Les prochaines années seront le théâtre du foisonnement des entreprises data-driven ou qui font des données une matière première de base. Les activités data évoluent et nécessitent la disposition d’une équipe data complète. Certains métiers data seront toujours au cœur des besoins. Mais on verra aussi l’apparition et le développement d’autres domaines d’activités liés à la Big data. Voici une petite revue des emplois data prometteurs.

Les métiers data phares 

Dans ces prémices de la Big data, les premiers métiers destinés à la gestion et au traitement des données massives et visant à leur donner de la consistance sont toujours les stars dans cet écosystème. Tout tourne autour du traitement data, en amont et en aval.

Les métiers liés au traitement data

En matière de traitement de données, il est important de mettre en place un environnement numérique et informatique adapté. Les activités correspondantes sont tenues par des experts en structure data. 

• Le data miner scrute les différentes sources de données internes et externes à l’entreprise, pour répertorier les éléments utiles pour son entreprise à l’aide d’outils statistiques entre autres. Il mettra cela à la disposition des agents et responsables de traitement de la data, ou directement aux décideurs.
• Le data architect est celui qui conceptualise ou contribue à la conception d’une structure d’organisation du traitement et de l’exploitation des données. Il initie l’élaboration d’infrastructures améliorées de collecte, d’archivage et d’exploitation de la data. Il conçoit des améliorations aux modélisations par rapport aux enjeux des métiers, et pour faciliter le recoupement ou la synthèse des données à traiter. C’est un métier data clé dans un contexte du développement du Cloud.
• Le data engineer est chargée de relayer le data architect dans la réalisation et le développement de l’infrastructure data. Il prend aussi en main la maintenance et l’amélioration de celle-ci, contribue au dispositif de sécurité, supervise le traitement des données et contrôle leur qualité, etc. Il dispose aussi d’un rôle crucial en matière de traitement des données, notamment le suivi et le monitorage des flux de data.

Les métiers data phares

Les principaux métiers de traitement data sont sans doute les plus connus dans le microcosme data.

• Le data analyst se charge du traitement des données issues des travaux du data miner ou de sources à disposition de l’entreprise. Il va donner un sens aux données et en extraire des éléments utiles pour la stratégie de développement et de croissance de l’entreprise.  
• Le data scientist a aussi un rôle analytique face à la disposition de données massives et non structurées. Il valorise les données qu’il a traitées et extraites, pour les utiliser dans la conception de la bonne stratégie.

Les métiers de la sécurité data et de l’exploitation

Dans un contexte global d’utilisation d’espaces virtuels de stockage et de travail data comme le Cloud, les parties prenantes dans la sécurité et l’exploitation des données ont leur identité professionnelle propre. On peut citer :

• L’analyste cybersécurité prend en main la préservation des structures data mises en place, ainsi que de l’intégrité et de la confidentialité des données. Plusieurs actions lui incombent : surveillance et contrôle des systèmes d’information, détection et identification d’incidents de sécurité, mise en place de mesures de protection, etc.
• Le dataviz consultant est un expert en data visualization dont le travail vise à optimiser la présentation des données extraites, en vue de les rendre plus accessibles aux décideurs ou des acteurs sans expertise data.

Les nouveaux métiers data 

Le monde de la data dans son aspect professionnel est sans cesse en expansion. De nouveaux acteurs prennent régulièrement place au sein des équipes data.

Métiers data d’encadrement

De manière générale, les postes d’encadrement ou de direction dans un dispositif de traitement de données sont assez nouveaux. Ouverts même seulement après quelques formations up-skilling, ils sont la preuve que le monde professionnel de la data est largement favorable aux évolutions de carrière. 

• Le chief data officer se charge de créer un environnement ou une structure favorable aux métiers data, s’assure de la qualité et de la pertinence des données, tout en favorisant l’accès des décideurs et d’autres acteurs. Dans le cadre de son travail, il se charge de trouver et mettre en place tous les outils nécessaires aux analyses data après traitement.
• Le data protection officer veille globalement à la conformité du processus data au RGPD ou Règlement Général sur la Protection des Données. Il informe et conseille les acteurs et les décideurs, tout en contrôlant la gestion des données sensibles.

Les métiers d’optimisation data

A côté du data analyst, du data scientist, du data engineer ou encore de l’analyste cybersécurité, de nouveaux métiers censés améliorer le traitement et la gestion des données surgissent le long des évolutions de la data et des technologies de l’information. On peut citer quelques-uns comme : le Data steward, l’ingénieur DataOps, etc.

Comment apprendre un métier data prometteur ?

Les métiers data se sont généralement créés au sein même des entreprises data-driven. Les cursus classiques dans les universités et autres centres de formations universitaires touchant à la data sont ainsi rares. La formation data dans les centres spécialisés est pratiquement la seule ou principale solution d’apprentissage ou de perfectionnement dans ce domaine. 

Des centres de formation data comme Datarockstars se spécialisent particulièrement dans l’apprentissage métier. À l’issue de différentes formations de tous niveaux, des formations immersives et des formations en bootcamps, les étudiants, chercheurs d’emplois comme les salariés pourront maîtriser toutes les théories et pratiques correspondant au métier de data analyst, de data engineer, de chief data officer, etc.

Vous souhaitez vous former au Big Data ? Retrouvez les formations Data Full Stack et Data Analyst qui vous forment aux métiers de Data Analyst, Data Scientist, Data Engineer et AI Scientist.

Merci pour votre lecture ! Si vous souhaitez lire nos prochains articles autour de la Data et de l’IA, vous pouvez nous suivre sur Facebook, LinkedIn et Twitter pour être notifié lorsqu’un nouvel article est publié !

L’article Les formations data est apparu en premier sur DATAROCKSTARS.

Une grande évolution dans le monde du football 

Comme plusieurs domaines et secteurs d’activités, le football est également bouleversé par le Big Data. Si auparavant, il était quasiment impossible de penser qu’un informaticien analyste puisse être recruté dans les différents clubs de football, voyez-vous qu’aujourd’hui c’est devenu une nécessité, notamment pour les clubs qui ne veulent pas dépenser une somme considérable dans la sélection de leurs joueurs. Le monde du football est en train de connaître une grande évolution. Découvrez dans cet article la relation entre le Big Data et le Football.

Big Data dans le football 

La première question qui se pose lorsqu’il faut parler de Big Data et Football est sans doute, quel est le rapport ? La réponse est simple. Si la réussite d’une équipe de football s’est depuis longtemps reposée sur la veille permanente effectuée par son entraîneur, aujourd’hui, le Big Data a apporté son lot d’évolutions dans le domaine.

Qu’est-ce que le Big Data ? 

Le Big Data ou littéralement mégadonnées ou données massives est l’ensemble de données volumineuses structurées ou non structurées, ou les deux à la fois, qui ne peuvent pas être gérées par une gestion de bases de données classique. L’analyse de ces Data au quotidien permette à une entreprise de prendre des décisions qui amèneront à des résultats positifs. Il faut noter que la quantité des données n’est pas importante, c’est son analyse qui est exploitable. Leur analyse est effectuée par un analyste de données ou Data Analyst.

Comment se présente le Big Data dans le football ? 

Pour mieux comprendre les différents rôles du Big Data dans le football, retrouvez ci-dessous comment il opère. 

• Le Big Data  crée des côtes

La première opération effectuée par le Big Data dans le monde du football date des années où il permettait de créer des côtes grâce à l’analyse de différentes données. C’est comme le cas d’Unibet ou de Bwin. 

• Le Big Data enregistre différents gestes 

En 2006, Opta Sport, cette entreprise anglaise de contenus sportifs permettait en appuyant à des boutons d’enregistrer différents gestes des footballeurs sur le terrain, pour mieux analyser leurs performances. Opta Sport peut enregistrer par exemple les heures où ont lieu des tirs ou des passes de balle.

• Le Big Data calcule la probabilité de tirs 

Par le biais des expected goals qui permettent de déterminer le pourcentage de chances qu’une occasion se termine en but, le Big Data calcule alors la probabilité de tirs.

• Le Big Data permet la sélection des joueurs dans une équipe de Football 

Si auparavant, coacher et sélectionner des joueurs étaient les principaux rôles d’un entraîneur, actuellement le Big Data peut également l’aider à gagner du temps dans le recrutement. Il y a par exemple le 21st club qui prend exclusivement en charge des recrutements footballistiques. Le concept est le suivant, cet outil calcule les liens entre les actions d’un ou de plusieurs joueurs sur un terrain de foot avec la performance de l’équipe en générale. L’outil attribuera une note à chacun des joueurs. L’entraîneur ou le responsable de la sélection des joueurs pourrait à ce moment-là dresser une liste afin de voir clairement quel joueur peut apporter une certaine performance attendue dans l’équipe.

• Le Big Data détecte la faiblesse de l’équipe adverse 

Oui ! Il est aujourd’hui possible avec le Big Data de détecter les différents points faibles de l’équipe adverse et de mettre en place des tactiques de jeu efficaces. Lorsque leurs faiblesses sont collectées, l’outil de collecte de données comme Stats Performs les met en relation avec les points forts de l’équipe pour les dépasser et pour gagner le match. 

• Le Big Data analyse le match pour être utilisé dans des paris sportifs 

Les sites de paris sportifs peuvent mettre à la disposition des parieurs des analyses de données qui vont leur permettre de miser sur la bonne équipe. Elle dépend fortement d’une probabilité.

Quels sont les outils Big Data utilisés dans le football en 2022 ?

