Présentation
En anglaisRÉSUMÉ
Cet article débute par les différentes étapes du déploiement des SI en entreprise: automatisation puis reconception, autour du mot «organisation», des process et opérations et enfin intégration de progiciels. Il fait ensuite le point sur les difficultés que connaissent les projets Big Data et conclut sur les éléments de méthode qui permettent de les lever.
Lire cet article issu d'une ressource documentaire complète, actualisée et validée par des comités scientifiques.
Lire l’articleABSTRACT
This article begins with the different stages in the deployment of IS in a company: automation and redesign of processes and operations (the operative word being 'organization'), and finally integration of software packages. It then summarizes the difficulties facing big data projects, and concludes with some ways to overcome them.
Auteur(s)
-
Pierre DELORT : DSI & Président de l’Association Nationale des Directeurs des Systèmes d’Information (ANDSI), Consultant - Professeur Invité Telecom ParisTech, France
INTRODUCTION
L’Informatique d’entreprise a connu plusieurs évolutions depuis un demi-siècle. Dévolue initialement à l’automatisation de quelques tâches (les trois premières furent la gestion des stocks, de la paie et de la comptabilité), elle a intégré dans certaines firmes, peut-être depuis le début des années 1990, autour du terme « organisation », une refonte des process et des opérations. Une quinzaine d’années plus tard, la prévalence des progiciels, qui proposent tout autant des outils que des process, a rendu les Directions des Systèmes d’Information beaucoup moins actives sur ce sujet, ainsi que sur l’innovation en résultant.
Maintenant d’autres types de projet que ceux d’automatisation (transfert de coûts de personnes vers technologies) sont présents, et pour ceux de transformation ou d’information, le Big Data constitue un relais de valeur qu’apportent les DSI. Relativement à la construction de SI partant de modèles du monde (modèles de traitement, de données…), l’approche Big Data utilise les mathématiques pour trouver des modèles dans les données, modèles qui, sous condition, font prendre de l’avance sur le présent, parfois sur le futur pour y améliorer décisions et opérations.
Nous constatons que si trouver des modèles, par exemple de Machine Learning, plus performants que l’existant (mix de vision, expériences et… modèles) est relativement facile, l’insertion de ces modèles dans les bons mécanismes de décision pour amélioration de performances est moins aisée. Faisant suite à ce constat, nous présentons une démarche générale et des méthodes spécifiques visant à inscrire les projets Big Data dans des objectifs d’amélioration de performances.
KEYWORDS
big data | information system | performance improvement
DOI (Digital Object Identifier)
CET ARTICLE SE TROUVE ÉGALEMENT DANS :
Accueil > Ressources documentaires > Génie industriel > Industrie du futur > Industrie du futur : outils numériques > Systèmes d’Information (SI) d’Entreprise et conduite des projets Big Data > Conclusion
Accueil > Ressources documentaires > Technologies de l'information > Documents numériques Gestion de contenu > Gestion de contenus numériques > Systèmes d’Information (SI) d’Entreprise et conduite des projets Big Data > Conclusion
Accueil > Ressources documentaires > Technologies de l'information > Technologies logicielles Architectures des systèmes > Big Data > Systèmes d’Information (SI) d’Entreprise et conduite des projets Big Data > Conclusion
Cet article fait partie de l’offre
Industrie du futur
(104 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Présentation
4. Conclusion
Aujourd’hui, les DSI découvrent avec les fournisseurs de consulting, de service ou de technologies, un apport nouveau aux performances de leur entreprise par l’utilisation de modèles plus performants issus des données.
Trouver ces modèles demande, comme nous l’avons vu, des démarches outillées par des méthodes, en premier lieu pour identifier les domaines favorables, et ensuite pour découvrir dans les données massives des modèles performants.
Maintenant, si des modèles performants sont relativement faciles à trouver, la difficulté réside en leur insertion dans les bons mécanismes de décision ou opération pour des améliorations de performances (au premier ordre, s’articulant autour des Coûts, de la Qualité, de la Flexibilité, des Délais ou des Services).
Nous constatons que, plus tôt dans la démarche générale sont pris en compte ces objectifs, meilleure sera cette insertion et donc les résultats, ceci allant de pair avec des changements multiples placés au cœur de la Transformation Numérique des entreprises : changements Technologiques (Applications/Outils/Composants), Organisationnels (Structures/Process/Opérations), RH (Management/Postes/Compétences) et Business (Modèle/Offre/Produits).
TEST DE VALIDATION ET CERTIFICATION CerT.I. :
Cet article vous permet de préparer une certification CerT.I.
Le test de validation des connaissances pour obtenir cette certification de Techniques de l’Ingénieur est disponible dans le module CerT.I.
de Techniques de l’Ingénieur ! Acheter le module
Cet article fait partie de l’offre
Industrie du futur
(104 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Conclusion
BIBLIOGRAPHIE
-
(1) - DELORT (P.) - Information contre Institution. - Mines ParisTech (1997).
-
(2) - SULLIVAN (J.) - Don’t Look Now, But Google Is a Big Talent Competitor to Your Company. - http://www.tlnt.com (27 février 2013).
-
(3) - GARVIN (D.) - How Google Sold Its Engineers on Management. - Harvard Business Review (Dec 2013).
-
(4) - SATELL (G.) - * - . – Forbes (2013).
-
(5) - SCHMARZO (W.) - Fostering a data-driven culture. - Economist Intelligence Unit (2013).
-
(6) - CARR (N.) - It doesn't matter. - Harvard Business Review (2003).
-
...
ANNEXES
Big Data Paris, a lieu tous les ans à Paris
HAUT DE PAGE
Matrice volume x densité déposée sous enveloppe SOLEAU 517545, 2014.
HAUT DE PAGECet article fait partie de l’offre
Industrie du futur
(104 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
QUIZ ET TEST DE VALIDATION PRÉSENTS DANS CET ARTICLE
1/ Quiz d'entraînement
Entraînez vous autant que vous le voulez avec les quiz d'entraînement.
2/ Test de validation
Lorsque vous êtes prêt, vous passez le test de validation. Vous avez deux passages possibles dans un laps de temps de 30 jours.
Entre les deux essais, vous pouvez consulter l’article et réutiliser les quiz d'entraînement pour progresser. L’attestation vous est délivrée pour un score minimum de 70 %.
Cet article fait partie de l’offre
Industrie du futur
(104 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive