Conseils IT

Conseils IT

Outils décisionnels et analytiques

• Feature engineering : cinq conseils essentiels pour améliorer vos modèles IA

  De la compréhension de l'objectif escompté d'un modèle algorithmique à la prise en compte des spécificités du domaine d'application, des experts partagent les méthodes pour faciliter la phase de feature engineering.  Lire la suite

• Qu’est-ce que Dawex ? (Et quel est l’intérêt du Data Exchange ?)

  Vendre ses données. En acheter à un tiers. Ou simplement les partager. Simple sur le papier, beaucoup moins dans la réalité. Dawex est un acteur français, précurseur et prometteur, dans ce domaine naissant du Data Exchange à grande échelle.  Lire la suite

• Pistes pour comparer les outils d’analytiques avancées

  Le choix d’un fournisseur de BI augmentée et d’analytique avancée peut être difficile tant les offres semblent similaires au premier abord. Voici quelques conseils du Gartner et de Forrester pour mieux sélectionner ses outils.  Lire la suite

• Bien choisir son Data Warehouse nouvelle génération

  L'entrepôt de données n'est pas une nouveauté. Pourtant, il évolue rapidement, avec le cloud et au fur et à mesure que les besoins analytiques se complexifient. Alors comment choisir le bon data warehouse ? Chris Foot vous propose sa méthodologie.  Lire la suite

• Machine Learning : les 9 types d’algorithmes les plus pertinents en entreprise

  Le machine learning devient la priorité de bon nombre d’entreprises. Elles veulent modéliser d’importants volumes de données. Le choix du bon algorithme dépend des objectifs à atteindre et de la maturité de votre équipe de Data Science.  Lire la suite

• Grafana vs Kibana : le match des outils de visualisation IT

  Découvrez comment Grafana et Kibana peuvent aider les administrateurs et SRE à visualiser les données critiques de leurs systèmes grâce à cet exemple de surveillance de la base de données PostgreSQL.  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

• La difficile évaluation des plateformes IIoT

  Cette analyse comparée des Magic Quadrant et Forrester Wave consacrée aux plateformes IIoT, tente d’éclairer les critères de choix de Gartner et Forrester.  Lire la suite

• Data scientist et data engineer : deux experts à ne pas confondre

  Les data scientists et les ingénieurs data travaillent souvent ensemble, et parfois ces deux postes sont confondus. Découvrez ce qui différencie ces deux rôles.  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

• Le « Dynamic Data Storytelling » au cœur de la nouvelle génération de BI (Gartner)

  Analytique « augmentée », « avancée », et « automatisée » sont les nouvelles tendances clefs de la Business Intelligence. Mais l’analytique « dynamique » – dont on dit qu’elle remplacera les traditionnels tableaux de bord – sera certainement la ...  Lire la suite

• Data Science : quatre conseils de Gartner pour réussir son projet IA

  Les entreprises aimeraient se reposer sur la Data Science, mais elles sont confrontées à des difficultés telles que les projets ne dépassent pas souvent la phase du PoC. Gartner recommande de suivre quatre bonnes pratiques pour passer ces projets en...  Lire la suite

• IoT : les services cloud dédiés d'AWS, Microsoft et Google

  Utilisez ce récapitulatif des offres IoT de Microsoft, AWS et Google pour vous aider à décider ce qui convient le mieux à vos besoins en matière de collecte, de traitement et d'analyse des données des appareils dans le cloud.  Lire la suite

• Comment fonctionne l’observabilité automatisée chez Dynatrace ?

