Traduit de Anglais vers Français - www.onlinedoctranslator.

com

Informatique et génie industriel 101 (2016) 572-591

Listes de matières disponibles surScienceDirect

Informatique et génie industriel

page d'accueil du journal : www.elsevier.com/locate/caie

Big Data pour la gestion de la chaîne d'approvisionnement dans les secteurs des
services et de la fabrication : défis, opportunités et perspectives d'avenir

Ray Y. Zhongun,⇑, Stephen T. Newmanb, George Q. Huangc, Shulin Lanc

unDépartement de génie mécanique, Université d'Auckland, Auckland, Nouvelle-Zélande
bDépartement de génie mécanique, Université de Bath, Bath, Royaume-Uni
cLaboratoire HKU-ZIRI pour l'Internet physique, Département d'ingénierie des systèmes industriels et de fabrication, Université de Hong Kong, Hong Kong

informations sur l'article abstrait

Historique des articles : Les données issues des secteurs des services et de l’industrie manufacturière se multiplient fortement et suscitent un engouement
Disponible en ligne le 15 juillet 2016 croissant pour la notion de Big Data. Cet article étudie les applications Big Data représentatives de services typiques tels que la finance et
l'économie, la santé, la gestion de la chaîne d'approvisionnement (SCM) et le secteur manufacturier. Les technologies actuelles des
Mots clés: aspects clés de la technologie de stockage, de la technologie de traitement des données, de la technique de visualisation des données, de
Big Data l'analyse Big Data, ainsi que des modèles et des algorithmes sont examinées. Cet article propose ensuite une discussion basée sur
Demandes de services
l'analyse des mouvements actuels du Big Data pour le SCM dans les services et la fabrication dans le monde entier, y compris en
Secteur manufacturier
Amérique du Nord, en Europe et dans la région Asie-Pacifique. Les défis actuels, les opportunités et les perspectives futures tels que les
Gestion de la chaîne d'approvisionnement (SCM)
méthodes de collecte de données, la transmission de données, le stockage de données, les technologies de traitement pour le Big Data,
les modèles de prise de décision basés sur le Big Data, ainsi que l'interprétation et l'application du Big Data sont mis en évidence. Les
observations et les idées de ce document pourraient être consultées par les universitaires et les praticiens lors de la mise en œuvre de
l'analyse Big Data dans les secteurs des services et de la fabrication.

- 2016 Elsevier Ltd. Tous droits réservés.

1. Introduction
Le secteur des services fait référence à une implication dans la fourniture de services
aux entreprises et aux consommateurs finaux, tels que la finance, les soins de santé,
l'artisanat, le tourisme, les services informatiques et les restaurants (Reijers, 2003). Le
secteur manufacturier est la production de marchandises utilisant des matières
premières, du travail, des machines, des outils, etc., faisant référence à une gamme
d'activités humaines (Ferdows et De Meyer, 1990). Les secteurs des services et de la
fabrication jouent un rôle important dans l'économie où les services constituent la partie
« douce », c'est-à-dire les activités où les gens offrent les connaissances et le temps
nécessaires pour améliorer les performances, la durabilité, la productivité et le potentiel ;
tandis que la fabrication inclut la partie « dure », c'est-à-dire les activités où les gens
utilisent les machines et les outils pour transformer les matières premières en produits
finis, déplacer les marchandises des fabricants aux détaillants par véhicules et procéder à
l'élimination et au recyclage des biens usagés (Brouthers et Brouthers, 2003).
Aujourd’hui, les secteurs des services et de l’industrie sont confrontés à un
tsunami de données. International Data Corporation a rapporté que plus de 1 600
exaoctets de données ont été créés en 2015 dans les deux secteurs. Le volume de
données continue de croître considérablement, en partie parce que
⇑Auteur correspondant.
Adresses mail:zhongzry@gmail.com (RY Zhong),STNewman@bath.ac.uk (ST
Newman),gqhuang@hku.hk (GQ Huang),lanshulin1988@sina.com (S. Lan).
les secteurs des services et de la fabrication ont beaucoup plus de main-d'œuvre
et sont progressivement rassemblés grâce aux technologies de l'information
avancées telles que les appareils mobiles à détection omniprésente, les techniques
de détection aérienne, les caméras, les microphones, les technologies de l'Internet
des objets (IoT) (par exemple RFID, codes-barres) et les réseaux de capteurs sans
fil. (Alfalla-Luque, Marin-Garcia et Medina-Lopez, 2014 ; Dimakopoulou, Pramatari
et Tsekrekos, 2014 ; Zhong, Huang, Dai et Zhang, 2013). Ces ensembles de
données sont si immenses et complexes qu’il est difficile de les gérer à l’aide
d’outils de gestion de bases de données disponibles ou d’applications de
traitement traditionnelles.
Le « Big Data », qui faisait initialement référence à l'énorme flux de données
de l'ordre de l'exaoctet et au-delà, a étendu la portée des capacités technologiques
pour stocker, gérer, traiter, interpréter et visualiser la quantité de données (
Kaisler, Armure, Espinosa et Argent, 2013). Le concept de Big Data est exposé pour
la première fois dans un article de la bibliothèque numérique ACM en octobre
1997 (Gil Press, 2012). Il a été utilisé pour définir un défi de visualisation pour les
systèmes comportant des ensembles de données assez volumineux en
informatique. Depuis lors, il a suscité une grande attention tant dans le monde
universitaire que dans les domaines pratiques. Le Big Data a considérablement
stimulé la demande de spécialistes en gestion de l'information, à tel point qu'AG,
Oracle, IBM, Microsoft, SAP, EMC, HP et Dell ont dépensé plus de 15 milliards de
dollars en analyse et traitement de données (Syed, Gillela et Venugopal, 2013). Le
Big Data est censé être l’un des 10 marchés les plus prospères du siècle à venir.

http://dx.doi.org/10.1016/j.cie.2016.07.013 0360-8352/-
2016 Elsevier Ltd. Tous droits réservés.
 RY Zhong et coll. / Informatique et génie industriel 101 (2016) 572–591
En 2010, on estimait que cette industrie à elle seule valait plus de 100
milliards de dollars et connaissait une croissance d'environ 10 % par an (
Weng et Weng, 2013). D’après les statistiques, on estime que le marché
mondial du Big Data atteindra 118,52 milliards de dollars d’ici 2022, avec un
taux de croissance annuel composé de 26 % au cours de l’année de prévision
de 2014 à 2022 (NewsOn6.com).
La gestion de la chaîne d'approvisionnement des services et de la fabrication
(SM-SCM) entreprend la numérisation depuis plusieurs décennies. Étant donné
que les SM-SCM sont largement impliqués dans une gamme d'activités humaines
allant des installations aéronautiques aux nécessités quotidiennes, les
performances et l'efficacité sont significatives, ce qui a conduit à l'initialisation du
Big Data (Eichengreen et Gupta, 2013). Le jumelage SM-SCM avec Big Data est
capable de créer de meilleurs mécanismes de prise de décision lors de l'utilisation
des ressources naturelles. À cette fin, de grandes initiatives de financement telles
que Digging into Data encouragent explicitement les chercheurs et les praticiens à
s'engager dans des études capables de conduire à une meilleure compréhension,
au développement et aux applications du Big Data.
Pendant longtemps, les SM-SCM se sont concentrés sur la collecte et le
stockage d'énormes données (Dekker, Pinçe, Zuidwijk et Jalil, 2013). Toutefois, elle
se trouve confrontée à de grands défis lorsqu’elle envisage d’exploiter pleinement
ces données. Dans cet article, les défis sont résumés sous la forme « 5V » compte
tenu des caractéristiques typiques du SM-SCM.
- Volume:Une énorme quantité de données est générée chaque seconde au sein
de SM-SCM en provenance du monde entier. Par exemple, on calcule qu'un
fabricant de produits de soins personnels génère 5 000 échantillons de
données toutes les 33 ms, ce qui donne 152 000 échantillons par seconde, 9
millions par minute, 13 milliards par jour et 4 000 milliards d'échantillons par
an (Markopoulos, 2012). L’accumulation d’ensembles de données de plus en
plus volumineux inonde le collecteur de données, les réseaux de transfert et
les installations de stockage.
- Rapidité:La vitesse de traitement d'un ensemble de données aussi volumineux à
partir de SM-SCM est importante car les décisions basées sur les données doivent
être prises le plus rapidement possible. La vitesse dépend principalement de la
vitesse de collecte des données, de la fiabilité du transfert des données, de l'efficacité
du stockage des données, de la vitesse d'exploration de la découverte de
connaissances utiles, ainsi que des modèles et algorithmes de prise de décision.
- Variété:Les vastes données du SM-SCM sont généralement variables en raison
de la diversité des sources et des formats hétérogènes. De nouveaux types de
données proliféreront à partir de divers capteurs utilisés dans les sites de
fabrication, les autoroutes, les magasins de détail et les maisons équipées.
L’intégration de données aussi diverses dans des formats standard nécessite
un langage de composition plus général et plus complexe.
- Vérification:Il existe une grande myriade de mauvaises données (par exemple,
des bruits, des attributs inexacts, etc.) provenant du SM-SCM Big Data qui
doivent être vérifiées afin que les bonnes données puissent être sélectionnées.
La vérification doit généralement être effectuée sous certaines autorités et
niveaux de sécurité. Ainsi, le processus de vérification conçu et développé
comme des outils permettant de vérifier automatiquement les problèmes de
qualité et de conformité peut prendre en compte différentes situations, dont
certaines peuvent être si complexes qu'il est difficile de les résoudre.
- Valeur:La valeur du Big Data est difficile à évaluer en SM-SCM. Premièrement,
extraire de la valeur du Big Data est difficile en raison des obstacles causés par
les quatre facteurs précédents. Deuxièmement, il est difficile d’examiner les
impacts sur les connaissances, les avantages et les processus commerciaux au
sein des deux secteurs. Troisièmement, la valeur des rapports, des statistiques
et des décisions obtenus à partir du Big Data est difficile à mesurer en raison
de leur grande influence sur les perspectives micro et macro.
Afin de comprendre en profondeur le Big Data et de stimuler les techniques
potentielles pour relever les défis du SM-SCM, cet article présente une enquête
complète sur le Big Data pour le SM-SCM. Ce document contient principalement
quatre sections : les applications Big Data représentatives dans SM-SCM, les
technologies Big Data, les mouvements actuels dans le monde, ainsi que les défis,
opportunités et opportunités actuels.
573
perspectives d'avenir. Les domaines clés du SM-SCM tels que la finance et
l'économie, la logistique et la gestion de la chaîne d'approvisionnement (LSCM) et
le secteur manufacturier sont concentrés dans la section.2. Section3se concentre
sur le stockage, le traitement des données, les technologies de visualisation de
données, l'analyse Big Data et les modèles Big Data pour la prise de décision qui
sont des préoccupations cruciales dans SM-SCM. La section suivante passe en
revue les mouvements actuels des principales régions, notamment l'Amérique du
Nord, l'Europe et l'Asie-Pacifique. Une discussion majeure est fournie dans la
section5, des défis actuels, des opportunités et des perspectives d'avenir en
matière de méthodes de collecte de données, de transmission de données, de
stockage de données, de technologies de traitement pour le Big Data, de modèles
de prise de décision basés sur le Big Data ainsi que d'interrelation et d'applications
Big Data. Avec section6En identifiant un certain nombre de conclusions de
l'enquête, des idées et des leçons sont explorées.
2. Applications Big Data représentatives dans SM-SCM
Des exemples illustratifs d'applications Big Data dans SM-SCM sont
présentés, notamment la finance et l'économie, la santé, la biologie, le
secteur informatique, la logistique et la gestion de la chaîne
d'approvisionnement (LSCM) et le secteur manufacturier.
2.1. Finances et économie
On estime que le Big Data mondial dans le secteur des services financiers
connaîtra une croissance annuelle composée de 56,69 % sur la période 2012-2016
(Globe-Newswire, 2013). Dans la plupart des institutions financières comme les
banques, les compagnies d’assurance et les sociétés de courtage, le Big Data est
courant en raison de l’ampleur des transactions et des activités. Cela affecte
directement la manière dont les individus, les groupes et les organisations gèrent
les ressources rares.Garel-Jones (2011)a expliqué comment le secteur des services
financiers est capable d'utiliser l'analyse du Big Data pour prédire les
comportements des clients, libérant ainsi les informations contenues dans les
données pour mieux comprendre les clients, les concurrents et les employés afin
d'obtenir un avantage concurrentiel. La modélisation prédictive et la prise de
décision en temps réel jouent un rôle essentiel dans la recherche d'un avantage
concurrentiel sur les marchés dynamiques pour les institutions financières (
Tourbe, 2013). Afin d'examiner la volatilité des marchés financiers, une approche
Big Data a été proposée pour calculer la probabilité synchronisée de volume de
trading informé (VPIN) (Wu, Bethel, Gu, Leinweber et Ruebel, 2013). Pour un CFO
(Chief Financial Officer) qui est l'entité clé pour la prise de décision stratégique, le
Big Data offre l'opportunité d'utiliser les informations, les tendances et les
connaissances cachées dans les grands ensembles de données. À cette fin, un
outil de business intelligence et d'analyse a été introduit pour utiliser le Big Data
pour aider le CFO à rechercher de meilleures données, à fournir une plus grande
valeur et à prendre de meilleures décisions (Chen, Chiang et Storey, 2012).
On estime que la capacité d’analyse des Big Data est essentielle à une
concurrence réussie. C’est pourquoi un grand nombre d’institutions
financières ont pris l’initiative de mettre en œuvre les technologies Big Data.
Par exemple, en 2012, un certain nombre d’institutions financières telles que
European Hedge Fund, Global Investment Bank, Retail Banking Innovation
Leader, Asia/Pacific National Bank, Expanding US Property Insurer, Global
European Institution, Investment Research Institution et Community Bank
ont utilisé Big Données permettant d'obtenir différentes réalisations telles
que l'optimisation de la découverte des prix et des stratégies
d'investissement pour les transactions et les swaps de portefeuille
importants, la création de renseignements commerciaux et l'assistance à
l'optimisation des offres et des prix pour les clients de détail, le suivi des
médias sociaux dans des campagnes de marché affinées, etc.Versace et
Karen, 2012).Fang et Zhang (2016)a étudié les solutions Big Data pour les
pionniers des praticiens financiers afin d'obtenir des informations
exploitables à partir de données de marché massives.
574 RY Zhong et coll. / Informatique et génie industriel 101 (2016) 572–591