En 2022, le rôle du Big Data dans le football est devenu de plus en plus moderne. Les outils Big Data utilisés permettent encore un peu plus de collecter un maximum de données. 

Trackers GPS 

Très utilisés dans des clubs de football professionnels, fixés dans les dos des joueurs, les trackers GPS permettent de collecter des données sur chaque joueur comme par exemple  la distance parcourue, le rythme cardiaque, la puissance ou la vitesse moyenne d’un joueur, etc. Des caméras et des satellites de géolocalisation et navigation par un système de satellites (système GNSS) sont reliés par ces trackers GPS qui selon les Stat diffusent plus de 3 millions de données par match. Le but de ces outils est de pouvoir gérer de manière efficace chaque joueur. Les données collectées sont analysées et différentes dispositions seront mises en place. 

Matrics 

C’est une technique de suivi visuelle qui permet de collecter des informations en temps réel. Ces informations alimentent les cartes thermiques du terrain et permettent d’obtenir les données suivantes : les passes effectuées et les distances parcourues par les joueurs. Matrics est utilisée par la FIFA. 

Conclusion

Avec l’évolution rapide des différents clubs de football, chaque équipe est à la recherche de concept et d’outil Big Data qui sauront la démarquer des autres sans pour autant augmenter sa dépense. Avec un bon outil Big Data qui permet de sélectionner le bon joueur, de connaître leurs performances et d’avoir de bonnes tactiques pour gagner face à l’adversaire, l’équipe de football ne cessera pas d’évoluer.

Vous souhaitez vous former au Big Data ? Retrouvez les formations Data Full Stack et Data Analyst qui vous forment aux métiers de Data Analyst, Data Scientist, Data Engineer et AI Scientist.

Merci pour votre lecture ! Si vous souhaitez lire nos prochains articles autour de la Data et de l’IA, vous pouvez nous suivre sur Facebook, LinkedIn et Twitter pour être notifié lorsqu’un nouvel article est publié ! 

L’article Big Data : pour un Football moderne est apparu en premier sur DATAROCKSTARS.

Le Big Data est le processus de collecte, d’examen et d’analyse de grandes quantités de données pour découvrir les tendances, les idées et les modèles du marché qui peuvent aider les entreprises à prendre de meilleures décisions commerciales. Ces informations sont disponibles rapidement et efficacement afin que les entités puissent être agiles dans l’élaboration de plans pour maintenir leur avantage concurrentiel. Le Big Data utilise des analyses avancées sur de vastes collections de données structurées et non structurées pour produire des informations précieuses pour les entreprises. Il est largement utilisé dans des secteurs aussi variés que les soins de santé, l’éducation, l’assurance, la vente au détail et la fabrication pour comprendre ce qui fonctionne et ce qui ne fonctionne pas, afin d’améliorer les processus, les systèmes et la rentabilité.

Les trois V du Big data 

Le Big Data ne se réfère pas seulement au volume de données. Il fait également référence au taux d’origine des données, à son format complexe à partir d’une variété de sources. Les mégadonnées fonctionnent avec trois différentes formules, les 3 V qui sont le volume, la vitesse et la variété. 

Le volume 

Le volume comprend les grandes quantités d’informations provenant d’ensembles de données avec des tailles allant de téraoctets à zettaoctets. Le Big data est différent du « data mining » en termes de volumes. Le nombre de transactions et le nombre de sources de données sont très volumineux et complexes. Par conséquent, les informations nécessitent des méthodes et des technologies spéciales afin de tirer un aperçu général des données.

La vitesse

La vitesse englobe les grandes quantités de données provenant de transactions avec un taux de rafraîchissement élevé, ce qui entraîne des flux de données arrivant à très grande vitesse. Par conséquent, le temps nécessaire pour agir sur ces flux de données sera souvent très rapide.

La variété

La variété comprend les informations qui proviennent de différentes sources. Ces dernières peuvent être internes ou externes. Les données sont dans différents formats en raison de diverses transactions collectées à partir de différentes applications. Il peut s’agir de données structurées (par exemple, table de base de données), de données semi-structurées (par exemple, données XML), de données non structurées (par exemple, texte, images, flux vidéo, audio, etc.).

Les différents types d’analyse des données par le Big Data

Il existe quatre principaux types d’analyse de données effectués par le Big Data : l’analyse descriptive, l’analyse de diagnostic et l’analyse prédictive.

Analyse descriptive

L’analyse descriptive fait référence à des données qui peuvent être facilement lues et interprétées. Elles permettent de créer des rapports et de visualiser des informations qui peuvent détailler les bénéfices et les ventes de l’entreprise. Par exemple, pendant la pandémie, une grande entreprise pharmaceutique a effectué des analyses de données sur ses bureaux et ses laboratoires de recherche. Celles-ci l’ont aidé à identifier les espaces inutilisés et les départements qui ont été regroupés, ce qui a permis à l’entreprise d’économiser des millions d’euros.

Analyse de diagnostic

L’analyse de diagnostic aide les entreprises à comprendre pourquoi un problème s’est produit. Les technologies et outils de mégadonnées permettent aux utilisateurs d’extraire et de récupérer des données afin de disséquer un problème et à empêcher qu’il ne se reproduise à l’avenir. Par exemple, les ventes d’une entreprise de vêtements ont diminué même si les clients continuent d’ajouter des articles à leurs paniers. Les analyses de diagnostic ont permis de comprendre que la page de paiement ne fonctionnait pas correctement pendant quelques semaines.

Analyse prédictive

L’analyse prédictive examine les données passées et présentes pour établir des prédictions. Grâce au Big Data et à l’exploration de données, les utilisateurs peuvent analyser les informations pour prédire les tendances du marché. Par exemple, dans le secteur mécanique, les entreprises peuvent utiliser des algorithmes basés sur des données historiques pour prédire si ou quand un équipement fonctionnera mal ou tombera en panne.

Analyse prescriptive

L’analyse prescriptive fournit une solution à un problème, en s’appuyant sur le Big afin de collecter des données et les utiliser pour la gestion des risques. Par exemple, dans le secteur de l’énergie, les entreprises de services publics, les producteurs de gaz identifient les facteurs qui affectent le prix du pétrole et du gaz afin de couvrir les risques.

Quelques avantages du big data

Les mégadonnées présentent plusieurs avantages dans tous les domaines : le commerce, la science, le marketing, le sport, la communication, l’environnement, etc. Les avantages englobent les points suivants. 

Réduction des coûts 

Le Big Data peut réduire les coûts de stockage de toutes les données d’entreprise en un seul endroit. L’analyse de suivi aide également à trouver des moyens de travailler plus efficacement pour réduire les coûts dans la mesure du possible.

Développement de produits 

Développer et commercialiser de nouveaux produits, services ou marques est beaucoup plus facile lorsqu’il est basé sur des données collectées à partir des besoins et des désirs des clients. L’analyse des mégadonnées permet de comprendre la viabilité des produits et de suivre les tendances.

Expérience client 

Les algorithmes basés sur les données facilitent les démarches marketing (annonces ciblées, par exemple) et augmentent la satisfaction client.

Gestion des risques 

Les entreprises peuvent identifier les risques en analysant les modèles de données et en développant des solutions pour gérer ces risques. L’analyse de mégadonnées aide les entreprises à donner un sens aux données et à prendre de meilleures décisions.

Développement de nouveaux programmes

Le Big Data aide les écoles et les entreprises de technologie éducative à développer de nouveaux programmes tout en améliorant les plans existants en fonction des besoins et des demandes.

Vous souhaitez vous former au Big Data ? Retrouvez les formations Data Full Stack et Data Analyst qui vous forment aux métiers de Data Analyst, Data Scientist, Data Engineer et AI Scientist.

Merci pour votre lecture ! Si vous souhaitez lire nos prochains articles autour de la Data et de l’IA, vous pouvez nous suivre sur Facebook, LinkedIn et Twitter pour être notifié lorsqu’un nouvel article est publié !

L’article Big data : les nouvelles tendances est apparu en premier sur DATAROCKSTARS.

La technologie du big data a engendré d’autres percées technologiques majeures. Plusieurs secteurs d’activités, comme le marketing, la gestion financière et même le système de justice pénale, optent actuellement dans l’application du big data. Cependant, il existe d’autres avantages du big data qui ont reçu moins d’attention, mais qui méritent également d’être notés. 

L’une des dernières applications de l’intelligence artificielle dans le secteur du big data concerne les NFT. Tout le concept des NFT est en fait basé sur l’analyse des données. 

Ces dernières années, les jetons non fongibles (ou NFT en abrégé) ont acquis une reconnaissance mondiale. Ils ont été à l’origine de changements majeurs dans divers domaines, dont les arts et la finance. En tant que tel, beaucoup supposent que chaque partie de la société est finalement affectée par les NFT.

L’impact potentiel des NFT, l’une des innovations les plus importantes, a été démontré ces dernières années, dans des domaines tels que le sport, la mode et la technologie. Depuis que les NFT sont devenus la norme en 2021, ils ont généré beaucoup de discussions médiatiques. 

Les progrès de l’intelligence artificielle et du big data ont rendu les NFT possibles. Praphul Chandra, fondateur et PDG de Koinearth, a écrit un article pour le Forum économique mondial intitulé « Si les données sont le nouveau pétrole, alors les NFT des entreprises sont du pétrole ». Voici pourquoi. M. Chandra souligne le fait que la data est un atout. Il y a de nombreux avantages, mais certains problèmes logistiques compliquent la tâche. Les NFT contribuent à atténuer bon nombre de ces difficultés. 