  Dynatrace propose une plateforme d'observabilité automatisée qui repose principalement sur le moteur d'intelligence artificielle Davis AI. Dans cet article nous expliquons les tenants et aboutissants des trois briques essentielles de cette ...  Lire la suite

• Comment bien préparer la migration d’une base de données vers le cloud

  De nombreuses entreprises décident de migrer leurs bases de données vers le cloud. Est-ce la bonne décision ? Le type d’application, l’enfermement auprès d’un éditeur et les fonctionnalités spécifiques au cloud sont autant de critères à prendre en ...  Lire la suite

• Qualité de la donnée : adopter une démarche proactive pour l’améliorer

  Au lieu d'attendre que la qualité des données devienne un problème, envisagez une approche proactive. Voici quelques pratiques à prendre en compte afin de l'améliorer.  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

• Tutoriel : utiliser Graphite pour visualiser et analyser des données

  La data visualization est particulièrement intéressante pour les administrateurs IT et responsables. Dans ce tutoriel, nous vous apprendrons à créer des graphiques et des tableaux de bord dans Graphite, un outil de monitoring open source.  Lire la suite

• Self-service Analytics : comment améliorer la gouvernance des données

  Les citizen data scientists et le self-service analytics sont deux tendances en croissance du fait du manque d'experts. Voici quelques-unes des meilleures pratiques de gestion des données à appliquer pour bien les intégrer en entreprise.  Lire la suite

• Comment analytique, IA et RPA peuvent transformer le quotidien de la finance

  Dans un monde économique de plus en plus mouvant, la direction financière cherche à se moderniser pour mieux aiguiller les opérationnels et mieux soutenir le Top Management dans ses prises de décision. Voici des pistes concrètes pour mener cette ...  Lire la suite

• Quelles différences entre Data Blending, Data Fusion, Data Merging et Data Join ?

  Quelles sont les différences entre Data Blending, Data Fusion, Data Merging et Data Join ? Cet article vise à distinguer les concepts sous-tendus par ces termes.  Lire la suite

• Data Sciences : recette pour faire un bon Data Storytelling

  La « narration » devient une compétence analytique essentielle. Sans elle, les conclusions des Data Scientists ont tendance à n’être reprises que par eux-mêmes. Voici les ingrédients pour concocter un bon Storytelling de données.  Lire la suite

• Les bénéfices du RPA pour la direction financière

  Le RPA est une technologie qui possède un fort potentiel de transformation pour les services financiers. Il peut automatiser les tâches fastidieuses et manuelles qui l’empêchaient encore d’évoluer en profondeur.  Lire la suite

• Automatisation des processus métier : comment choisir un outil BPA ?

  Voici ce que vous devez savoir sur les outils BPA, comment ils fonctionnent, comment ils aident l’entreprise et comment évaluer les éditeurs.  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

• Les 5 fondamentaux du traitement d'événements complexes

  Comment les équipes de développeurs devraient gérer le traitement d’événements complexes ? Comment peuvent-ils les intégrer aisément ? Cet article met avant 5 fondamentaux dans ce domaine.  Lire la suite

• Vision à 360 degrés du client : quelle différence entre un CRM, une CDP et une DMP ?

  Les termes et les acronymes des outils pour les commerciaux et le marketing peuvent prêter à confusion. Voici les points clés à retenir pour ne plus confondre ces trois plateformes très différentes mais aussi très complémentaires.  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

• Gérer les données non structurées, l’étape cruciale d’une stratégie IA

  Les données non structurées représentent une grosse portion des informations stockées par la plupart des entreprises. Avec l’émergence de systèmes d’intelligence artificielle, il n’a jamais été aussi crucial d’ordonner les data lakes et les data ...  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

• Catalogue de données : quelle différence entre Tableau Catalog, Collibra et Alation ?

  Avec son catalogue, Tableau pouvait empiéter sur les terres de ses partenaires historiques. D’après son CTO, l’objectif n’est pas d’en devenir concurrent, mais de fournir au plus grand nombre un outil clef en main, qui peut être complémentaire des ...  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

• BI : les 3 piliers de l'analytique de 3ème génération

  Intelligence Artificielle, ouverture et approche agnostique de la donnée sont les éléments clef des outils BI de nouvelle génération qui, selon Qlik, ont pour but de démocratiser le plus possible l'usage de la donnée jusqu'aux opérationnels.  Lire la suite

