Instagram

Instagram did not return any images.

Lettre d’information

Logo NOVASECUR

RSS Flux RSS de l’IFACI

Calendrier

novembre 2018
L M M J V S D
« Oct    
 1234
567891011
12131415161718
19202122232425
2627282930  

Data Analytics

Détails du projet

MyNovasecur Data Analytics

Catégorie :

Description du projet

Le Data Analytics, abrégé par DA, science consistant à examiner des données brutes et potentiellement hétérogènes, structurées ou non, dans le but de tirer des conclusions à partir de l’aggrégation de l’ensemble de ces informations, est aujourd’hui au cœur des préoccupations des entreprises. Utilisé dans de nombreuses industries optimiser les processus décisionnels dans l’entreprise, vérifier des théories ou réfuter des modèles existants.

Le Data Analytics se distingue du Data Mining par le prisme, l’objectif et la focalisation des analyses. Les Data Miners trient de vastes ensembles de données pour identifier des modèles non découvertes et établir des relations cachées. Le Data Analytics se concentre sur l’inférence et sur le procédé permettant de tirer une conclusion basée uniquement sur ce qui est déjà connu par le chercheur.

Cette science est généralement divisée en deux catégories. L’Exploratory Data Analysis (analyse de donnée exploratoire), abrégée par EDA, permet de découvrir de nouveaux éléments dans les données. La Confirmatory Data Analysis (analyse de données confirmatoire), abrégée par CDA, permet de prouver si des hypothèses existantes sont vraies ou fausses. Par ailleurs, la Qualitative Data Analysis (analyse de données qualitative), abrégée par QDA, est utilisée dans les sciences sociales pour tirer des conclusions de données non numériques telles que les mots, les photographies ou la vidéo.

Dans les technologies informatiques, le terme a une signification particulière. Il est employé dans le contexte des audits informatiques, lorsque les systèmes informatiques, les opérations et les processus d’une organisation sont examinés. L’analyse de données est alors utilisée pour déterminer si les systèmes en place protègent efficacement les données, opèrent efficacement et parvient à accomplir les objectifs fixés par l’entreprise.

Le terme « Data Analytics » a été utilisé par de nombreux vendeurs de logiciels de Business Intelligence (BI) comme un buzzword pour décrire plusieurs fonctions différentes. L’expression Data Analytics est aussi bien utilisée pour décrire un Online Analytical Processing (OLAP) qu’un CRM analytique dans les Call Centers.

Les banques et les entreprises de cartes de crédit, par exemple, analysent les transactions et les dépenses pour empêcher les fraudes et les usurpations d’identité. Les sociétés de Ecommerce analysent le trafic d’un site web ou les cycles de navigation pour déterminer quels consommateurs sont plus ou moins enclins à acheter un produit ou un service en fonction de leurs précédents achats ou des pages qu’ils ont consultées.

Les Data Analytics modernes utilisent souvent des tableaux de bord d’information soutenus par des flux de données en temps réel. Le Real-Time Analytics quant à lui désigne l’analyse et le rapport dynamique basé sur des données inscrites dans un système moins d’une minute avant le moment de l’utilisation.