1. le Mardi 14 février 2012
Matinée 01
BIG DATA

2. 9h00 – 09h15 - OUVERTURE
Qu’entend-on réellement par Big
Data ?
Par
Olivier Rafal, directeur de recherche chez Pierre Audoin Consultants

3. Big Data
Concept et perspectives :
la réalité derrière le ‘buzz’

4. Sommaire
I. Perspectives marché
Définition du Big Data
Exemple concret
II. Perspectives technologiques
Pourquoi le NoSQL et Hadoop
L‟après Big Data

5. PAC en bref:
l’analyse du marché informatique depuis 35 ans !
De la stratégie à l’exécution, PAC offre des réponses objectives aux défis de croissance
des acteurs des TIC
PAC est une société de conseil et d’études
de marché spécialisée dans le domaine du
logiciel et des services informatiques
Plus de 35 ans d’expérience
PAC aide:
- Les fournisseurs de services informatiques
à optimiser leurs stratégies en offrant des
analyses quantitatives et qualitatives ainsi
que des prestations de conseil opérationnel
et stratégique.
- Nous conseillons les DSI et les investisseurs Plus de 30 pays couverts
dans l‟évaluation des fournisseurs TIC et leurs 6 bureaux PAC
projets d‟investissements.
- Les organisations et les institutions
publiques se réfèrent également à nos études
ciblées pour développer et mettre en place leurs
politiques informatiques.
Dernières actualités PAC sur notre blog : http://blog.pac-online.com/

6. PAC en bref:
suivi particulier de la Business Intelligence

7. PERSPECTIVES MARCHÉ

8. Le Big Data, c’est au choix…
« Un buzz orchestré par les
fournisseurs de technologies, les « On verra quand on aura des
analystes et les médias » Pétaoctets de données à gérer »
« L’avenir de la BI, la
réponse à tous les
« Une évolution problèmes »
naturelle »
« Seulement utile aux
« Réservé aux grands comptes »
quelques grands acteurs du
Web »
« Uniquement lié à la
technologie Hadoop »

9. Big Data : une évolution naturelle
Nouvelles sources de données Importance des
Explosion du (M2M, Open Data, Science…) conversations
‘UGC’
Big Data : intégrer ces
évolutions et contraintes pour
Métriques Accélération
applicatives
transformer les données en des cycles de
orientées information exploitable dans le décision
business cadre de son business
Démocratisation de la BI
Patrimoine informationnel non structuré / Découverte

10. Big Data : les problématiques de M. Jourdain
 Volumétrie : gestion de stocks, gestion de commandes,
transport/logistique/RFID, transactions financières, services grand
public…
 Variété : CRM / Marketing / SAV, communication financière…
 Vélocité : Mode, Jeu, Electronique grand public, gestion des
stocks, gestion des commandes…
Mieux connaître son client
Améliorer son offre
Agir avant la compétition

11. Exemple concret de Big Data
Kobojo, PME française
 Jeux pour les réseaux sociaux
 Evolutions quotidiennes
 Indicateurs techniques : 300 à 400
millions de données par jour et par jeu
 Au-delà ? Facebook,
Twitter…

12. PERSPECTIVES TECHNOLOGIQUES

13. Le point de départ
Base OLTP Datamart
Datawarehouse
?
Contenu
non
structuré

14. Big Data : perspectives technologiques
Des systèmes traditionnels au NoSQL
 Problématique apparue il y a data
une dizaine d’années chez les
Applications
gros « producteurs » de
data analytiques
données : Finance, Retail,
Services online…
data Hadoop /
 Besoin de solutions plus
Map
performantes que les SGBDR
Reduce
standards pour ce besoin data
particulier de volumétrie Base d’analyse
 Not Only SQL data
 Consensus sur Hadoop /
MapReduce

15. Big Data : perspectives technologiques
Du NoSQL au futur SQL ?
 Maturité du marché Hadoop
 IBM : InfoSphere BigInsights
 Oracle : Big Data Appliance (avec Cloudera)
 Microsoft : exit Dryad, bonjour Hadoop
 Informatica : Data Integration Platform for Hadoop
…
 Besoins non couverts par Hadoop
 transactions ACID
 SQL comme langage d’interaction
 Mécanismes de verrouillage non bloquants
…

16. Big Data : perspectives technologiques
Quand le Big Data deviendra la norme…
 Emergence de nouvelles solutions
 In-Memory
 SSD
 CEP (CloudScale…)
 Moteurs de stockage (Xeround, GenieDB…)
 SQL nouvelle génération (VoltDB, Clustrix…)
…
 Qui préfigure une assimilation progressive !

17. L’évolution possible
Contenu Web
Data as
a Moteur de
service recherches / BI
visuelle / text
Data
analytics
flux
C NoSQL /
Data NewSQL
flux E
P
Data
Applications
ETL/ analytiques
flux
Data
Quality
?
Datawarehouse
Contenu
DB

18. Olivier Rafal
Directeur de recherches,
Marchés logiciels
Information Management
o.rafal@pac-online.com
@olivierrafal
MERCI !