2.2. Soins de santé Wade (Université de l'Alabama). Certaines investigations de recherche et

d'applications ont été réalisées parWang, Gunasekaran, Ngai et
Avec l'adoption croissante des dossiers numérisés et des notes des médecins Papadopoulos (2016)pour examiner l'analyse du Big Data dans la logistique
dans le domaine de la santé, l'analyse des Big Data générées est très importante. et la gestion de la chaîne d'approvisionnement. Récemment, un numéro
IBM Watson pourrait être l'un des pionniers à utiliser des bases de données cloud spécial édité par Sanders et Ganeshan dans POMS (Production and
et des superordinateurs pour traiter un grand volume de données afin que les Operations Management) s'est concentré sur le Big Data dans la gestion de
médecins puissent utiliser les informations ou les connaissances extraites pour la chaîne d'approvisionnement.
des traitements médicaux personnalisés (Joshi et Yesha, 2012). Dell a récemment Les principales entreprises de logistique comme DHL et UPS ont pris des
collaboré avec le Translational Genomic Research Institute (TGen) pour établir le mesures dans le domaine du Big Data pour améliorer leur compétitivité dans le
premier essai de médecine personnalisée au monde pour le cancer pédiatrique LSCM mondial.Tableau 1montre les mouvements actuels des 10 plus grandes
utilisant le Big Data et l'infrastructure cloud (O'Driscoll, Daugelaite et Sleator, 2013 entreprises de logistique au monde pour 2013 dans la mise en œuvre de
). GNS Healthcare, une société d'analyse de données, en collaboration avec stratégies Big Data.
Covance, un organisme de recherche, a adopté le Big Data pour gérer la
modélisation des essais cliniques sur le diabète (Harrison, 2012). Les entités
2.4. Secteur manufacturier
collaborées utilisent d'immenses données obtenues auprès de Covance pour
soutenir le développement de médicaments précliniques et cliniques grâce à
Le secteur manufacturier est inondé par une énorme quantité de données
l'ingénierie inverse de GNS Healthcare.
puisque divers capteurs, appareils électroniques et machines numériques sont
Le Big Data est même intégré dans notre vie quotidienne et nous pouvons
utilisés dans les lignes de production, les ateliers et les usines (Zhong et coll., 2015
utiliser le site Web pour examiner nos expériences en matière de maladie et de
). Ce secteur conserve plus de données que les autres secteurs, estimant à près de
soins de santé.Luton (2013)ont signalé une pléthore de plateformes numériques
2 Exaoctets de nouvelles données stockées en 2010 (Nedelcu, 2013). IDC a
interactives sous le phénomène du Big Data et des assemblages métriques. En
rapporté qu'au cours des prochaines années, les fabricants envisagent de plus en
prenant l'industrie pharmaceutique par exemple, les collectes de données
plus d'utiliser le service comme différenciateur concurrentiel, parallèlement à
représentent un volume considérable, de sorte que Cloudera, un fournisseur de
l'analyse Big Data, pour générer des revenus rentables à long terme (Spotfire,
services américain, aide ces entreprises à administrer la collecte de données (
2013). Les dirigeants des entreprises manufacturières de pointe exploitent le Big
Schultz, 2013).Currie (2013)a permis une utilisation appropriée des vastes données
Data pour optimiser leurs opérations et prendre des décisions stratégiques en
administratives telles que les résumés de sortie d'hôpital et les réclamations
temps réel (Khatri, 2013). Merck, une société pharmaceutique spécialisée dans la
d'assurance dans la recherche en pédiatrie pour permettre aux gens de répondre
production de vaccins, utilise l'analyse Big Data pour optimiser sa fabrication (
à des questions importantes. Dans un cas spécifique de diabète, par exemple, un
Henschen, 2014). Raytheon Corp. a utilisé le Big Data pour créer des usines
système appelé DiabeticLink a été mis en œuvre aux États-Unis et à Taiwan pour
intelligentes basées sur la puissante capacité de gestion des informations
tirer parti du Big Data afin de créer un système de médias sociaux de santé (Chen,
provenant de diverses sources de données telles que des modèles CAO, des
Compton et Hsiao, 2013). Les mégadonnées de santé ont été utilisées pour
capteurs, des instruments, des transactions Internet, des simulations et des
améliorer l’efficacité et la sécurité thérapeutiques (Schneeweiss, 2016). Des
enregistrements numériques dans l'entreprise (Noor, 2013). Itron, fabricant de
recherches approfondies sur le Big Data dans les soins de santé pourraient être
compteurs d'eau et Schmitz Cargobull, fabricant allemand de carrosseries et de
observées dans la littérature afin que davantage d'opportunités puissent être
remorques, utilisent l'analyse Big Data pour fournir des solutions de « réseau
exposées à la fois dans le monde universitaire et dans la pratique (Feldman,
intelligent » afin de se rendre indispensable à leurs clients et de superviser la
Martin et Skotnes, 2012 ; Raghupathi et Raghupathi, 2014).
maintenance, les températures des marchandises et les itinéraires de leurs clients.
remorques respectivement (Stephen, Serguei et Arnd, 2014). GE publie
actuellement un livre blanc qui discute des moyens du Big Data pour le secteur
2.3. Gestion de la chaîne d'approvisionnement (SCM)
industriel qui est en mesure de tirer parti du Big Data pour améliorer
considérablement les performances opérationnelles (GE, 2014). Selon le Japan
Le secteur mondial de la logistique dispose d’une quantité toujours croissante
Times, Toyota Motor a réalisé un service de trafic en direct utilisant le Big Data
de Big Data et est inondé de données en temps réel allant des téléphones
pour cibler les gouvernements locaux et les entreprises à partir de 700 000
intelligents, capteurs et machines numériques aux échanges de données B2B. Un
véhicules Toyota sur les routes (Phnéah, 2013). Ce service pourrait rapporter 16
tel Big Data apporte une nouvelle source d'avantages concurrentiels aux acteurs
milliards de dollars par an à Toyota sans sous-estimation. Siemens utilisant le Big
de la logistique pour gérer la chaîne d'approvisionnement afin d'obtenir une
Data de quelque 100 000 mesures quotidiennes dans les centrales électriques du
visibilité accrue, la capacité de s'adapter à la demande et aux fluctuations de
monde entier a développé des services de diagnostic à distance (RDS) pour
capacité en temps réel, ainsi qu'un aperçu des comportements des clients. et des
analyser les comportements opérationnels (Siemens, 2014). Rolls-Royce, le
modèles pour obtenir des prix plus intelligents et de meilleurs produits (
constructeur de moteurs, a fait passer le Big Data à la vitesse supérieure avec
Swaminathan, 2012). Le Council of Supply Chain Management Professionals
l'unité de surveillance de la santé du moteur (EHMU) qui utilise les données
(CSCMP) poursuit ainsi actuellement deux projets complémentaires qui visent à
collectées par le capteur à partir de différents composants, systèmes et lignes de
aborder ce que le Big Data signifie pour la logistique et la gestion de la chaîne
fabrication pour améliorer la qualité du produit (BigData-Startups, 2013). Ramco
d'approvisionnement (CSCMP, 2014). L'une d'entre elles est « Big Data : qu'est-ce
Cements Limited (RCL), une entreprise phare indienne fondée en 1938, a utilisé le
que cela signifie pour la gestion de la chaîne d'approvisionnement ? » porté par
Big Data pour gérer le développement de ses produits, ses opérations et sa
Mark Barratt (Université Marquette), Annibal Camara Sodero (Université de
logistique (Dutta et Bose, 2015). Une enquête complète sur le Big Data dans
l'Arkansas) et Yao Jin (Université de l'Arkansas) pour : (1) développer une
l'industrie manufacturière a été menée pour évaluer le potentiel, comme l'analyse
taxonomie de sources de données, y compris le Big Data, qui pourraient être
des attributs cruciaux de l'industrie, des solutions et des études de cas de 2014 à
prises en compte pour la prise de décision dans les chaînes d'approvisionnement
2019 (Esprit-Commerce, 2014).
de détail ; (2) explorer l’utilisation actuelle et potentielle de l’analyse Big Data dans
et entre plusieurs secteurs ; et (3) identifier les implications générales et
particulières de l’utilisation du Big Data. L'autre est « Le quoi, le comment et le
pourquoi du Big Data dans les relations de la chaîne d'approvisionnement : une
étude sur la structure, les processus et les performances », en collaboration avec 3. Technologies et modèles Big Data
R. Glenn Richey (Université de l'Alabama), Chad W. Autry (Université du
Tennessee). ), Frank G. Adams (Université d'État du Mississippi), Tyler R. Morgan Technologies Big Data actuelles en termes de stockage (prétraitement),
(Université d'Alabama), Kristina Lindsey (Université d'Alabama) et Taylor de traitement des données, de visualisation des données (post-traitement),
d'analyse Big Data, ainsi que de modèles et algorithmes de décision.
 RY Zhong et coll. / Informatique et génie industriel 101 (2016) 572–591 575

Tableau 1
Mouvements actuels du Big Data des 10 plus grandes entreprises de logistique.

Non. Nom de l'entreprise Pays Mouvements actuels Les références

1 Le service postal des États- États-Unis Un service de portail avec une approche architecturale est conçu pour ingérer et traiter MeriTalk (2014)
Unis (USPS) rapidement les Big Data collectées auprès des entreprises postales. USPS a déplacé la base de et Rath (2013)
données en mémoire pour répondre aux exigences en temps réel
2 DHL Express Allemagne DHL a actuellement lancé un nouveau rapport de tendances intitulé Big Data in Logistics, proposant une Martin, Moritz,
solution Big Data pour mettre en valeur l'efficacité opérationnelle, l'expérience client et les nouveaux et Franck
modèles commerciaux. (2013)
3 Service de colis uni États-Unis Il a été rapporté qu'UPS dépense 1 milliard de dollars par an en Big Data par Dave Barnes, directeur de Bloomberg
d'Amérique du Nord, Inc. l'information chez UPS, pour changer le secteur du transport maritime et réduire les coûts de carburant et (2013)
(UPS) de l'entreprise.
4 AP Moller – Groupe Danemark Le département R&D stratégique a développé un projet d'innovation pour analyser les actifs Big Fawcett et
Maersk (Maersk) Data des clients afin d'y parvenir en étroite collaboration avec les fournisseurs clés et les unités Waller (2013)
commerciales de Maersk.
5 FedEx Corporation États-Unis FedEx a réussi à permettre à ses clients de suivre leurs colis en temps réel grâce au Big Capron (2013)
Data.
6 La Poste France Soutenue par Sopra ISD, La Poste Courrier a proposé sa solution plateforme basée sur le Big Data. Crochet-Damais
Il s'agit d'une nouvelle version du moteur de recherche utilisant la technologie CloudView. COSCO (2013)
7 Expédition maritime en Chine Chine s'est lancé sur de nouveaux marchés avec IBM et SAP pour accroître sa compétitivité et stimuler la IBM-SAP (2013)
(Société du groupe croissance des entreprises grâce au Big Data.
(COSCO)
8 Poste japonaise Japon Un plan d'affaires a été proposé pour avancer dans de nouveaux domaines comme l'expansion de ses Fukase (2013)
activités de commerce électronique et le développement de davantage d'immobilier commercial pour tirer
parti du Big Data de ses clients.
9 Nippon Express Co., Ltd. Japon NEC a actuellement lancé un projet basé sur la technologie de contrôle de réseau OpenFlow pour gérer son NEC (2012)
Big Data en tant que centre de données sur des réseaux cloud afin d'améliorer l'efficacité et de réduire les
coûts d'exploitation.
dix Groupe Royal Mail Royaume-Uni de Grande- Actuellement, Royal Mail Group a investi dans une capacité multifonctionnelle pour utiliser les méthodes Big LMG (2014)
Limité Bretagne et du Nord Data pour stimuler l'innovation dans les produits, services et opérations.
Irlande

