Comment l’analytique en temps réel vous permet de valoriser vos données plus rapidement

Découvrez comment l’analytique en temps réel s’intègre dans votre stratégie de données, explorez des cas d’utilisation et comprenez les technologies qui l’alimentent.

Ce que vous devriez savoir sur l’analytique en temps réel :

  • L’analytique en temps réel transforme les données en informations immédiatement après leur collecte, ce qui vous permet d’agir sur le moment.

  • L’analytique en streaming en temps réel traite les données pendant leur transit, fournissant ainsi un flux constant d’informations avant qu'elles ne soient stockées.

  • Les entreprises choisissent une variété de stratégies analytiques en fonction de leurs besoins. L’analytique prédictive, prescriptive et cognitive s'appuie sur l’analytique en temps réel.

  • Les processeurs évolutifs et la technologie en mémoire posent les bases pour prendre en charge une solide stratégie d’analytique en temps réel.

author-image

Par

Les organisations recueillent plus de données, plus rapidement que jamais. Et avec le nombre d'appareils IoT connectés qui devrait atteindre 24,1 milliards d'ici 20301, il n'y a aucun signe de ralentissement. Pourtant, de nombreuses entreprises s'efforcent de transformer ces piles de données en informations qu’elles peuvent utiliser pour développer leurs activités.

C’est là que l’analytique en temps réel peut aider. Dans cet article, vous découvrirez comment les organisations utilisent l’analytique en temps réel, comment l'intégrer dans votre stratégie de données et l’infrastructure nécessaire pour la mettre en œuvre avec succès dans votre entreprise.

Qu'est-ce que l'analytique en temps réel ?

L’analytique en temps réel transforme les données en informations immédiatement après leur collecte. Ces types d’informations sont utilisés lorsque le temps est compté. Autrement connu sous le nom d'intelligence opérationnelle, l’analytique en temps réel peut prévoir quand un appareil est sur le point de tomber en panne, avertissant votre équipe d'opérations avant que cela ne se produise. Incitez les détaillants à envoyer des promotions mobiles aux clients lorsqu’ils se trouvent à proximité d'un magasin. Ou détectez la fraude par carte bancaire avant qu’une transaction ne soit effectuée.

Afin de mieux comprendre le fonctionnement de l’analytique en temps réel, comparons-le à l’analytique traditionnelle ou au traitement par lots. Avec l’approche traditionnelle, des ensembles limités de données historiques sont stockés et indexés. Lorsque les utilisateurs professionnels ont besoin d’informations, ils interrogent le système. Le traitement par lots est généralement utilisé pour des tâches de routine comme la génération de rapports mensuels sur les ventes ou la gestion des salaires.

Bien que la génération de rapports par lots soit appropriée pour les tâches qui ne sont pas sensibles au temps, d'autres exigent des informations immédiates, telles que la surveillance de la sécurité des patients ou la détection des fraudes. C’est là qu'intervient l’analytique en temps réel.

Analytique de données en temps réel vs analytique en streaming

Il existe différents types d’analytique en temps réel, notamment l'analytique à la demande, en continu ou en streaming. Gartner précise leur lien avec la définition suivante : « L'analytique en temps réel à la demande attend que les utilisateurs ou les systèmes demandent une requête et fournit ensuite les résultats analytiques. L'analytique en temps réel continue est plus proactive et alerte les utilisateurs ou déclenche des réponses à mesure que les événements se produisent »2.

Alors que l'informatique de périphérie et l'Internet des objets (IoT) envoient davantage de données aux entreprises à des vitesses plus élevées, la nécessité de traiter ces données lorsqu'elles sont en mouvement (avant qu'elles ne soient stockées) a augmenté la demande d'analytique en streaming. En outre, de plus en plus d'entreprises s'appuient sur l'analytique en streaming pour fournir une analytique commerciale en temps réel qui leur permet de prendre des décisions en une fraction de seconde et d'acquérir un avantage concurrentiel.

91 % des DSI affirment que l'analytique en streaming peut les aider à augmenter leurs résultats3.

Cas d'utilisation de l'analytique en temps réel

Des détaillants et des fabricants aux sociétés de services financiers et aux organisations de santé, les entreprises ont du mal à suivre le rythme rapide des données. La valeur de ces données pouvant s'évaporer en quelques jours, heures, minutes ou même secondes, le traitement en temps quasi réel est essentiel pour obtenir les informations commerciales les plus précieuses.

