Conseils IT

Conseils IT

Big Data et Analytique IoT

• Réussir son projet ESG grâce à l’IA et à la donnée

  Les réglementations imposent aux entreprises de plus communiquer sur leurs activités polluantes et d’en réduire les effets. Le fondateur du spécialiste DreamQuark, Nicolas Méric explique pourquoi l’Intelligence Artificielle et la donnée sont deux ...  Lire la suite

• BI : les visualisations les plus populaires (et comment bien les utiliser)

  Les modélisations mettent en lumière les données de manière visuelles. En voici douze parmi les plus populaires de la Data Viz, accompagnées de conseils pour choisir la bonne en fonction de l’information à illustrer et pour ne pas faire d’erreur ...  Lire la suite

• Fin des cookies tiers : quelles alternatives pour le marketing digital ?

  Les entreprises vont devoir revoir leurs stratégies de marketing numérique, avant que les « third party cookies » ne disparaissent. Voici quelques idées pour les remplacer.  Lire la suite

• Data science : ce qu’attendent les recruteurs lors d’un entretien

  L’entretien est une première étape importante pour obtenir un emploi et c’est d’autant plus vrai dans le domaine de la data science. Voici des conseils pour se préparer aux questions et aux besoins des employeurs.  Lire la suite

• L’essentiel sur le Feature Store et ses usages

  Le Feature Store promet une architecture centralisée pour administrer l’entraînement, le déploiement des modèles de machine learning et de leurs données. Ce conseil tente de définir une telle approche et passe en revue ses qualités et ses défauts.  Lire la suite

• Architecture Pub/Sub : les clés pour comprendre son importance

  Si l’approche Pub/Sub demeure une architecture de messagerie standard depuis des décennies, il est essentiel que les développeurs et les directions IT comprennent ce que c’est, comment elle fonctionne et pourquoi elle est importante.  Lire la suite

• Cloud : trois conseils pour se prémunir d’une suspension par votre CSP (Gartner)

  Comme l’ont prouvé de récents événements, les fournisseurs de cloud public ont le pouvoir de mettre un terme aux contrats de leurs clients, de manière unilatérale, laissant démunies des entreprises qui peuvent être parfaitement légitimes.  Lire la suite

• Valoriser ses données grâce au DataOps

  Qu’est-ce que le DataOps ? Comment la démarche fiabilise-t-elle la donnée et son utilisation ? Quelles sont ses composantes techniques et d’organisation ? Un expert de SFEIR répond à toutes ces questions.  Lire la suite

• ERP : les 5 différences majeures entre S/4HANA et SAP ECC

  Alors que les entreprises sous ECC analysent les options dont elles disposent pour l’avenir de leurs ERP, il est essentiel de bien comprendre comment leurs systèmes SAP actuels diffèrent de S/4HANA. Voici quelques différences parmi les plus ...  Lire la suite

• Transformation digitale : les 5 causes d’échecs les plus fréquentes (et comment les éviter)

  Nombreuses sont les transformations numériques qui échouent. Voici les causes les plus fréquentes de ces échecs, qui – si on les évite – sont autant de pistes pour augmenter ses chances de réussite.  Lire la suite

• Transformation digitale : comment mesurer et améliorer un ROI

  Démontrer un retour sur investissement (ROI) convaincant est essentiel pour que le projet de transformation numérique obtienne adhésion et financement. Pourtant, de nombreuses entreprises négligent les moyens de mesurer le ROI et de l’améliorer au ...  Lire la suite

• Transformation digitale : 8 profils pour former une bonne équipe

  Réunir une équipe est une étape importante pour réussir une transformation numérique. Mais cette tâche est plus facile à dire qu’à faire. Il faut prendre en compte plusieurs facteurs pour chaque membre et bien définir leurs missions.  Lire la suite

• Transformation digitale : construire une feuille de route en 6 étapes

  Une transformation numérique bien menée est une des clés de la survie des entreprises. Et une feuille de route bien construite est clé pour cette transformation. Voici un modèle en six étapes qui devrait vous éviter bien des embûches.  Lire la suite