Les enjeux ont été identifiés puisqu’ils constituent les principales préoccupations
dans l’application du Big Data dans le SM-SCM.
3.1. Technologie de stockage
Avec la grande myriade d'appareils électroniques largement utilisés dans SM-
SCM, les entreprises doivent stocker une quantité toujours croissante de données,
afin que les requêtes, l'analyse et la visualisation des données puissent être
exécutées. La technologie de stockage est l’un des aspects essentiels qui
impliquent des périphériques matériels et des systèmes ou mécanismes de
stockage.
Depuis des décennies maintenant, certaines industries gèrent de grands
ensembles de données sur des systèmes de calcul haute performance (HPC) où la
prise de décision interrogerait ces données pour en déterminer la valeur
commerciale (Adshead, 2013). Cependant, le Big Data traite aujourd’hui
généralement de très vastes ensembles de données non structurées, diversifiées
et hétérogènes, qui dépendent d’un stockage rapide et efficace. Pour les plus
grands praticiens du Big Data comme Google, Facebook, Apple et Twitter, des
environnements informatiques hyperscale (HCE) ont été adoptés pour exécuter
des environnements comme Hadoop, NoSQL et Cassandra, qui disposent d'un
stockage flash PCIe ou en plus du stockage sur disque pour réduire réduire la
latence de stockage au minimum (Chen, Mao, Zhang et Leung, 2014). Pour
certaines petites et moyennes entreprises (PME) qui ont besoin de pouvoir gérer le
stockage relatif du Big Data, les systèmes dotés des attributs requis sont
généralement des NAS évolutifs ou en cluster (stockage en réseau), basés sur un
accès aux fichiers partagé. stockage en utilisant des systèmes de fichiers parallèles
répartis sur de nombreux nœuds de stockage réseau (Raman, 2014). Fournisseurs
spécialisés de la solution NAS en cluster comme Isilon (États-Unis fondé en 2001),
BlueArc (États-Unis fondé en 1998), Huawei (Chine. Fondé en 1988), NetApp (États-
Unis fondé en 1992), Gluster Inc. (Inde. Fondé en 2005 ), EMC (fondé aux États-Unis
en 1979) et Hitachi (Japon. Fondé en 1910), sont en mesure de fournir des
solutions fiables, capables de gérer un grand nombre de fichiers sans le type de
dégradation des performances qui se produit avec les systèmes de fichiers
ordinaires à mesure qu'ils se développent. . Il a été rapporté que les deux
premières sociétés ont été rachetées récemment par les deux derniers grands
fournisseurs de stockage, respectivement.
tivement ceux qui envisagent de se lancer sur le marché
(Higginbotham, 2010 ; Network Computing, 2011).
L'autre méthode de stockage Big Data est un mécanisme basé sur les
objets selon lequel chaque fichier possède un identifiant qui indexe les
données et leur emplacement. Les systèmes de stockage d'objets sont
capables d'évoluer vers des capacités très élevées et des fichiers volumineux
afin que les entreprises puissent tirer parti du Big Data comme moyen DNS
de faire des choses sur Internet (Mesnier, Ganger et Riedel, 2003). Prenez
par exemple un système de stockage d'objets typique ObjectRocket de
RACKSPACE. Les utilisateurs finaux bénéficient d'une faible latence, de
hautes performances et d'une grande disponibilité, ainsi que d'une
évolutivité flexible sur le cloud via 6 centres de données répartis dans le
monde : le Royaume-Uni, Hong Kong, l'Australie et trois aux États-Unis. En
raison des avantages du stockage basé sur les objets, de nombreuses
entreprises comme Amazon, Windows Azure, at&t, Facebook et Google
Developers adoptent cette méthode en intégrant des technologies cloud
telles que openstack, Cleversafe, AMPLIDATA, caring, nirvanix et ATMOS (
O'Connell, 2013). Une étude récente de l'état actuel de l'art en matière de
stockage Big Data a été réalisée par Strohbach, Daubert, Ravkin et Lischka
(2016), visant à créer une feuille de route technologique intersectorielle.
3.2. Technologie de traitement des données
Alors que les technologies de traitement du Big Data sont vastes et englobent
de nombreuses tendances et techniques émergentes telles que le framework,
l'interrogation de données et le nettoyage. Dans cette section, le traitement des
données exclut le stockage et la visualisation des données afin de différencier trois
étapes majeures du Big Data : le pré-traitement, le traitement et le post-
traitement.
L'une de ces technologies d'Apache Hadoop est un framework
logiciel open source écrit en Java pour traiter des ensembles de
données à grande échelle (Dittrich & Quiané-Ruiz, 2012). Le framework
comprend plusieurs modules, Hadoop Common, Hadoop Distributed
File System (HDFS), Hadoop YARN et Hadoop MapReduce, conçus pour
gérer automatiquement les logiciels lorsque des pannes matérielles se
produisent fréquemment. Hadoop revendique un certain nombre
d'avantages significatifs, à partir d'exemples d'applications réussis
576 RY Zhong et coll. / Informatique et génie industriel 101 (2016) 572–591
avec un grand nombre de grandes entreprises. Le 19 février 2008, Yahoo! a
lancé la plus grande application de production Hadoop au monde,
fonctionnant sur plus de 10 000 clusters et produisant des données utilisées
dans chaque Yahoo! Requête de recherche sur le Web ; en 2010, Facebook a
affirmé avoir atteint le plus grand cluster Hadoop au monde avec 21 Po
(Pétaoctets), et deux ans plus tard, le 13 juin 2012, les données du cluster
Hadoop ont atteint 100 Po (HDFS, 2010 ; Ryan, 2012). Actuellement, Hadoop
a été largement adopté par plus de la moitié des sociétés Fortune 50 pour le
traitement du Big Data (Eatontown, 2012 ; Tripathie & Mittal, 2016).
MapReduce est l'un des modules clés de Hadoop. Il s'agit d'un paradigme de
programmation qui permet aux modèles et aux implémentations associées de
traiter de vastes ensembles de données avec un grand nombre de clusters de
serveurs distribués (Lin, 2013). Les modèles et les algorithmes jouent un rôle
essentiel dans MapReduce, qui est capable de les utiliser pour gérer efficacement
le Big Data. Les exemples incluent les applications d'analyse Web, les applications
scientifiques et les réseaux sociaux (DeLyser et Sui, 2013 ; Dittrich et Quiané-Ruiz,
2012 ; Jitkajornwanich, Gupta, Elmasri, Fegaras et McEnery, 2013 ; Xu et coll., 2016
). Les premières technologies MapReduce ont souffert de problèmes de
performances qui ont provoqué de sévères critiques concernant les performances
du langage de bas niveau, la manipulation des enregistrements et le manque de
prise en charge des schémas. Cependant, ces problèmes appartiennent
aujourd'hui à l'histoire ancienne avec le soutien de poids lourds de l'industrie
comme IBM, Microsoft et Oracle. L'adoption généralisée de cette technologie dans
les organisations va des petites startups aux entreprises Fortune 500 en raison de
ses avantages substantiels (Bechini, Marcelloni et Segatori, 2016).
Avec l'émergence de la technologie du cloud computing, le traitement du Big
Data dans le cloud a attiré une grande attention en raison de ses avantages
significatifs en matière d'infrastructure convergée et de services partagés.Ahuja et
Moore (2013)a discuté en détail des approches, notamment la compression, la
déduplication des données, la mise en cache et l'optimisation des protocoles, pour
établir un environnement de cloud computing. Dans l'environnement de cloud
computing, le traitement du Big Data inclut la plate-forme de cloud computing,
l'architecture cloud, la base de données cloud et le schéma de stockage (Hachem
et al., 2015 ; Ji, Li, Qiu, Awada et Li, 2012). Ces dernières années, les laboratoires
Fujitsu ont travaillé sur la conception et le développement de technologies de base
et favorisant les applications dans un environnement cloud pour le traitement du
Big Data (Tsuchiya, Sakamoto, Tsuchimoto et Lee, 2012). Deux technologies
fondamentales sur lesquelles ils se concentrent sont le stockage de données
distribué et le traitement d'événements complexes (CEP), ainsi que la description
des flux de travail pour le traitement de données distribué. Ces technologies sont
capables de réaliser une agrégation à grande vitesse avec un magasin de valeurs
de clés distribué (KVS) et de dériver des informations précieuses via un
environnement simple et productif en utilisant respectivement DISPEL. Afin de
gérer le volume important de données et la vitesse de traitement, un cadre de
traitement Big Data en temps réel open source nommé Flume est capable de
maîtriser le traitement de données plus rapides, plus volumineuses et plus faciles
dans le cloud (Wang, Rayan et Schwan, 2012).
3.3. Technique de visualisation de données
L'un des principaux objectifs de l'analyse Big Data est d'extraire des
informations et des connaissances implicites à partir d'immenses ensembles de
données pour soutenir la prise de décision afin de parvenir au succès de
l'entreprise, aux traitements de santé, à la cybersécurité, à la gestion des
catastrophes, etc. Ainsi, la technologie de visualisation Big Data est crucial car les
vastes données générées par SM-SCM doivent être formatées, standardisées et
interprétées pour aider les scientifiques, les praticiens et autres utilisateurs finaux
à extraire les atouts inestimables des outils visualisés. À cette fin, l’analyse visuelle
du Big Data peut être améliorée par les méthodes informatiques.Choo et Park
(2013)introduit une approche de visualisation interactive au niveau des itérations
pour envisager les résultats intermédiaires et permettre aux utilisateurs
d'interagir avec ces résultats en temps réel, enfin pour personnaliser les méthodes
de calcul pour l'analyse visuelle
avec le Big Data. Une approche orientée objet a été proposée pour les sciences
informatiques de la Terre afin de transformer les Big Data en informations
permettant de mieux comprendre, décrire et modéliser l'existence d'une entité
telle qu'une tempête, un tremblement de terre ou une région écologique (Sellars
et coll., 2013). Cette méthode visualisée a été largement utilisée dans les domaines
des sciences de la Terre et de l'environnement en raison de ses avantages
informatiques, par exemple la prévision des tornades, la prévision météorologique
et la recherche sur la morphologie géographique du terrain. Une approche
d'outils couplés pour la visualisation scientifique du Big Data a été proposée pour
l'analyse de données de type particule dépendant du temps à grande échelle (
Artigues et al., 2015).
Les exemples préliminaires de visualisation Big Data répondent fortement à
l’arrière-plan de l’application. Chevron, une multinationale américaine du secteur
de l'énergie, a utilisé TIBCO Spotfire pour développer un iRAVE (Integrated
Reservoir Analysis and Visualization Environment) qui expose les énormes
données des champs de pétrole et les présente dans un environnement d'analyse
visuelle pour examiner les champs de pétrole et de gaz de l'entreprise (Centre
Intel, 2013). Les data scientists de Pfizer ont utilisé TIBCO Spotfire pour visualiser
la multitude de données provenant de plus de 500 essais cliniques dans le monde
à des fins de sécurité, d'efficacité et de suivi des opérations (O'Connell, 2010). Dans
l'analyse textuelle visualisée, Leximancer et Discursis développés à l'Université du
Queensland ont été rapportés en termes d'analyse thématique et d'analyse
séquentielle afin de soutenir la prise de décision analytique (Angus, Rintel et Wiles,
2013). Ces outils logiciels utilisent des statistiques de fréquence des mots pour
créer leurs visualisations respectives afin que les utilisateurs finaux puissent
déterminer les sujets principaux à partir des textes. Google Fusion Tables (GFT), un
outil de collaboration et de visualisation Big Data, propose une gestion
coopérative des données dans le cloud pour posséder de grandes ressources
informatiques (Madhavan et coll., 2012). Les cartes interactives utilisant GFT
rencontrent un grand succès, à tel point que des médias de premier plan comme
UK Guardian, Los Angeles Times, Chicago Tribune et Texas Tribune ont publié une
série d'articles pour rendre compte de l'application visualisée du Big Data. Truthy,
un système visualisé et analytique permettant de collecter et d'analyser le discours
politique sur Twitter, a été adopté par l'École de journalisme de l'Université
d'Indiana pour étudier le comportement social à une nouvelle échelle (McKelvey,
Rudnick, Conover et Menczer, 2012). Ce système est un tableau de bord interactif
permettant d'étudier les processus de communication sur la plateforme de
microblogging Twitter, qui a la capacité de produire un aperçu statistique et visuel
de haut niveau de vastes réseaux de communication.
La visualisation des données est partout et après avoir visualisé et analysé le Big
Data, elle a beaucoup plus de valeur. Ainsi, les outils de visualisation de données open
source sont préférés par les utilisateurs finaux pour une application gratuite qui pourrait
être facilement associée aux systèmes existants dans une entreprise (Zikopoulos et
Eaton, 2011).Zhong, Lan, Xu, Dai et Huang (2016)a introduit un outil de visualisation pour
le Big Data RFID à partir des ateliers de fabrication compatibles avec le cloud.Lurie (2014)
présente 39 types d'outils de visualisation de données pour l'analyse Big Data qui visent à
répondre aux différents besoins des utilisateurs finaux, non seulement en termes de
fonctionnalité de glisser-déposer facile avec une application simple, mais également en
matière de business intelligence complexe avec une analyse de données sophistiquée.
3.4. Analyse des mégadonnées
L'analyse Big Data est un terme qui fait référence aux processus d'examen de
grandes quantités de données avec des types variables pour découvrir des modèles
cachés, des corrélations inconnues et d'autres informations/connaissances utiles (Rouse,
2012). Il a attiré une grande attention en raison de sa capacité à fournir les modèles, les
informations et les connaissances nécessaires pour accroître les avantages commerciaux,
améliorer l'efficacité opérationnelle et explorer le marché potentiel (LaValle, Lesser,
Shockley, Hopkins et Kruschwitz, 2013). Avec pour objectif principal d'aider les
entreprises à prendre de meilleures décisions commerciales, l'analyse Big Data permet
aux utilisateurs d'analyser d'énormes volumes de données provenant de différentes
sources telles que la base de données, Internet, les enregistrements et les emplacements
des téléphones mobiles,
 RY Zhong et coll. / Informatique et génie industriel 101 (2016) 572–591
ainsi que les informations capturées par les capteurs. Afin d'analyser des
données aussi volumineuses dans différents formats, les technologies
associées à l'analyse Big Data couvrent un large éventail et forment un
noyau de cadres logiciels open source capables de prendre en charge
l'analyse de grandes quantités d'ensembles de données sur des systèmes en
cluster (Zakir, Seymour et Berg, 2015). Cette section rend compte des outils,
techniques et pratiques liés à l’analyse Big Data.
L'analyse du Big Data est une nouvelle réalité de la vie des entreprises qui
nécessite la mise en place d'outils pour gérer d'énormes volumes d'ensembles de
données. Ces outils sont principalement utilisés pour identifier les tendances,
détecter des modèles et glaner des résultats inestimables. Pour réaliser des
analyses marketing, la détection des fraudes et l'évaluation des risques financiers,
un mélange d'outils de business intelligence (BI) a été utilisé (Stedman, 2014). Cet
outil intègre à ces fins l'appliance Big Data d'Oracle et la distribution Hadoop de
Cloudera. Les outils typiques incluent GridGain pour traiter de grandes quantités
de données en temps réel, HPCC (High Performance Computing Cluster) pour les
calculs en temps réel, Storm pour traiter d'énormes ensembles de données avec