19. 09h15 – 09h50 - TABLE RONDE
Big Data : juste un concept ou une réponse à
de réels besoins ?
 Attentes et Usages
 Pour quels types d’entreprise et de besoins ?
 Remplaçant du datawarehouse traditionnel ?
 Quid du temps réel et du transactionnel ?
Avec Jacques Milman, expert avant-vente Big Data et analytique chez IBM
Dominique Girardot, directeur d’Anteo, Groupe Sodifrance
François Guérin, directeur technique chez Sybase

20. 09h50 – 10h10 - Avis d’expert
Pourquoi et comment intégrer les volumineuses
données du Web (réseaux sociaux, e-commerce…)
dans son système d‘information décisionnel ?
 Quels services de l’entreprise sont concernés ?
 Le triptyque “Big Transaction Data- Big Interaction Data- Big Data Processing
(Hadoop)”
 Le MDM, pierre angulaire d’un SI destiné aux utilisateurs métier
Avec Bruno Labidoire, directeur technique Europe du Sud chez Informatica

21. #BigData, au-delà du concept marketing
Bruno Labidoire
Directeur Technique, Europe du Sud
21
21 21

22. Big Data
Une convergence de 3 domaines
BIG TRANSACTION DATA BIG INTERACTION DATA
Online Online Analytical Données des
Transaction Processing média sociaux
Processing (OLAP) & Tickets d’appels,
(OLTP) DW Appliances Click stream, etc
Données scientifiques
Capteurs
BIG DATA PROCESSING
22
22

23. Big Transaction Data
Bases relationnelles et analytiques
BIG TRANSACTION DATA
Online Online Analytical
Transaction Processing
Processing (OLAP) &
(OLTP) DW Appliances
Oracle EMC Greenplum
DB2 Teradata
Britton-Lee Redbrick
Ingres EssBase
Informix Sybase IQ
Sybase Netezza
SQLServer DataAllegro
Asterdata
Vertica
Paraccel
Hana
23
23

24. Le décisionnel proactif
• On peut par exemple définir de nouvelles
campagnes potentielles associées à ces média
sociaux !
American Express a aidé les PME à augmenter
leurs revenus d„années en années de 28%
pendant le week-end suivant Thanksgiving avec
“Small Business Saturday” une campagne
impliquant 1,5 million de fans Facebook
24
24

25. Les challenges
Les données issues des média sociaux peuvent être
colossales!
Interactions
Transactions
Source: An IDC White Paper - sponsored by EMC. As the Economy Contracts, the Digital Universe Expands. May 2009.
.
25
25

26. Réseaux sociaux
Un potentiel en pleine croissance
Consommateur Entreprise
Consommateurs utilisant les principaux Réseaux
Sociaux 2004-2011
1,000
900
800
700
600
500
400
300
200
100
0
2004 2005 2006 2007 2008 2009 2010 2011
Facebook LinkedIn Twitter
26
26

27. Réseaux sociaux
Des formes multiples
27
27

28. Réseaux sociaux
Comment profiter de ces grands volumes d’informations ?
Curriculum
Extraire Curriculum
Analyser Curriculum
Gérer Curriculum
Associer
28
28

29. Réseaux sociaux
Comment profiter de ces grands volumes d’informations ?
T_Young Tony Y.
iDroidBerry 9800 challenged meeting our enterprise security requirements and
battery life is also area of concern.
Curriculum
Extraire Curriculum
Analyser Curriculum
Gérer Curriculum
Associer
29
29

30. Réseaux sociaux
Comment profiter de ces grands volumes d’informations ?
Entity Extraction & Identity Resolution
T_Young = Tony Young
Relationship Resolution
Tony Young works @ Informatica
Relationship Analysis
Tony‟s Sphere of Influence, CIO @ INFA
Sentiment Scoring
Enterprise Security -3.5, Battery Life -3.2
Curriculum
Extraire Curriculum
Analyser Curriculum
Gérer Curriculum
Associer
30
30

31. Réseaux sociaux
Comment profiter de ces grands volumes d’informations ?
Databases
Informatica
MDM
External Data
Applications Client Produit … Providers
Data
Curriculum
Extraire Curriculum
Analyser Curriculum
Gérer Curriculum
Associer Warehouses
Operational
Applications
31
31

32. Big Transaction Data
Comment profiter des données transactionnelles ?
Cloud Computing Enterprise Partner Trading Network
(B2B)
Warehouses …
SWIFT NACHA HIPAA
Cloud Computing Partner Data
Application Database Unstructured
Curriculum
Extraire Curriculum
Découvrir Curriculum
Nettoyer Curriculum
Intégrer Curriculum
Analyser
32
32

33. Big Transaction Data
Comment profiter des données transactionnelles ?
Cloud Computing Enterprise Partner Trading Network
(B2B)
Curriculum
Extraire Curriculum
Découvrir Curriculum
Nettoyer Curriculum
Intégrer Curriculum
Analyser
33
33

34. Big Transaction Data
Comment profiter des données transactionnelles ?
Cloud Computing Enterprise Partner Trading Network
(B2B)
COMPLETENESS CONFORMITY CONSISTENCY
DUPLICATION INTEGRITY ACCURACY
Curriculum
Extraire Curriculum
Découvrir Curriculum
Nettoyer Curriculum
Intégrer Curriculum
Analyser
34
34

35. Big Transaction Data
Comment profiter des données transactionnelles ?
Cloud Computing Enterprise Partner Trading Network
(B2B)
Curriculum
Extraire Curriculum
Découvrir Curriculum
Nettoyer Curriculum
Intégrer Curriculum
Analyser
35
35

36. Big Transaction Data
Comment profiter des données transactionnelles?
Cloud Computing Enterprise Partner Trading Network
(B2B)
Curriculum
Extraire Curriculum
Découvrir Curriculum
Nettoyer Curriculum
Intégrer Curriculum
Analyser
36
36