• Conseils pour réussir une transformation digitale d’entreprise

  La concrétisation des avantages opérationnels d’une transformation numérique dépend de très nombreux facteurs, qui vont de l’implication des dirigeants à une solide compréhension de la manière dont les outils et les technologies modernes peuvent ...  Lire la suite

• Les premiers jours des jumeaux numériques dans la supply chain

  Un jumeau numérique qui résout tous les problèmes de la chaîne d’approvisionnement n’est peut-être pas encore une réalité. Découvrez pourquoi et quels types de projets sont réalistes à date.  Lire la suite

• Transformation digitale : cinq leviers à activer en 2021

  Le low-code, MLOps, le multicloud et le streaming de données sont des leviers prioritaires à activer pour favoriser l’agilité de votre entreprise et accélérer sa transformation.  Lire la suite

• Rise with SAP : le programme de SAP pour s’envoler vers le cloud

  SAP lance une offre « tout en un », à guichet unique, sur abonnement, pour accompagner ses clients en trois étapes vers le cloud, S/4 et la « Intelligent Enterprise ». Les analystes accueillent positivement cette « conciergerie » de la ...  Lire la suite

• Les trois plus grands défis de la transformation digitale (et comment les résoudre)

  Isaac Sacolick, auteur d’un best-seller sur le sujet, décrit ici les principaux défis auxquels les organisations vont être confrontées dans leur transformation numérique et la manière de les résoudre.  Lire la suite

• Quelles différences entre une CDP et une DMP dans une stratégie marketing ?

  Les Customer Data Platforms et les Data Management Platforms sont deux outils de gestion de données marketing très complémentaires du CRM. Voici les points clés pour bien les distinguer et bien les utiliser dans une stratégie de vision à 360° du ...  Lire la suite

• L’essentiel sur ThoughtSpot, l’étoile montante de la BI en libre-service

  ThoughtSpot est un outil de Business Intelligence qui veut démocratiser l’analytique jusqu’aux métiers. Il leur pousse automatiquement des tableaux de bord, et facilite les requêtes via un moteur de recherche en langage naturel. Sa BI s’inspire ...  Lire la suite

• Comment construire un modèle de Machine Learning en 7 étapes

  Il faut de la patience, de la préparation et de la persévérance pour construire un modèle de machine learning viable, fiable et agile qui rationalise les opérations et renforce les métiers.  Lire la suite

• IA Frugale : comment entraîner des modèles avec peu de données ?

  Entraîner des modèles de machine learning avec peu de données, est-ce possible ? Oui, mais les spécialistes considèrent que les techniques d’enrichissement sont suffisamment performantes pour généraliser les apprentissages de leurs modèles.  Lire la suite

• Les bons et les mauvais cas d’usage d’Apache Kafka

  Apache Kafka a de nombreuses applications dans le domaine du Big Data, mais quels sont les cas d’usage qui conviennent le mieux à l’outil ? Des experts décrivent dans quelles situations Kafka excelle pour le traitement de données en entreprise.  Lire la suite

• Analytique en temps réel : les tendances et les cas d’usage à retenir

  Alors que de plus en plus d’entreprises adoptent l’analytique en temps réel, de nouvelles infrastructures et pratiques voient le jour. Voici les pratiques les plus marquantes associées aux plateformes d’analyse de données en continu.  Lire la suite

• L’essentiel sur Oracle Data Science

  Oracle a ajouté une gamme de nouveaux services à sa plate-forme cloud pour fournir aux Data Scientists et aux Data Analysts plus de fonctionnalités de gestion et d'analytiques avancées.  Lire la suite

• Devriez-vous héberger votre data lake dans le cloud ?

  Sur site ou dans le cloud : où est le meilleur endroit pour déployer son lac de données ? Voici quelques éléments à considérer avant de se décider selon Andy Hayler.  Lire la suite

• IoT : les compétences essentielles pour mener à bien vos projets

  Les cadres doivent comprendre les compétences nécessaires pour faire démarrer un projet IoT et savoir où trouver l'expertise nécessaire pour les mener à bien.  Lire la suite

• Qu’est-ce que le DataOps (Data Operations) ?

  Selon Gartner, le DataOps doit réconcilier les opérateurs avec les consommateurs des données pour favoriser l’exploitation de l’analytique dans toute l’entreprise. Quelles sont les différences avec le DevOps ?  Lire la suite

• Data Science : comment améliorer votre storytelling ?

