Christophe Aran, spécialiste de la BI nous présente le Big Data : Du premier jour de l'humanité jusqu'à l'an 2003, les hommes ont produit quelque 5 millions de téraoctets de données. En 2012, deux jours suffisent pour produire la même quantité. Ces données proviennent de partout : de messages sur les médias sociaux, d'images et de vidéos publiées en ligne, d'enregistrements transactionnels d'achats en ligne, de signaux GPS de téléphones mobiles… pour ne citer que quelques sources. Ces données sont appelées Big Data ou volumes massifs de données. Les sociétés du Web tels que Google, Facebook et Amazon ont investi massivement afin de gérer ces Big Data. En effet, leur survie en dépend. C’est ainsi qu’un ensemble de technologies open source et de concepts est né : MapReduce, Apache Hadoop, bases de données NoSQL,… Qu’est-ce que le big Data et quels en sont les différents concepts ? Comment utiliser ces technologies dans des applications opérationnelles ou décisionnelles ? Pourquoi le Big Data ouvre-t-il de nouvelles perspectives ? Est-ce une révolution technologique ou un effet de mode ?

1. Big Data, Kesako ?
Christophe Aran, Consultant décisionnel Référence : ASO-XXX
Version : 1.0
Du : 06/11/2012
www.groupeastek.com
Modèle : ASO-2007-M_PPT-0012 v2.1

2. Sommaire
• Contexte actuel
• Définition du Big Data
• L’écosystème Hadoop
• Les intérêts business du Big Data
• Un cas concret : Karma chez Air France
• Conclusion
www.groupeastek.com
Modèle : ASO-2007-M_PPT-0012 v2.1

3. Un déluge de données
YouTube reçoit 24h de vidéo toutes les minutes
500 téraoctets de données transitent chaque jour sur
Facebook
140 millions de tweets par jour
6 milliards de téléphones mobiles en activité en 2012
Des pics de 22 commandes à la seconde chez
Spartoo pendant les soldes
www.groupeastek.com
90% des données créées dans le monde l’ont été
au cours des 2 dernières années
Modèle : ASO-2007-M_PPT-0012 v2.1

4. Et une collecte de données incessantes
Données commerciales
• Transactions
Informations Client
• CRM
• Dossiers médicaux
Informations Produits
• Codes barres
• RFID
Web
• Pages
www.groupeastek.com
• Journaux d’accès
Informations non structurées
• Réseaux sociaux
• GPS
• Mobile Modèle : ASO-2007-M_PPT-0012 v2.1

5. Les limites des SGBD actuels
Coût du stockage
Scalabilité
Performance
Format des données
Schémas figés
www.groupeastek.com
Modèle : ASO-2007-M_PPT-0012 v2.1

6. Le besoin
Système qui peut gérer de gros volumes de
données
Scalable
Robuste
Haute disponibilité
Economique
www.groupeastek.com
Nouvelle approche
Modèle : ASO-2007-M_PPT-0012 v2.1

7. Définition du Big Data
« Le Big Data fait référence à l'explosion du volume
des données dans l'entreprise et des nouveaux
moyens technologiques proposés par les éditeurs
pour y répondre »
Gartner
www.groupeastek.com
Modèle : ASO-2007-M_PPT-0012 v2.1

8. Le concept des 3 V
Volume
Les entreprises sont submergées de
Vitesse
Parfois, 2 minutes c'est trop. Pour la
volumes de données croissants de détection de fraudes par exemple, le
tous types, qui se comptent en Big Data doit être utilisé au fil de l'eau,
téraoctets, voire en pétaoctets. à mesure que les données sont
collectées par l’entreprise afin d'en
tirer le maximum de valeur.
Valeur
www.groupeastek.com
Variété
Le Big Data se présente sous la forme
de données structurées ou non
structurées (texte, données de
capteurs, son, vidéo, fichiers journaux,
etc.).
Modèle : ASO-2007-M_PPT-0012 v2.1

9. Hadoop, kesako ?
Inspiré de publications Google (2004)
Google Filesystem
Google Map Reduce
Créé par Doug Cutting, salarié chez Yahoo
Framework Open Source écrit en Java
Géré sous l'égide de la fondation Apache
Communauté très active, développement rapide
Un périmètre qui s’élargit constamment
www.groupeastek.com
Orienté « batch »
Modèle : ASO-2007-M_PPT-0012 v2.1

10. L’écosystème Hadoop
www.groupeastek.com
Modèle : ASO-2007-M_PPT-0012 v2.1

11. HDFS
Système de fichiers distribué
Traitement de volumes de
données considérables
Découpage des fichiers par blocs
Fonctionne sur des serveurs “low
cost” (au minimum 3)
Fault Tolerant
Scalable
NameNode : gestion des
métadonnées
www.groupeastek.com
DataNode : stockage des
données
Modèle : ASO-2007-M_PPT-0012 v2.1

12. Map Reduce
Calcul distribué
Input | Map() | Sort | Reduce() | Output
JobTracker : gestion des jobs
TaskTracker : exécution des tâches
Map() et Reduce() sur chaque noeud
www.groupeastek.com
Modèle : ASO-2007-M_PPT-0012 v2.1

13. Cas pratique (1/2) : stockage dans le HDFS
Notre fichier sera réparti en
un ensemble de blocs
répliqués dans les nœuds
du HDFS.
La réplication des blocs est
configurable, dans notre
exemple elle est de 3.
www.groupeastek.com
Modèle : ASO-2007-M_PPT-0012 v2.1