des capacités de calcul distribuées en temps réel et Talend pour fournir un certain
nombre d'outils de BI. service (Loshine, 2013). Harvey (2012)étudie les 50 meilleurs
outils classés en plates-formes et outils, bases de données/entrepôts de données,
BI, exploration de données et langages de programmation, qui permettent à
l'analyse Big Data d'aider les entreprises à améliorer leurs processus et leurs
performances.
Les outils d'analyse Big Data sont activés par des techniques appropriées qui
sont attirées par de nombreuses grandes sociétés informatiques capables de
fournir une série de technologies et de solutions de base pour différentes
applications. Oracle Advanced Analytics (OAA), combinant de puissants
algorithmes R intégrés à une base de données et open source, permet des
analyses prédictives, des calculs numériques avancés et des graphiques interactifs
(Oracle, 2013). SÈVEHHaute PerformanceUnanalytiqueUNppliance (HANA) utilise
une technique de processeur multicœur parallèle pour gérer d'énormes bases de
données afin de fournir diverses solutions d'analyse prédictive telles que les
mouvements des clients et les fluctuations du marché (SAP, 2014). SAP HANA est
composé d'un moteur de recherche TREX (Text Retrieval and information
EXtraction), d'une base de données OLTP (Online Transaction Processing) en
mémoire et d'une nouvelle architecture pour permettre aux utilisateurs de
prendre des décisions avancées. Microsoft, pour réaliser pleinement l'analyse du
Big Data, fournit une plateforme technique complète pour intégrer des modèles,
analyser et visualiser des outils afin d'étendre l'analyse à l'échelle de l'entreprise
(Microsoft, 2014). Power BI pour Office 365 et Microsoft Azure sont deux produits
typiques qui utilisent une telle technique de plate-forme pour créer un outil de
visualisation permettant de découvrir les modèles d'énormes ensembles de
données. IBM SPSS Modeler, une autre technique de plateforme d'analyse
prédictive étendue, fournit des informations prévisibles pour aider les individus,
les groupes, les systèmes et les entreprises à prendre des décisions (IBM, 2013).
En utilisant un ensemble d'algorithmes avancés, d'analyses d'entités, de gestion
des décisions et d'optimisation, IBM SPSS Modeler peut vous aider à prendre les
bonnes décisions.Bhatti, LaSalle, Bird, Grance et Bertino (2012)a donné une
enquête sur les techniques d'analyse Big Data en termes de perspectives
matérielles et logicielles.
Les pratiques d’analyse du Big Data ont actuellement été largement
rapportées. L'un des principaux objectifs est d'utiliser pleinement les données
pour obtenir « les bonnes données, pour le bon utilisateur, au bon moment
» (TDWI, 2014). Ainsi, différentes entreprises pratiquent l’analyse Big Data compte
tenu de leurs situations et problématiques spécifiques. McKinsey & Company, une
société mondiale de conseil en gestion, utilise l'analyse Big Data pour fournir un
riche ensemble de services à diverses entreprises afin d'améliorer durablement
leurs performances. Dans le domaine financier par exemple, en utilisant l'analyse
Big Data, cette société aide les petites banques d'entreprises à analyser les
comportements des consommateurs afin de mettre en œuvre des services
d'innovation et de mise à niveau numériques (Biesdorf, Court et Willmott, 2013).
Amazon, le géant du commerce électronique basé à Seattle, exploite actuellement
l'analyse du Big Data pour prédire les comportements des clients afin que les
marchandises puissent leur être expédiées avant même qu'ils n'aient pris la
décision d'acheter (Marr, 2014). Intel a récemment adopté l'analyse Big Data pour
577
accélérer le développement et le déploiement d'applications portables grâce
à une intelligence basée sur les données en intégrant un certain nombre
d'outils et d'algorithmes d'Inter aux côtés d'un système de gestion de
données basé sur le cloud (Cloche, 2014). Il a été rapporté qu'un large
éventail de pratiques d'analyse Big Data améliore la gestion de la relation
client (CRM), augmente la marge bénéficiaire, trouve un marché potentiel et
réalise diverses prédictions dans les secteurs des services et de la fabrication
(Lardinois, 2014 ; Lohman, 2013 ; Salehan et Kim, 2016 ; Talia, 2013 ; Vera-
Baquero, Colomo-Palacios et Molloy, 2013 ; Zhong, Xu, Chen et Huang, 2015
).
3.5. Modèles et algorithmes pour la prise de décision
Les modèles et algorithmes Big Data d’un point de vue théorique sont
largement rapportés au cours de ces années pour soutenir les prises de
décision SM-SCM. Cette section classe ces modèles ou algorithmes en
modèles de présentation Big Data, approche d'exploration d'informations et
de connaissances et modèles d'optimisation basés sur Big Data.
La présentation des données est cruciale car les données générées par les
services et la fabrication sont généralement non structurées et hétérogènes. Afin
de faciliter la présentation du Big Data basé sur les tuples, un modèle de données
dimensionnelles distribuées dynamique (D4M) a été proposé pour permettre
l'algèbre linéaire dans une base de données (Kepner et coll., 2012). Il y a un grand
nombre d'objets en mouvement dans le SM-SCM. Pour identifier les données en
mouvement, avec l'intégration de modes de transport précis, un concept basé sur
l'espace et l'infrastructure a été présenté pour modéliser le Big Data des objets en
mouvement (Xu & Güting, 2013). Ce modèle de données est capable de
représenter précisément la localisation via une présentation générique. Comme
pour la grande myriade de capteurs utilisés dans le secteur manufacturier et des
services, les données détectées doivent être formatées et standardisées pour une
utilisation ultérieure. À cette fin, un modèle RFID-Cuboïdes à n dimensions a été
introduit de manière innovante (Zhong, Huang et Dai, 2014). Ce modèle double
l'espace et le temps d'étiquetage des comportements logistiques au sein de
l'ensemble de la chaîne d'approvisionnement. L'ontologie est une autre
présentation pour identifier le Big Data. Un modèle de données basé sur une
ontologie pour le traitement intelligent des réclamations des clients a été présenté
pour offrir aux entreprises des informations et des connaissances utiles (Lee,
Wang et Trappey, 2015).
Sur la base des approches de présentation des données, des informations et
des connaissances inestimables pourraient être extraites. Un nouvel algorithme
jumelant technologie sémantique et cloud computing a été proposé pour
raisonner et traiter le Big Data (Qu, 2012). L'algorithme adopte un cadre de
description de ressources (RDF) pour présenter le Big Data avec le schéma de
données transformé en un graphe sémantique fini (FSG) qui pourrait être analysé
par l'algorithme de raisonnement pour traiter des ensembles de données de
masse. Afin de convertir le Big Data en données minuscules, un algorithme avec
des coreets de taille constante pour les k-moyennes, l'analyse en composantes
principales (ACP) et le clustering projectif a été introduit (Feldman, Schmidt et
Sohler, 2013). En utilisant l'approche de fusion et de réduction, cet algorithme est
capable d'atteindre un temps de mise à jour par point polynomial dans
l'environnement basé sur le cloud. Pour faire face aux caractéristiques du Big Data
de SM-SCM, un théorème HACE a été introduit pour connaître les intérêts des
clients (Wu, Zhu, Wu et Ding, 2014). Ce modèle implique une agrégation de
sources d'informations basée sur la demande pour l'exploration et l'analyse des
intérêts des utilisateurs. Un modèle basé sur la sémantique Web a été utilisé pour
intégrer une ontologie permettant d'interpréter les informations et les
connaissances de fabrication à partir de données de production massives, qui
pourraient être utilisées pour prendre en charge la fabrication intelligente
avancée (Ramos, 2015).
Afin d'utiliser pleinement les informations ou connaissances extraites, des
modèles d'optimisation basés sur le Big Data sont étudiés dans la littérature.
Basée sur l'analyse du champ moyen, une nouvelle approche de modélisation
comprenant un ensemble de méthodes d'inférence approximative de modèles
probabilistes dérivés de la physique statistique a été proposée pour optimiser les
performances du système SCM (Castiglione, Gribaudo, Iacono et Palmieri, 2014).
La gestion du cycle de vie des produits (PLM) est
578 RY Zhong et coll. / Informatique et génie industriel 101 (2016) 572–591
une application typique de l’utilisation du Big Data pour optimiser chaque
étape. Différentes données du début, du milieu et de la fin de vie sont
converties en connaissances pour analyser chaque étape afin d'obtenir des
services optimaux (Li, Tao, Cheng et Zhao, 2015). Pour obtenir un réseau
SCM optimal, un algorithme neuronal artificiel a été utilisé pour la
configuration du réseau grâce à l'utilisation du Big Data (Stateczny et
Wlodarczyk-Sielicka, 2014). Un autre modèle d'optimisation pour la pratique
de la chaîne d'approvisionnement a été réalisé en utilisant l'analyse Big Data
du hashtag# supply chain et de Twitter (Chaé, 2015). Pour minimiser la
somme d'une fonction convexe lisse partiellement séparable, des méthodes
de descente de coordonnées parallèles pour l'optimisation du Big Data ont
été présentées (Richtárik & Takač, 2015). Les procédés permettent de
modéliser des situations avec des processeurs occupés ou peu fiables
lorsque le nombre de blocs mis à jour à chaque itération est aléatoire.
4. Mouvements actuels dans le monde avec le Big Data
Les mouvements actuels dans les principaux pays et régions sont
examinés afin de pouvoir observer un point de vue mondial sur le Big
Data en Amérique du Nord, en Europe et en Asie-Pacifique.
4.1. Amérique du Nord
Le 29 mars 2012, l'administration Obama a annoncé une initiative visant
à explorer comment le Big Data pourrait résoudre les problèmes cruciaux
auxquels le gouvernement est confronté. L'initiative la plus importante est le
programme de recherche et de développement sur les mégadonnées,
composé de 84 projets différents répartis dans six ministères fédéraux
(Bureau exécutif du président, 2012). Ces projets ont reçu plus de 200
millions de dollars pour améliorer la capacité à extraire des connaissances et
des idées à partir de collections vastes et complexes de Big Data. Parmi eux,
SM-SCM est un élément clé qui cherche à faire progresser les technologies
de base de pointe pour collecter, stocker, conserver, gérer, analyser et
partager de vastes ensembles de données ; exploiter ces technologies pour
accélérer le rythme de l’acquisition de connaissances en sciences et en
ingénierie ; et augmenter la main-d’œuvre nécessaire pour développer et
utiliser les technologies Big Data (Gianchandani, 2012).
Dans le cadre de la grande vague gouvernementale de promotion du Big Data
dans le SM-SCM, la National Science Foundation (NSF) des États-Unis a obtenu le
soutien d'un fonds de 25 millions de dollars destiné aux techniques et
technologies de base pour faire progresser la science et l'ingénierie du Big Data.
NSF a sollicité des propositions de recherche axées sur un ou plusieurs aspects
scientifiques et techniques tels que la collecte et la gestion des données, l'analyse
des données et l'environnement de collaboration scientifique en termes de
modèles, de politiques et de technologies appropriés ciblés sur les services, les
interventions et la préparation aux situations d'urgence, l'énergie propre, et
fabrication avancée. On constate que depuis 2005, 17 377 projets (américains) et
26 (non américains) ont été attribués par la NSF, qui sont liés au Big Data (
www.nsf.gov/awardsearch/). Les récompenses détaillées dans les organisations
NSF sont présentées dansFig. 1, d'où il ressort que les domaines des services et de
l'ingénierie sont les principaux domaines concentrés par le gouvernement
américain. Direction de l'informatique et des sciences de l'information et de
l'ingénierie, Direction des géosciences et Direct des sciences mathématiques et
physiques, par exemple, les récompenses sont respectivement de 3 724, 3 390 et 2
525, qui sont les trois directions les plus récompensées, représentant 52,63 % du
total des récompenses de 2005 à 2015. Cela pourrait expliquer pourquoi le service
et l'ingénierie sont si énergiques grâce au soutien d'une prise de décision avancée
et de réponses judicieuses à toute situation basée sur les techniques et
technologies Big Data.
Afin de mieux comprendre l'évolution du Big Data dans SM-SCM grâce aux
récompenses américaines de la NSF, les données statistiques de 2007 à 2015 sont
sélectionnées via des résultats de recherche avancés sur le site officiel de la NSF.
Figure 2(a) montre les récompenses chaque année avec une forte augmentation.
On constate que parmi ces échantillons, seuls 21 projets ont été
Prix de différentes directions (2005-2015)
205 Bureau du directeur
1370
Direction des Mathématiques et des
2525 Sciences Physiques
2494 Direction des Sciences Sociales,
Comportementales et Economiques
1650 Direction de l'informatique et de
l'information sur la science et l'ingénierie
Direction des Géosciences
2045
Direction de l'Ingénierie
3724
Direction des Sciences Biologiques
3390
Direction de l'éduca on et des ressources
humaines
Fig. 1.Statistiques des récompenses des organisations NSF.
décernés en 2007. Cependant, ce nombre a atteint 11 946 en 2015. Sur la base des
données de l'échantillon, le rouge1La ligne à points carrés est une analyse de
prédiction qui indique l'augmentation linéaire des récompenses de la NSF. D'après
la ligne de prévision, on pourrait estimer qu'environ 14 000 récompenses pour le
Big Data dans SM-SCM pourraient être décernées au cours de l'année 2016.
Figure 2(b) présente le montant accordé de 2007 à 2015. On observe
qu'au cours des trois premières années (2007-2009), le montant de
l'attribution augmente considérablement puisque chaque projet a été
engagé à hauteur de 0,40 M$, 2,39 M$ et 1,14 M$ respectivement. Le constat
implique que la plupart des récompenses se concentrent sur des
technologies de base ou de tronc commun capables d'influencer
profondément les domaines ciblés. Après avoir obtenu de riches réalisations
grâce à ces récompenses primaires, le montant des récompenses reste
stable, augmentant de 2010 à 2011. Mais en 2012, le montant des
récompenses diminue un peu. Entre 2013 et 2015, le montant a de nouveau
fortement augmenté, atteignant plus de 100 millions de dollars par an. Bien
que le montant de la bourse augmente d'année en année, le montant
moyen par bourse est de 56 962,37 $ (2013), 57 605,19 $ (2014) et 57 363,64
$ (2015). La ligne de prédiction verte de la figure démontre que le montant
de l'attribution augmentera de manière stable et que le montant total sera
d'environ 700 millions de dollars en 2016.
Le Canada, en tant que l'un des autres grands pays d'Amérique du Nord,
a déployé de grands efforts dans la recherche sur les mégadonnées et les
applications en SM-SCM. Le Conseil national de recherches en sciences et en
génie du Canada (CRSNG), en tant que principal organisme fondateur
gouvernemental, vise à soutenir les études avancées, à promouvoir et à
découvrir la recherche ainsi qu'à favoriser l'innovation dans les entreprises
canadiennes dans les projets de recherche postsecondaires. Il a été constaté
qu'au total, 7 509 projets ont été récompensés avec le mot-clé Big Data en
recherchant dans la base de données entre 2005 et 2013.Tableau A1montre
les statistiques des prix couvrant le thème du Big Data dans différents
domaines de 2010 à 2014 selon la base de données du CRSNG (http://
www.nserc-crsng.gc.ca/).
De 2010 à 2013, 4 101 projets au total ont été financés par le CRSNG, et le