  Comment créer des histoires percutantes et convaincantes à partir de données numériques froides et muettes ? Des experts partagent leurs conseils sur la façon d’améliorer vos compétences en matière de narration et mieux communiquer les résultats de ...  Lire la suite

• Gestion financière : l’analytique transforme les données en or

  Les solutions financières modernes ne se limitent plus à analyser des chiffres de manière statique. Elles peuvent transmuter ces données en ventes, en optimisation de processus opérationnels, en stratégie produits. Et augmenter les marges.  Lire la suite

• Bien comprendre les services Data Lake et Data Warehouse d'AWS

  Apprenez à distinguer les services data lake et data warehouse d’AWS et assimilez leur fonctionnement.  Lire la suite

• Intelligence Artificielle : cinq conseils pour bien choisir ses premiers cas d’usage

  Sept experts partagent leurs expériences pour bien choisir ses projets d’exploration des algorithmes et bien démarrer dans l’IA.  Lire la suite

• Cloudera vs AWS EMR : quelle distribution Hadoop choisir pour vos projets Big Data

  Les entreprises qui ont besoin d’une plateforme Big Data doivent généralement sonder eux-mêmes le marché pour choisir un fournisseur. La complémentarité des services AWS est indéniable, mais la solution de Cloudera est-elle un meilleur choix ?  Lire la suite

• Les principales distributions Hadoop sur le marché

  Voici les principales distributions Hadoop sur le marché et un ensemble d'éléments pour choisir celle qui convient le mieux aux pratiques analytiques en entreprise.  Lire la suite

• Data Architect, Data Engineer, Data Scientist, Data Modeler : comment les combiner ?

  Ces quatre métiers – complémentaires, mais différents – sont clefs pour une équipe Data performante. L’expert Michael Bowers explique comment constituer une telle équipe et donne ses conseils aux professionnels de la donnée pour augmenter leurs ...  Lire la suite

• Plongée dans SAP HANA

  Véritable « plateforme » qui va du Data Warehouse au serveur applicatif, en passant par le NoSQL et l'intégration de données, la base in-memory de SAP a beaucoup de visages. Certains sont plus que séduisants, d'autres un peu moins.  Lire la suite

• Où en est SAP HANA ?

  Hasso Plattner, cofondateur de SAP, explique les évolutions de HANA, la manière dont elles répondent aux nouvelles exigences des entreprises et le pourquoi de la restructuration en cours de cette division base de données.  Lire la suite

• Conseils en matière de stockage pour l'intelligence artificielle et le Machine Learning

  Les supports de données destinés aux secteurs de l'intelligence artificielle et du Machine Learning nécessitent une planification particulière. Cet article vous rappelle les points à prendre en compte et ce que vous devez prévoir.  Lire la suite

• Intelligence Artificielle : changement de paradigme dans le domaine du stockage

  Dans le stockage également, l'Intelligence Artificielle a le vent en poupe et peut apporter de nombreux avantages : optimisation des latences, modifications de politique aisées et augmentation des performances.  Lire la suite

• Machine Learning : l'indispensable préparation des données requiert encore (beaucoup) d'humain

  Vous voulez automatiser vos processus grâce à l'intelligence artificielle ? D'accord. Mais ne négligez surtout pas le travail manuel qui reste encore nécessaire pour préparer les données avant de les injecter dans les algorithmes.  Lire la suite

• Big Data : ce qu'il faut prendre en compte dans les formats de données

  Si JSON est aujourd’hui devenu le format de données de référence pour les développeurs, Parquet, ORC peuvent être de meilleures options pour l’analytique. Cet article vous en dit plus sur les différents formats de données Big Data.  Lire la suite

• CRM : trois bonnes raisons d'avoir un Data Scientist dans son équipe CX

  Les équipes en charge l'expérience client (CX) n'ont habituellement pas de Data Scientist. Mais en ajouter un peut aider à extraire plus de valeur des données que ne le ferait un analyste CRM classique avec un logiciel BI clef en main.  Lire la suite

• Le Big Data pour consolider ses données de sécurité : oui, mais de manière ordonnée

  Gartner recommande une sérieuse préparation afin d’aligner la collecte et le stockage des données sur les objectifs métiers et les besoins de la plateforme d’analyse ou du prestataire de service managé qui sera éventuellement chargé de la ...  Lire la suite

• Machine Learning : les différentes manières dont le « as a Service » démocratise l'IA

  L'émergence d'outils d'Intelligence Artificielle « à la demande » permet à un plus grand nombre d'entreprises, au-delà des géants de la Tech et des multinationales, d'accéder aux avantages du Machine Learning et du Deep Learning.  Lire la suite

• Qu'est-ce que la virtualisation de données ?