• 5 étapes pour améliorer la qualité des données

  Le consultant David Loshin offre des conseils sur l’élaboration d’une stratégie de qualité des données qui peut aider à identifier les erreurs avant qu’elles ne causent de gros problèmes aux entreprises.  Lire la suite

• C3.ai veut accélérer le déploiement d'applications dopées à l'IA

  La société créée par Tom Siebel a installé son bureau européen à Paris. Son environnement de développement low-code/no-code séduit les industriels, qui peuvent développer rapidement des applications d'IA pour la maintenance prédictive ou ...  Lire la suite

• Excel : comment extraire les 3 plus grandes valeurs d'un tableau avec une simple formule

  S'il est simple de trouver la plus grande (ou plus petite) valeur, il est plus difficile de trouver les deux ou trois plus importantes (ou plus faibles). C'est là que les fonctions LARGE et SMALL vous aideront.  Lire la suite

• Explicabilité des IA : quelles solutions mettre en œuvre ?

  S’il est communément accepté que les algorithmes de type Machine Learning/Deep Learning fonctionnent comme des boîtes noires, la recherche avance quant à l’explicabilité des résultats délivrés par les IA. Des techniques et frameworks sont en train ...  Lire la suite

• Les différents visages de l'analytique augmentée

  Voici les cinq principaux cas d'utilisations actuels de l'analytique augmentée dont votre entreprise pourrait tirer parti. Ils vont de la préparation des données, aux requêtes en langage naturel en passant par l'automatisation et la réutilisation ...  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

• Comment l’IA peut imposer le leadership IT sur les organisations

  Aborder les questions relatives à l’IA et définir des stratégies qui attireront les meilleurs talents figurent parmi les principaux défis discutés à l’occasion du rendez-vous annuel du CW500 Club, le club d’utlisateurs IT britanniques animé par nos ...  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

• Tout sur HyperIntelligence, « la BI à la Iron Man »

  MicroStrategy a repensé son offre BI avec sa version 2019 et des « HyperCards » qui diffusent l'analytique à un public métier le plus large possible. Une nouveauté que le « Monsieur Produit » de l'éditeur compare à une des fonctionnalités ...  Lire la suite

• AI et Edge Computing : un tandem gagnant pour un IoT efficace

  En plaçant à l’Edge des modèles d’AI entrainés, les entreprises ont désormais la possibilité de faire parler leurs données de l’IoT et d’éviter toute forme de latence.  Lire la suite

• L'essentiel sur MicroStrategy 2019

  La nouvelle version de la plateforme BI est un tournant majeur pour MicroStrategy. Le « Monsieur Produits » de l'éditeur explique en quoi elle est plus ouverte et plus cloud. Et en quoi elle colle à la stratégie agnostique et orientée utilisateur de...  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

• Les étapes pour construire un catalogue de données

  Un catalogue de données est le garant des métadonnées et des données de l’entreprise. Mais sa conception demande un peu de méthode. Cet article vous accompagne dans sa mise en œuvre.  Lire la suite

• Les 5 conseils d'Andrew Ng pour déployer une Intelligence Artificielle en entreprise

  Le pionnier - et superstar - de l'IA a partagé les enseignements de ses expériences de responsables chez Google et Baidu. Il livre un mode d'emploi dont toute entreprise pourra s'inspirer avec bénéfice.  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

• 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

• 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 : ce que peuvent vraiment faire les entreprises avec ces algorithmes

  Les applications concrètes de l'apprentissage statistique sont nombreuses et variées. Aussi variées que l'apprentissage supervisé, non supervisé, les réseaux neuronaux, ou l'apprentissage par renforcement.  Lire la suite

• Comment le Machine Learning peut améliorer la supervision des communications unifiées

  Avec les toutes premières utilisations du Machine Learning et de l'Intelligence Artificielle dans les communications unifiées, notre expert examine la valeur qu'elles apportent dans la gestion et l'analyse des communications unifiées.  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

• Intelligence artificielle et centres de contact : cinq applications pertinentes

