l'état actuel des analyses temps-réel de Big Data et des tendances émergentes dans l'espace du Big Data comme la science de la décision.
InfoQ : Pouvez vous définir ce qu'est le Big Data temps-réel et expliquer comment cela fonctionne ?
Mike : Le Big Data temps-réel représente une convergence de technologies et de techniques. Les processus d'analyse qui prenaient auparavant des mois, jours, ou heures ont été réduits à l'échelle des minutes, secondes, et fractions de secondes. Il y a deux ans, beaucoup d'analystes de données pensaient que générer un résultat à partir d'une requête en moins de 40 minutes ne relevait que du fantasme. Aujourd'hui, ils s'attendent à voir des résultats en quelques millisecondes. C'est pratiquement la vitesse de la pensée - vous pensez à une requête, vous avez un résultat, et vous commencez votre expérience. D'un autre côté, des millisecondes ressembleraient à une éternité pour un système de commerce à haute vitesse, qui opère dans un univers cadencé à la microseconde. Donc le terme "temps-réel" dépend beaucoup des exigences de votre travail ou de la tâche à accomplir.
InfoQ : Quelles sont les différences entre les analyses traditionnelles et les analyses temps-réel de Big Data ?
Mike : Les analyses traditionnelles tendent à être un processus de génération de rapports à partir de données structurées qui ont été récupérées d'une banque de données traditionnelle. L'analyse temps-réel de Big Data emmène ce concept au niveau suivant, en générant des recommandations pouvant être utilisées pour accroître la valeur marchande au point de vente, que ce point de vente soit un magasin physique ou un site web d'e-commerce.
InfoQ : Dans votre livre blanc, vous parlez de la nouvelle ère dans laquelle les machines commencent à penser et à répondre comme des humains et la transition de la science des données à la frontière logique suivant : la science de la décision. Que pouvez-vous nous dire de plus à propos de ces innovations et tendances à venir ?
Mike : La tendance est à des analyses plus rapides, automatisées, intelligentes, favorables aux affaires qui résument les informations rapidement et offrent des recommandations spécifiques très susceptibles de résulter en une augmentation des ventes et de meilleurs profits.
InfoQ : Vous parlez également du fait que la création d'analyses et la consommation d'analyses sont deux choses différentes. Pouvez-vous donner un exemple de ces deux étapes ?
Mike : Les analystes de données - les personnes qui travaillent directement avec les données - sont différents des utilisateurs et consommateurs de données, qui tendent à être plus proches des véritables clients de l'entreprise. Tous deux ont besoin d'outils pour visualiser et comprendre les données, mais ces outils seront différents. Les analystes et scientifiques des données ont besoin d'outils pour modéliser les données. Les utilisateurs et consommateurs, qu'ils soient des commerciaux ou dans le marketing -- ont besoin d'outils pour comprendre comment les données peuvent impacter le comportement des clients et les résultats des ventes.
InfoQ : Quelles sont les tendances émergentes dans les analyses temps-réel de Big Data ?
Mike : Parce qu'il y a beaucoup de sortes d'analystes et beaucoup de sortes d'utilisateurs/consommateurs, un choix doit être fait sur le panel d'outils pour visualiser, interpréter et agir sur le Big Data de manière sensée afin d'accroître la valeur marchande réelle. À ce jour, il n'existe pas de solution générique pour mettre en place une plateforme d'analyse temps-réel de Big Data. D'un autre côté, bon nombre de personnes très intelligentes et hautement motivées travaillent dur à développer des techniques et stratégies pour convertir le Big Data en biens tangibles pour l'entreprise. Restez à l'écoute, cela devrait être passionnant!
À propos de l'interviewé
Mike Barlow est un journaliste primé, auteur et consultant en stratégie de communication. Depuis qu'il a lancé sa propre entreprise, Cumulus Partners, il a représenté les grandes organisations dans de nombreuses industries. Mike est co-auteur de The Executive’s Guide to Enterprise Social Media Strategy (Wiley, 2011) et Partnering with the CIO: The Future of IT Sales Seen Through the Eyes of Key Decision Makers (Wiley, 2007).
Il est également l'auteur de nombreux articles, rapports et livres blancs sur la stratégie du marketing, l'automatisation du marketing, les informations client, la gestion des rendements dans l'entreprise, les réseaux sociaux collaboratifs, le cloud computing, et les analyses de Big Data. Au cours d'une longue carrière, Mike a été journaliste et rédacteur de plusieurs quotidiens de banlieue respectés, y compris The Journal News et le Stamford Advocate. Ses reportages et ses colonnes ont été régulièrement publiés dans The Los Angeles Times, Chicago Tribune, Miami Herald, Newsday et d'autres grands quotidiens américains.
Mike est diplômé de l'université d'Hamilton. Pilote privé agréé, lecteur avide, et fan enthousiaste de hockey sur glace, Mike vit à Fairfield, dans le Connecticut, avec sa femme et ses deux enfants.