Différences

Ci-dessous, les différences entre deux révisions de la page.

Lien vers cette vue comparative

Les deux révisions précédentes Révision précédente
Prochaine révision
Révision précédente
le_monde_merveilleux_du_big_data:services_et_metiers [2016/10/20 20:04]
superwiki
le_monde_merveilleux_du_big_data:services_et_metiers [2017/01/17 12:25]
superwiki
Ligne 26: Ligne 26:
 {{ :​le_monde_merveilleux_du_big_data:​data_jobs.jpg |}} {{ :​le_monde_merveilleux_du_big_data:​data_jobs.jpg |}}
 Source : DataCamp.com Source : DataCamp.com
-Le Data-mining consiste à extraire des informations utiles dans une masse de données, en utilisant des technologies particulières (Big analytics).+ 
 +Le **Data-mining** consiste à extraire des informations utiles dans une masse de données, en utilisant des technologies particulières (Big analytics).
 Le data-scientist est celui qui va mettre en œuvre ces technologies informatiques et statistiques. Le data-scientist est celui qui va mettre en œuvre ces technologies informatiques et statistiques.
  
 Métaphoriquement,​ on peut considérer que le Big Data constitue une montagne (de données) dans lequel le data-mineur va creuser avec sa pelle et sa pioche (outils statistiques) pour trouver des pépites (des corrélations),​ créatrices de valeur économique. ​ Métaphoriquement,​ on peut considérer que le Big Data constitue une montagne (de données) dans lequel le data-mineur va creuser avec sa pelle et sa pioche (outils statistiques) pour trouver des pépites (des corrélations),​ créatrices de valeur économique. ​
  
-Le métier de « data scientist » est en plein essor. Les savoir-faire mobilisés sont en effet très spécifiques. Traditionnellement,​ les sciences sociales utilisent les corrélations (qui sont parfois le fruit de coïncidences,​ ou le résultat de variables tierces cachées) comme un point de départ, un indice, un signal pour trouver un modèle explicatif théorique causal (qui est ensuite testé, et peut permettre de produire des prévisions).+Le métier de **« data scientist »** est en plein essor. Les savoir-faire mobilisés sont en effet très spécifiques. Traditionnellement,​ les sciences sociales utilisent les corrélations (qui sont parfois le fruit de coïncidences,​ ou le résultat de variables tierces cachées) comme un point de départ, un indice, un signal pour trouver un modèle explicatif théorique causal (qui est ensuite testé, et peut permettre de produire des prévisions).
  
 Or, la masse des données collectées permet de passer directement des corrélations statistiques aux prédictions sur une base probabiliste,​ sans passer par un modèle causal. La corrélation découverte se suffit (rait) en elle-même pour produire des prévisions robustes. Or, la masse des données collectées permet de passer directement des corrélations statistiques aux prédictions sur une base probabiliste,​ sans passer par un modèle causal. La corrélation découverte se suffit (rait) en elle-même pour produire des prévisions robustes.
  
-Le data-scientist se contente alors de calculer, et de fournir des faits statistiques,​ qui en retour peuvent influencer les comportements (société « Data-driven »).+Le **data-scientist** se contente alors de calculer, et de fournir des faits statistiques,​ qui en retour peuvent influencer les comportements (**société « Data-driven »**).
  
 ====== Exemples d'​utilisation du big data dans le commerce et le marketing ====== ====== Exemples d'​utilisation du big data dans le commerce et le marketing ======
Ligne 49: Ligne 50:
 ====== Exemples d'​utilisation du big data dans le sport ====== ====== Exemples d'​utilisation du big data dans le sport ======
  
 +Aller vers la suite : le principe des plateformes WEB [[le_monde_merveilleux_du_big_data:​plateformes_web|L'​économie de plateforme web 2.0]]