Teradata (NYSE : TDC), le spécialiste de l'analyse big data et des applications marketing, lance aujourd'hui Teradata® Aster® Connector for Spark, la première solution d'intégration des fonctions analytiques d'Apache Spark et de Teradata Aster. Ce connecteur permet l'exécution à partir d'Aster Analytics des fonctions analytiques prédéfinies des deux solutions, afin de former un environnement d'analyse perfectionné et vraiment polyvalent. Pratiquement tout utilisateur d'Aster Analytics est désormais en mesure d'effectuer des analyses avancées sur Spark sans devoir apprendre ou connaître Scala.
Teradata Aster Connector for Spark démocratise les big data par le biais de solutions analytiques en libre-service, centrées sur l'entreprise. L'utilisation simplifiée permet aux entreprises d'identifier plus rapidement les perspectives de revenus et d'optimiser leurs performances commerciales. Teradata Aster Connector for Spark offre notamment aux utilisateurs de nombreux choix et avantages :
1) Les clients peuvent désormais utiliser des techniques issues à la fois d'Aster Analytics et de Spark (par exemple le filtrage par modèle (Pattern) avec Teradata Aster nPath® et l'analyse de réseaux neuronaux deep learning (apprentissage profond) avec Spark, et sélectionner la technique de mise en œuvre offrant les enseignements les plus intéressants après évaluation.
2) Les clients peuvent associer plusieurs fonctions au sein d'un flux de travail unique pouvant être exécuté dans Aster Analytics. Une fonction d'analyse de texte d'Aster Analytics peut par exemple être suivie d'un algorithme d'apprentissage automatique Spark pour contribuer au développement d'un modèle de données explicatif. Cette séquence peut ensuite être répétée pour d'autres types de fonctions.
3) Les clients peuvent exécuter un algorithme de clustering dans Aster Analytics et un processus similaire dans Spark, puis comparer les résultats pour déterminer quelle approche ils préfèrent.
« Les performances de traitement en mémoire et les fonctionnalités analytiques de Spark présentent un intérêt considérable, mais le nombre de professionnels des données ayant des compétences et de l'expérience avec Spark demeure restreint en comparaison à ceux qui s'y connaissent en SQL », explique Doug Henschen, vice-président et analyste principal de Constellation Research. « Les clients recherchent un ensemble de fonctionnalités analytiques présentées sous forme d'expressions SQL et de type SQL. De plus, ils veulent un traitement in-memory performant et des fonctionnalités analytiques, tout en affranchissant les utilisateurs d'aspects complexes et non familiers comme l'interface et le codage Spark. »
Raghu Chakravarthi, vice-président de Teradata Aster Engineering, revient sur la valeur des cas d'usage rendus possibles par Teradata Aster Connector for Spark.
« La force de Teradata Aster Connector for Spark est son adéquation aux cas d'usage les plus variés et ce dans quasiment tous les secteurs d'activité », explique -t-il. « Aster peut par exemple faire office de référentiel pour les données client et les données financières. Une fois ces dernières pré-traitées par Aster, l'apprentissage automatique de Spark peut être employé pour établir automatiquement la cote de solvabilité de chaque client. Cette information peut à son tour être exploitée par les analystes en guise de variable dans le cadre d'un modèle prédictif, capable d'évaluer par exemple la probabilité pour qu'un client achète une nouvelle voiture dans les douze mois à venir. »
Autre champ d'application pour Teradata Aster Connector for Spark : l'Internet des objets, où des volumes considérables de données issues de capteurs sont absorbées et pré-traitées à l'aide d'Aster Analytics. Ces données peuvent être transmises à Spark en vue d'être analysées avec les techniques de deep learning. Les données des capteurs domotiques et des thermostats peuvent être combinées avec d'autres informations, telles que la géolocalisation, les données démographiques et les conditions météorologiques, afin de déterminer des habitudes d'utilisation, permettant de prévoir l'utilisation et l'usure des équipements, ainsi que de mettre en service proactivement des appareils ménagers en fonction des changements des conditions ambiantes.
Raghu Chakravarthi cite également des exemples dans le secteur de la distribution, où les informations relatives aux transactions client pouvaient être transmises à un algorithme de clustering tel que k-moyennes pour créer des groupes de produits, et combinées avec des données issues des commentaires client ou des évaluations de produit pour générer de nouvelles perspectives. Il ajoute que les institutions financières pourraient exploiter les informations liées aux interactions pour comprendre la combinaison précise de facteurs susceptible d'entraîner la perte de clients. Utiliser Spark pour absorber les données analysées et transformées par Aster Analytics permet de mener des analyses supplémentaires visant à identifier les facteurs de perte de clients.