37. Big Data Processing
Qu’apporte Hadoop ?
• Une montée en puissance économique
• Fonctionne sur des fermes de serveurs banalisés
• Supporte tous les types de données
• Structuré, Semi-structuré et non structuré
• Extensible
• Interfaces (APIs) ouvertes permettant d‟implémenter une logique
spécifique
37
37

38. Big Data Processing
Connectivité Hadoop par Informatica
Analyse de Détection des Analyses Analyses des
Smart Devices
Sentiment fraudes Predictives risques
Hadoop Cluster
Connectivité
Hadoop (HDFS)
• Load data to Hadoop from any source
• Extract data from Hadoop to any target
Weblogs, Mobile Databases, Dat Semi-structured Cloud Applications,
Data, Sensor Data a Warehouses Unstructured Enterprise Applications
Social Data
38
38

39. Un exemple de mise en œuvre dans
le décisionnel
39
39 39

40. Le décisionnel « classique »
• La qualité des données est globalement égale à
celle des systèmes opérationnels
• Les indicateurs sont disponibles à J+1
• Les données clients/prospects peuvent être
périmées et induire des tendances incorrectes dans
les indicateurs
Il peine à répondre aux demandes métiers de fraîcheur
de l‟information, rapidité de décision, et gestion proactive
des clients !
40
40

41. Le décisionnel avancé
• Une solution de qualité des données a été mise en œuvre
pour détecter (et corriger quand cela est possible) les erreurs
dans les données. Ces erreurs sont notifiées aux systèmes
opérationnels amonts pour correction.
• Une partie des indicateurs est mise à jour au fil de l‟eau
(intervalle d‟une minute à une heure en fonction du besoin
fonctionnel). Les solutions de CDC (Changed Data Capture),
bus messages et WebServices supportent cette mise en
œuvre.
• Des solutions de vérification d‟adresses postales et de
croisement avec des bases externes entreprises (D&B)
permettent d‟améliorer les données clients/prospects.
Le métier accorde une plus grande confiance aux
informations du décisionnel et peut réagir plus rapidement,
mais il supporte mal une approche proactive !
41
41

42. Le décisionnel proactif
• Des « DB Appliances » sont mises en places pour supporter les
volumes de données croissants (WebLog, etc)
• Des solutions de connectivité aux médias sociaux sont mises en
place pour enrichir la connaissance du client
• Les clients peuvent être évalués non seulement sur les produits
qu‟ils ont acquis mais aussi sur leur capacité d‟influence (nombre de
leurs contacts dans les réseaux sociaux) et sur leur comportement
(weblog)
• Les marques concurrentes citées par ces clients peuvent être
analysées pour compléter l‟analyse concurrentielle
• Etc…
Le métier découvre de nouvelles informations lui
permettant une approche proactive et une anticipation
des besoins/tendances du marché !
42
42

43. La plate-forme Informatica
43
43 43

44. Informatica 9.1: Plate-forme de services de données
Data Integration Projects
Big Data Ultra Data Big Data Data Social Master Cloud Complex Big Data
Warehousing Messaging Services Archiving Consolidation Data Data Event Collection &
Management Integration Processing Exchange
ODBC/ Web SUPPORT TOUS PROJETS SQL Batch
JDBC Services
Accès Qualité Retention Confidentialité Fraicheur
GESTION DE
TOUTES REGLES
Data Integration Master Data Data Quality Test Data Management B2B SOA/ Business
Management & Archiving Composite Apps Intelligence
Client Commande Réclamation Support Produit Facture
ACCES A TOUTES
LES DONNEES
Transactions Interactions
SWIFT NACHA HIPAA …
Cloud Computing Applications Databases Unstructured Warehouses NoSQL Social Partner Data
44
44

45. 45
45

46. 10h10 – 10h30 - Avis d’expert
Intégrer les solutions Big Data à l’existant.
 Apporter une réelle valeur ajoutée, en lien avec un existant
multiforme, décisionnel comme transactionnel
Par
Isabelle Claverie-Berge, expert technique Database Big Data chez IBM

47. Information Management – Big Data
Intégrer les solutions Big Data à l'existant
Isabelle Claverie-Bergé, IBM Software, Information Management Architecte
Isabelle_claverie@fr.ibm.com
© 2012 IBM Corporation

48. Information Management – Big Data
Big Data : Une opportunité
Acquerir/Observer Explorer/Gerer Analyser/Optimiser
Customer
Experience
Customer
Un Structuredcomment Intégrer les solutions Big Data à l'existant ?
Mais Data Insight
Transactional
Data Profitability
Optimization
Historical
Data Network
Structured Data Referential
Analytics
Data Sets
Audience
Management
Asset
Optimization
Streaming Data
48 © 2012 IBM Corporation

49. Information Management – Big Data
Big Data: Un complément à l‟approche traditionnelle
Approche Traditionelle Nouvelle Approche
Structuré, analytique, logique Creative, Vue holistic , intuition
Data Hadoop
Streams
Warehouse
Transaction Data Web Logs
Internal App Data Social Data
Structured Unstructured
Structuré Enterprise Exploratoire
Exploratory
Repeatable
Mainframe Data Repetable
Linear Integration Iterative
Iterative Text Data: emails
Lineaire
Monthly sales reports Brand sentiment
Profitability analysis Product strategy
OLTP System Datasurveys Sensor data: images
Maximum asset utilization
Customer
ERP data Sources Nouvelles RFID
Sources
traditionnelles
© 2012 IBM Corporation