Cependant, il peut être difficile de comprendre pleinement la croissance spectaculaire que ces pièces ont connue récemment. Pour vous donner un coup de main, ce guide complet vous permettra de comprendre ce que sont les NFT et comment ils fonctionnent.

Comprendre le NFT

Le NFT (Non-fungible tokens) est une unité de data sur un réseau blockchain qui, lorsqu’elle est associée à un actif physique ou numérique, fournit une preuve stable de propriété. Ces jetons contiennent souvent des data qui peuvent être liées à des chansons, des images, des avatars, des vidéos, etc. 

Néanmoins, ils peuvent aider les propriétaires de voitures à obtenir un accès exclusif à des événements numériques ou en direct, ainsi qu’à se connecter à des actifs physiques tels que des voitures. Le big data crée une opportunité de tirer pleinement parti des NFT. Dans cet esprit, il est prudent de dire que les NFT permettent non seulement aux utilisateurs de créer des objets, mais également d’acheter et de vendre en toute sécurité des actifs sur la technologie blockchain.

Toutefois, il est à noter que vous ne pouvez pas acheter les droits d’auteur ou les droits de propriété intellectuelle de l’actif sous-jacent, sauf indication contraire. Cependant, la négociation des NFT n’est pas si simple. 

Créer, acheter, vendre et évaluer des NFT avec le Big Data

Comme nous l’avons déjà dit, démarrer avec les NFT n’est pas si facile. Heureusement, comme l’explique le Dr Stylianos Kampakis dans cet article de The data scientist, le big data via l’analyse des données permet d’en tirer plus facilement parti. Pour en acheter un, on finance un compte NFT avec une crypto-monnaie, tout en sauvegardant les données avec un portefeuille de crypto-monnaies lors de l’achat du NFT. 

Encore faut-il savoir les évaluer. C’est là que le big data devient particulièrement précieux. 

Il existe une variété d’outils qui peuvent aider les traders à tirer le meilleur parti des dérivés NFT, y compris les bénéfices NFT. Les étapes suivantes vous permettront de mieux comprendre comment créer et échanger des NFT :

Acheter un portefeuille de crypto-monnaies

Les portefeuilles de crypto-monnaies sont généralement utilisés pour déposer des actifs numériques. Vous pouvez choisir entre deux catégories de portefeuilles : le portefeuille matériel et le portefeuille logiciel. Néanmoins, si le premier est un moyen efficace de déposer et de transférer des actifs de valeur, le second est utilisé pour les transactions à court terme.

Pour choisir votre meilleur portefeuille de crypto-monnaies, des outils d’analyse de données peuvent être utilisés.

Acquérir une crypto-monnaie

Le domaine des crypto-monnaies exploite considérablement de l’analyse des données. L’analyse permet aux investisseurs de sélectionner les meilleures crypto-monnaies et de programmer leurs achats.

Il existe plusieurs places de marché NFT avec lesquelles vous pourrez utiliser des méthodes de paiement classiques ou traditionnelles. Afin d’évaluer la qualité des différentes places de marché, de nombreux outils d’analyse de data peuvent vous aider. Pour trouver les meilleures, la consultation de leurs avis est vivement recommandée. 

Faire le choix d’une place de marché

Il est important, avant de choisir une place de marché, de savoir s’il est nécessaire de frapper une collection de jetons dans un lot ou de n’en frapper qu’un seul NFT. Pour cela, l’analyse des données est d’une grande utilité. 

Évaluer les NFT

Pour évaluer les NFT, l’analyse des données peut être utilisée. Par exemple, Kampakis a conçu une régression hédonique pour évaluer CryptoPunk. Selon lui, cette méthode d’analyse des données peut être utilisée pour évaluer d’autres NFT de la même manière.

Le Big Data a fait des NFT de produits de valeur modernes

À l’ère actuelle du Big Data et de l’intelligence artificielle, les NFT deviennent de plus en plus reconnus. Dans ce nouveau marché très répandu, le Big Data joue un rôle important. Étant une innovation moderne cruciale, les NFT répondent à plusieurs besoins. Toutefois, il n’est pas si simple de créer, acheter et vendre ces jetons. Pour éviter les mauvaises surprises lors des transactions NFT, renseignez-vous d’abord. La bonne nouvelle est que toutes ces étapes sont facilitées par l’analyse des données.

Vous souhaitez vous former au Big Data ? Retrouvez les formations Data Full Stack et Data Analyst qui vous forment aux métiers de Data Analyst, Data Scientist, Data Engineer et AI Scientist.
Merci pour votre lecture ! Si vous souhaitez lire nos prochains articles autour de la Data et de l’IA, vous pouvez nous suivre sur Facebook, LinkedIn et Twitter pour être notifié lorsqu’un nouvel article est publié ! 

L’article NFT et BigData est apparu en premier sur DATAROCKSTARS.

La recherche biomédicale figure parmi les branches scientifiques qui collectent, traitent et exploitent abondamment les données, de leur forme la plus classique à leur nature la plus évoluée : la Big data. Cette dernière est à la fois ressource et facteur en matière d’analyse biologique et pathologique. Elle est utilisée pour un certain nombre d’opérations. Elle permet de mettre en évidence des facteurs de risque de maladies, de faciliter le diagnostic des cancers, d’identifier les facteurs d’efficacité des soins médicaux chez les patients, d’étudier les micro-organismes, etc.

Mais l’informatique du XXIe siècle et encore une fois la Big data ont permis surmonter les principales problématiques et les blocages en matière de recherche. Le traitement poussé des mégadonnées, leurs analyse, recoupement et visualisation, ont donné lieu à de nouvelles orientations, de nouvelles connaissances sur les maladies, puis à des progrès fantastiques. En quoi consistent ces avancées ? Où se place la Big data dans ces recherches ?

Génomique et Big data parmi les meilleurs exemples de révolution de la recherche médicale

La génomique représente parfaitement tout le concept de la Big data, répondant à ses caractéristiques majeures, à savoir le volume, la vélocité et la variété. Ainsi : 

• La génomique est avant tout une source et un facteur de données non massif. Au début des années 2000, la première séquence du génome humain (23 000 gènes) fut découverte, à savoir une suite totalisant 3 milliards de lettres. À l’échelle du nombre de personnes qui ont volontairement participé depuis aux études génomiques, les chercheurs ont trouvé un volume de données qui se mesure aujourd’hui en dizaines de pétaoctets.
• Les scientifiques font face à un développement extrêmement rapide de la Big data. Il est possible de dresser la séquence du génome d’un individu en une seule journée. Des techniques de séquençage nouvelle génération (technologie NGS, Illumina, TGS, Long Read, etc.) ainsi que des outils de microscopie dernière génération comme Titan Krios ont fait rapidement évoluer les bases de données au profit de nombreuses études sur des pathologies comme le cancer, les troubles du spectre de l’autisme, les maladies neuro dégénératives, ou autres.  
• En plus de bénéficier d’un accès facilité à l’ensemble des génomes d’une multitude de patients ou de volontaires, le généticien peut utiliser des données plus diverses sur ces personnes, à savoir leur profil, les maladies ou troubles dont elles souffrent, leurs traitements, etc.

Grâce à la Big data, la génomique a permis bien de remises en question sur l’identification d’un dixième gène du VIH, le facteur génétique de l’empathie, l’héritage néandertalien du système immunitaire de l’homme moderne… Mais en dehors de la génomique, les mégadonnées révolutionnent d’autres aspects de la recherche en santé. Alliée à de nouveaux concepts technologiques comme le cloud computing, l’intelligence artificielle, les nouvelles techniques de microscopie, la Big data permet notamment des diagnostics poussés et précis à propos d’une maladie ou encore d’établir des modes de médication plus personnalisés.

Comment la Big data révolutionne la recherche en santé ?

Big Data présente une définition encore plus large aujourd’hui, vu la quantité de données incommensurable et exponentielle à disposition des chercheurs et des parties prenantes de l’industrie médicale et pharmaceutique. Les scientifiques font face à des données structurées ou non auxquelles il va falloir donner un sens, en fonction d’un ou de plusieurs objectifs particuliers. Nous pouvons évoquer notamment la nécessité actuelle de mettre en place un système de traitement adéquat et personnalisé. Par exemple, un traitement fonctionnant chez une catégorie de personnes pourrait être inopérant chez une autre. La génomique va viser dans ce cas la comparaison d’un nombre élevé de génomes appartenant aux deux catégories de patients, ceci dans le but de déceler des différences génétiques prouvant l’efficacité ou non de la thérapie en question chez l’un ou l’autre groupe. Nous pouvons aussi parler de la microscopie atomique telle que le Titan Krios et son environnement informatique qui permettent de réunir des milliards d’images de toutes sortes qu’il faut sélectionner, différencier, comparer…

De telles approches relèvent évidemment de tâches herculéennes et de pratiques pointues en data science. Celle-ci permet en somme de traiter rapidement et de valoriser les données grâce à un algorithme, des systèmes de traitement comme mapreduce, des outils d’automatisation, etc. Encore faut-il que les parties prenantes de la recherche scientifique médicale fassent preuve elles-mêmes d’une maîtrise de la Big data. 