Teradata Aster Connector for Spark sera disponible dans le monde entier au quatrième trimestre 2016.
Teradata Aster Connector for Spark démocratise les big data par le biais de solutions analytiques en libre-service, centrées sur l'entreprise. L'utilisation simplifiée permet aux entreprises d'identifier plus rapidement les perspectives de revenus et d'optimiser leurs performances commerciales. Teradata Aster Connector for Spark offre notamment aux utilisateurs de nombreux choix et avantages :
1) Les clients peuvent désormais utiliser des techniques issues à la fois d'Aster Analytics et de Spark (par exemple le filtrage par modèle (Pattern) avec Teradata Aster nPath® et l'analyse de réseaux neuronaux deep learning (apprentissage profond) avec Spark, et sélectionner la technique de mise en œuvre offrant les enseignements les plus intéressants après évaluation.
2) Les clients peuvent associer plusieurs fonctions au sein d'un flux de travail unique pouvant être exécuté dans Aster Analytics. Une fonction d'analyse de texte d'Aster Analytics peut par exemple être suivie d'un algorithme d'apprentissage automatique Spark pour contribuer au développement d'un modèle de données explicatif. Cette séquence peut ensuite être répétée pour d'autres types de fonctions.
3) Les clients peuvent exécuter un algorithme de clustering dans Aster Analytics et un processus similaire dans Spark, puis comparer les résultats pour déterminer quelle approche ils préfèrent.
« Les performances de traitement en mémoire et les fonctionnalités analytiques de Spark présentent un intérêt considérable, mais le nombre de professionnels des données ayant des compétences et de l'expérience avec Spark demeure restreint en comparaison à ceux qui s'y connaissent en SQL », explique Doug Henschen, vice-président et analyste principal de Constellation Research. « Les clients recherchent un ensemble de fonctionnalités analytiques présentées sous forme d'expressions SQL et de type SQL. De plus, ils veulent un traitement in-memory performant et des fonctionnalités analytiques, tout en affranchissant les utilisateurs d'aspects complexes et non familiers comme l'interface et le codage Spark. »
Raghu Chakravarthi, vice-président de Teradata Aster Engineering, revient sur la valeur des cas d'usage rendus possibles par Teradata Aster Connector for Spark.
« La force de Teradata Aster Connector for Spark est son adéquation aux cas d'usage les plus variés et ce dans quasiment tous les secteurs d'activité », explique -t-il. « Aster peut par exemple faire office de référentiel pour les données client et les données financières. Une fois ces dernières pré-traitées par Aster, l'apprentissage automatique de Spark peut être employé pour établir automatiquement la cote de solvabilité de chaque client. Cette information peut à son tour être exploitée par les analystes en guise de variable dans le cadre d'un modèle prédictif, capable d'évaluer par exemple la probabilité pour qu'un client achète une nouvelle voiture dans les douze mois à venir. »
Autre champ d'application pour Teradata Aster Connector for Spark : l'Internet des objets, où des volumes considérables de données issues de capteurs sont absorbées et pré-traitées à l'aide d'Aster Analytics. Ces données peuvent être transmises à Spark en vue d'être analysées avec les techniques de deep learning. Les données des capteurs domotiques et des thermostats peuvent être combinées avec d'autres informations, telles que la géolocalisation, les données démographiques et les conditions météorologiques, afin de déterminer des habitudes d'utilisation, permettant de prévoir l'utilisation et l'usure des équipements, ainsi que de mettre en service proactivement des appareils ménagers en fonction des changements des conditions ambiantes.
Raghu Chakravarthi cite également des exemples dans le secteur de la distribution, où les informations relatives aux transactions client pouvaient être transmises à un algorithme de clustering tel que k-moyennes pour créer des groupes de produits, et combinées avec des données issues des commentaires client ou des évaluations de produit pour générer de nouvelles perspectives. Il ajoute que les institutions financières pourraient exploiter les informations liées aux interactions pour comprendre la combinaison précise de facteurs susceptible d'entraîner la perte de clients. Utiliser Spark pour absorber les données analysées et transformées par Aster Analytics permet de mener des analyses supplémentaires visant à identifier les facteurs de perte de clients.
Teradata Aster Connector for Spark sera disponible dans le monde entier au quatrième trimestre 2016.