50. Information Management – Big Data
Big Data : Les points d‟intégration Rules / BPM
IBM Big Data Solutions Client and Partner Solutions iLog & Lombardi
Data Warehouse
InfoSphere
Warehouse
Big Data Analytics Warehouse Appliances
Applications
Text Statistics Financial Geospatial Acoustic IBM & non-IBM
Image/Video Mining Times Series Mathematical Master Data Mgmt
INTEGRATION
InfoSphere MDM
Data
Big Data Enterprise Engines Database
DB2 & non-IBM
Content Analytics
Processes
InfoSphere Streams InfoSphere BigInsights
ECM
Productivity Tools & Optimization Business Analytics
Workload Job Data
Provisioning Job
Management & Workflow Ingestion
Information Server
Scheduling Tracking Cognos & SPSS
Optimization
Manageability
Management Admin Configuration Activity Identity & Data Marketing
Tools Manager Monitor Access Mgmt Protection
Unica
Connectors Applications Blue Prints Data Growth
Management
InfoSphere Optim
© 2012 IBM Corporation

51. Information Management – Big Data
Exemple: Vision client 360
Guardium
Customer Identification Privacy
Master Data Management Data Privacy
InfoSphere
InfoSphere Optim for Test
Quality DB2 Data, Redaction, +++
MDM
Stage
Data
Customer Intelligence Appliance
Quality
Data Models Out-of-the-box analytics
Information Server
Cognos
Pre-built
Customer Integration behavioral IBM Global Business
Appliance attributes Services
IBM Retail Data Model Core Metrics Unica
Enterprise Data Warehouse Applications and Operational Analytics
Online Archive OLTP and Big Data Integration
Managing Growth Built-in Integration into Big Data
Optim Data Archive Informix
DB2 SAP solidDB
DB2
© 2012 IBM Corporation

52. Information Management – Big Data
Exemple: exploration et surveillance pétrolière
Volumes of raw structured and
unstructured data Reservoir and Process
Staging Platform Modeling and Simulation Applications
Cleansing and Transformation of
many types of data with
different formats
Operational BI and Statistical
InfoSphere Subject-area
source Applications
BigInsights
systems
ODS
Real-time streaming
data (structured and
unstructured)
Netezza
DW
Cognos and
Real-time SPSS
dashboards
InfoSphere and analytics
Streams
Traditional data sources
Event detection and (ERP, CRM, databases)
capture of real-time data
52 © 2012 IBM Corporation

53. Information Management – Big Data
THINK
https://www.ibm.com/services/forms/signup.do?source=sw-infomgt&S_PKG=bdebook1
53 © 2012 IBM Corporation

54. Information Management – Big Data
© 2012 IBM Corporation

55. 10h30 – 10h50 - Avis d’expert
Pourquoi et comment préparer le SI à l’avènement
du BIG DATA ?
 Quel est l’enjeu métier de cette approche ?
 Pourquoi l’urbanisation, le management des données et la création de
référentiel sont incontournables dans un tel contexte ?
 Pourquoi la qualité des données est-elle au centre du débat ?
Par Stéphane Lextreyt, Sodifrance

56. Comment préparer le SI à l’avènement du BIG DATA ?
Maîtrisez votre capital Données

57. BIG DATA : POURQUOI S’Y PRÉPARER ?
Déluge informationnel …
Où sont les données
« métiers » ?
Exploiter les tendances qui se
Cloud dégagent de l’écosystème
environnant
OUI MAIS …
Quel crédit accorder à ces données ?
Comment en faire un élément de
décision ?
Alors les données doivent être :
Fiables
Cohérentes
Centralisées Source d’agilité
Partagées du SI
….

58. UNE APPROCHE GLOBALE ET STRUCTURÉE
Accroître l’efficacité du
SI…
Maitriser les données internes
au SI
Transformer les données en
informations fiables
Partager des informations à
forte valeur ajoutée
Capitaliser sur les données
Métiers
Maintenir un niveau de qualité
élevé
Diminuer significativement le
coût de gestion des données

59. DATA MANAGEMENT, UNE FORTE EXPÉRIENCE
SODIFRANCE, SSII innovante
25 ans d‟expérience
Un CA de 68,2 M€ en 2011 (+8,2%)
930 collaborateurs sur 12 implantations en France
Une approche projet : 53 % du CA en engagement
de résultats
Un Centre R&D dédié au développement de nos
solutions outillées
Une clientèle de grands comptes fidèles
 170 projets
ALCARA CREDIT MUTUEL MALAKOFF-MEDERIC
CREDIT AGRICOLE STE GENERALE CNP-ASSURANCES
GMF BPCE YVES ROCHER
MAAF ADP-GSI DIAC
en Data Management
MMA RSI AXA
BNP-PARIBAS AIR France MERIAL
EUROPCAR STACI AREAS

60. DATA MANAGEMENT : DÉFINIR SA TRAJECTOIRE
Définir la stratégie et la gouvernance
Concevoir l’architecture cible et la trajectoire
Recommander les choix technologiques
Cadrer le projet et la démarche
Sécuriser l’atteinte des objectifs
Conduire le changement

61. LE CYCLE DE VIE DE A à Z …
Industrialiser la maîtrise et l’évolution du SI
Accélérer l’adaptation de l’entreprise
Ouvrir le SI aux nouvelles applications
Réduire les coûts de maintenance