  Selon Forrester, la virtualisation de données (ou Data Virtualization) est la forme particulière d'intégration de données qui connaît la croissance la plus rapide. Mais pourquoi est-elle si « particulière » ?  Lire la suite

• Machine Learning : bien comprendre les trois niveaux d'offres de Google Cloud

  APIs et services AutoML pour les développeurs, BigQuery ML pour les Data Analystes, boite à outils à base de Tensorflow pour les Data Scientists, Google segmente très clairement son offre pour toucher le plus d'utilisateurs possibles.  Lire la suite

• Machine Learning : comment choisir le bon framework ?

  Ce ne sont pas les outils open source qui manquent pour le Machine Learning et le Deep Learning. A tel point que choisir les bons peut vite devenir une gageure. Pour faire un choix avisé, voici quelques conseils de spécialistes à bien garder à ...  Lire la suite

• Des données non structurées aux données structurées : c’est possible avec le Machine Learning

  Avec la puissance de calcul facilement accessible et les progrès en matière de Machine Learning, il devient plus facile et moins coûteux de transformer les données non structurées en sources d'information comestible.  Lire la suite

• Intelligence Artificielle : quelle différence entre NLP et NLU ?

  NLP (Natural Language Processing) et NLU (Natural Language Understanding) sont de plus en plus importants dans l'entreprise. Le premier se contente d'analyser les mots, mais le second vise à approfondir la compréhension.  Lire la suite

• S3 contre HDFS : que choisir pour son data lake

  Un lac de données bâti sur S3 rationalise l'analyse des données, mais présente des limites pour ceux qui veulent aller au-delà de l'écosystème du groupe.  Lire la suite

• Gouvernance et data lake : quelles sont les difficultés rencontrées par les entreprises

  La mise en place d’une gouvernance de données à un data lake reste compliquée. Cette capacité à déstructurer complique la mise en place de politiques et de gestion précises des données. Pourtant, la gouvernance reste indispensable. Cet article passe...  Lire la suite

• L'essentiel sur les trois versions d’Oracle Cloud at Customer

  La gamme d’appliances [email protected] permet aux entreprises de faire tourner le cloud d’Oracle (IaaS, PaaS, SaaS) dans leurs propres centres de données. Voici ce qui différencie les trois versions de cette offre managée qui est à la fois « sur site ...  Lire la suite

• Big Data et analytique : des conseils pour optimiser les traitements

  Analyser des données brutes demeure une opération difficile et les entreprises ne sont souvent pas ou peu préparées à affronter la masse de données créée au quotidien. Voici quelques conseils pour mieux s’y retrouver.  Lire la suite

• Comment survivre au déluge de données non structurées ?

  Cohesity répond aux lacunes des solutions NAS traditionnelles en proposant une nouvelle approche du stockage secondaire.  Lire la suite

• Que font les entreprises avec le Machine Learning ?

  Détection de fraudes, moteurs de recommandations, arbre de décision, sécurité sont autant d’usage du Machine Learning en entreprise. On y apprend également la différence entre apprentissage supervisé et non supervisé.  Lire la suite

• Outils analytiques Big Data : dix fonctionnalités indispensables

  Vous êtes à la recherche d'un outil d'analyse des Big Data ? Vous devrez vous assurer qu'il permet d'encapsuler et de partager les résultats des analyses, qu'il peut facilement s'intégrer à d'autres applications BI et qu'il supporte le versioning, ...  Lire la suite

• Entrepôt de données, Data Lake, Data Mart, ODS : que choisir ?

