Après avoir détaillé les usages du Big Data, du Machine Data ou des données horodatées, voici la présentation des dark data aux data translytiques.
7 – Dark data
Les dark data sont des informations numériques qui ne sont pas utilisées et restent dormantes sous une forme ou une autre.
Les dark data comme sont comme des actifs d'information qu'une entreprise recueille, traite et stocke dans le cadre de ses activités, mais qu'elle n'arrive généralement pas à exploiter».
8 - Data en temps réel
L’une des tendances les plus controversées du domaine de l’analytique est la capacité de diffuser et d’agir en temps réel sur des données. Certains affirment que le terme lui-même est quelque peu trompeur, puisque les données ne peuvent voyager aussi vite que les communications.
Cependant, nous pouvons toujours utiliser le terme pour désigner l'informatique instantanée qui se produit à peu près aussi rapidement qu'un être humain peut le percevoir.
L’informatique de pointe permet par exemple la 5G grâce aux opportunités générées par les données en temps réel.
Communiquer en temps réel c'est possible
Les données en temps réel peuvent être utiles partout dans les agglomérations, du déploiement de ressources d'urgence dans un accident de la route au rétablissement d’une circulation plus fluide lors d'une manifestation publique. Les données en temps réel peuvent également offrir un meilleur service aux consommateurs, en leur permettant de recevoir les offres les plus pertinentes à des moments précis, en fonction du lieu et de leurs préférences.
9 - Data génomiques
Les données génomiques consistent à analyser l'ADN des patients pour identifier de nouveaux médicaments et améliorer les soins grâce à des traitements personnalisés.
Les données impliquées dans la génomique sont énormes : d’ici à 2020, les données génomiques pourraient être bien supérieures aux données produites par Twitter et YouTube. Le premier génome a pris plus de dix ans à se construire. Aujourd'hui, le génome d'un patient peut être séquencé en quelques jours. Mais la génération de données ne suffit pas : il faut pouvoir transformer les données en informations. Les outils utilisés par les chercheurs ne peuvent pas gérer les volumes massifs de données génomiques.
Le traitement des données est un travail qui ne peut pas être géré par les chercheurs seuls car les volumes de données génomiques sont massifs.
Les données doivent donc être associées à d’autres données provenant de centaines de milliers de patients pour générer des connaissances.
10 - Data opérationnelles
Les entreprises disposent d’une multitude de données : journaux et métriques d’application, données sur les événements ou des informations provenant de microservices. Si elles souhaitent transformer ces données en informations métier que les décideurs et les équipes techniques et non techniques peuvent utiliser, elles font de la data opérationnelle.
Grâce à ces analyses opérationnelles, les données des systèmes informatiques deviennent des ressources utilisées pour la prise de décision.
De nouveaux services orientés client peuvent même être développés sur l’analyse de ces données opérationnelles, encore faut-il savoir lesquelles seront les plus pertinentes.
11 - High-dimensional data
La complexité pour la technologie d'analyser nos expressions
Les données de grande dimension ont été popularisé grâce aux technologies de reconnaissance faciale. En raison de la complexité des contours d’un visage humain, nous avons besoin de nouvelles expressions de données pour pouvoir traiter des calculs capables de décrire toutes les nuances et les individualités existant dans les physionomies faciales.
12 - Data périmées non vérifiées
Ce sont des données qui ont été collectées, mais personne n'a aucune idée de leur pertinence, de leur exactitude ou même de leur type. Elles sont donc non vérifiées et sont devenues obsolètes.
13 – Data translytiques
Un amalgame de «transactions» et «analyses», les données translytiques permettent un traitement en temps réel et sur demande d’anciennes données avec de nouvelles mesures qui n'étaient pas disponibles auparavant.
Avec la disponibilité des technologies en mémoire aujourd’hui, les entreprises peuvent désormais effectuer des analyses qui augmentent leur valeur (ciblage intelligent, recommandations ciblées ou détection instantanée des fraudes).
Les données Translytiques nécessitent une architecture technologique simplifiée et des systèmes de base de données analytiques transactionnels hybrides, rendus possibles par les technologies en-mémoire. Les données n’ont donc pas besoin d’être transférées grâce au système unique de traitement.
Cette liste loin d’être exhaustive, pourra régulièrement être alimentée, tellement la nature des technologies de l’information et de la prolifération des données évolue vite.
Déposer un commentaire