62. COMPRENDRE ET MAITRISER L’EXISTANT
Cartographie applicative outillée
Références
Analyse exhaustive • AXA
Références croisées • CNP-Assurances
Flot de données • CIMUT
Algorithmes • CRÉDIT MUTUEL
• EDF
• ING
• I-BP
• MAAF
• RSI, …
Un référentiel vivant
Rafraichissement permanent CIMUT
Système de requêtage utilisateur « Nous avons
choisi Mia-Insight
pour la pertinence
des analyses
fines et précises,
irréalisables sans
outillage »
Utiliser les données Métiers,
Analyser les impacts au niveau applicatif

63. LA QUALITÉ AU CENTRE DES PRÉOCCUPATIONS
Automatiser la qualité des données Références
Faire un état des lieux • ARKEA
Listes de valeurs • APICIL / UPESE
Volume de données erronées • CAISSES
Taux de doublons D’EPARGNE
• CREDIT AGRICOLE
• GROUPAMA
• NOVALIS-TAITBOUT
• MERIAL, …
Impliquer tous les acteurs
MOA
Gestion MALAKOFF-MÉDÉRIC
MOE
Projets « Grâce à ses outils
d'analyse
performants,
Pérenniser la démarche SODIFRANCE nous
Planifier les actions dans le temps garantissait un audit
Auditer de façon récurrente et des
recommandations
Engager de nouvelles actions factuelles et
rapides »
Toujours être vigilant et proactif

64. ORGANISER LE SI AUTOUR DES DONNÉES MÉTIER
Du référentiel métier à l’agilité du SI Références
Création de référentiels de • CDC
données partagées • CNP-Assurances
Référentiels « Maitre » / « Esclaves » • CIMUT
Fiabilité et cohérence des données • ENERGY POOL
Accessibilité des données par toutes • MALAKOFF-
les applications MÉDÉRIC
• SI2M
Démarche d’urbanisation • MMA,…
Approche par les processus Métiers
Identification du meilleur découpage
applicatif
SI2M
Recherche de la modularité « Les résultats de
optimale l’audit et le conseil
Transformation des applications en de SODIFRANCE
service Métier nous ont permis de
Ouverture multicanal faire avancer notre
vision sur
Bénéfices Métier attendus l'urbanisation de
Efficacité opérationnelle notre SI »
Rester Time To Market
Faites de votre référentiel un Référentiel

65. LES DONNÉES DANS TOUS LEURS ÉTATS
Références
Démarche = Méthodologie et Solutions
• AGF
• AIR FRANCE
Capitaliser sur les données • BNP-PARIBAS
Métiers de référence • CHU DE NICE
Fiabiliser • GROUPAMA
Dédoublonner • MALAKOFF-
Normaliser MÉDÉRIC
• MORNAY
• VILLE DE LYON
• RATP, …
MALAKOFF-MÉDÉRIC
« Grâce à l’usine de
migration TRANSMIG,
les données du
Référentiel Personne
sont fiables et
cohérentes.
Engagements sur la qualité
Aujourd’hui, les coûts
Sécurisation du Projet
d’exploitation sont
Gouvernance améliorée
réduits et les actes de
Augmentez votre capital données gestion bien plus
rapides »

66. GARDER LA MÉMOIRE… À PORTÉE DE WEB
Diminuer les coûts de possession Références
• DCNS
• MALAKOFF-
MEDERIC
• MERIAL
en place de PRA – PCA • AEROPORT NANTES
• CH LE MANS,….
•…
MERIAL
stifications CAC
« La fonction
d’archivage Web de
TRANSMIG a permis
de restituer une
vision des données
historiques que
nous n’avions plus
suite à l’arrêt du
Mainframe et à la
disparition de
l’application
métier »
Réduire les coûts et améliorer le service

67. APPROCHE GLOBALE DU CYCLE DE VIE DES DONNÉES
Efficacité et rigueur Diagnostic
 Audit
 Cartographie
Cible
 Cible et stratégie
Diagnostic  Recueil des besoins
 Alignement MOA /MOE
Trajectoire
 Référentiel maitre / esclaves
Cible Trajectoire  Méthodologie projet éprouvée
Indicateurs  Solutions outillées
Maintenir
Qualité
couts
 Accompagnement
 Formation
Maintenir

68. RETOUR D’EXPÉRIENCE
Périmètre Création du Référentiel Personne
Conseil &
Conseil
Urbanisation
Audit Migrer Dédoublonner Synchroniser Audit Audit
Projet Cartographie Fiabiliser Charger Archiver régulier régulier
Solutions
outillées
Expertise
Experts en urbanisation et Data Management
Formation – Conduite du changement
2009 2012
Temps

69. Stéphane LEXTREYT
Consultant Data Management
slextreyt@sodifrance.fr
+33 6 86 89 23 20

70. 10h50 – 11h20 - PAUSE
Pause / Networking

71. 11h20 – 12h00 - Table Ronde
Cloud et Stockage, supports incontournables du
Big Data
 Les acteurs du cloud et les éditeurs/constructeurs se positionnent déjà
 Actuellement, y a-t-il un intérêt à installer sa propre solution Big Data ?
 En quoi le cloud incarne-t-il un moyen intéressant ?
Avec Jean-Pascal Ancelin, directeur général, MicroStrategy France
& Said Boukhizou, responsable technique chez Datacore

72. 12h00 – 12h10 - Avis d’expert
Témoignage utilisateur : Malakoff-Mederic
Ré-urbaniser le SI autour des données métiers, un
enjeu concurrentiel
 Les enjeux de la mise en œuvre de référentiel de données Métiers,
vecteur d’agilité de l’entreprise
 Comment alimenter un référentiel de données tout en synchronisant les
applications périphériques contributrices ?
Par Romaric Hatit de Malakoff-Mederic

73. 12h10 – 12h30 - Avis d’expert
Le stockage : innovation et nouvelles réponses
Part 1
Par
Said Boukhizou, responsable technique chez Datacore

74. How Big Data Influences
Storage Innovations
Impact on policies, scale, clouds and
data management
74

75. Not Just Big
 Fast
 Real-time
► Event-driven
 Shared
75 Copyright © 2012 DataCore Software Corp. – All Rights Reserved.