  Il existe de nombreuses façons de stocker des données en volume, mais choisir la bonne technologie est une épreuve de force. Comment savoir si un entrepôt de données, un lac de données ou un data mart convient ? Cet article vous permet de les ...  Lire la suite

• Le stockage est-il toujours important ?

  Les grandes tendances dans le monde du stockage semblent converger vers l’élimination du stockage en tant que silo IT.  Lire la suite

• Projets AI : vos concurrents sont timorés, profitez-en pour être ambitieux (McKinsey)

  La prudence est souvent conseillée aux entreprises quand elles commencent à s’intéresser à l’Intelligence Artificielle en interne. Mc Kinsey invite au contraire à imaginer dès le départ des projets très disruptifs pour bénéficier de la frilosité des...  Lire la suite

• Quelles différences entre un Data Scientist et un Business Analyst

  Le rôle des data scientists et des analystes métiers diffèrent quand on sait que les premiers doivent plonger en profondeur dans les données et trouver des solutions business inédites - mais les distinctions ne s'arrêtent pas là.  Lire la suite

• Qu'est-ce que le Data Wrangling ?

  Le Wrangling est une variante, subtile, de la Data Preparation. Il tire son origine de l'imagerie du Grand Ouest américain et de ses cowboys. Le mot est principalement utilisé par Trifacta.  Lire la suite

• GPU, RAM et SSD : des turbos pour l’analytique

  Les start-ups californiennes MapD, AeroSpike et GridGain ont développé une technologie de base de données ou de moteur SQL qui exploitent les caractéristiques de vélocité propre à la mémoire RAM, au SSD ou encore au GPU.  Lire la suite

• L'essentiel sur Proxem, pionner français de la reconnaissance sémantique et du Deep Learning

  L'entreprise, fondée il y a 10 ans, est devenue experte en AI appliquée à l'analyse sémantique de « données textuelles ». Sa R&D - à la base de 30 publications scientifiques - lui permet aujourd'hui d'appliquer la discipline bien au-delà de ...  Lire la suite

• 7 étapes pour créer son data lake

  Peupler un cluster Hadoop de données qui ne sont ni organisées ni gérées correctement risque de nuire à vos projets analytiques. Voici 7 étapes clé qui vous permettrons de mieux utiliser les données de votre data lake.  Lire la suite

• HCM/SIRH : promesses et menaces de l’AI dans les Ressources Humaines

  L'Intelligence Artificielle dans les outils de gestions des ressources humaines a de nombreux champs d'applications, souvent très novateurs. Mais comme l'AI s'applique ici à l'humain, plusieurs précautions s'imposent pour lutter contre la méfiance ...  Lire la suite

• Trois méthodes pour bien préparer ses fichiers mainframe à Hadoop

  Les lacs de données Hadoop constituent un nouveau havre de paix pour les données patrimoniales qui ont encore une valeur analytique. Mais les méthodes de conversion à utiliser dans Hadoop diffèrent selon les besoins analytiques.  Lire la suite

• AWS Athena : comment améliorer la performance des requêtes… et réduire ses coûts

  Amazon Athena permet d’interroger plus de formats de données que son rival Google BigQuery. Toutefois, il est préférable de privilégier certains formats pour tirer pleinement parti du service AWS  Lire la suite

• L’expérience utilisateur, une clé du déploiement du Deep Learning en production

  Lorsqu’il s’agit de déployer des modèles de Deep Learning en production, les experts s’accordent sur un point : il est fondamental de ne pas perdre de vue des fondamentaux pour s’assurer que les résultats souhaités soient bien là, auprès de la bonne...  Lire la suite

• Machine Learning vs Deep Learning ? La même différence qu'entre un ULM et un Airbus A380

  Le Deep Learning partage certaines caractéristiques avec l'apprentissage statistique traditionnel. Mais les utilisateurs expérimentés le considèrent comme une catégorie à part entière avec une conception de modèles prédictifs et des résultats bien ...  Lire la suite

• Smart Cities : les villes doivent consolider leur architecture de données

  Pas question d’entamer une transition vers la Smart City si la ville ne dispose pas déjà de solides outils pour gérer, sécuriser et analyser les données. Jennifer Belissent, analyste chez Forrester, fait le point.  Lire la suite