domaine de l'avancement des connaissances, comme la recherche fondamentale
et le développement technologique de base, a bénéficié d'un financement
préférentiel. Cette zone occupe 32,82% avec un nombre de 1346, dont le montant
attribué est de 36,47%. Les services d'information et de communication ont
obtenu 691 projets financés avec 14,25% du montant attribué. Dans la perspective
d'un secteur des services et de l'industrie manufacturière dont les statistiques sont
incomplètes, y compris l'avancement des connaissances (avancement des
connaissances, ingénierie, information, informatique et
1Pour l'interprétation de la couleur sur la figure 2, le lecteur est renvoyé à la version Web de cet
article.
 RY Zhong et coll. / Informatique et génie industriel 101 (2016) 572–591
Récompenses de 2007 à 2015
16000
14000
12000
9523
10000
7732
8000
5481
6000
4000
2000 1142
200 2556
21 71
0 0,00 $
2007 2008 2009 2010 2011 2012 2013 2014
(a) Projets récompensés
Figure 2.Analyse des récompenses d'un point de vue annuel.
communication, sciences de la vie, sciences médicales et de la santé,
sciences sociales), services commerciaux, santé, éducation et services
sociaux, services d'information et de communication, procédés et produits
de fabrication, ainsi que systèmes et services de transport, la proportion de
récompenses est de 55,08% avec le montant de 56,39%. Cela implique que le
Big Data dans SM-SCM attire actuellement beaucoup d'attention de la part
du gouvernement canadien qui a financé de nombreux projets visant à
relever les défis et à mener des recherches avancées sur les technologies,
les concepts et les modèles pour prendre en charge les données basées sur
les données. service, fabrication et prise de décision.
4.2. L'Europe
Actuellement, la Commission européenne a lancé une stratégie numérique
pour l'Europe - Une initiative Europe 2020 dans le but de faire en sorte que le Big
Data fonctionne pour l'Europe (Craglia et coll., 2012). Grâce au Big Data, il est
possible, selon le point de vue de la Commission européenne : (1) de transformer
les industries de services européennes en créant des produits et services
d'information innovants ; (2) augmenter la productivité de tous les secteurs grâce
à une intelligence économique avancée ; et (3) mieux relever les défis de nos
sociétés et accroître l’efficacité du secteur public. À cette fin, l'Union européenne
(UE) a lancé plusieurs activités. En octobre 2013, la Commission européenne a
lancé la communication sur l'économie basée sur les données, qui se concentrait
sur l'économie numérique, l'innovation et les services en tant que moteurs
essentiels de la croissance économique (CE, 2013). La communication apporte de
nouvelles exigences en matière de conditions-cadres adéquates pour le Big Data
et le Cloud Computing. Par conséquent, les opportunités actuelles de financement
de la recherche dans le domaine du Big Data sont mises en évidence dans les
Journées d’information et de réseautage – Programme de travail H2020
2014-2015, qui ont connecté l’Europe Facility en termes de recherche, d’innovation
et de discussion sur le Big Data. Du 10 juin 2013 au 5 juillet 2014, il y a eu trois
principales opportunités de financement pour mener à bien la recherche Big Data
sur le secteur des services. Il s'agit des « Meilleures pratiques en matière
d'approvisionnement en TIC basées sur des normes afin de promouvoir l'efficacité
et de réduire le verrouillage » (10/06/2013), « Étude sur un « marché européen des
données » et des services associés » (23/07/ 2013), et « Déploiement d'une
plateforme centrale de données ouvertes de l'UE : mise en œuvre du portail
paneuropéen de données ouvertes et des services associés » (05/07/2014).
Parallèlement, NSF Europe a soutenu une grande myriade de projets liés au Big
Data dans SM-SCM. Les détails peuvent être trouvés sur le site officiel surhttp://
www.nsf.gov/od/iia/ise/europe/nsf-europe-ofc. jsp. Il a été identifié que 22 850
projets liés au Big Data dans SM-SCM sont issus de la base de données de la
Commission européenne. Parmi eux, les montants pour les FP5, FP6 et FP7 sont
respectivement de 2 801, 2 466 et 5 787. On a pu constater que, les années en
cours, la Commission européenne
579
Montant attribué
900,00 $
Des millions
800,00 $
11946 685,27 $
700,00 $
600,00 $
548,57 $
500,00 $
400,00 $ 440,43 $
330,45 $
286,79 $
300,00 $ 227,45 $ 326,13 $
200,00 $ 169,98 $
100,00 $
8,42 $
2015 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015
(b) Montant attribué
sion se concentre continuellement sur la recherche et la pratique du Big
Data en termes de techniques générales, d'industrie de services et
d'applications ou d'outils capables de transformer les industries
traditionnelles telles que la fabrication, la logistique et l'énergie.
Figure 3présente les projets sponsorisés par différents pays européens et qui
ont reçu plus de 100 prix. On peut voir que trois pays – le Royaume-Uni,
l'Allemagne et la France ont respectivement attribué plus de 3 000 projets liés au
Big Data et que le Royaume-Uni est en tête d'Europe avec un montant de 4 649.
Les trois pays développés représentent 51,09 % du total attribué. projets, dont la
plupart se concentrent sur les domaines communs des technologies, de la finance,
des services et de la logistique. Dans l'un des derniers projets de collaboration
entre KPMG et l'Imperial College de Londres, par exemple, plus de 20 millions de
livres sterling ont été investis pour créer un centre KPMG d'analyse commerciale
avancée, visant à placer le Royaume-Uni à l'avant-garde de la science des données
et des meilleurs services en termes d'analyse des données. capital commercial,
opportunités de croissance, personnes, opérations et résilience (Myers, 2014). Un
autre exemple est celui de la plus grande communauté Big Data d'Europe – Big
Data London. Fondée le 25 février 2011, elle compte 6 sponsors de groupe et 3
150 membres impliqués dans le travail sur des projets, technologies, applications,
formations et discussions Big Data. Ces deux exemples typiques renforcent la
position du Royaume-Uni en matière de recherche Big Data sur SM-SCM en
Europe et même dans le monde entier, ce qui place le secteur des services au
Royaume-Uni au plus haut niveau.
Parmi les projets récompensés,Tableau A2répertorie les sujets de recherche actuels
dans le domaine des technologies de l'information et de la communication (TIC), qui
constituent un domaine central du septième programme-cadre de l'UE (7e PC) qui couvre
un large éventail de préoccupations en matière de SM-SCM. Le tableau met en évidence
les technologies ciblées de chaque projet et les caractéristiques techniques afin que les
attentions puissent être soulignées lors de la mise en œuvre d'applications Big Data dans
différents domaines liés aux domaines des services et de l'industrie.
4.3. Asie-Pacifique
Selon un rapport actuel d'IDC, le marché des technologies et des services Big
Data en Asie connaîtra une croissance annuelle composée de 34,1 %, passant de
548,4 millions de dollars en 2012 à 2,38 milliards de dollars en 2017 (Jiménez et
coll., 2013). La sagesse conventionnelle dit : « L'Asie-Pacifique est à la traîne des
États-Unis en matière d'adoption de technologies d'entreprise, bien que l'Australie
et la Nouvelle-Zélande soient des exceptions régionales. Le Japon, bien que
consommateur agressif d’appareils électroniques personnels, est conservateur et
lent en matière d’entreprise. Hong Kong et Singapour se situent souvent au milieu
du peloton. La Chine est difficile à généraliser. (Drummond, 2013). En effet,
l'adoption de stratégies Big Data par les entreprises de cette région a été
relativement faible, même dans certaines des entreprises les plus leaders et les
plus avancées.
580 RY Zhong et coll. / Informatique et génie industriel 101 (2016) 572–591
Figure 3.Projets primés dans les pays européens.
Prenons par exemple l'Inde et la Chine, les deux pays les plus peuplés.
De janvier 2009 à décembre 2015, avec des statistiques incomplètes, le total
des subventions sur le Big Data dans SM-SCM de la principale fondation de
recherche gouvernementale est de 146 et 346, ce qui est bien inférieur au
nombre de certains pays d'Amérique du Nord et d'Europe.Figure 4montre
des statistiques récentes de la Fondation nationale des sciences naturelles
de Chine (NSFC) et du ministère de la Science et de la Technologie de la
République populaire de Chine (MOST), qui sont deux organismes
fondateurs majeurs pour la recherche.
On a pu l'observer dèsFigure 4, La Chine, en tant que plus grand pays de
cette région, a commencé ses recherches Big Data sur SM-SCM beaucoup
plus tard, car 2014 est considérée comme l'année d'initiative au cours de
laquelle le MOST a soutenu deux projets Big Data de base dans les
techniques informatiques Big Data sur Internet et ses applications. . De 2010
à 2013, le gouvernement chinois a tenté de tester quelques projets
primaires. Cependant, après le succès des applications basées sur le Big
Data dans d'autres régions, la Chine a réalisé qu'il était temps (2014) de
mener la recherche et l'application du Big Data dans le SM-SCM, sinon il
serait impossible de rattraper le retard développé. des pays comme les
États-Unis et le Royaume-Uni. C’est pourquoi la Chine soutient actuellement
de riches projets, dans le but de franchir de nouvelles étapes. D'autres pays
ou districts de cette région comme la Corée du Sud, Singapour, le Japon et
l'Australie sont des leaders qui ont lancé diverses initiatives sur le Big Data et
mis en œuvre de nombreux projets afin de changer profondément les
situations dans cette région (Kim, Trimi et Chung, 2014).
La Corée du Sud a lancé l'initiative Big Data en 2011 par le Conseil présidentiel
sur les stratégies nationales en matière de TIC, visant à faire converger les
connaissances et les analyses administratives à la lumière des technologies
avancées du Big Data (Kim et coll., 2014). Cette initiative Big Data définit un
ensemble d'objectifs : (1) établir un système de travail et d'analyse Big-Data-Net
pangouvernemental ; (2) établir un système public de diagnostic des données ; (3)
former et générer des professionnels talentueux ; (4) développer des technologies
d’infrastructure Big-Data ; et (5) développer des technologies de gestion et
d’analyse du Big Data. Afin d’atteindre ces objectifs, de nombreux ministères et
agences sud-coréens ont mené des actions connexes. Le service de santé, par
exemple, le ministère de la Santé et de la Protection sociale a proposé au Réseau
de gestion intégrée de la protection sociale d'analyser 385 catégories différentes
de données publiques provenant de 35 agences afin de fournir des prestations et
des services sociaux aux bénéficiaires méritants. Le Ministère de l'Administration
Publique et de la Sécurité a prévu un système de prévention des catastrophes
pour prédire les accidents en fournissant automatiquement et en temps réel les
enregistrements des dommages passés. Ces projets ont considérablement
modifié les conditions de service.
nations, qui ont créé un rôle de premier plan dans la construction d’une infrastructure Big Data
dans cette région.
Le gouvernement de Singapour fait actuellement de nombreux efforts pour
promouvoir le Big Data. Dès 2004, le gouvernement a lancé le programme
d'évaluation des risques et d'analyse de l'horizon (RAHS) pour répondre à la
sécurité nationale, aux maladies infectieuses et à d'autres préoccupations
nationales grâce à l'analyse d'ensembles de données à grande échelle (Habegger,
2010). Ce programme gère de manière proactive les menaces nationales après
une mise en œuvre réussie, notamment les crises financières, les maladies
infectieuses, les attaques terroristes, etc. Puis, en 2007, un centre
d'expérimentation RAHS a été créé pour concevoir et développer une
infrastructure Big Data et de nouveaux outils technologiques pour soutenir
l'élaboration des politiques et les services. les décisions. De plus, le gouvernement
a soutenu de nombreux projets Big Data sur le secteur des services en termes de
techniques de collecte de données, d'outils d'analyse et de visualisation qui
soutiennent Singapour dans les domaines de l'intégrité des données, du service et
de l'excellence (Kankanhalli, Hahn, Tan et Gao, 2016). De nos jours, le secteur des
services est devenu une priorité majeure pour le gouvernement de Singapour, qui
vise à créer de la valeur grâce à la recherche, à l'analyse et aux applications Big
Data, grâce auxquelles un site portail (http://data.gov.sg/) a été conçu pour
accéder aux données publiques disponibles à partir de plus de 5 000 ensembles de
données provenant de 50 ministères et agences. Au Japon, le gouvernement a
lancé depuis 2005, en association avec des universités et des instituts de
recherche, plusieurs programmes visant à exploiter pleinement les données
accumulées à grande échelle. Ces programmes se concentrent sur une nouvelle
infrastructure informatique pour l’ère de l’explosion de l’information.
Actuellement, le gouvernement accorde la priorité absolue au traitement des
données consécutives au tremblement de terre, au tsunami et à la catastrophe
nucléaire de Fukushima, ainsi qu'aux conséquences sociales et économiques
associées, en utilisant les techniques du Big Data, en coopérant avec la NSF du
pays pour renforcer la recherche et exploiter ces technologies. pour prévenir,
atténuer, prévoir et gérer les catastrophes naturelles (Miura, Komori, Matsumura
et Maeda, 2015). En tant que mission cruciale pour le Japon 2020, les « Applications
Big Data » ont été désignées par les deux branches du ministère de l'Intérieur et
des Communications ainsi que par le Conseil de l'information et des
communications et le Comité stratégique des TIC, dans le but d'élaborer des
solutions techniques appropriées. pour créer un Japon meilleur et intelligent dans
les services et l’industrie.
En 2012, le gouvernement australien a soutenu une initiative des Nations
Unies qui exploitait les données des réseaux sociaux, des requêtes de recherche,
des blogs, des messages SMS et d'Internet pour évaluer le bien-être de la
population afin d'améliorer les services fournis par les services gouvernementaux.
Pour aller plus loin dans l'amélioration des services au public, l'Australian
Government Information Management Office (AGIMO) met à disposition un site
Internet ouvert.http://data.gov.au/pour accéder aux données gouvernementales
via le programme Government 2.0, qui prend en charge les outils de référentiel et
de recherche pour le Big Data gouvernemental dans le but d'économiser du temps
et des ressources en utilisant des outils automatisés qui permettent aux publicités
de rechercher, d'analyser et d'exploiter d'énormes ensembles de données pour
faciliter différents domaines. En juin 2013, le ministère des Finances et de la
Déréglementation du Bureau de gestion de l'information du gouvernement
australien a publié un rapport intitulé The Australian Public Service Big Data
Strategy qui illustrait l'orientation des plans de mise en œuvre dans les services et
les opportunités commerciales par des actions étape par étape. améliorer la
compréhension grâce à une capacité améliorée d’analyse du Big Data (
Gouvernement australien, 2013). La stratégie révèle qu'un grand nombre de
projets seront financés par le gouvernement pour faire appel à des experts de
l'industrie, de la recherche et du monde universitaire afin d'améliorer
profondément les avancées techniques du Big Data au cours des cinq prochaines
années.
4.4. Discussions
À partir des statistiques et analyses ci-dessus, on peut observer que
l’Amérique du Nord et l’Europe sont les principaux pays qui
 RY Zhong et coll. / Informatique et génie industriel 101 (2016) 572–591 581