76. Motivation
Greater Situational Awareness
Better Decision Making
Competitive Advantage
76 Copyright © 2012 DataCore Software Corp. – All Rights Reserved.

77. Where does Big Data come from?
Enterprise
Office Apps
Apps
Web
Apps
Device explosion
Social Media Data
Machine Data
77 Copyright © 2012 DataCore Software Corp. – All Rights Reserved.

78. Applications that are driving Storage
Growth
Archiving
Data Protection/DR
Email
CRM
File sharing
Content Mgt
Regulatory mandates
DE
Convert analog - digital records
Data warehousing/BI
WE
eCommerce
Digital Imaging
ERP
Social Platfom
SCM
0% 20% 40% 60%
Source: IDC‟s European Storage Survey 2011 – N=509
78 Copyright © 2012 DataCore Software Corp. – All Rights Reserved.

79. Challenging Storage Characteristics
 Never at rest  Different formats
► In-demand
► Less relevant
► Outdated  All shapes & sizes
 Multiple, linked sources
► Intelligent devices
► Outside of IT‟s control
► Housed separately
► No time to pre-stage
79 Copyright © 2012 DataCore Software Corp. – All Rights Reserved.

80. Renovation Opportunity
 Modernize
 Align
 Architect
 Adapt
Not that difficult
80 Copyright © 2012 DataCore Software Corp. – All Rights Reserved.

81. 81 Copyright © 2012 DataCore Software Corp. – All Rights Reserved.

82. Technology Innovations on Your Side
 Storage hypervisor layer
► Insulates data management from hardware variables
► Comprehensive set of advanced functions
► Device-dependent
 Broad span
► Infrastructure-wide
► From on-premises to the Cloud
► Virtual & physical domains
 Accelerates data access
82 Copyright © 2012 DataCore Software Corp. – All Rights Reserved.

83. Virtualize Storage for Sharing & Speed
 Pool resources
 Direct traffic automatically
 Cache near apps
 Manage centrally
83 Copyright © 2012 DataCore Software Corp. – All Rights Reserved.

84. Pooling
 Combine overall capacity
 Make disks shareable
 Recover inaccessible or isolated disk space
► No longer isolated
 Hide equipment incompatibilities
► Standard server / app connections bridged to
device-specific interfaces
84 Copyright © 2012 DataCore Software Corp. – All Rights Reserved.

85. Adaptive Layer
Server
Cluster
Caching Caching
Shared
Virtual Disks
Storage Hypervisor
Variable sources / destinations
85 Copyright © 2012 DataCore Software Corp. – All Rights Reserved.

86. 3-Dimensional Virtualization Strategy
DESKTOP HYPERVISOR
USERS
SERVER HYPERVISOR
APPS
STORAGE HYPERVISOR
DISKS
86 Copyright © 2012 DataCore Software Corp. – All Rights Reserved.

87. Automation
 Allocate space just-in-time
► Thin provision small groups of
disk blocks
► No waste
 Dynamically direct workloads to most
appropriate resource
► Auto-tiering
► Determined by access frequency &
business rules (high priority override)
87 Copyright © 2012 DataCore Software Corp. – All Rights Reserved.

88. Hottest Data Gets Most Attention
 Auto-Tiering
Tier 1 Tier 2 Tier 3 Tier n
Chuns
Hot Warm Cold Stale
88 Copyright © 2012 DataCore Software Corp. – All Rights Reserved.

89. Dynamic Optimization of Assets
Mail Database File Web Apps
Storage Hypervisor
Price / TB
Speed
On-Premises Public Cloud
5% 35% 60%
Private Cloud
Price/ Capacity
89 Copyright © 2012 DataCore Software Corp. – All Rights Reserved.

90. Caching
 Rapid retrieval
 Fast updates
 Memory-access speeds
► Read (anticipate)
► Write (coalesce)
► Bypass disk latencies
 Turbo-charge native disk array performance
 Self-tuning
90 Copyright © 2012 DataCore Software Corp. – All Rights Reserved.

91. Off-premises storage appears to be local
 Users and apps can‟t tell
► Storage hypervisor makes it transparent
 Same principles merely extended
► Pooling
► Automation
► Central management
91 Copyright © 2012 DataCore Software Corp. – All Rights Reserved.

92. Central Management
 Common menus & commands
► Across diverse equipment
 Single console
► Status dashboard
► Performance view
► Consolidated notifications & alerts
 External integration point
► Virtualization
92 Copyright © 2012 DataCore Software Corp. – All Rights Reserved.

93. Lots of Standardization Talk
 One interpretation
► Buy more of the same hardware
► Always buy it from me and my club
 Really about interchangeability
► Stick to established interfaces
► Add or swap out equipment as needed
► Shop for best value among hardware suppliers
► Treat storage as interchangeable chunks
of disk space
93 Copyright © 2012 DataCore Software Corp. – All Rights Reserved.