• L’AI Washing brouille le marché de l’Intelligence Artificielle

  L'Intelligence Artificielle est présentée comme une tendance d’avenir très porteuse. Poussant de nombreux acteurs du secteur à passer à la moulinette AI leurs produits et déroutant quelque peu les clients. « AI Washing » vous avez dit ?  Lire la suite

• Data Lake : attention aux risques d’indigestion de données

  Les acteurs du Big Data poussent les entreprises à placer toutes leurs données dans un data lake. Mais dans de nombreux cas, cela n’est pas nécessaire. Risque d’indigestion de données programmé.  Lire la suite

• L’essentiel sur Cloudera CDH

  La distribution Hadoop de Cloudera embarque plusieurs composants Open Source. Elle est déclinée en plusieurs éditions, chacune intégrant des outils d’administration et de déploiement différents.  Lire la suite

• L’essentiel sur IBM BigInsights

  IBM BigInsights accole des scenarii d’usage liés à l’analytique et à la data science à une distribution Open Source d’Apache Hadoop.  Lire la suite

• L’essentiel sur Hortonworks Data Platform

  La plateforme Hadoop d’Hortonworks se composent de projets essentiellement Open Source, extraits de la Fondation Apache. Elle propose un environnement Open Source pour la collecte, le traitement et l’analyse de données.  Lire la suite

• Power BI, Qlik Sense, Tableau : comparaison des trois leaders de la BI en self-service

  Ces trois acteurs tirent le marché de la Business Intelligence en self-service. Cet article vous aide à les comparer.  Lire la suite

• L’essentiel sur Microsoft Azure HDInsight

  Azure HDInsight est une implémentation d’Hadoop sur la plateforme Cloud de Microsoft. Le service donne accès à un ensemble de composants Open Source pour traiter et analyser des Big Data.  Lire la suite

• L’essentiel sur Amazon Elastic MapReduce

  Amazon EMR propose de mettre en place un cluster Hadoop dans le Cloud et de s’appuyer sur la puissance et la scalabilité de l’infrastructure d’AWS.  Lire la suite

• L’essentiel sur MapR et sa déclinaison d'Hadoop

  MapR a remplacé HDFS par son propre système de fichiers compatible NFS pour améliorer les capacités d’administration des données ainsi que leur fiabilité. MapR le propose dans une plateforme dont les usages s’étendent au-delà d’Hadoop.  Lire la suite

• Du Big Data à l’AI : de l’automatisation à l’autonomie du code

  Lors des Oracle Digital Days, Isabelle Flory d’Intel a retracé l'évolution du traitement des données, qui aboutit à l’avènement du Machine Learning et de l’Intelligence Artificielle. Une mise en perspective qui éclaire l’intérêt de technologies qui ...  Lire la suite

• NoSQL : bien comprendre Amazon DynamoDB

  La base de données NoSQL dans le Cloud d’AWS, DynamoDB, supporte à la fois les modèles clés-valeur et documents, et apporte la flexibilité que l’on attend pour le développement d’applications Web, de jeux, ou encore liées à l’Internet des objets.  Lire la suite

• AI vs BI : comment expliquer et amener l’Intelligence Artificielle aux métiers

  Le discours des fournisseurs d’AI est simple, voire simpliste. Mais sur le terrain, la différence avec la BI n’est pas bien comprise et ses atouts (et ceux du Machine Learning) ne sont pas encore bien perçus. Quelques règles permettent néanmoins de ...  Lire la suite

• Intégration de données : quelle solution choisir

  Cet article vous accompagne dans votre décision d’achat d’une solution d’intégration de données et vous aide à faire la différence entre les produits commerciaux et ceux qui s’adossent à un modèle Open Source  Lire la suite

• Plateforme d’intégration de données : aller au-delà de l’ETL

  Les solutions d’intégration de données ont la capacité de simplifier les processus des entreprises, dans un contexte marqué par une hausse croissante du volume des données. Cet article explique comment s’y retrouver sur le marché.  Lire la suite

• Les évènements imprévus de 2016 jettent le doute sur l’analytique Big Data

  Cette année a été riche de surprises dans le monde. La dernière en date étant l'élection de Donal Trump à la Maison Blanche. Pour KPMG, le prédictif en fait les frais. Voici quelques pistes et conseils aux équipes en charge de l’analyse des données ...  Lire la suite