Par exemple, les données IoT qui dirigent un camion sans conducteur perdent de leur valeur (et deviennent même dangereuses) si elles sont obsolètes. De même, les données indiquant l'usure d'une machine dans une chaîne de production deviennent inutiles dès lors que la machine tombe en panne.

L'analytique en temps réel résout de nombreuses problématiques organisationnelles. Les commerçants en ligne fusionnent les données concernant les transactions et l'activité en ligne d'un client pour déterminer l'offre qui lui correspond le mieux. Les banques analysent les comportements pour identifier les activités frauduleuses ou détecter les signes indiquant qu'un client en contact avec l'un de leurs services est prêt pour l'argumentaire d'un autre service. La tarification dynamique, la gestion des risques, l'optimisation des centres d'appels et la sécurité ne sont que quelques-uns des processus que l'analytique en temps réel peut optimiser.

Même les équipes sportives utilisent l'analytique en streaming pour mieux gérer la billetterie, les concessions, les ventes au détail et les performances sur le terrain. Par exemple, si une entrée devient trop encombrée, l'organisation peut immédiatement envoyer plus de personnel de billetterie et de sécurité à cet endroit. Cela permet de réduire les temps d'attente et d'assurer la sécurité de la foule.

Dans ces cas, les données en temps quasi réel permettent aux entreprises de proposer des services et des produits à valeur ajoutée au moment où le client en a besoin, et de se protéger contre les conséquences négatives avant qu'elles deviennent dévastatrices.

Comment l'analytique en temps réel s'intègre-t-elle dans une stratégie analytique globale ?

L'analytique est un spectre. La plupart des entreprises adoptent différentes approches analytiques en fonction des types de données, des charges de travail et du type de problèmes métiers qu'elles essaient de résoudre. L'analytique couvre désormais cinq catégories :

  • L'analytique descriptive permet d'identifier ce qui s'est produit dans le passé.
  • L'analytique diagnostique fournit des informations sur les raisons pour lesquelles ces événements se sont produits.
  • L'analytique prédictive utilise les données historiques et actuelles pour fournir des informations sur ce qu'il pourrait se produire à l'avenir.
  • L'analytique prescriptive suggère des actions qu'une organisation pourrait entreprendre sur la base de ces prédictions.
  • L'analytique cognitive automatise ou augmente les décisions humaines.

Ces cinq catégories se complètent progressivement, faisant évoluer l'entreprise pour qu'elle puisse fournir des services à la demande et prendre des décisions plus éclairées, plus rapidement.

L'analytique prédictive constitue le point de départ de « l'analytique avancée », où la prise de décision repose sur des informations en temps réel. Par conséquent, l'analytique prédictive, prescriptive et cognitive est un cas d'utilisation qui bénéficie de la capacité de l'analytique des données en temps réel.

Quel que soit le type d'analytique utilisé par les entreprises, elles doivent adopter une stratégie de données complète reposant sur une architecture analytique en temps réel qui décompose à la fois les données et les silos organisationnels. Le dénominateur commun est la capacité de capturer, stocker, analyser et sécuriser les données pour diffuser les informations rapidement dans l'entreprise et accélérer la prise de décisions métiers.

Besoins d'infrastructure pour l'analytique en temps réel

La pile d'une solution analytique comporte quatre couches : infrastructure, données, analytique et application. Les technologies Intel® couvrent tous les éléments importants de l'infrastructure d'une entreprise (réseau, stockage et calcul) pour permettre la gestion efficace et l'exploitation rapide des données en vue d'obtenir un avantage concurrentiel. Avec une architecture cohérente, par exemple une architecture basée sur les processeurs Intel® Xeon® Scalable, l'entreprise dispose d'un chemin prévisible pour faire rapidement évoluer des projets d'analytique sans avoir à prendre en charge plusieurs architectures.

Les solutions de mégadonnées traditionnelles, centrées sur les entrepôts de données, ne conviennent pas à la plupart des traitements de données en temps réel. Les fournisseurs de Cloud sont de plus en plus nombreux à proposer des solutions PaaS (Platform-as-a-Service, Plateforme en tant que service) et SaaS (Software-as-a-Service, Logiciel en tant que service) pouvant être exploitées par l'analytique en temps réel. Les solutions réparties dans des Cloud permettent aux entreprises d'exécuter des charges de travail partout où elles le souhaitent, en fonction du volume, de la variété et de la vitesse des informations.