Des spécialistes à la rescousse du personnel data science

Les biologistes mis à contribution dans chaque étude devront interagir avec un large panel de spécialistes dans d’autres domaines tels que les mathématiciens, les statisticiens, les bio-informaticiens, etc. Il s’agit de concevoir et de développer des programmes informatiques et des algorithmes dédiés pour réaliser toutes les tâches en recherche. Et le traitement de la Big data et sa valorisation nécessitent des experts en data science. En génomique, grâce à des outils informatiques programmés, 3 milliards de lettres vont être analysées et comparées pour chaque génome. Il s’agit aussi de repérer des différences de lettres et d’identifier des relations. De nouvelles compétences en data science et management naissent aussi constamment dans les recherches en santé. Le dernier en date, le data manager, regroupe les laborantins, les responsables des données des patients hospitalisés, les informaticiens, les bio-statisticiens, les personnels juridiques et de l’éthique.

Les recherches biomédicales face aux enjeux des données big data

La Big data donne lieu à un processus de recherche simplifié ainsi qu’une haute précision dans les résultats. Cependant sa prise en main implique la nécessité de sécuriser aussi bien les données massives classées personnelles des sujets étudiés que leur traitement. Surtout que dans une optique de transparence et de collaboration entre les scientifiques du monde médical, les applications technologiques privilégient généralement une communication instantanée des données, même les plus sensibles, entre les chercheurs, en vue d’une avancée commune. Citons l’exemple du Royaume-Uni avec son projet UK Biobank, accessible sur le web, qui répertorie des données de santé de centaines de milliers de ses citoyens volontaires. Gratuit pour les chercheurs inscrits, l’accès est conditionné par le partage mutuel des découvertes respectives. 

Par ailleurs, les producteurs de données font face à un autre principal défi, le matériel. La Big data nécessite en effet de plus en plus d’équipements de stockage et de supercalculateurs. Rien que pour le génome humain, il est nécessaire de créer un espace de stockage pouvant contenir environ une centaine de milliers de photos. Sachant que la génomique ne concerne pas uniquement l’humain, il est prévu dans quelques années de dresser le génome de tout l’océan !

Vous souhaitez vous former au Big Data ? Retrouvez les formations Data Full Stack et Data Analyst qui vous forment aux métiers de Data Analyst, Data Scientist, Data Engineer et AI Scientist.
Merci pour votre lecture ! Si vous souhaitez lire nos prochains articles autour de la Data et de l’IA, vous pouvez nous suivre sur Facebook, LinkedIn et Twitter pour être notifié lorsqu’un nouvel article est publié !

L’article Comment la Big data révolutionne la recherche en santé ? est apparu en premier sur DATAROCKSTARS.

Alors que de plus en plus de personnes s’installent dans les villes, le besoin de stationnement devient de plus en plus pressant. Non seulement nous devons trouver des places de stationnement pour nos propres voitures, mais nous devons aussi réfléchir à la manière d’utiliser au mieux un espace limité. De nombreuses villes se tournent vers les solutions Big Data pour les aider à gérer leurs problèmes de stationnement. En collectant des données sur les schémas de circulation et l’utilisation, elles peuvent créer un système qui attribue les places de stationnement de la manière la plus efficace possible. Cela permet non seulement de faciliter la vie des conducteurs, mais aussi de réduire les embouteillages et la pollution dans les centres-villes.

La ville de Boston est l’un des pionniers dans ce domaine. Elle utilise le big data pour gérer le parking intelligent depuis 2011. Les résultats ont été très positifs, avec une réduction de 20 % des embouteillages et de 30 % des émissions de gaz à effet de serre. D’autres villes lui emboîtent le pas, et il est clair que le Big Data est l’outil le plus efficace que nous avons pour gérer nos ressources limitées en matière de stationnement. Jusqu’à présent, les résultats ont été très positifs et il est clair que le Big Data est l’outil le plus efficace dont nous disposons pour gérer nos ressources limitées en matière de stationnement. À l’avenir, nous ne pouvons que nous attendre à ce que davantage de villes adoptent cette solution à leurs problèmes de stationnement.

Comment fonctionne le parking intelligent ?

Les systèmes de parking intelligent utilisent des capteurs pour collecter des data sur les modèles de trafic et l’utilisation. Ces données sont ensuite analysées pour déterminer la manière la plus efficace de répartir les places de stationnement. Dans certains cas, cela peut signifier la création de nouvelles places de stationnement ou le réaménagement de celles qui existent déjà.

L’objectif est de réduire les embouteillages et la pollution dans les centres-villes, tout en facilitant la vie des conducteurs. Grâce aux capteurs de détection de véhicules et à la reconnaissance automatisée des caméras, la technologie de parking intelligent permet aux opérateurs de stationnement de surveiller à distance l’occupation en temps réel.

L’intelligence artificielle avec la gestion du parking intelligent

Les systèmes peuvent même diriger les automobilistes vers la place de stationnement disponible la plus proche, en fonction de leur position GPS. Les avantages du stationnement intelligent sont clairs. En réduisant les embouteillages et la pollution, nous pouvons rendre nos villes plus vivables et durables. Et en facilitant la vie des conducteurs, nous pouvons Encourager davantage de personnes à utiliser les transports en commun ou le covoiturage au lieu de conduire seul.

En conclusion, le parking intelligent est la solution pour notre avenir puisqu’il aidera tout le monde à économiser du carburant. Aussi, il réduira les gaz à effet de serre à l’échelle locale et nationale. À l’avenir, nous ne pouvons que nous attendre à ce que davantage de villes adoptent cette solution à leurs problèmes de stationnement. Avec l’aide du Big Data, nous pourrons enfin commencer à résoudre la crise du stationnement dans nos villes.

Vous souhaitez vous former au Big Data ? Retrouvez les formations Data Full Stack et Data Analyst qui vous forment aux métiers de Data Analyst, Data Scientist, Data Engineer et AI Scientist.
Merci pour votre lecture ! Si vous souhaitez lire nos prochains articles autour de la Data et de l’IA, vous pouvez nous suivre sur Facebook, LinkedIn et Twitter pour être notifié lorsqu’un nouvel article est publié ! 

L’article Parking intelligent : la solution Big Data est apparu en premier sur DATAROCKSTARS.

Fondé en 1901 par John W. Nordstrom, Nordstorm est un détaillant de mode américain proposant des marchandises de marque haut de gamme (vêtements, articles de beauté, chaussures) dédiées aux hommes, aux femmes, aux jeunes adultes ainsi qu’aux enfants et aussi des articles et des accessoires pour la maison. Jusqu’ici, il dispose 225 boutiques et réalise au moins 10 milliards de dollars de ventes par an.

Depuis sa création, Nordstrom est un adepte de la nouvelle technologie. Pour améliorer son expérience client offline et online, il a utilisé le Big Data. Cette première expérience a été un échec, les résultats escomptés n’ont pas été atteints. Toutefois, malgré cet échec, lors d’une seconde expérience, le détaillant de mode de luxe a trouvé la bonne voie. 

Comment Nordstrom utilise-t-il le Big Data pour étudier le comportement de ses clients ? 

Il est à préciser que acheteurs en ligne savent déjà que tous leurs faits et gestes sont suivis afin d’être analysés par la marque. Toutefois, ceux qui préfèrent faire leur achat dans les magasins physiques n’ont pas encore cette habitude. 

Pour étudier le comportement de ses clients, Nordstrom utilise le logiciel RetailNext. Cet outil permet de suivre tous les mouvements des consommateurs : les personnes qui entrent dans le magasin, les rayons qu’elles côtoient le plus, la durée totale durant laquelle elles restent dans le magasin et la durée qu’elles passent sur une zone précise, etc. Cette expérience a été lancée en automne 2012 dans la région de Dallas-Fort Worth. Pour ce faire, l’enseigne s’est servie des signaux Wifi afin d’obtenir des données se rapportant aux comportements de ses clients. 

Lorsque les clients ont eu vent de cette expérience, l’enseigne a obtenu des commentaires négatifs. Face à ce comportement, elle a décidé d’arrêter l’expérience. 

Quelle innovation Nordstrom a apporté pour refaire cette expérience ? 

Malgré les commentaires négatifs obtenus, Nordstrom a refait l’expérience en apportant une certaine innovation dans les outils utilisés. L’enseigne a, en effet, développé un laboratoire spécifique nommé Nordstrom Innovation Lab. Celui-ci est composé de différents métiers à savoir des techniciens, entrepreneurs, des designers, des statisticiens, des artistes et des chercheurs. L’objectif de ce centre est de réaliser plusieurs études, dont l’expérience consiste à étudier les profils des visiteurs du magasin. 

Pour ce faire, le laboratoire a mis en place une application téléchargeable par les clients. À leur guise, ces derniers fournissent des informations sur leurs produits préférés, leurs historiques d’achat, etc. Ces informations sont ensuite transférées aux vendeurs. L’objectif de cette étude est d’améliorer l’expérience d’achat du client. 

Pour Nordstrom, l’objectif est de favoriser le meilleur engagement client que ce soit en ligne ou dans les magasins physiques. Pour ce faire, l’enseigne a créé un projet d’inventaire cross-canal. Grâce à celui-ci, les acheteurs peuvent voir la disponibilité d’un produit. Désormais avec l’inventaire en ligne étant cumulé à celui des magasins physiques, les consommateurs peuvent acheter où ils veulent et quand ils veulent. Cette mesure a amélioré fortement l’expérience client. De plus, grâce aux données fournies et utilisées, la marque a pu augmenter ses ventes, donc son chiffre d’affaires. 

Adepte de la technologie, Nordstrom a investi massivement dans le Big Data pour d’autres projets. En effet, pour les cinq prochaines années, il a décidé d’investir 1 milliard de dollars dans le commerce électronique. Il souhaite ainsi définir les produits qui méritent d’être promus auprès des clients, le moment opportun et le canal le plus approprié. L’objectif de Nordstrom est d’offrir une expérience client unique à ses consommateurs. Et cet objectif peut être atteint grâce à la grande quantité des données qui lui ont été fournies. 