• SAP HANA et Big Data : une stratégie liée à Hadoop et l’Open Source

  Avec le moteur HANA Vora, il est devenu possible de connecter HANA et le monde des frameworks Open Source très en vogue dans le Big Data, à commencer par Hadoop et Spark.  Lire la suite

• Une bonne stratégie analytique peut très bien se passer de Data Scientist

  Si les data-scientists peuvent apporter de la valeur à une équipe en charge d'une analyse Big Data, toutes les entreprises n'en ont pas besoin. Pour éviter d'avoir recours à ces spécialistes, certaines utilisent un savant mélange de technologie et ...  Lire la suite

• L’Impression 3D est aussi un projet de Big Data

  L'impression en 3D sera un test pour les DSI et les services informatiques : celui de leur capacité à assurer la sécurité, à gérer les données, à travailler rapidement et à collaborer avec le reste de l'entreprise.  Lire la suite

• Audits de licences SAP : trois conseils pour éviter les mauvaises surprises

  Pour éviter les pièges de ce qu’il appelle les « abus de l’audit de licences », l’USF travaille sur un livre blanc dont il dévoile en avant-première les premiers conseils face à des pratiques qu’il considère comme de plus en plus « agressives » et «...  Lire la suite

• Les concurrents de Splunk

  Face au succès de Splunk, la concurrence s’organise. Si vous souhaitez réaliser des comparatifs ou des POCs, voici les principaux concurrents à retenir.  Lire la suite

• Splunk : atouts et limites

  Le succès de Splunk s’explique par sa simplicité et sa rapidité de mise en œuvre. Mais l’outil a aussi quelques limites qu’il convient de connaître.  Lire la suite

• Les nouveaux usages de Splunk : de l’analytique prédictif au SIEM nouvelle génération

  Historiquement, Splunk a été utilisé pour surveiller les infrastructures, accélérer les développements et offrir de la visibilité sur les applications production. Mais ses usages évoluent.  Lire la suite

• Splunk : une plateforme, plus qu’un logiciel

  La grande force de Splunk est son ouverture. Splunk est en effet une plateforme ouverte sur laquelle chacun peut venir bâtir ses propres applications et extensions. Et générer ses propres tableaux de bord.  Lire la suite

• Splunk : le point sur l’architecture et le langage SPL

  Cet article revient sur la mécanique qui se cache derrière Splunk, la plateforme analytique spécialisée dans les données « machines » et sur son langage propre, SPL.  Lire la suite

• Comprendre la galaxie Splunk

  Derrière la plateforme analytique spécialisée dans les données « machines » Splunk se dissimulent plusieurs produits complémentaires - qui visent des besoins différent - et des solutions ciblées. En voici un tour d’horizon exhaustif.  Lire la suite

• 4 critères pour comparer les distributions Hadoop

  En passant à la loupe les spécificités des distributions Hadoop, vous pouvez mieux identifier l’offre de support qui convient le mieux à votre entreprise  Lire la suite

• Ce qu’il faut savoir pour évaluer des distributions Hadoop

  Avant d’évaluer une distribution Hadoop spécifique, il convient d’examiner les fonctions proposées par le fournisseur et bien comprendre si celles-ci répondent au mieux aux besoins.  Lire la suite

• Quels cas d’usage pour un cluster Hadoop dans votre entreprise

  Pour vous aider à comprendre le potentiel d’Hadoop dans votre entreprise, le consultant David Loshin passe en revue différents cas d’usage que peut supporter le framework.  Lire la suite

• Bien comprendre Hadoop pour gérer les Big Data

  Hadoop est devenu aujourd’hui le moteur d’applications clés pour les entreprises. Mais pourquoi ce framework attire-t-il le monde professionnel ?  Lire la suite

• AWS, Google, Microsoft : se repérer dans les services Big Data

  Les services Big Data attirent les entreprises vers le Cloud. AWS, Microsoft et Google bataillent pour bien se positionner aux yeux des entreprises, mais lequel parvient le mieux à tirer son épingle du jeu ?  Lire la suite