Récompenses actuelles liées au Big Data de Chine

200 450

Année Prix Montant accordé (USD) Organisme financé

180 400
2010 1 61 370 NSFC
2011 1 19 380 NSFC
160 2012 6 1 118 361 NSFC
350
2013 dix 646 792 NSFC
140 2014 146 23 260 505 NSFC
2014 2 3 835 354 LA PLUPART 300
279
2015 180 211 199 505 NSFC
120
Total 346 240 141 267

USD (10 000)

Prix

250
100
211 200
80

150
60 111,8

100
40

20 64,6 50
6.1 1.9

0 0
2010 2011 2012 2013 2014 2015
Prix 1 1 6 dix 146 180
Montant 6.1 1.9 111,8 64,6 279 211

Prix Montant Expo. (Montant)

Figure 4.Statistiques des récompenses sur le big data en Chine.

partagent des objectifs similaires qui sont d'améliorer la sécurité nationale,
d'améliorer les services publics, d'améliorer la société nationale en
développant des technologies de base et générales et leurs applications. Les
principales préoccupations du Big Data dans SM-SCM concernent
l'interopérabilité, la capacité d'analyse, les visualisations et la sécurité.
Cependant, dans la région Asie-Pacifique, certains pays en développement
comme la Chine et l'Inde affichent un manque de compétitivité par rapport
aux pays développés comme le Japon, la Corée du Sud et l'Australie, dont la
recherche et les applications sur le Big Data sont également à la traîne par
rapport aux États-Unis et au Royaume-Uni. les pays ont fixé leurs priorités en
matière d'utilisation du Big Data en raison des pressions et des problèmes
de leur propre gouvernement. Par exemple, le terrorisme et les soins de
santé sont concentrés aux États-Unis ; Les technologies et architectures de
base générales ainsi que les applications logistiques sont concentrées par le
Royaume-Uni ; les catastrophes nationales sont mises en avant au Japon, et
la défense nationale et le meilleur service à Singapour. La Chine et l’Inde,
sont de bons adeptes du Big Data, mais n’en sont qu’à leurs balbutiements
et ne disposent à ce stade que de technologies de base. On pourrait
constater qu'ils suivent les tendances actuelles aux États-Unis.
On s’attend à ce que les pays leaders en matière de Big Data transfèrent leurs
technologies et leurs connaissances applicables à ceux qui sont confrontés à des
difficultés pour gérer un grand nombre d’ensembles de données au cours des 3 à
5 prochaines années. Le marché du Big Data le plus potentiel se situera dans la
région Asie-Pacifique, où l'Inde sera choisie comme pont pour le packaging de
leurs technologies et solutions en raison de ses bases logicielles et matérielles
solides, du faible coût de sa main-d'œuvre et de ses avantages en matière
d'éducation et de langue. Ces technologies et solutions sont principalement
conçues et développées pour améliorer les services publics et les préoccupations
clés de chaque gouvernement. Ainsi, la collaboration mondiale sera définitivement
renforcée puisque les données sont de nature mondiale. Les données pourraient
être utilisées pour résoudre des défis mondiaux tels que le système mondial
d’observation de la Terre. Par conséquent, les grandes entreprises disposant de
techniques Big Data telles qu'IBM, Google et Facebook prendront des mesures
pour utiliser pleinement leurs données capturées afin de découvrir des marchés
potentiels et de proposer des produits de services associés capables de fournir
une solution plus intelligente, plus pratique. et une planète où il fait bon vivre pour
les êtres humains.
5. Défis actuels, opportunités et perspectives d’avenir
Doug Cutting, le fondateur de Hadoop, a proposé son pronostic sur le
Big Data selon lequel nous pourrons, à l'avenir, stocker et traiter davantage
de données. Les entreprises réussiront le mieux si elles exploiteront le
mieux le Big Data. De plus en plus de choses seront intégrées, et l'avenir
ressemble beaucoup à un cadre capable de stocker, traiter, visualiser et
prendre en charge une prise de décision intelligente, avancée et opportune (
Koetsier, 2014). On imagine que les futurs analystes Big Data sauront tout
sur ce que vous avez fait aujourd’hui et ce que vous ferez demain. Le Big
Data contribuera sans aucun doute un jour à améliorer les soins de santé, à
faciliter la détection de la criminalité, à concevoir de meilleurs produits, à
optimiser les schémas de circulation et, enfin, à bâtir une planète meilleure.
Même si le pronostic est excellent, il reste encore un long chemin à parcourir
en raison des défis auxquels nous sommes confrontés actuellement. Les
défis, opportunités et perspectives d'avenir du SM-SCM Big Data ont été
classés par les auteurs en termes de (i) méthodes de collecte de données, (ii)
transmission de données, (iii) stockage de données, (iv) technologies de
traitement pour le Big Data. , (v) Modèles de prise de décision basés sur le
Big Data, et (vi) Interprétation et applications du Big Data.
5.1. Méthodes de collecte de données
La collecte de données joue un rôle essentiel à l'avenir : sans une approche
efficace et efficiente pour capturer les données, il est impossible d'effectuer des
analyses et des prises de décision basées sur les données. Bien qu'il existe un
grand nombre de méthodes de collecte de données telles que les technologies
d'identification automatique, les capteurs intelligents, les appareils numériques et
les systèmes sociaux basés sur Internet, plusieurs défis existent dans les domaines
des services et de l'industrie manufacturière. Premièrement, les approches de
collecte de données sur papier et manuelles sont largement utilisées dans le SM-
SCM, en particulier dans les pays en développement tels que le delta de la rivière
des Perles (PRD) en Chine. Les données capturées à partir de ces approches ont
tendance à être incomplètes, inexactes et inopportunes. Ainsi, les décisions basées
sur ces données sont généralement déraisonnables, inexécutables et non
présentables (Zhong, Dai, Qu, Hu et Huang, 2013). Deuxièmement, divers
collecteurs tels que les capteurs et les appareils numériques ont leur propre
582 RY Zhong et coll. / Informatique et génie industriel 101 (2016) 572–591
propres formats de données spécifiques qui sont généralement hétérogènes, non
structurés et incompatibles. L'intégration des données devient extrêmement
difficile dans certaines situations. Par exemple, dans le secteur des services
commerciaux, lorsque deux sociétés similaires tentent de fusionner leurs
transactions, cela peut être contesté en raison du caractère non standardisé des
données. Troisièmement, lorsque de très grandes quantités de données doivent
être collectées simultanément, le système sera piégé en raison des collisions de
signaux et de la capacité limitée du processeur central. Compte tenu de la
soumission en ligne des formulaires d'impôt sur le revenu aux États-Unis,
l'évolutivité et les performances sont des problèmes majeurs lorsque chaque
individu avec une commande de 100 Ko et 100 millions de personnes peut
effectuer la procédure dans un délai donné afin de respecter le délai. . Ces
préoccupations sont également très importantes dans le secteur des services
financiers et de la logistique de la sécurité nationale.
Afin de relever les défis ci-dessus, des opportunités pourraient être observées. Avec
le développement de technologies de collecte de données telles que l'identification
automatique intelligente et les appareils compatibles Internet des objets (IoT), des
collecteurs de données plus avancés seront produits afin que les entreprises soient en
mesure de capturer et de collecter leurs données de première ligne. Ces collecteurs de
données peuvent intégrer des technologies de reconnaissance biologique pour
différencier les différents utilisateurs, un système de commande vocale pour faciliter les
opérations de collecte de données, ainsi que des mécanismes d'apprentissage
automatique et adaptatifs pour permettre aux appareils d'être beaucoup plus intelligents
et plus faciles à utiliser dans différentes conditions. Pour le secteur des services et de la
logistique, les collecteurs de données mobiles intelligents sont plus adaptés. Ainsi, les
technologies IoT peuvent être intégrées dans des téléphones portables ou d’autres objets
physiques dotés de fonctionnalités de collecte de données. Par exemple, la boîte équipée
d'un capteur de température et d'une étiquette d'identification par radiofréquence (RFID)
pourrait être placée dans un conteneur intelligent doté d'un lecteur RFID actif capable
d'identifier chaque boîte, puis le conteneur pourrait être transporté par un véhicule
intelligent qui est connecté à des appareils compatibles IoT et à un système de
positionnement global (GPS). Les appareils portables intelligents seront probablement
utilisés dans le SM-SCM pour diverses collectes de données dans un avenir proche, grâce
au développement rapide de techniques de pointe (Wang, 2015).
La normalisation des données est cruciale, c'est pourquoi des normes pour
différentes industries seront mises en œuvre. Cela ouvre une opportunité aux
organismes de normalisation, aux fournisseurs de bases de données et aux fournisseurs
de systèmes d'exploitation de saisir l'occasion en or de créer divers ensembles de
modèles de données standard, permettant un partage d'informations plus facile et plus
rapide. Les secteurs des services tels que la banque, l'assurance, ainsi que les industries
pharmaceutique et automobile sont des domaines exigeants en matière de modèles/
systèmes standard plus efficaces pour la collecte d'informations sur les clients. Les
modèles de collecte parallèle utilisant les normes de données seront un point chaud pour
traiter instantanément une énorme collecte de données. Avec l’aide d’une conception
matérielle et d’algorithmes logiciels avancés, l’approche de collecte de données parallèle
espère gérer une taille de données d’un téraoctet (To) en une seconde. Cela donne aux
entreprises informatiques la possibilité de découvrir de nouveaux mécanismes ou
dispositifs matériels parallèles pour une capture de données rapide et fiable dans un
avenir proche.
Les perspectives futures des méthodes de collecte de données dans SM-SCM se
concentreront sur les appareils intelligents tels que :
- Appareils omniprésents multifonctionnels : les appareils combinent des technologies
omniprésentes telles que le cloud computing, les technologies intelligentes
d'identification automatique et des capteurs intelligents tels que la température,
l'humanité et la lumière pour obtenir des fonctions multifonctions. Ils conviennent à
la collecte de données dans des services spéciaux, par exemple pour la livraison
d'objets précieux sensibles à la température et à la lumière.
- Collecteurs robotiques intelligents : ces collecteurs sont conçus pour capturer
des données dans des conditions extrêmement particulières comme des
températures très basses ou élevées et des environnements nocifs avec des
radiations nucléaires. Ces collecteurs robotiques intelligents utilisent des
technologies avancées qui leur permettent de fonctionner comme un humain
capable de capturer les données et de tout ressentir en écoutant, en sentant,
en regardant, en goûtant et en touchant.
- Appareils adaptatifs intelligents : ces appareils sont conçus comme les
collecteurs de données les plus intelligents utilisant les technologies
d’apprentissage automatique et d’intelligence artificielle. Ils sont portables et
possèdent des compétences qui peuvent être acquises pour constituer une
base de connaissances, qui les guidera dans de nouveaux cas pour collecter
les données requises. Par exemple, dans les transports publics, pour soulager
les personnes handicapées, ces dispositifs pourraient fournir certains services
comme guider la routine, les transporter dans les escaliers s'il n'y a pas
d'ascenseur, et pourraient collecter certaines données telles que les
informations sur les personnes par détectant leurs cartes d'identité à puce,
ainsi que l'heure et le lieu où ils souhaitent se rendre.
5.2. Transmission de données
La transmission de données dans SM-SCM inclut généralement des méthodes
filaires et sans fil, qui présentent toutes deux des problèmes de fiabilité instable,
en particulier le réseau sans fil lors du transfert de grandes quantités de données.
Les signaux tels que les tensions électriques, les ondes radio, les micro-ondes et
les signaux infrarouges sont facilement affectés par des perturbations telles que
les signaux électromagnétiques, la réflexion métallique et la superposition de
signaux au cours des canaux de communication. Des effets mineurs peuvent
provoquer un « effet papillon » lors d'une immense transmission de données. Cela
signifie qu’un infime changement dans un signal peut entraîner de grandes
différences dans un état ultérieur. De plus, les problèmes de sécurité concernent
principalement la plupart des secteurs de services tels que la banque, l’assurance
et la santé. Bien que certains algorithmes, modèles et mécanismes de cryptage
des données soient utilisés pour préserver la confidentialité des données, les
attaques peuvent facilement détruire, exposer, modifier, désactiver, voler, obtenir
un accès non autorisé et utiliser les données en exploitant leur vulnérabilité. Par
exemple, les pirates peuvent voler la carte de crédit d'une personne en dupliquant
les données sur une fausse carte. Un autre problème de transmission est la vitesse
qui, comme la plupart des gens, peuvent avoir l'expérience d'attendre le
chargement d'une page Web ou le téléchargement de certaines données. La
vitesse de transmission dépend fortement de la bande passante d'un canal et du
protocole qui définit la structure des données sur le canal. Les réseaux actuels (par
exemple Internet, 4G) ne peuvent pas offrir un service de transmission de Big Data
de manière efficace et efficiente, c'est pourquoi la prochaine génération de
réseaux à haut débit est nécessaire.
Il existe un certain nombre d’opportunités possibles permettant de
relever les défis ci-dessus en matière de transmission de Big Data. Un
système bien reconnu est le Global Environment for Network Innovations
(GENI), lancé par la NSF américaine, visant à améliorer les réseaux
informatiques et les systèmes distribués en accélérant le transfert de
données et en améliorant la fiabilité. GENI crée une nouvelle architecture
réseau qui permet à différents groupes de partager les ressources
disponibles telles que la bande passante de la liaison physique, les
ressources de traitement et d'autres éléments possibles. Un autre réseau
intelligent approprié avec des appareils intelligents pourrait être élaboré par
une architecture de réseau intelligent, qui améliore la capacité et la
flexibilité. Des technologies avancées sont utilisées par le réseau intelligent
pour détecter et contrôler la transmission des données avec des stratégies
de cryptage plus sophistiquées basées sur des mécanismes biologiques tels
que l'ADN, qui est unique et difficile à déchiffrer sans clé autorisée. Dans le
cadre d'un tel réseau intelligent, de nouveaux protocoles seront adoptés afin
que les données transférées puissent être regroupées de manière optimale
afin de permettre une transmission et un échange de données à haut débit.
À cette fin, les technologies nécessaires se concentreront sur les mobiles
basés sur le cloud, les appareils 5C (intelligents, connectés, convergés, plus
froids et moins chers), les réseaux de nœuds intelligents dotés d'une
puissante capacité de traitement et les techniques IoT.
L’avenir de la transmission Big Data dans SM-SCM envisagé dans cet
article est le suivant :
- Réseau intelligent et puissant : ce réseau utilise principalement les normes de
communication sans fil basées sur des appareils intelligents puissants tels que des
commutateurs, des hubs et des routeurs, capables de traiter les données.
 RY Zhong et coll. / Informatique et génie industriel 101 (2016) 572–591
transfert avec une grande fiabilité car chaque nœud intelligent peut « parler »
entre eux et travailler en coopération. Parallèlement, le cache intelligent
garantit la haute qualité d'un grand nombre de capteurs partageant des
données sur le réseau.
- Méthodes de cryptage avancées : ces méthodes utilisent des caractéristiques
complexes telles que l’authentification biologique et un schéma de cryptage
chaotique pour améliorer la sécurité des données sur le réseau intelligent. Les
nœuds intelligents dotés de puissantes capacités de traitement peuvent
exécuter ces approches en mode distribué afin que les données transitent en
toute sécurité sur le réseau. Une autre approche de cryptage consiste en une
puce de traitement sécurisée et intelligente avec un cache de flux de clés qui
pourrait être intégrée à nos bagues ou à notre collier. Cette puce est un
appareil intelligent actif capable de reconnaître son propriétaire en détectant
nos caractéristiques biologiques.
- Synchronisation de l'architecture de réseau centrale et distribuée : une telle
architecture est un système bionique qui fonctionne comme un principe
neuronal humain selon lequel un super ordinateur agit comme notre cerveau
et chaque nœud fonctionne comme une cellule neuronale. Le « cerveau »
contrôle de manière centralisée l'ensemble du réseau en termes de
comportements et d'opérations de chaque nœud, tandis que les nœuds