  L'intelligence artificielle dans les centres d'appels évolue pour répondre aux besoins des organisations en matière de support et de SAV. Voici cinq tendances clefs qui peuvent apporter une vraie valeur ajoutée.  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

• Douze avantages d'Excel pour les RH

  Le tableur de Microsoft ne remplace pas un SIRH / HCM ou une solution analytique dédiée, mais il fera bien souvent l'affaire pour gérer rapidement des données RH. Excel offre en effet - au moins - une douzaine d'avantages qu'il serait dommage ...  Lire la suite

• SCM : avec l'Intelligence Artificielle, la logistique redevient un atout concurrentiel stratégique

  Si dans d'autres domaines, l'IA reste un « buzz » plus qu'une réalité, dans la Supply Chain, elle imprègne chaque année un peu plus les différentes facettes des opérations. Avec des bénéfices réels et stratégiques comme le confirment DHL, Siemens ou...  Lire la suite

• L'IA va décevoir les entreprises, mais (cette fois) elle est partie pour durer

  Pour Tom Davenport, professeur et expert en analytique, le marketing démesuré autour de l'Intelligence Artificielle va, dans la pratique, provoquer des déceptions. Mais ses progrès, lents et réels, feront que l'IA ne devrait pas connaitre un fort ...  Lire la suite

• Intelligence Artificielle : pour obtenir de grands succès, faites de « petits projets »

  Pour créer le plus de valeur, les projets IA doivent se concentrer sur des objectifs réalisables plutôt que d'essayer de réinventer les processus métier ou les produits et les services - selon Tom Davenport, auteur de « The AI Advantage »  Lire la suite

• Thunder, IOT Plus, Einstein : peut-on faire de la maintenance prédictive avec Salesforce ?

  Depuis l'annonce de son partenariat dans l'IA avec IBM, puis de ses velléités dans l'IoT, Salesforce cherche à associer son image aux usages les plus avancés de l'analytique industrielle. Quitte à semer un peu de confusion ? Le point avec Guillaume ...  Lire la suite

• Dix choses à faire (ou à ne pas faire) pour réussir un projet de BI en libre-service

  La BI en self-service ne se met pas en place toute seule. La réussite de ces projets exige de veiller à la qualité des données et de prendre en compte le fonctionnement réel des métiers, entre autres. Voici 10 conseils d'experts pour permettre ...  Lire la suite

• Trois conseils pour rendre votre Machine Learning plus efficace

  Nipa Basu, experte de l'analytique, donne trois conseils sur la façon d'intégrer les outils d'apprentissage automatique dans les processus métier pour que les algorithmes aident vraiment à prendre de meilleures décisions.  Lire la suite

• Bien comprendre le potentiel de la Data Visualisation

  Qu'est-ce que la « DataViz » ? La question peut paraitre triviale, mais la maturité de plus en plus grande de ce pan de l'analytique a grandement diversifié les champs d'applications de ce qui est, aujourd'hui, au coeur de toute la Modern BI décrite...  Lire la suite

• Data Discovery, Data Mining : quelle différence ?

  Ces deux pans de l'analytique explorent les données pour en tirer des enseignements. Mais le premier simplifie les démarches pour les utilisateurs métiers, là où le deuxième - plus sur mesure - désigne les outils pour les experts de la Data Science.  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

• Data Discovery : quels critères évaluer pour bien choisir sa solution ?

  Voici cinq points clefs spécifiques à ne pas oublier dans votre processus d'évaluation et d'achat d'une solution de découverte de données. Ils s'ajoutent à ceux plus classiques : prix, cloud vs sur site, scalabilité ou mobilité.  Lire la suite

• Bien comprendre l'intérêt de la Data Discovery

  Les outils de découverte de données (Data Discovery) visualisent et contextualisent les données pour les utilisateurs métier. Ils sont essentiels à la prise de décisions des métiers.  Lire la suite

• L’analyse prédictive : une pilule miracle pour le monitoring d’applications distribuées

  L'analyse des données des performances des applications n'est pas un processus instantané, mais permet de résoudre plus rapidement les problèmes IT.  Lire la suite

