The Doppler Quarterly (FRANÇAIS) Été 2016 | Page 38
Portée et
planification
• Démarrage et
plan des
ressources
• Portée et
finalisation des
livrables
• Planification
des ressources
• Plan détaillé
du projet
Inventaire
des données
• Analyse des
systèmes
d'enregistrement
actuels
• Analyse des
normes
d'entreprise
actuelles
concernant la
Gouvernance
des données
• Définition des
exigences de
qualité de
l'entreprise pour
les données
entrantes
Inventaire
des
applications
• Inventaire des
systèmes existants
liés à la BI, aux
analyses, aux
rapports et à
l'espace de travail
numérique
• Modélisation
des relations
existant entre les
flux de travail des
systèmes et les
données
• Evaluation des
méthodes actuelles
de gestion des
modèles et de
l'exécution
Inventaire de
l'infrastructure
• Portefeuille de
technologie
d'infrastructure
• Environnements
SDLC
• Analyse Shadow IT
• Analyse de la
capacité et de la
croissance
• Modélisation et
coût opérationnels
• Niveaux de services
• Gestion du changement
• Portefeuille
technologique
• Organisation des
opérations
• Modèle de coût
Vision Big Data
et Analyse
de cas Stratégie
d'implémentation
• Terminaisons cloud
et niveaux de services
• Principes cloud
• Architecture de
référence et
fonctionnalités
• Contraintes et
dépendances
• Moteurs
commerciaux
et opportunités
• Risques
• Analyse de cas • Stratégie de
terminaisons de
plateforme
• Stratégie de
migration
d'applications
• Plans
d'implémentation
rapide
• Budget et ressources
• Feuille de route
d'implémentation
• Modèle opérationnel
Figure 1 : Stratégie de déploiement des capacités d'analyse
L'apprentissage automatique est une tendance émergente au sein de l'espace
technologique, mais il ne s'agit pas d'une nouvelle technologie. Les capacités
d'apprentissage automatique ont été recherchées pendant des décennies et
optimisées depuis de nombreuses années par des organisations technolo-
giques matures. La différence à présent est la capacité pour davantage d'orga-
nisations d'optimiser le travail dans la communauté d'apprentissage automa-
tique, incluant la facilité de consommer les API et les modèles pré-formés
spécifiques à certains domaines. L'apprentissage automatique complète le tra-
vail croissant dans l'espace des analyses prédictives en s'assurant que les résul-
tats et les recommandations soient plus précis et hautement personnalisés à la
personne, à l'organisation, au domaine et à l'objet.
La création d'un lac de données dans le cloud
implique des considérations spéciales, et offre des
capacités avancées non économiquement disponibles
dans les déploiements sur site, y compris l'élasticité,
la récupération automatique, la disponibilité multi-
zone et les services d'analyse basés sur PaaS pour la
consommation des données.
De nombreuses organisations évalueront le meilleur emplacement pour
déployer un lac de données. En raison du besoin d'ingérer et d'intégrer les don-
nées provenant de nombreux systèmes existants, l'emplacement et la connec-
tivité d'un lac de données sont essentiels à son efficacité et utilisation. Les lacs
de données basés sur le cloud offrent un avantage en raison de leur capacité à
exploiter et interrompre les nouvelles ressources, à se connecter à différents
réseaux et sources de données, et, encore plus important, à tirer profit des
puissants outils et de l'expertise offerte par les prestataires et à disposer de
leurs propres services internationaux.
36 | THE DOPPLER | ÉTÉ 2016