distribués sont capables d'interagir et de ressentir les uns avec les autres,
reflétant les situations actuelles au « cerveau » en temps réel.
5.3. Stockage de données
Un problème majeur du stockage Big Data est la limitation des supports, qui
constituent le matériel nécessaire pour transporter la grande quantité de données
physiques. Les outils actuels ne sont pas capables de traiter les opérations de stockage
en quelques secondes face à une grande myriade de données. Comment stocker de très
grandes quantités de données non structurées ou hétérogènes provenant de divers
collecteurs de données dans les domaines des services, de la fabrication, de la logistique
et d'autres domaines est vraiment difficile. Un autre problème concerne les ensembles
destinés à contenir des volumes de données très importants, difficiles à interroger, à
insérer, à mettre à jour et à supprimer, car de telles opérations prennent du temps lors
de l'analyse de l'ensemble des ensembles de données. Il est difficile de conserver
efficacement les données capturées dans un ensemble avec les technologies actuelles de
base de données ou d’entrepôt de données.
Le stockage basé sur le cloud et le mécanisme de stockage intelligent peuvent
être deux solutions possibles pour relever les défis ci-dessus. Le stockage basé sur
le cloud est capable de fournir un stockage pratiquement illimité et un accès
flexible aux données afin d'exécuter diverses applications et services via Internet (
Sawhney, Puri et Van Rietschote, 2013). Au sein de ce stockage, la technologie
cloud peut utiliser une sécurité implicite en mode en ligne, un cryptage basé sur
l'identification (IBE) pour l'authentification et une API de service Web pour
personnaliser l'utilisation (Spoorthy, Mamatha et Kumar, 2014). Selon le stockage
intelligent d'IBM, le mécanisme repose sur une infrastructure avec des
périphériques de stockage instrumentés, interconnectés et intelligents (Colline,
2012). Trois principes de base sont inclus dans le mécanisme de stockage
intelligent. Ils sont efficaces de par leur conception, s'auto-optimisent et sont
agiles dans le cloud, avec les avantages d'être centrés sur les données, de
confluence du stockage et de la gestion des données et d'être orientés vers
l'infrastructure des informations de stockage (Gim, Hwang, Won et Kant, 2015). Un
tel stockage comprend l'intelligence logicielle d'autoconfiguration,
d'autoprotection, d'auto-optimisation, d'auto-réparation et d'autogestion afin que
d'énormes ensembles de données puissent être traités de manière suffisante.
Le futur stockage des données s’effectuera dans deux dimensions
liées au support et au mécanisme :
- Supports de stockage biologiques : à l'avenir, les matériaux de mémoire
magnétique et flash seront remplacés par des supports biologiques capables
de conserver les données selon des modes dynamiques, épisodiques et
sémantiques. Ce média traite du stockage de données incrémentiel avec la
prolifération de cellules intelligentes qui sont les composants clés d'une
infrastructure intelligente, permettant ainsi d'obtenir une capacité illimitée et
des entrées et sorties rapides.
583
- Mécanisme de stockage apprenable : basé sur les supports de stockage
biologiques, un mécanisme de stockage apprenable est capable de simuler la
capacité de l'homme à apprendre des faits et des relations. Deux principales
catégories d’apprentissage sont incluses. Le premier est l’apprentissage
instrumental basé sur les comportements de stockage de diverses cellules
intelligentes. L’autre est l’apprentissage moteur qui affine les schémas en
fonction des opérations de pratique des cellules intelligentes.
5.4. Technologies de traitement pour le Big Data
On estime qu'il faut environ 635 ans pour traiter 1 Ko pétaoctets, en
supposant qu'un processeur dépense 100 instructions sur un bloc à 5 Go (
Kaisler et coll., 2013). Actuellement, le traitement du Big Data, comme une
requête, prend beaucoup de temps puisque la vitesse de parcours de toutes
les données dans un ensemble comme un entrepôt de données est basée
sur un mécanisme de recherche d'index. Les indices ne suffisent pas face à
des volumes de données plus complexes et plus importants (Ji, Li, Qiu,
Awada et al., 2012 ; Ji, Li, Qiu, Jin et coll., 2012). La vitesse de calcul et
d’analyse du Big Data est une question clé qui ne peut être résolue
uniquement en s’appuyant sur des superordinateurs plus puissants ou en
ajoutant des ressources informatiques supplémentaires. Les algorithmes,
modèles et mécanismes sériels traditionnels sont inefficaces pour le Big
Data. Ainsi, un nouveau parallélisme des données et des approches
avancées sont souhaitables dans le traitement des données tel que le
nettoyage, la compression et la classification. L'analyse dépend fortement de
l'efficacité et de l'exactitude du traitement des données. Lorsque le volume
et la complexité des données augmentent, l’analyse à grande échelle risque
d’être d’une faible précision car les coûts de calcul (temps) et la précision
sont toujours contradictoires. Afin d'obtenir les résultats analysés, la
précision est toujours sacrifiée. Par conséquent, les décisions basées sur
l'analyse pourraient être inexactes.
Pour améliorer la capacité de traitement du Big Data, des opportunités
possibles pourraient être réalisées dans les technologies de traitement
parallèle, les solutions basées sur le cloud et les modèles/algorithmes
avancés. Pour les technologies de traitement parallèle, la forme de calcul
parallèle dans laquelle un grand nombre de calculs pourraient être mis en
œuvre simultanément sera divisée en plusieurs plus petites. Le plus petit
calcul divisé sera exécuté dans un réseau intelligent basé sur un réseau
hiérarchique où chaque nœud est équipé d'une unité de capacité haute
performance et puissante pour exécuter le parallélisme des tâches. Pour les
solutions basées sur le cloud, les modèles et algorithmes de traitement des
données sont conçus et développés sous forme de services conservés dans
un cloud. Pour différentes applications, les utilisateurs peuvent accéder aux
services appropriés, par exemple, les services de compression de données
peuvent traiter différents types de données afin de réduire le volume de
données en utilisant pleinement les technologies de traitement parallèle ou
de cloud computing. Pour les modèles/algorithmes avancés, les langages de
programmation simultanés (CPL), la parallélisation automatique et les
méthodes intelligentes améliorées joueront un rôle important pour élaborer
de nouvelles approches innovantes visant à améliorer la vitesse de
traitement, la précision et l'adaptabilité.
L’avenir de la technologie de traitement du Big Data se concentrera
sur les aspects suivants :
- Infrastructure intelligente basée sur le cloud : c'est la base pour organiser
toutes les technologies ou services de traitement de manière efficace et
efficiente. Il sera installé dans un cloud en simulant les caractéristiques du
système humain afin que différentes fonctionnalités soient conçues de
manière optimale en tant que services intelligents pour atteindre les objectifs.
Au sein de l'infrastructure, différents services intelligents peuvent collaborer
étroitement les uns avec les autres grâce au mode parallélisme et
simultanéité.
- Processeur intelligent : dans une infrastructure cloud intelligente,
chaque nœud est équipé d'un processeur intelligent reconfigurable
de manière à obtenir différents modes de traitement pour répondre
à différentes exigences de traitement. Le processeur contient
584 RY Zhong et coll. / Informatique et génie industriel 101 (2016) 572–591
plusieurs puces biologiques puissantes qui peuvent effectuer le calcul
individuellement et en collaboration. Ainsi, la vitesse de traitement
pourrait être accélérée, tandis que certains processeurs intelligents
peuvent examiner les résultats du traitement pour améliorer la précision.
5.5. Modèles de prise de décision basés sur le Big Data
De plus en plus de prises de décision en SM-SCM nécessitent des informations
et des connaissances associées qui pourraient être extraites du Big Data.
Malheureusement, 55 % des personnes interrogées ont déclaré, lors d'une
enquête récente, qu'elles estiment que les modèles de décision Big Data ne sont
pas considérés de manière stratégique aux niveaux supérieurs de leur
organisation (Jin et coll., 2015). De nombreuses approches traditionnelles
d'exploration de données sont regroupées ou mises à niveau pour être qualifiées
de modèles de prise de décision basés sur le Big Data. Dans ces cas, ces approches
ne sont pas en mesure de relever les défis du Big Data dans des applications
spécifiques telles que SM-SCM. Plusieurs défis doivent être relevés. Tout d’abord,
les modèles de prise de décision peuvent avoir besoin de données pour élaborer
des résolutions à diverses fins telles que l’optimisation aux niveaux opérationnels,
stratégiques et analytiques. Cependant, face à un grand nombre de données, les
modèles de décision nécessitent un temps de calcul important. Deuxièmement, les
modèles de décision basés sur les données ne disposent pas de critères
d'évaluation pour examiner l'efficience et l'efficacité. Les comparaisons actuelles
avec d’autres modèles ou solutions peuvent ne pas convenir dans les cas axés sur
le Big Data. Troisièmement, un modèle de prise de décision se concentre toujours
sur un problème spécifique. Les modèles génériques sont rarement rapportés
pour résoudre des problèmes multi-objectifs. Avec l’aide du Big Data, des modèles
multifonctionnels pourraient être réalisés.
Les nouveaux modèles et mécanismes de prise de décision constituent des
opportunités possibles pour relever les défis. Ces nouveaux modèles, d'une part, peuvent
exploiter pleinement l'ensemble du Big Data en exploitant diverses informations et
connaissances qui pourraient être converties en paramètres pour une prise de décision
optimale ; d’autre part, il peut travailler rapidement pour obtenir des résultats optimaux.
De tels modèles pourraient être utilisés non seulement pour résoudre des problèmes
spécifiques, mais également pour des problèmes multi-objectifs en utilisant différents
mécanismes basés sur le Big Data. Grâce aux données historiques intégrées aux critères
d’évaluation, les modèles peuvent ensuite être vérifiés quantitativement.
Les futurs modèles de prise de décision basés sur le Big Data seront mis en
œuvre dans les deux directions :
- Modèles d’auto-apprentissage : à l’avenir, les modèles de prise de décision
seront capables d’apprendre du Big Data massif pour s’améliorer.
L'apprentissage automatique profond (DML) sera intégré aux modèles de prise
de décision afin qu'ils puissent être dotés d'une capacité d'apprentissage
continu. Une telle capacité pourrait permettre d’acquérir des connaissances
inestimables à partir de différents types de Big Data, afin que ces modèles
puissent être étendus et fragmentés en de nouveaux modèles.
- Décideur intelligent : les futurs modèles de prise de décision ne fonctionnent pas de
manière indépendante. Un modèle de prise de décision pourrait inviter des modèles
associés à travailler en collaboration de manière hiérarchique ou parallèle. Grâce à la
capacité d'apprentissage intelligent, un ensemble de modèles de prise de décision
sont capables de se former pour devenir un décideur intelligent pour (1) collecter des
données précises comme paramètre ; (2) trouver rapidement des résolutions ; et (3)
évaluer suffisamment les résultats.
5.6. Interprétation et applications du Big Data
Le « Big Data » est réellement un problème mondial si nous ne pouvons pas
l'interpréter ou l'utiliser. De nombreuses entreprises se vantent de collecter une grande
quantité de données provenant de diverses sources et leur volume ne cesse
d'augmenter. Lorsqu’ils s’efforcent de prendre des décisions fondées sur les données, ils
sont aveugles et ne peuvent pas suivre ces données sans approches d’interprétation. La
visualisation des données est un moyen idéal pour guérir la cécité. Il convertit les
données brutes en informations significatives grâce à une représentation visuelle.
telles que les graphiques d'information, la visualisation scientifique et les
graphiques statistiques. Actuellement, la visualisation du Big Data est en retard en
raison de la faiblesse des méthodes d'analyse des données et des mécanismes
d'affichage correspondants. En février 2014, un cas réussi a démontré que, afin de
communiquer une histoire lors de la Journée d'inspiration du campus de Stratford
de l'Université de Waterloo, la façon dont les techniques de visualisation
augmentent la compréhension des ensembles de Big Data pour tout savoir (
Maçon, 2014). Cela élève considérablement le domaine universitaire et industriel
pour travailler sur la visualisation Big Data, qui joue un rôle essentiel en aidant les
décideurs à faciliter leurs opérations et procédures. Une bonne visualisation doit
répondre à la question de savoir quelles données porteuses de valeurs
fondamentales doivent être sélectionnées dans les ensembles Big Data. Cette
question constitue un défi majeur en raison du format de données diversifié, des
relations de données complexes et des calculs de données compliqués.
Le Big Data est très d’actualité en ce moment et tout le monde parle de ce
terme mais les actions et les cas se font rares. Quelques applications typiques ont
pu être observées où le Big Data fait une réelle différence (Hazen, Boone, Ezell et
Jones-Farmer, 2014). Dans les achats en ligne sur Internet, il est utilisé pour mieux
comprendre les comportements et les préférences des clients afin que les
modèles prédictifs puissent découvrir le marché potentiel et la marge bénéficiaire
lorsque les entreprises élargissent leur ensemble de Big Data avec des données de
médias sociaux, des journaux de navigateur, ainsi. comme données
comportementales historiques. Les domaines financiers avec du trading à haute
fréquence disposent aujourd’hui d’un véritable Big Data aux usages multiples. Des
modèles de décision basés sur les informations et les tendances des ensembles
Big Data passés sont élaborés pour effectuer des enchères, des transactions, des
investissements et d'autres décisions associées. Les services scientifiques et
technologiques avancés tels que l'aviation, la recherche scientifique et les
systèmes d'information géographique utilisent principalement le Big Date pour
améliorer les performances et prendre des décisions avancées. 10 domaines
d'application catégorisés du Big Data sont abordés par Bernard Marr qui, selon lui,
ces domaines représentent les domaines d'application les plus répandus (Marr,
2013).
De nouvelles opportunités pour l’interprétation et l’application du Big Data
pourraient être exploitées sous plusieurs angles. Tout d’abord, pour faciliter la
visualisation du Big Data, des composants basés sur le cloud pourraient être
conçus et développés. Les composants sont basés sur le mode glisser-déposer
pour afficher diverses API de données standardisées et formatées à travers divers
graphiques, figures et courbes. De plus, des mécanismes ou des systèmes
d’évaluation des données/informations devraient être établis pour garantir la
valeur fondamentale des ensembles de Big Data. Cela pourrait reposer sur des
technologies matérielles et logicielles intelligentes, qui utilisent des algorithmes et
des modèles intelligents, des capteurs avancés et des mécanismes de contrôle
intelligents afin que différents cas puissent les utiliser via des applications basées
sur le cloud. Les systèmes d’évaluation ont la capacité d’auto-apprentissage à
partir de différents cas et peuvent trouver une solution possible face à une
situation similaire. Par ailleurs, l’application du Big Data sera étendue à de plus en
plus de domaines étroitement liés à notre vie quotidienne. À mesure que les
téléphones portables sont largement utilisés, les applications Big Data sur les
téléphones intelligents seront exploitées à mesure que les puissants appareils
biologiques deviendront plus petits et plus intelligents. Enfin, les leaders du
marché du Big Data sont ceux qui peuvent tirer parti de leurs connaissances
uniques et inestimables, de leur propriété intelligente et de leurs technologies de
base pour produire divers produits et services capables de mieux comprendre/
interpréter les données, de prédire les résultats et d'apprendre en permanence à
partir des vastes données collectées. données. En les soutenant, les instituts de
recherche, les gouvernements et les utilisateurs finaux pourraient jouer un rôle en
saisissant l’occasion en or d’apporter leur contribution.
Pour l’avenir, des outils de visualisation multidimensionnels sont nécessaires pour
montrer l’état en temps réel des données, des changements et des tendances des
différents objets intelligents équipés de dispositifs d’identification intelligents.
D’immenses objets intelligents créent une ville intelligente, dans laquelle d’énormes
données sont générées et pourraient être pleinement utilisées pour soutenir le
fonctionnement d’une ville. Dans une ville intelligente, la vie des gens sera
 RY Zhong et coll. / Informatique et génie industriel 101 (2016) 572–591 585