94. Stage 2 – Beyond Your Walls
 Leverage nearby branch or colocation facility
 Rent capacity from public cloud
94 Copyright © 2012 DataCore Software Corp. – All Rights Reserved.

95. Under a Different Roof
 Continue operations despite facility problems
► Equipment upgrades / maintenance
► Air conditioning / ventilation
► Construction
► Water leaks
► Etc.,
 Mirror or replicate critical volumes to a secondary site
► Auto-failover within metropolitan area
► Take advantage of different storage devices
95 Copyright © 2012 DataCore Software Corp. – All Rights Reserved.

96. Expected Outcomes
 Higher levels of service
► Rapidly provision space
► Remove storage-related disruptions
► Speed up app response
 Optimal use of available resources
► Take full advantage of existing capacity
► Defer acquisition of more disks
96 Copyright © 2012 DataCore Software Corp. – All Rights Reserved.

97. Get ready,
Big Data is
almost here!
97 Copyright © 2012 DataCore Software Corp. – All Rights Reserved.

98. QUESTIONS
www.datacore.com
98

99. www.datacore.com
Copyright © 2012 DataCore Software Corp. – All Rights Reserved.

100. 12h30 – 12h50 - Avis d’expert
Le stockage : innovation et nouvelles réponses
Part 2
Par
Jean-François Ruppé, Solution Architect EMEA chez Quantum

101. Les solutions Big Data
Jean-François RUPPÉ
Architecte Solution

102. Caractéristiques de nos clients
30%-60% Volumétrie
Non-structurée
DB
Sources multiples
Performance
Protection
© 2011 Quantum Corporation. Company Confidential. Forward-looking information is
102 based upon multiple assumptions and uncertainties, does not necessarily represent the
company‟s outlook and is for planning purposes only.

103. Principaux Secteurs d‟Activité
Média
• Post production (effet spéciaux, correction des couleurs, …)
• Passage à la HD, 3D
Sécurité / Imaging / Défense
• Vidéosurveillance
• Capture & traitement des données satellites
Recherche scientifique
• Calculs
• Séquençage de génome (décryptage d‟informations)
Pétrole et gaz
• Exploration sismique
• Modélisation 3D
103

104. Les défis
Gérer efficacement la croissance des données
– +100 Millions de fichiers, >100 To de données par environnement
– Transfert des données entre différentes chaînes de traitement
– Protéger & Archiver à long terme
Adapter les performances aux besoins
– De 100 Mo/s à > 600 Mo/s
Séquenceur/calcul sismique : 2 To par « run »/millions de
fichiers
Traitement d‟images satellite :
– 600 Mo/s (FC 4Gb = 512 Mo/s)
– 37 millions de fichiers, 1 Po de données avec gestion de Tiers (5%
rapide, 63% lent, 32% bandes)
Gourvernement : 4 milliards de fichiers + PRA
© 2011 Quantum Corporation. Company Confidential. Forward-looking information is
104 based upon multiple assumptions and uncertainties, does not necessarily represent the
company‟s outlook and is for planning purposes only.

105. 1. Créer un espace de stockage partagé haute performance
– SAN ou LAN en fonction des besoins en performance
– Hétérogène Linux, Unix, Windows, MAC
2. Optimiser les ressource stockage
– Gestion de différents Tiers : SSD, SAS, SATA, Bandes
– Déplacement automatique des données (HSM)
3. Protection des données
– Sauvegarde
– Externalisation
– Réplication
© 2011 Quantum Corporation. Company Confidential. Forward-looking information is
105 based upon multiple assumptions and uncertainties, does not necessarily represent the
company‟s outlook and is for planning purposes only.

106. © 2011 Quantum Corporation. Company Confidential. Forward-looking information is
106 based upon multiple assumptions and uncertainties, does not necessarily represent the
company‟s outlook and is for planning purposes only.

107. Accélération des processus
 Stockage local ou disparate
 Mouvement des données fastidieux
 Besoin d‟une grande quantité de stockage
© 2010 Quantum Corporation. Company Confidential. Forward-looking information is
based upon multiple assumptions and uncertainties, does not necessarily represent the
company‟s outlook and is for planning purposes only.

108. Evolution des processus
 Stockage partagé
 Accès concurrents
 Depuis plusieurs types de client
© 2010 Quantum Corporation. Company Confidential. Forward-looking information is
based upon multiple assumptions and uncertainties, does not necessarily represent the
company‟s outlook and is for planning purposes only.

109. Différents type d‟accès
LAN
CIFS / NFS Storage Area
Network
(SAN)
Gateway
Servers
WIN LAN Clients
LINUX LAN Clients
 Haute performances  Load Balancing
 Milliers de clients  CIFS/NFS support
© 2010 Quantum Corporation. Company Confidential. Forward-looking information is
based upon multiple assumptions and uncertainties, does not necessarily represent the
company‟s outlook and is for planning purposes only.

110. Gestion des données
TIERS 2
Storage Area
Network
(SAN)
SAUVEGARDE VAULT
DEDUPLICATION REPLICATION
© 2010 Quantum Corporation. Company Confidential. Forward-looking information is
based upon multiple assumptions and uncertainties, does not necessarily represent the
company‟s outlook and is for planning purposes only.