14. Cas pratique (2/2) : comptage des mots
www.groupeastek.com
Parallélisation des traitements
sur l’ensemble des nœuds du
HDFS grâce à Map Reduce
Modèle : ASO-2007-M_PPT-0012 v2.1

15. Pig vs Hive
Objectif commun : s’abstraire de la complexité de Map/Reduce
PIG HIVE
• Langage de script • Pseudo-SQL
• Né chez Yahoo • Né chez Facebook
• Flexible / simple • Rigide / Connu
• ETL • Interrogation
• Mise en œuvre UDF • JDBC / ODBC
www.groupeastek.com
Modèle : ASO-2007-M_PPT-0012 v2.1

16. Hbase et le NoSQL
Montée en puissance du mouvement NoSQL
Pour contourner les contraintes du modèle relationnel
Pas de jointures, très flexible
Forte scalabilité horizontale
Une éclosion de différents paradigmes
HBase
Implémentation open source de Google BigTable
Basé sur HDFS (non obligatoire)
Base de données orientée colonnes
www.groupeastek.com
En concurrence avec Cassandra
Modèle : ASO-2007-M_PPT-0012 v2.1

17. Exemple : modélisation d’un fichier Achat
Format : (Table, RowKey, Family, Column, Timestamp) -> Value
Création d’une table :
create ‘achat’, {NAME => ‘acheteur’}, {NAME =>
‘produit’, {NAME => ‘achat’}
Insertion d’une ligne :
put ‘achat’, ‘1’, ‘acheteur:nom’, ‘MARIE’
put ‘achat’, ‘1’, ‘acheteur:type’, ‘particulier’
Suppression d’une ligne :
delete 'achat', 1, 'achat:date‘
deleteall 'achat', 1
Lecture d’un enregistrement :
www.groupeastek.com
get 'achat', 1
get 'achat', 1, {COLUMN => 'produit:marque'}
Modèle : ASO-2007-M_PPT-0012 v2.1

18. Et pour l’intégration au SI existant
Sqoop
• Import / Export de données
• Import automatique
• Prise en charge de nombreuses
bases relationnelles
Flume
• Collecte de logs
• Data streaming
www.groupeastek.com
Modèle : ASO-2007-M_PPT-0012 v2.1

19. La solution Big Data de Talend
Lancement de Talend Open Studio for Big Data
Simplification des développements Big Data
• Environnement de développement graphique
• Connecteurs Big Data prêts à l’emploi
Depuis Octobre 2012, support des bases de
données NoSQL et connecteurs disponibles pour :
• HBase
www.groupeastek.com
• Cassandra
• MongoDB
Modèle : ASO-2007-M_PPT-0012 v2.1

20. Les intérêts business du Big Data
Enfin un supercalculateur à la disposition de tous
De nouveaux horizons jusque-là inexplorés
• CRM : segmentation en exploitant les goûts et sentiments des
clients/prospects récoltés sur les réseaux sociaux
• Finance : contrôle en temps réel des transactions
frauduleuses ou à risques
• RH : exploitation des données LinkedIn (par exemple) pour
anticiper la volonté de départ d’un collaborateur clé
• Logistique : optimisation des flux de transport en temps réel
en fonction du trafic routier
www.groupeastek.com
• …
Modèle : ASO-2007-M_PPT-0012 v2.1

21. Un cas concret : Karma chez Air France
Karma : Revenue Management AF/KLM
Composants Hadoop utilisées
• HDFS / Map Reduce / Sqoop / Pig
• Développement en interne : scheduler + interface web
Mise en Production courant 2013
Quelques chiffres :
• Un cluster de 90 serveurs pour déployer Hadoop
• 80 développeurs à Valbonne pour l’écriture des jobs MR
www.groupeastek.com
• 130 jobs déjà développés, 400 d’ici 2 ans
• 7h de traitement batch quotidien pour lancer les jobs MR et
mettre à jour les bases Oracle
• 300 analystes à Roissy pour analyser les données
Modèle : ASO-2007-M_PPT-0012 v2.1

22. Conclusion
Un bol d’oxygène pour le traitement des données
volumineuses et pour la BI en particulier
Limites
• Un écosystème évoluant très rapidement, nécessite
encore du temps pour stabiliser les différents modules
• Si les volumes sont faibles (inférieur à 10To), un SGBD
classique suffira la plupart du temps
A suivre
• Google Dremel / Cloudera Impala / Apache Drill
www.groupeastek.com
• Positionnement des éditeurs « traditionnels »
• Google, futur acteur majeur de la BI ?
• Un nouveau métier : Data Scientist
Modèle : ASO-2007-M_PPT-0012 v2.1

23. Pour plus d’informations
http://hadoop.apache.org/
http://pig.apache.org/
http://hive.apache.org/
https://developers.google.com/bigquery/
http://code.google.com/edu/parallel/mapreduce-
tutorial.html
www.groupeastek.com
http://www.kimballgroup.com/html/articles.html : The
Evolving Role of the Enterprise Data Warehouse in
the Era of Big Data Analytics (Ralph Kimball)
Modèle : ASO-2007-M_PPT-0012 v2.1

24. Merci. Des questions ?
www.groupeastek.com
Modèle : ASO-2007-M_PPT-0012 v2.1

25. Annexe 1 : un autre exemple Map Reduce
Jeu de données :
Algorithme MapReduce afin de sortir le nombre d’occurrences des mots
constituant le texte :
www.groupeastek.com
Modèle : ASO-2007-M_PPT-0012 v2.1

26. Annexe 2 : une architecture BI transformée
www.groupeastek.com
Modèle : ASO-2007-M_PPT-0012 v2.1