Webinaire Datastax
This browser does not support the video element.
Au programme de ce webinaire :
- A quoi ça sert?
Les besoins de modélisation multi-données ne cessent de croître.
Et, la modélisation graphe constitue une excellente méthode pour évaluer, révéler et analyser des relations entre des données jusqu’ici méconnues. Au lieu d’examiner et d’analyser des données sous la forme d’éléments distincts et indépendants, un graphe permet de mettre en évidence la fréquence, la force et l’orientation des relations entre ces données.
Il existe toute une série de cas où le recours à une base de données graphe est mieux adaptée que d’autres systèmes de gestion de bases de données. Parmi ceux-ci on peut citer, la vue unique d’un client ou produit (Customer 360), la détection des fraudes et les moteurs de recommandation.
« A l’avenir, les architectures et les déploiements de SGBD seront multi-modèles, considère le Gartner. Les principaux SGBD opérationnels proposeront des modèles de données multiples, relationnels et NoSQL, au sein d’une plateforme unique ».
- Notre proposition
Avec Datastax, nous répondons aux besoins de modélisation multi-données avec DSE, qui comporte des capacités multi-modèles intégrées et apporte le support des modèles clé-valeur, tabulaire, JSON/document et les données graphes.
Inspirée de Titan, DataStax Enterprise Graph a été construite sur le framework Apache TinkerPop. Ce type de base est conçu pour prendre en charge les données ayant de nombreuses relations entre elles, ces liens se multipliant au fur et à mesure de l’alimentation de la base, typiquement une application de réseau social. Facebook utilise par exemple Social Graph pour visualiser les connexions entre ses utilisateurs. Parmi les cas d’applications les plus classiques de la base orienté graphe figure ainsi les recommandations de produits faites à des clients en fonction de ce qu’ont déjà aimé d’autres personnes qui leur sont liées, ainsi que le font les sites de e-commerce. En permettant d’analyser et de mettre en évidence les relations qui existent entre des données que l’on ne connaît pas, ces bases orientées graphe sont également mises à profit pour identifier des comportements inhabituels dans les applications réseaux, liées à l’Internet des objets ou pour la détection de fraude.
- Cas pratique / Démo
- A quoi ça sert?
Les besoins de modélisation multi-données ne cessent de croître.
Et, la modélisation graphe constitue une excellente méthode pour évaluer, révéler et analyser des relations entre des données jusqu’ici méconnues. Au lieu d’examiner et d’analyser des données sous la forme d’éléments distincts et indépendants, un graphe permet de mettre en évidence la fréquence, la force et l’orientation des relations entre ces données.
Il existe toute une série de cas où le recours à une base de données graphe est mieux adaptée que d’autres systèmes de gestion de bases de données. Parmi ceux-ci on peut citer, la vue unique d’un client ou produit (Customer 360), la détection des fraudes et les moteurs de recommandation.
« A l’avenir, les architectures et les déploiements de SGBD seront multi-modèles, considère le Gartner. Les principaux SGBD opérationnels proposeront des modèles de données multiples, relationnels et NoSQL, au sein d’une plateforme unique ».
- Notre proposition
Avec Datastax, nous répondons aux besoins de modélisation multi-données avec DSE, qui comporte des capacités multi-modèles intégrées et apporte le support des modèles clé-valeur, tabulaire, JSON/document et les données graphes.
Inspirée de Titan, DataStax Enterprise Graph a été construite sur le framework Apache TinkerPop. Ce type de base est conçu pour prendre en charge les données ayant de nombreuses relations entre elles, ces liens se multipliant au fur et à mesure de l’alimentation de la base, typiquement une application de réseau social. Facebook utilise par exemple Social Graph pour visualiser les connexions entre ses utilisateurs. Parmi les cas d’applications les plus classiques de la base orienté graphe figure ainsi les recommandations de produits faites à des clients en fonction de ce qu’ont déjà aimé d’autres personnes qui leur sont liées, ainsi que le font les sites de e-commerce. En permettant d’analyser et de mettre en évidence les relations qui existent entre des données que l’on ne connaît pas, ces bases orientées graphe sont également mises à profit pour identifier des comportements inhabituels dans les applications réseaux, liées à l’Internet des objets ou pour la détection de fraude.
- Cas pratique / Démo
Intervenant pour Datastax : Julien Michel, Solution Engineer, Datastax
Julien Michel, Datastax
Je travaille dans le domaine de l’IT depuis près de 13 ans, en commençant par le développement web pour ensuite migrer vers le conseil chez de grands éditeurs logiciels tel que BEA Systems ou Oracle. J’ai rejoint DataStax en 2016 en tant qu’avant-vente afin de gérer le territoire de l’europe de l’ouest, avant cela j’ai pu exercer des rôles similaires chez différents éditeurs de logiciels en passant du monde des réseaux sociaux d’entreprise à celui des plateformes d’expérience client puis finalement aux bases de données NoSQL.
Webinaire animé par Philippe NIEUWBOURG, créateur de Decideo
Philippe Nieuwbourg, Decideo
Je suis analyste indépendant, journaliste et auteur. j'ai plus de 20 ans d'expérience dans les domaines de l'informatique décisionnelle et de l'analyse de données. Je me partage entre Montréal (Canada) et Paris (France), et chaque jour, j'écris et j'analyse les tendances, les actualités de l'intelligence d'affaires, pour les lecteurs de la communauté Decideo. Je suis membre du BBBT (Boulder BI Brain Trust), un groupe informel d'analystes indépendants créé à l'initiative de Claudia Imhoff. Je suis chargé de cours à l'ISAE-Supaero de Toulouse, et au Collège de Bois de Boulogne de Montréal.
J'ai été parmi les premiers à mettre en lumière la valeur créée par la combinaison de la visualisation de données (datavis) et de la mise en récit (storytelling), au travers d'une nouvelle approche, la mise en récit des données (data storytelling).
J'ai été parmi les premiers à mettre en lumière la valeur créée par la combinaison de la visualisation de données (datavis) et de la mise en récit (storytelling), au travers d'une nouvelle approche, la mise en récit des données (data storytelling).