Mais comment Nordstrom obtient-il ces données ? En effet, mis à part les données issues des points de vente ainsi que de son site web, l’enseigne utilise également les données provenant des réseaux sociaux. Autrement dit, ses 2 millions de j’aime sur Facebook, ses 300 000 followers sur Twitter et ses 4.5 millions de fans sur Pinterest constituent une base données conséquente. 

Hormis les réseaux sociaux, Nordstrom génère aussi de nombreuses données depuis son programme de récompenses. En effet, les clients souhaitant profiter des avantages de ce programme sont obligés de se servir d’une carte de crédit Nordstrom. Et avec celle-ci, il est possible de suivre les dépenses ainsi que les points de récompense des acheteurs. 

En réalisant toutes ces études et expériences, l’objectif de Nordstrom est d’offrir à ses clients une expérience à la fois pertinente et personnalisée. Pour ce faire, il utilise des données de différentes natures et provenant de différentes sources, autrement dit, le Big Data. Grâce à l’étude de ces données, l’enseigne a su cerner les techniques de vente et de marketing les plus adaptées à son marché. Elle a aussi vécu des échecs. Toutefois, ces situations lui ont offert un énorme avantage concurrentiel. 

Selon Jamie Nordstrom, le président de Nordstrom Direct, pour pouvoir innover, il est important de tester de nouvelles choses. Dans ce cas, il ne faut pas avoir peur d’échouer ou de voir que l’idée évoquée n’a pas abouti à ses fins. En effet, pour avancer, il est important de célébrer chaque échec. 

Vous souhaitez vous former au Big Data ? Retrouvez les formations Data Full Stack et Data Analyst qui vous forment aux métiers de Data Analyst, Data Scientist, Data Engineer et AI Scientist.
Merci pour votre lecture ! Si vous souhaitez lire nos prochains articles autour de la Data et de l’IA, vous pouvez nous suivre sur Facebook, LinkedIn et Twitter pour être notifié lorsqu’un nouvel article est publié !

L’article Comment Nordstrom utilise-t-il le Big data pour rassembler les expériences offline et online ?  est apparu en premier sur DATAROCKSTARS.

Le domaine de la santé utilise de plus en plus les données  

Le système de santé traditionnel va se transformer petit à petit grâce à l’utilisation du numérique et des nouvelles technologies. Si aujourd’hui, la santé du monde est sujette à diverses expérimentations, elles se développeront bientôt grâce aux données. Découvrez comment grâce à cet article.

Qu’est-ce que le Big Data en santé ? 

Comme tous les secteurs d’activités et tous les domaines, le domaine de la santé figure parmi ceux qui commencent progressivement à utiliser les données pour des résultats beaucoup plus concrets. Si auparavant, il a fallu des années pour avoir une séquence de génome humain, aujourd’hui, grâce à l’exploitation des données, il suffit d’une journée au maximum pour l’avoir. Même cas pour les études génétiques ou les essais cliniques, biologiques, etc. A l’heure actuelle, avec plusieurs données disponibles, les différentes recherches et les différentes analyses en santé sont facilitées. Elles sont devenues indispensables, non seulement par rapport aux progrès médicaux mais également à la sécurité des patients. Ci-après des exemples de données exploitables en santé. 

• Les données médico-administratives : ce sont des données concernant le recours aux soins, les hospitalisations, le handicap ou l’activité professionnelle. Elles permettent d’avoir des bases de données anonymes. En France par exemple, il y a ce qu’on appelle le SNDS ou Système National des Données de Santé. Ce système a été créé en 2016. Il est constitué de plusieurs types de données  qui permettent de faire différentes études, recherches ou analyses dans le domaine de la santé. Ces données permettent aussi d’informer sur la santé de la population, de mettre en œuvre des stratégies politiques sur la santé, d’informer sur les dépenses de santé ou de connaître les différentes prises en charge en santé. L’exploitation des données de ce type peut donner naissance à de nombreuses analyses et de nombreux résultats. 
• Les données de morbidité : ce sont des données qui sont constituées des dossiers médicaux afin d’effectuer des analyses notamment sur l’évolution d’une ou plusieurs maladies et de prendre les mesures y afférentes. Les maladies les plus prisées sont entre autres le cancer, les maladies cardiovasculaires et les maladies rares. 
• Les données issues d’enquêtes : ce sont des données qui servent à constituer des bases de données. Ces dernières vont permettre un suivi à plus ou moins long terme. 
• Les données issues d’une cohorte : une étude de cohorte est un type d’enquête qui permet de suivre dans le temps une population définie, puis de procéder à une comparaison afin de répondre à des questions scientifiques. Les données collectées par ce type d’étude sont nombreuses et sont très diversifiées.

Quels sont les usages et les cas d’applications du Big Data en santé ? 

Le Big Data est utilisé en santé dans divers usages.

Usages courants 

• Dans la pharmacovigilance : qui a pour objet de surveiller les médicaments et de prévenir les risques d’effets indésirables après leur utilisation. 
• Dans la prise de décision : les professionnels de santé prennent facilement des décisions par rapport aux données collectées et analysées. 
• Dans la détection de maladie : l’intelligence humaine peut être limitée et des maladies rares peuvent ne pas être détectées à temps ou ne pas être détectées tout simplement. Grâce aux données, elles peuvent être identifiées et le traitement adéquat peut être mis en place sous un délai considérablement raccourci. 
• Dans la création de nouveaux produits médicamenteux : le Big Data permet de développer de nouveaux produits, de nouveaux médicaments afin de répondre aux différentes maladies. 
• Dans l’amélioration des services de soins : le Big Data apporte un grand changement dans l’amélioration des soins auprès des services de santé notamment dans la prise en charge, le suivi, la consultation. 

Usages futurs 

L’utilisation des données ne s’arrêtera pas d’ici peu. Au contraire, elle continuera et deviendra de plus en plus indispensable. Non seulement dans le domaine de la santé mais dans tous les domaines confondus. Retrouvez ci-dessous les différentes utilisations des données que l’on peut s’attendre à retrouver de plus en plus souvent. 

• Dans la continuité de la liaison entre les centres de soins et les patients, les patients ne devront pas obligatoirement être présents physiquement à l’hôpital pour des petits soins ou des contrôles de santé. 
• La propagation d’informations  à distance sera améliorée. Le pourcentage de citoyens atteint par les campagnes de prévention augmentera considérablement. Grâce à l’utilisation des données, les professionnels de santé et les différentes institutions pourront améliorer la diffusion dans le but d’éviter tous types de maladies.

Comment le Big Data a révolutionné le domaine de la santé ?  

Utilisation des outils numériques 

Chaque jour, des millions de données de santé circulent, comme les données sur la prévalence et la mortalité des maladies, ou sur l’efficacité des différents traitements ou sur le mode de vie d’un malade. Puis, il y a également des outils d’analyse qui commencent à s’incruster dans le secteur de la santé et créent de nouvelles interactions entre le système de soins et les citoyens. Ces outils répondent à des besoins bien précis. Comme par exemple, Doctolib qui est un logiciel de gestion des rendez-vous et des services aux patients pour les professionnels de santé et également un service de prise de rendez-vous en ligne.  Puis, il y a aussi ces outils qui analysent la voix et les mouvements pour connaître l’évolution de la maladie de Parkinson, ou encore les applications qui permettent aux patients de poser des questions à des robots conventionnels par rapport à des symptômes de maladies bien précis. 

Avantages de l’utilisation des outils numériques

Sur les patients, sur les soignants, les hôpitaux et les centres de soins : ces différents outils aident les centres de soins, les hôpitaux à s’introduire progressivement dans l’ère du numérique. Le fait est que ces derniers ne sont plus en relation avec les patients, une fois qu’ils ne sont plus physiquement présents dans les hôpitaux. Une situation qui peut freiner l’amélioration de la qualité des soins mais surtout avoir des impacts sur le suivi de l’état d’un patient. Raison pour laquelle les centres de soins d’aujourd’hui doivent savoir jongler entre le numérique et la vie réelle.  Une fois que cela sera effectif, les centres de soins, les hôpitaux et également les soignants permettront aux patients de rester connectés même s’ils ne sont pas présents physiquement. Une interaction en continu sera de mise et les patients pourront de temps à autre s’informer sur par exemple les effets secondaires d’un médicament, les différentes préventions de maladie à prendre en compte, etc. 

Sur le monde médical : les outils numériques permettent également au monde médical de s’acquérir des données épidémiologiques et environnementales. Des données importantes dans l’évolution du système de santé traditionnel qui vont par la suite définir les défis à prendre en compte, afin d’améliorer le secteur et de répondre aux besoins ainsi qu’aux attentes des patients et des citoyens. Les données en santé sont alors aujourd’hui nombreuses et aident parfaitement les médecins et surtout les chercheurs, car auparavant, il constituait un blocage sur les différentes recherches effectuées par les chercheurs en santé. 

Prenons des exemples concrets : 

•  Le cas du Human Genome Project, un projet dans le domaine de la cancérologie qui était composé de deux programmes de séquençage et qui ont permis de générer plusieurs données publiques. Des données qui aident les scientifiques à comprendre ce qu’est le cancer grâce au séquençage du génome complet de plusieurs tumeurs différentes. Puis, les scientifiques partagent ce qu’ils ont pu déterminer sur la maladie et sur le traitement. 
• Même cas pour les données d’imagerie qui ne cessent de s’améliorer. D’après les statistiques, aux États-Unis, en 2015, plus de 45 millions de scan ont été effectués alors vingt ans plus tôt, le nombre de scan effectué était quatre fois inférieur à cela.