Les entreprises générant de grandes quantités de données dans le Cloud, elles doivent déterminer celles à récupérer pour prendre des décisions avisées. Les données en temps réel doivent être traitées à la « périphérie », l'analyse des données étant effectuée au niveau du point de collecte ou à proximité. Cependant, l'analytique en temps réel dans le datacenter requiert un accès rapide à des volumes de données en croissance constante et l'analyse de ces données. Cela signifie qu'il est essentiel d'optimiser chaque niveau de votre infrastructure, du processeur aux sous-systèmes de mémoire et de stockage.

Les technologies de mémoire persistante conservent davantage de données à proximité du processeur. Comme les données restent en mémoire même en cas de coupure de courant, les latences causées par les goulots d'étranglement des E/S sont éliminées, les données peuvent être récupérées dans des SSD plus lents et les redémarrages sont accélérés.

L'analytique en temps réel exige de collecter des données partout, dans tous les formats, et de les convertir dans le bon format d'enregistrement pour pouvoir les traiter globalement. Pour améliorer les processus commerciaux et la prise de décision, l'entreprise doit comprendre où les données sont créées et comment elles seront utilisées.

Quels sont les acteurs clés de l'analytique en temps réel ?

En tant que partenaire technologique dans le domaine de l'analytique, Intel offre la liberté de choisir parmi les principales solutions logicielles analytiques du marché, open source ou propriétaires.

La base de données unique SAP HANA réunit une base de données, un traitement avancé des données, des services d'applications et des services flexibles d'intégration des données. HANA tire parti d'un logiciel de base de données en mémoire, qui interroge les données lorsqu'elles résident dans la mémoire du système (aujourd'hui appelée RAM) au lieu d'interroger les données stockées sur des disques physiques.

Ainsi, les clients peuvent traiter les données de nombreuses autres manières, beaucoup plus rapidement et créer une série de scénarios hypothétiques pour exploiter des opportunités ou éviter des problèmes. D'autres fournisseurs de technologies traditionnelles, comme IBM et Oracle, ont également activé les opérations en temps réel dans leur plateforme.

Les solutions open source, centrées sur le code de base Apache Spark, appliquent l'analytique en temps réel aux données non structurées comme les réseaux sociaux, les images et les vidéos. Spark utilise l'analytique en mémoire déployée sur de nombreux systèmes pour traiter de grandes quantités de données en parallèle.

Bon nombre de ces solutions peuvent être proposées dans le Cloud, ce qui permet d'exécuter l'analytique partout où les données (réseaux sociaux et Io) sont générées. Ainsi, les entreprises peuvent interroger les données transactionnelles et en ligne pour identifier des schémas et des tendances en temps réel, et évoluer aussi rapidement que leurs clients et le reste du monde.

De nouvelles solutions et fournisseurs entrent constamment sur le marché. Il en résulte un écosystème complet de solutions prêtes à profiter des capacités de calcul, de réseau et de stockage fournies par Intel pour accroître l'agilité des processus analytiques et décisionnels des entreprises.

Technologie d'analytique en temps réel Intel®

Des processeurs évolutifs à la technologie en mémoire, Intel fournit des solutions qui accélèrent les performances des applications à forte intensité de calcul qui alimentent l'analytique en temps réel et la prise de décision rapide.

Processeurs Intel® Xeon® Scalable

Les processeurs Intel® Xeon® Scalable offrent des performances à haut débit pour l'analytique en temps réel, l'IA et d'autres charges de travail nécessitant l'utilisation de données.

Technologie Intel® Optane™

La technologie Intel® Optane™ comprend le support de mémoire Intel® 3D XPoint™, les contrôleurs de mémoire et de stockage Intel®, l'IP d'interconnexion Intel® et les logiciels Intel®. Ils collaborent pour fournir des systèmes accélérés à latence réduite pour les charges de travail analytiques qui nécessitent une grande capacité et un stockage rapide4.

Technologie Intel® Memory Drive

L'Intel® Memory Drive Technology élargit la mémoire système pour des informations analytiques plus rapides. Cette technologie intègre de manière transparente l'unité de stockage SSD Intel® Optane™ dans le sous-système de mémoire, augmentant ainsi la capacité au-delà des limites de la DRAM.

Informations en temps réel pour une valeur en temps réel

L'analytique en streaming en temps réel peut vous aider à obtenir plus de valeur de vos données, et cela plus rapidement. De l'amélioration de la modélisation des inventaires à l'élimination des menaces pour la sécurité des réseaux, les entreprises de tous les secteurs mettent en place l'infrastructure nécessaire pour établir des prévisions plus précises et prendre des décisions plus sûres.