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

  La gamme d’appliances Cloud@Customer 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

• 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

• Tableau, Power BI, Qlik Sense : comment se positionnent les frères ennemis de la BI en self-service

  Les trois solutions proposent des fonctionnalités de BI en libre-service assez similaires, explique le consultant Rick Sherman. Mais il pointe également des forces et faiblesses qui permettent de les différencier.  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

• BigQuery vs Redshift : quelques critères pour les différencier

  Google BigQuery et Amazon Redshift sont aujourd’hui deux technologies à considérer pour qui s’intéresse aux entrepôts de données dans le cloud. Mais, pour choisir, il convient de connaître les principales différences de chaque technologie. Les ...  Lire la suite

• Tout pour vraiment bien comprendre les catalogues de données

  Les catalogues de données servent de portails de données en libre-service pour les analystes et les utilisateurs métier. Cet article s’intéresse à la façon dont les données sont sélectionnées et conservées, aux fonctions, ainsi qu’aux fournisseurs ...  Lire la suite

• HCM/SIRH : comment l'analytique peut améliorer concrètement vos recrutements

  Alors que la compétition pour attirer les talents s'intensifie, l'analyse de données et le Machine Learning aident de plus en plus les RH à comprendre de manière fine leurs processus d'embauche. Et à mieux évaluer les candidats.  Lire la suite

• Chatbots, agents conversationnels, assistants virtuels : quelles différences ?

  Vous pensez que les trois technologies désignent la même chose ? En fait, pas exactement. Le CTO d'IBM Watson explique ce qui différencie ces trois concepts.  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

• Quelle est la différence entre « Data Preparation » et « Data Exploration » ?

  La « Data Preparation » et la « Data Exploration » sont deux phases préliminaires de l’analyse de données. Elles concernent la manière dont les données brutes sont ingérées dans un logiciel BI. Mais elle n’ont pas du tout la même fonction.  Lire la suite

• BI & DataViz : comparaison de Tableau et de Qlik Sense

  Les deux champions de la "BI Moderne" se ressemblent à plus d'un titre. Mais ils sont aussi des différences. L'un semble plus scalable. Et l'autre plus ergonomique.  Lire la suite

• Puces dédiées à l’AI : que faut-il en penser ?

  Les unités de traitement TPU (Tensor Processing Unit) de Google sont conçues pour entrainer et exécuter des modèles de Machine Learning. Mais quels sont leurs avantages et de leurs inconvénients par rapport aux CPU et aux GPU. Des experts répondent.  Lire la suite

• Quelle est vraiment la différence entre Qlik Sense et QlikView ?

  Les différences entre les deux principales offres de Qlik apparaissent minimes. Mais les deux solutions ne sont pas pour autant identiques, même si le discours de Qlik n’aide pas forcément à y voir clair entre le « vintage » QlikView et le « moderne...  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

• BI : Quelle valeur dans ce monde de l’analytique moderne

  Il peut certes y avoir des différences entre les outils de BI et les outils analytiques, mais une vue d'ensemble peut rendre chaque domaine plus efficace.  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

• Douze idées pour rendre vos RH « Data Driven »

  Si votre entreprise souhaite acquérir un avantage concurrentiel en utilisant l’analytique appliquée aux ressources humaines, vous devrez créer une culture de la donnée. Voici 12 points clefs pour vous y aider.  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

• AI : qu’est-ce qu’Einstein de Salesforce ?

  Salesforce a étoffé son offre d’Intelligence Artificielle au point de la rendre pléthorique. Résultat, il n’est pas toujours simple de s’y retrouver. Voici les 41 services qui composent concrètement Einstein aujourd’hui.  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

• PoC Blockchain : cinq non-sens, erreurs et idées fausses à éviter

  Blockchain créée par une seule entreprise, blockchain dans le cloud, blockchain au code propriétaire, blockchain non auditable, ou encore s'appuyer sur une équipe à la fibre pas assez R&D. Voici cinq travers que tout PoC devra éviter sous peine ...  Lire la suite