Sur les simples citoyens : à part le monde de la santé et les différents personnels de santé ainsi que les centres de santé, les simples citoyens eux aussi sont également en possession de plusieurs données. Des données qui soit ont été collectées, soit fournies à leur insu à l’aide d’objets connectés portables et des différentes applications qui leur sont liées. Si les données sont collectées ou fournies, pour les traiter, elles doivent avant tout être accessibles. 

Pourquoi est-il intéressant de traiter les données du Big Data ?

Ci-après les raisons qui expliquent le fait qu’il est intéressant de traiter les données du Big Data. 

Création de nouveaux algorithmes de machine Learning 

Le traitement et l’analyse des données du Big Data sont essentiels car ils ont permis de créer de nouveaux algorithmes de Machine Learning. IBM par exemple a mis en œuvre un projet nommé Watson. Deepmind a également mis en œuvre de son côté un projet de santé. Tous les deux répondent aux grands volumes de données en circulation. Il faut savoir que ces deux grandes entreprises se sont focalisées sur d’autres domaines auparavant, mais aujourd’hui, ont décidé de s’investir dans l’analyse des données concernant la santé publique. 

IBM et Deepmind se concentrent spécialement sur le cancer. Ces deux entreprises d’intelligence artificielle ont investi de puissants moyens afin de mieux répondre aux besoins et aux attentes des citoyens. Des résultats ont déjà été publiés. En 2016, grâce à l’intelligence artificielle, IBM a pu détecter un cas de leucémie jamais détecté par l’intelligence humaine. Watson d’IBM a ainsi prouvé que l’IA utilisée au service de la santé améliorera considérablement les soins donnés aux patients. Une preuve appuyée par l’université de Tokyo qui a affirmé que cette analyse a permis de diagnostiquer et de traiter des patients atteints de cancer. 

Accès au cloud et développement de nouveaux outils 

Auparavant, uniquement les entreprises qui détenaient les outils de pointe avaient accès au cloud et pouvaient développer des outils numériques. Aujourd’hui, avec les prix en baisse mais surtout avec la hausse de leur efficience, leurs usages sont démocratisés. De plus, avec un libre accès au cloud, de nouveaux hébergeurs voient le jour alors qu’auparavant, seuls les grands hébergeurs comme Amazon, Azure ou Google étaient susceptible de se positionner.

Cependant, chaque médaille à son revers. Aussi l’attention est donc de mise pour que les données soient sécurisées de manière adéquate. Pour assurer cette sécurité, l’hébergement des données est uniquement réservé aux personnes en mesure de respecter l’article L.111-8 du Code de la santé publique. Il peut être confié à une personne ayant consenti expressément à l’hébergement de ses données, ayant été agréé pour son activité. Cet hébergeur doit également être soumis à des règles de confidentialité qui sont bien évidemment incluses dans le code de la santé. Ses conditions ne concernent pas notamment les professionnels de santé ou les établissements de santé qui hébergent leurs propres données de santé. Ils ne sont pas soumis à l’agrément et ne sont pas tenus de recueillir le consentement de l’intéressé pour la conservation des données. Par contre, ils sont soumis aux règles de confidentialité.

Partage de données, data challenges 

L’analyse et le traitement des données Big Data ont également donné naissance au partage de données, aux datas challenges et des communautés en ligne ou hors ligne qui se partagent des données autour de la santé. Il y a par exemple Les groupes et les plateformes comme Synapse qui donnent des informations fiables et utiles sur les médicaments. Puis, il y a Kaggle qui est une plateforme web organisant des compétitions en science des données. Les entreprises proposent des problèmes en science des données puis offrent un prix aux spécialistes de données qui obtiennent les meilleures performances. Il y a aussi l’Epidemium qui est un programme de recherche scientifique participatif et ouvert qui se spécialise sur la compréhension du cancer grâce aux Big Data.  Epidemium partage des données et met en ligne les outils nécessaires tout en partageant des savoir-faire et des compétences. Il a également été prouvé que l’ouverture de la santé traditionnelle à d’autres horizons numériques peut amplement révolutionner le domaine de la santé, tout en apportant plusieurs types d’expertises et de résultats.

Quels sont les défis à relever pour obtenir une médecine personnalisée ? 

Selon le Pr Bernard Nordlinger «  Certaines de ces applications se concrétiseront et d’autres non, soit pour des raisons techniques, soit parce que tout progrès est plus hasardeux et difficile quand il concerne l’être humain que le commerce ou le transport en taxi ». Effectivement, aujourd’hui, il n’y a pas encore d’outils ou de plateformes qui ont apporté une amélioration dans la pratique de tous les jours pour le monde de la santé. 

Démocratisation des données 

Est–t-il impossible de penser qu’un jour la médecine soit personnalisée ? Où tout un chacun puisse accéder à des outils numériques qui permettent par exemple de choisir des traitements par rapport aux prédictions des données ? Où tout un chacun puisse considérer des critères variés de génétique ou de mode d’alimentation ? Où tout un chacun puisse dépister sa maladie en se fiant aux données collectées sur les moteurs de recherches ? Il est vrai que nombreuses sont les personnes qui se fient déjà aux données collectées sur les moteurs de recherches, mais tout le monde n’a pas forcément recours à ce type de méthode. La démocratisation des données est alors nécessaire car si les programmes de traitement personnalisés ont déjà été concluants, leurs résultats sont encore confidentiels. 

Invention des systèmes complexes 

Mis à part le passage à la démocratisation des données, il est également nécessaire d’inventer des systèmes complexes qui permettent l’intégration des données de différentes natures, de différentes sources et de différents formats. Les données sont nombreuses et dispersées. Leurs natures peuvent être génomiques, physiologiques, biologiques, sociales et même environnementales.   Leurs formats sont aussi différents. Il y a celles qui sont en format texte, d’autres au format images. Et leurs différences peuvent aussi résider dans les systèmes d’informations. Les informations peuvent provenir des hôpitaux, des bases publiques ou des entreprises privées. En plus d’un système complexe, il faut aussi mettre en place des algorithmes, une grande capacité de stockage et un calcul de bases de données. 

Création de systèmes interopérables 

Face à l’arrivée de telles innovations, les structures de santé ont créé leur propre système de santé. Elles sont alors indépendantes face aux autres types de structures. Ces systèmes ne sont pas interopérables et le partage des données est limité.  Le problème est que si un patient change de centre de santé, ses données ne sont pas automatiquement transmises vers le nouveau centre de santé. Les données peuvent être perdues ou rencontrer des problèmes de format. 

Renforcement de la capacité des citoyens ou le  patient empowerment 

Le patient empowerment est un processus de transformation personnelle par lequel les patients renforcent leur capacité à prendre soin d’eux même et de leur santé. Dans ce cas, il faut expliquer aux citoyens l’importance des données qu’ils ont en leur possession. Ils doivent être conscients de cet avantage, ils doivent comprendre leurs utilités et surtout ils doivent connaître les différents traitements des différentes maladies complexes.  

Miser sur la transparence des informations 

Les institutions doivent faire comprendre quelles sont les données collectées et où elles seront stockées, puis quels seront ses objectifs. Elles doivent jouer la carte de la transparence pour que le grand public puisse comprendre l’intérêt que représentent les données dans les différentes recherches.

Mettre en place un système de protection de données 

 Le fait de collecter des masses de données et de donner confiance aux citoyens concernant le partage de ces données, représente également un grand défi de sécurité. Au le milieu des années 90, les États-Unis ont mis en place Health Insurance Portability and accountability. C’est une loi votée par le Congrès des États-Unis qui concerne la santé et l’assurance maladie. Elle impose la mise en place et la mise en œuvre de mesures de sécurité et de confidentialité dans la création, dans la conservation et dans la transmission des données de santé. L’Union Européenne de son côté a adopté en 1995, la directive qui concerne la protection de données. Par contre, même si des lois sur la protection de données existent, des failles technologiques et des actes malveillants peuvent survenir. Certes, il y a ce qu’on appelle Blockchain qui est un mode de stockage et de  transmission de données sous forme de blocs liés les uns aux autres et protégés contre toute modification. Mais des questions se posent. Le système de santé et cette technologie seront-ils en accord ? Le système de santé est-il prêt à changer son mode de fonctionnement ? 

Pour conclure, avec l’avancée rapide de l’utilisation des Big Data dans divers domaines, il faut cependant accepter que le domaine de la santé ne soit pas encore le domaine qui enregistre la plus forte utilisation des données. Il commence progressivement à les utiliser mais il dispose encore d’une importante marge de progression. Il faut conserver un compromis entre les innovations et leurs usages. Les données sont là pour augmenter l’efficacité des métiers, des traitements ainsi que des préventions par le biais d’une prédiction, d’une réduction des coûts et surtout par la connaissance des maladies. Il ne faut pas s’y méprendre, l’utilisation de la Big Data n’a pas pour objectif de remplacer l’humain en tout point, mais bien d’améliorer l’efficience des processus que ce dernier met en place. Quoiqu’il en soit, implanter le Big Data dans le domaine de la santé prend du temps mais le projet est en cours. Les initiatives existent belles et bien, notamment depuis la crise sanitaire de la Covid-19 mais le retard est aussi là en matière de capacité de traitement et d’analyse des données. Dans ce cas, 4 objectifs doivent être priorisés : la valorisation du patrimoine de données, la facilitation de l’usage des données, la protection des données des citoyens-patients et l’innovation avec l’ensemble des acteurs. Ce qui est sûr, le Big Data bouleverse déjà le domaine de la santé !