111. Architecture StorNext
Solution “End-to-End”
StorNext File System Gestion des données
Stockage partagé
StorNext StorNext
SAN Clients Replication
PRIMARY TIER
Gateway
Servers
StorNext DLC
CIFS/NFS
SECONDARY TIER
HA
StorNext Storage
GigE TCP/IP
Infiniband IP
Metadata
Controllers
Manager
TAPE LIBRARY
ARCHIVE VAULT
Version « Logicielle »
© 2010 Quantum Corporation. Company Confidential. Forward-looking information is
based upon multiple assumptions and uncertainties, does not necessarily represent the
company‟s outlook and is for planning purposes only.

112. Appliances StorNext
Solution “End-to-End”
StorNext File System Gestion des données
Stockage partagé
StorNext StorNext
SAN Clients Replication
PRIMARY TIER
Gateway
G300
StorNext DLC
CIFS/NFS
SECONDARY TIER
Q-Series StorNext Storage
GigE TCP/IP
Infiniband IP
Manager
Q-Series
M330
Metadata
Controllers Scalar
VAULT
© 2010 Quantum Corporation. Company Confidential. Forward-looking information is
based upon multiple assumptions and uncertainties, does not necessarily represent the
company‟s outlook and is for planning purposes only.

113. Cas client : Recherche ADN
PRIMARY TIER
80-100TB FC Disk
FC/iSCSI
DISTRIBUTED LAN CLIENTS
StorNext DLC StorNext
Gateway Servers Policy
Engine
FC
GigE TCP/IP
DDM
Server
FC TAPE LIBRARY ARCHIVE
Metadata
HA MDC
Séquencement Controller
PB of Tape
• Chaque serveur de séquencement lance des analyses (ADN). Chaque expérimentation génère 1 To de
données
• Les résultats sont copiés ou déplacés vers l‟archive (rétention à long terme + externalisation)
• Temps de traitement global réduit par 3

114. Questions/Réponses
© 2010 Quantum Corporation. Company Confidential. Forward-looking information is
based upon multiple assumptions and uncertainties, does not necessarily represent the
company‟s outlook and is for planning purposes only.

115. 12h50 – 13h00 - Conclusion
Une révolution informatique en douceur
 Distribution et parallélisation des traitements, autre forme de
virtualisation du stockage, système de gestion de fichiers plus universel…
 Le phénomène Big Data n’annonce-t-il pas une évolution majeure ?
Par José Diz, Journaliste, Evénements 01

116. BIG DATA
détour par la „SILICON Valley‟
José DIZ

117. Hadoop : kesako?
 Google et fortes contributions Yahoo!
 Framework open source Java
 HDFS : système de gestion de
fichiers distribué avec stockage
en cluster de serveurs
 MapReduce : distribue de façon
parallèle les traitements sur
chaque nœud au plus près des
données.

118. Hadoop : kesako?
 tout type de données
 structurées
 non structurées
 Web, et autres
 Croissance linéaire sur du matériel standard
(commodité)
 Appliquer rapidement des algorithmes simples à
de très gros volumes de données
 Batch ? Ou plus ?

119. Des pionniers : Cloudera (CDH)
l‟interface graphique pour
accès via un navigateur
workflow
langage de type SQL
Intégrer Hadoop et SGBD
SGDB distribué non
relationnel orienté colonnes
Service distribué de
collecte et d‟agrégation
gestion de configuration pour
pour stockage HDFS
systèmes distribués
langage de haut niveau

120. Cloudera : un écosystème

121. Hortonworks Data Platform (HDP)
Core Apache Hadoop Related Hadoop Projects Open APIs for:
• Data Integration
• Data Movement
• App Job Management
(Columnar NoSQL Store)
Pig Hive • System Management
(Data Flow) (SQL)
HBase
MapReduce
Zookeeper
(Coordination)
(Manaement)
Ambari
(Distributed Programing Framework)
HCatalog
(Table & Schema Management)
HDFS
(Hadoop Distributed File System)

122. Hortonworks – la cohabitation
Traditional Data Warehouses,
BI & Analytics
Serving Applications
NoSQL RDMS … Traditional ETL Data BI /
EDW
Marts Analytics
Apache Hadoop
EsTsL (s = Store)
Gartner predicts 80-90% of data
800% data growth produced today
over next 5 years is unstructured
Call Social Senso Server
…
Center Media r Data Logs

123. MapR : affinage, spécifique ?
Big data s‟avère lourd et coûteux à déplacer.
Pig Hive
Web Services
Sequential File Map/
OLAP OLTP Hbase
Processing Reduce
RDBMS NAS HDFS
Pig Hive
Web Services
Sequential File Map/
OLAP OLTP Hbase
Processing Reduce
RDBMS NAS
HDFS
Next Generation Distribution

124. MapR : affinage, spécifique ?
MapR Distribution for Apache Hadoop
Hive Pig Oozie Sqoop HBase Plume
Nagios Ganglia Vaidya Haute disponibilité et continuité :
Mahout Cascading Flume
Integration Integration Integration
- snapshots,
- mirroring,
MapReduce - namecode de stockage distribué
- …
Distributed
JobTracker HA
NameNode HA™
MapR’s Lockless Storage Services ™

125. Big Data : batch pour BI, et après ?
 Complément au-delà du batch
 Streaming
 « Temps réel »
 Stockage primaire ? Environnement de
production principal ?
 Deux écoles :
 Pas pour Cloudera et Hortonworks
 Certainement pour MapR

126. Un fourmillement de projets

127. 13h00 – 13h05 - JEU
TIRAGE AU SORT iPad
Et le gagnant est……?

128. 13h05– 14h00 - COCKTAIL DEJEUNATOIRE
Cocktail / Networking
MERCI DE VOTRE PARTICIPATION
BON APPETIT!!