Vous souhaitez vous former au Big Data ? Retrouvez les formations Data Full Stack et Data Analyst qui vous forment aux métiers de Data Analyst, Data Scientist, Data Engineer et AI Scientist.
Merci pour votre lecture ! Si vous souhaitez lire nos prochains articles autour de la Data et de l’IA, vous pouvez nous suivre sur Facebook, LinkedIn et Twitter pour être notifié lorsqu’un nouvel article est publié !

L’article Le Big Data en santé est apparu en premier sur DATAROCKSTARS.

Qu’est-ce que le Big Data ? Le terme “Big Data” est utilisé pour décrire le grand volume de données généré par les entreprises et les organisations. Ces données peuvent être analysées pour aider à améliorer les résultats commerciaux. Le Big Data peut être utilisé pour améliorer la prise de décision, optimiser les opérations et créer de nouveaux produits et services.

Le Big Data désigne les ensembles de données volumineux et complexes qui sont désormais générés par les entreprises et les organisations du monde entier. Pour donner un sens à cette vaste quantité d’informations, les entreprises doivent avoir accès à de puissants outils de traitement et d’analyse des données. Le Big Data a le potentiel de transformer le mode de fonctionnement des entreprises, en leur donnant la possibilité de prendre des décisions meilleures et plus informées.

Cependant, le Big Data soulève également des problèmes de confidentialité et de sécurité, car de grandes quantités d’informations sensibles sont stockées et partagées. Comme le Big Data continue de prendre de l’importance, il est essentiel que les entreprises s’assurent qu’elles disposent des outils et des protocoles nécessaires pour protéger cette précieuse ressource.

Dans ce billet de blog, nous allons voir ce qu’est le Big Data et comment il peut être utilisé au profit des entreprises.

Quels sont les 3 grands principes du Big Data ?

Les trois grands principes du Big Data sont : le volume, la vitesse et la variété.

– Volume : la quantité de données a son importance. Avec le Big Data, vous devrez traiter de gros volumes de données non structurées et à faible densité. Il peut s’agir de données de valeur inconnue, comme des flux de données Twitter, des flux de clics sur une page web ou une application mobile ou d’un appareil équipé d’un capteur. Pour certaines entreprises, cela peut correspondre à des dizaines de téraoctets de données. Pour d’autres, il peut s’agir de centaines de pétaoctets.

– La vitesse à laquelle les données sont reçues et éventuellement traitées. Normalement, les données haute vitesse sont transmises directement à la mémoire, plutôt que d’être écrites sur le disque. Certains produits intelligents accessibles via Internet opèrent en temps réel ou quasi réel et nécessitent une évaluation et une action en temps réel.

– Variété : Les big data se présentent sous de nombreuses formes différentes, telles que du texte, des images, des vidéos et des données de capteurs. La variété fait allusion aux nombreux types de données disponibles. Les types de données traditionnels ont été structurés et trouvent naturellement leur place dans une base de données relationnelle. Avec l’augmentation du Big Data, les données ne sont pas nécessairement structurées. Les types de données non structurés et semi-structurés, tels que le texte, l’audio et la vidéo, nécessitent un prétraitement supplémentaire pour en déduire le sens et prendre en charge les métadonnées.

Histoire du Big Data

Bien que le concept de Big Data soit relativement nouveau, les grands ensembles de données remontent aux années 60 et 70, lorsque le monde des données commençait à peine à démarrer avec les premiers datacenters et le développement de la base de données relationnelle.

En 2005, on assiste à une prise de conscience de la quantité de données que les utilisateurs générent sur Facebook, YouTube et autres services en ligne. Hadoop (une infrastructure open source créée spécifiquement pour stocker et analyser les jeux de Big Data) fut développé cette même année. NoSQL commença également à être de plus en plus utilisé à cette époque.

Le développement d’infrastructures open source telle que Hadoop (et, plus récemment, Spark) a été primordial pour la croissance du Big Data, car celles-ci facilitent l’utilisation du Big Data et réduisent les coûts de stockage. Depuis, le volume du Big Data a explosé. Les utilisateurs continuent de générer des quantités phénoménales de données, mais ils ne sont plus désormais les seuls.

Avec l’avènement de l’Internet of Things (IoT), de plus en plus d’objets et de terminaux sont connectés à Internet, collectant des données sur les habitudes d’utilisation des clients et les performances des produits. L’émergence du machine learning a produit encore plus de données.

Alors que le Big Data a fait beaucoup de chemin, son utilité commence à peine à se faire sentir. Le Cloud computing a encore décuplé ses possibilités. Le cloud offre une évolutivité considérable, les développeurs peuvent simplement faire fonctionner rapidement des clusters dédiés pour tester un sous-ensemble de données. Les bases de données graphes gagnent elles aussi en importance, car elles permettent d’afficher des quantités massives de données d’une manière qui rend l’analyse rapide et complète.

Comment le Big Data peut-il être utilisé ?

Le Big Data est utilisé à des fins diverses, telles que :

• Améliorer la prise de décision : Le Big Data peut  être utilisé pour identifier les tendances et les modèles, ce qui peut aider les entreprises à prendre de meilleures décisions.
• Optimiser les opérations : Le big data peut être utilisé pour améliorer l’efficacité des processus commerciaux.
• Créer de nouveaux produits et services : Le Big Data peut être utilisé pour créer de nouveaux produits et services adaptés aux besoins des clients.
• Le Big Data peut également être utilisé pour  améliorer le service à la clientèle, en identifiant et en répondant plus rapidement aux préoccupations des clients.

Le Big Data peut avoir un effet transformateur sur les entreprises, en leur donnant la possibilité de prendre de meilleures décisions, d’optimiser les opérations et de créer de nouveaux produits et services. Cependant, le Big Data soulève également des problèmes de confidentialité et de sécurité. Alors que le Big Data continue à prendre de l’importance, il est essentiel que les entreprises s’assurent que  ils disposent des outils et des protocoles nécessaires pour protéger cette précieuse ressource.

Quels sont les défis posés par le Big Data ?

Le Big Data peut poser un certain nombre de défis aux entreprises, notamment :

• La qualité des données : Comme les Big Data sont souvent non structurées et de faible densité, elles peuvent être difficiles à nettoyer et à préparer pour l’analyse. 
• Le big data suscite également des inquiétudes quant à la qualité et à la sécurité des données.
• Sécurité des données : Le big data peut contenir des informations sensibles qui doivent être protégées contre tout accès non autorisé.
• Vie privée : Le Big Data peut également poser des problèmes de confidentialité, car il peut être utilisé pour identifier des individus et leurs activités.

Le Big Data est un outil puissant qui peut transformer les entreprises. Cependant, il  pose également un certain nombre de défis, notamment en matière de qualité, de sécurité et de confidentialité des données. Alors que le Big Data continue de prendre de l’importance, il est essentiel que les entreprises soient conscientes de ces défis et disposent des outils et protocoles nécessaires pour protéger cette précieuse ressource.

Quelles sont les idées fausses les plus répandues sur le Big Data ?

Il existe un certain nombre d’idées fausses sur le Big Data notamment :

– Le Big Data est uniquement destiné aux grandes entreprises : Le Big Data peut être utilisé par des entreprises de toutes tailles.

– Le Big Data est uniquement destiné aux entreprises technologiques : Le Big Data peut être utilisé par des entreprises dans une variété d’industries.

– Le Big Data est uniquement destiné aux spécialistes des données : Bien que le Big Data nécessite une certaine expertise technique, il ne s’agit pas uniquement d’un outil de recherche . Le Big Data peut être utilisé par une variété de professionnels, notamment les analystes commerciaux et les chercheurs en marketing.

Le Big Data est un outil puissant qui peut être utilisé par des entreprises de toutes tailles et dans une variété de secteurs. Bien que le Big Data nécessite une certaine expertise technique, il n’est pas réservé aux data scientists. Le Big Data peut être utilisé par une variété de professionnels pour  transformer les entreprises.

Quelles sont les utilisations les plus courantes du Big Data ?

Les utilisations les plus courantes du Big Data sont notamment les suivantes :

– l’identification des tendances et des modèles

– l’amélioration du service à la clientèle

– la création de nouveaux produits et services

Le Big Data est un outil puissant qui peut être utilisé à des fins diverses, notamment pour identifier des tendances et des modèles,  d’améliorer le service à la clientèle et de créer de nouveaux produits et services. Le Big Data peut avoir un effet transformateur sur les entreprises, en leur donnant la possibilité de prendre de meilleures décisions, d’optimiser les opérations et de créer de nouveaux produits et services.

Comment le Big Data peut-il être utilisé pour améliorer le service à la clientèle ?

Le Big Data peut être utilisé pour améliorer le service client en :

– identifiant les préoccupations des clients

– améliorer l’assistance à la clientèle

– créer de nouvelles fonctionnalités et de nouveaux services

Le Big Data peut être utilisé pour améliorer le service client en identifiant les préoccupations des clients, en améliorant le support client et en créant de nouvelles fonctionnalités et de nouveaux services. Le Big Data peut aider les entreprises à mieux comprendre leurs clients et à leur fournir le niveau de service qu’ils attendent.

Quels sont les défis associés au Big Data ?

Les défis associés au Big Data sont les suivants

– la qualité des données

– la sécurité

– la confidentialité

Le Big Data est un outil puissant qui peut transformer les entreprises. Cependant, il pose également un certain nombre de défis, notamment en matière de qualité des données, de sécurité et de confidentialité. Alors que le Big Data continue de se développer  il est donc essentiel que les organisations soient conscientes de ces défis et disposent des outils et des protocoles nécessaires pour protéger cette précieuse ressource.

Pour conclure, quel est l’intérêt du Big Data ? 

En termes simples, il a le potentiel de résoudre des problèmes que vous n’auriez jamais pu résoudre auparavant. En exploitant la puissance d’énormes volumes de données provenant de nouvelles sources, vous pouvez obtenir des informations et comprendre des domaines qui étaient auparavant inaccessibles. Et ce n’est qu’un début – le Big Data n’en est qu’à ses débuts, et nous ne pouvons qu’imaginer les choses étonnantes qui seront possibles à l’avenir, à mesure que nous continuerons à explorer et à libérer son potentiel. Êtes-vous prêt à vous lancer ?

Vous souhaitez vous former au Big Data ? Retrouvez les formations Data Full Stack et Data Analyst qui vous forment aux métiers de Data Analyst, Data Scientist, Data Engineer et AI Scientist.
Merci pour votre lecture ! Si vous souhaitez lire nos prochains articles autour de la Data et de l’IA, vous pouvez nous suivre sur Facebook, LinkedIn et Twitter pour être notifié lorsqu’un nouvel article est publié ! 

L’article Qu’est-ce que le Big Data ? est apparu en premier sur DATAROCKSTARS.

Aujourd’hui à la portée de n’importe quelle structure professionnelle, les mégadonnées ou plus communément la Big Data devient une valeur sûre en matière de développement et de croissance. Sa bonne gestion et son exploitation permettent de mettre en lumière des issues à différentes sortes de problématiques liées aux efforts de prospérité de l’entreprise.

On attribue à l’utilisation des mégadonnées une grande variété d’applications dans le domaine entrepreneurial, que l’on parle de TPE-PME, de grands groupes, d’industries, etc. Presque tous les secteurs se ruent dessus : tourisme, commerce et e-commerce, médecine et pharmacologie, aéronautique, automobile, ainsi de suite. Donc concrètement, à quels genres d’utilisations a-t-on affaire lorsqu’on parle de Big data en entreprise ? La liste est longue. Voici une liste des applications phares de la big data.

• Le Big Data en entreprise pour faire de la publicité ciblée

Dans une optique d’optimiser leur visibilité sur internet, les entreprises optent pour la méthode du retargeting, afin de mieux intervenir là où le consommateur potentiel se trouve. Précisément, cela consiste d’abord à cibler des consommateurs clés. Il s’agit ensuite d’utiliser les données pour définir et modéliser les comportements des consommateurs, puis mieux les comprendre à travers leurs historiques de navigation. Un système de web tracking ou pistage permettra ensuite de suivre l’internaute sur d’autres sites internet. On lui propose sur place des publicités et des bannières promotionnelles qui correspondent à son intérêt pour un produit, un service ou une marque. 

• Le ciblage marketing

Les mégadonnées sont fortement impliquées dans les stratégies de marketing comportemental. L’étude des traces de navigation des internautes permet de dégager des tendances souvent impossibles à identifier avec des méthodes d’analyse de marché traditionnelles. Cela permet ainsi de mettre en lumière des clients potentiels auxquels les marques n’ont jamais pensé. C’est le cas par exemple au Japon à propos d’une entreprise de cosmétique. Après analyse des données du web, elle a découvert qu’une de ses gammes de protections solaires a été largement adoptée par une frange de clientèle masculine, composée principalement d’amateurs et de joueurs de golf… la marque en question s’octroie une nouvelle cible.

• Le big data en entreprise pour la stratégie dynamic pricing 

La dynamic pricing vise à faire varier ou ajuster le prix d’un produit ou d’un service à la volée, en fonction des conditions réelles du marché. Plus précisément, il permet de vendre le même produit à des prix différents à des panels différents de consommateurs. Le machine learning ou apprentissage automatique permet donc d’utiliser les mégadonnées pour comprendre et agir sur un certain nombre de variables du marché, tout en modélisant l’effet précis des changements sur les ventes. La tarification « algorithmique » qui s’ensuit se base sur le comportement des clients, le pouvoir d’achat, entre autres facteurs. On peut prendre pour exemple la compagnie aérienne qui fait évoluer le prix d’un même vol en tenant compte des tendances, des profils des voyageurs et de leurs habitudes : le prix d’un même billet peut ainsi passer d’un niveau plus abordable en faveur d’un nouveau client à un tarif premium pour un client « business ».

• Optimisation de sites internet e-commerce

Il s’agit d’une des plus grandes utilisations de la Big data dans le monde du business. L’analyse des mégadonnées a permis de faire évoluer le marketing comportemental au niveau d’internet. Aujourd’hui, grâce à la data science, l’intelligence artificielle du web ou encore le cloud computing, les sites internet des enseignes d’e-commerce ou de grande distribution en ligne affichent des pages d’accueil qui correspondent davantage aux goûts, aux intérêts, aux historiques de recherches des internautes, etc. Une grande majorité de sites permettent aujourd’hui une navigation fluide et adaptative.

• Amélioration de services

Certaines entreprises perdent en performance tout simplement parce qu’il n’y a pas assez de recherche, de clairvoyance, de vélocité et de réactivité en matière d’amélioration de relation client. L’utilisation et l’exploitation à bon escient de la data permettent de visualiser ce qui peut compromettre la satisfaction des usagers et ce lien avec les clients. Chez les banques et les assureurs par exemple, le manque de dynamisme dans la mise en place de services mobiles personnalisés a créé du mécontentement chez la clientèle. En étudiant leurs propres données à la data science ou à la data visualisation, les différents établissements ont pu identifier cet accroc, et mis en route des innovations constituées d’offres mobiles et de l’environnement approprié.

• Amélioration des processus de recrutement et RH

La data science a permis l’émergence de nouvelles stratégies RH et principalement en matière de recherche de compétences. Les entreprises en quête de CV de qualité n’ont plus aujourd’hui qu’à se servir chez de nombreux job-boards. Mais elles peuvent aussi compter sur de nombreuses solutions basées sur l’analyse de la data, permettant par exemple d’évaluer rapidement les compétences des candidats, de cibler les offres d’emploi, de contacter des candidats actifs ou des professionnels passifs, etc. Et cette approche par la Big data ne permet pas seulement de minimiser les coûts et les délais d’embauche. Grâce à un algorithme, elle permet de mettre en route ce qu’on appelle recrutement prédictif : anticiper la fidélité ou la capacité de réussite au poste d’une personne recrutée. Big Data en entreprise

• Maintenance et sécurité

L’analyse prédictive est parmi les principales prouesses dans l’utilisation de la Big data et du machine learning. Elle est principalement importante dans le secteur des industries et principalement en matière de maintenance prédictive (aéronautique, transport aérien et auto, etc). Apparentée à de la maintenance préventive en beaucoup plus poussée et tenant compte de la réalité, cette approche consiste à anticiper une panne ou un dysfonctionnement. La disposition des mégadonnées et leur analyse grâce au machine learning permettent effectivement aux industries de prévoir le délai de vie réel des pièces. On peut déterminer leur niveau d’usure et les moindres défauts de fonctionnement grâce à des capteurs et autres dispositifs connectés. Cela donne lieu à une prédiction de pannes et détermine une date où la machine va nécessiter une réparation.

Comment tirer profit de la Big data en entreprise ?

Les mégadonnées ne sont tout simplement plus l’apanage des grands groupes et des multinationales. Les TPE-PME sont même en première ligne pour pouvoir tirer tout le bénéfice de la big data, étant donné leur structure humaine permettant un flux d’informations et de données plus véloce et plus accessible. Nul besoin d’avoir un système de data science sophistiqué. Il suffit parfois de miser sur les données issues des pages de réseaux sociaux, des utilisateurs de son site web, de son outil CRM, de toutes les informations qui sont stockées ou qui transitent dans ses services, etc. La combinaison de ces datas avec celles en provenance de sources tierces (sites d’emploi ou de recrutement, réseaux sociaux et professionnels, etc) constitue déjà une énorme source de solutions aux différentes problématiques de performance et de croissance. 

Mais pour passer le cap de l’utilisation de la data science, il faut déjà assurer une mise en place et une mise en fonctionnement efficace : justifier l’utilisation la Big data pour l’entreprise, mettre en place un dialogue avec les métiers et donner un cadre aux travaux de data science, s’entourer de spécialistes confirmés en datas pour le montage et la mise en œuvre du projet. A noter surtout que la réalisation d’un tel projet nécessite un délai important. Aussi, pour pouvoir tirer profit d’une exploitation efficace de la big data science en temps voulu, il faut agir dès maintenant !

Vous souhaitez vous former au Big Data ? Retrouvez les formation Data Full Stack et Data Analyst qui vous forment aux métiers de Data Analyst, Data Scientist, Data Engineer et AI Scientist.
Merci pour votre lecture ! Si vous souhaitez lire nos prochains articles autour de la Data et de l’IA, vous pouvez nous suivre sur Facebook, LinkedIn et Twitter pour être notifié lorsqu’un nouvel article est publié !

L’article 7 exemples d’utilisation du big data en entreprise est apparu en premier sur DATAROCKSTARS.