principalement facilité afin que la vie quotidienne, la santé, l'éducation, etc. puissent être
bien gérées compte tenu du Big Data de votre comportement et de vos attentes
quotidiens. Une planète intelligente avec un système de services intelligents, une gestion
intelligente de la logistique et de la chaîne d'approvisionnement de fabrication, un réseau
intelligent et un principe de contrôle intelligent est l'objectif pour l'avenir.
6. Conclusion
Le volume croissant de données provenant de la gestion de la chaîne
d'approvisionnement des services et de la fabrication (SM-SCM) constitue un défi qui
nécessite des outils permettant d'exploiter pleinement les données. Le Big Data est
devenu une discipline capable de fournir les solutions possibles pour l'analyse des
données, l'extraction de connaissances et la prise de décision avancée. L'application
importante du Big Data dans le domaine des services se concentre uniquement sur les
domaines de la finance, des technologies de l'information et des technologies avancées.
Cet article présente les applications illustratives du Big Data dans le SM-SCM, les
technologies Big Data et les mouvements actuels.
mondial. Les défis actuels, les opportunités et les perspectives futures
sous six aspects concernés sont mis en évidence.
Bien que les idées discutées dans cet article soient basées sur des
connaissances et des données statistiques limitées, des concentrations sur
le SM-SCM pourraient être observées pour étendre les idées possibles à de
nombreux autres domaines. Les universitaires et les industriels peuvent
inspirer leurs idées pour enrichir ce domaine afin que la transformation et la
mise à niveau du SM-SCM puissent être pilotées par le Big Data.
Reconnaissance
Ce travail est soutenu par la Fondation nationale des sciences naturelles
de Chine (subventions n° 51405307, 61473093 et 61540030) et par le projet
financé par la Fondation chinoise des sciences postdoctorales
(2015M570720).
Annexe A
Tableaux A1 et A2

Tableau A1
Prix du Big Data dans différents domaines du CRSNG (2010-2014).

Domaine d'application (détaillé) Nombre Montant Récompense moyenne ($)

N % $ %
Avancement des connaissances
Avancement des connaissances 285 6,95% 14 069 899 8,52% 49 368
Agriculture 29 0,71% 1 329 953 0,81% 45 860
Sciences de la Terre 115 2,80% 4 360 925 2,64% 37 921
Ingénierie 99 2,41% 3 728 512 2,26% 37 662
Technologies de l'information, de l'informatique et de la communication 203 4,95% 9 468 344 5,74% 46 642
Sciences de la vie (y compris biotechnologie) 179 4,36% 7 923 011 4,80% 44 263
Sciences des matériaux 55 1,34% 3 264 165 1,98% 59 348
Sciences mathématiques 113 2,76% 2 467 823 1,49% 21 839
Sciences médicales et de la santé 94 2,29% 3 279 847 1,99% 34 892
Sciences physiques 75 1,83% 6 236 445 3,78% 83 153
Psychologie 50 1,22% 1 896 341 1,15% 37 927
Sciences sociales 5 0,12% 116 000 0,07% 23 200
Espace et astronomie 44 1,07% 2 066 987 1,25% 46 977

Total: 1346 32,82% 60 208 252 36,47% 44 731

Agriculture et production alimentaire primaire Agriculture

et production alimentaire primaire Gestion animale 24 0,59% 875 172 0,53% 36 466
(maladies animales, élevage) Production animale et 19 0,46% 784 675 0,48% 41 299
produits primaires d'origine animale Aquaculture 15 0,37% 382 345 0,23% 25 490
11 0,27% 848 071 0,51% 77 097
Gestion des cultures (lutte contre les ravageurs, les maladies et la sélection) 2 0,05% 50 000 0,03% 25 000
Agriculture : ressources en sols et en eau 3 0,07% 71 100 0,04% 23 700
Production végétale et produits primaires végétaux 8 0,20% 282 123 0,17% 35 265

Total: 82 2,00% 3 293 486 2,00% 40 164

Services commerciaux
Services commerciaux 7 0,17% 164 241 0,10% 23 463
Le génie sanitaire 4 0,10% 186 954 0,11% 46 739
Déchets, gestion des déchets et recyclage dix 0,24% 376 014 0,23% 37 601

Total: 21 0,51% 727 209 0,44% 34 629

Construction, planification urbaine et rurale

Méthodes de construction 17 0,41% 744 117 0,45% 43 772
Construction, aménagement urbain et rural 16 0,39% 896 240 0,54% 56 015
Performance des matériaux 24 0,59% 1 016 140 0,62% 42 339
Ingénierie structurelle 34 0,83% 1 635 127 0,99% 48 092
Arpentage et photogrammétrie 14 0,34% 471 519 0,29% 33 680

Total: 105 2,56% 4 763 143 2,89% 45 363

Ressources énergétiques

Ressources énergétiques alternatives 31 0,76% 1 157 622 0,70% 37 343

Énergie électrique 21 0,51% 1 403 164 0,85% 66 817
Efficacité énergétique 38 0,93% 1 719 284 1,04% 45 244
Ressources énergétiques (y compris la production, l'exploration, la transformation, la distribution et l'utilisation) 57 1,39% 2 537 718 1,54% 44 521

(Suite à la page suivante)

586 RY Zhong et coll. / Informatique et génie industriel 101 (2016) 572–591

Tableau A1 (a continué)

Domaine d'application (détaillé) Nombre Montant Récompense moyenne ($)

N % $ %
Stockage et conversion d’énergie 23 0,56% 1 159 076 0,70% 50 395
Énergie nucléaire 17 0,41% 935 003 0,57% 55 000
Pétrole, gaz et charbon 22 0,54% 1 076 357 0,65% 48 925

Total: 209 5,10% 9 988 224 6,05% 47 791

Environnement
Climat et atmosphère 40 0,98% 1 578 583 0,96% 39 465
Conservation et préservation 23 0,56% 1 113 264 0,67% 48 403
Environnement 124 3,02% 5 233 573 3,17% 42 206
Impact environnemental des activités économiques (y compris l'agriculture) 20 0,49% 881 458 0,53% 44 073
Eaux intérieures 18 0,44% 795 388 0,48% 44 188
Terres, terres solides, fonds marins et fonds océaniques 5 0,12% 395 920 0,24% 79 184
Modélisation et simulation mathématique des processus naturels 53 1,29% 2 040 593 1,24% 38 502
Océans, mers et estuaires 44 1,07% 2 002 252 1,21% 45 506
Polluants et agents toxiques (déchets, utilisation 6 0,15% 123 382 0,07% 20 564
902) Gestion de la faune 14 0,34% 523 383 0,32% 37 385

Total: 347 8,46% 14 687 796 8,90% 42 328

Santé, éducation et services sociaux

Génie biomédical 126 3,07% 4 821 105 2,92% 38 263
Santé, éducation et services sociaux 19 0,46% 891 425 0,54% 46 917
Santé humaine (y compris recherche psychologique médicale) 47 1,15% 2 013 111 1,22% 42 832
Apprentissage et éducation 9 0,22% 414 863 0,25% 46 096

Total: 201 4,90% 8 140 504 4,93% 40 500

Services d'information et de communication

Systèmes et services de communication (planification, organisation, services) 44 1,07% 1 548 694 0,94% 35 198
Technologies de communication (satellites, radar, etc.) 75 1,83% 2 957 009 1,79% 39 427
Communications informatiques 57 1,39% 1 770 998 1,07% 31 070
Logiciels informatiques 201 4,90% 6 217 937 3,77% 30 935
Services d'information et de communication 50 1,22% 2 241 180 1,36% 44 824
Systèmes et technologies de l'information 264 6,44% 8 790 736 5,33% 33 298

Total: 691 16,85% 23 526 554 14,25% 34 047

Processus et produits de fabrication

Produits chimiques agricoles (engrais, herbicides, pesticides) 4 0,10% 153 784 0,09% 38 446
Produits en céramique, verre et minéraux industriels Équipement 1 0,02% 25 000 0,02% 25 000
de communication 42 1,02% 2 349 482 1,42% 55 940
Biens de consommation 4 0,10% 239 835 0,15% 59 959
Machines et équipements électriques et électroniques (y compris le matériel informatique) 48 1,17% 1 843 354 1,12% 38 403
Produits métalliques ouvrés 3 0,07% 138 000 0,08% 46 000
Fibres et textiles 5 0,12% 158 412 0,10% 31 682
Produits pharmaceutiques humains 9 0,22% 239 000 0,14% 26 556
Produits chimiques industriels (solvants, résines) 2 0,05% 50 000 0,03% 25 000
Technique d'instrumentation 33 0,80% 1 623 173 0,98% 49 187
Processus et produits de fabrication 71 1,73% 3 576 246 2,17% 50 370
Machines mécaniques, équipements lourds (y compris matériel agricole, forestier et de construction) 11 0,27% 613 228 0,37% 55 748
Matériel et appareils médicaux 30 0,73% 1 255 606 0,76% 41 854
Autres produits et procédés manufacturés 1 0,02% 200 000 0,12% 200 000
Polymères, caoutchouc et plastiques dix 0,24% 427 139 0,26% 42 714
Produits métalliques de première transformation (ferreux et non 5 0,12% 286 365 0,17% 57 273
ferreux) Produits alimentaires transformés et boissons 9 0,22% 418 472 0,25% 46 497
Gestion de la production et des opérations 17 0,41% 453 000 0,27% 26 647
Matériel de transport 4 0,10% 185 132 0,11% 46 283
Produits pharmaceutiques vétérinaires 2 0,05% 59 940 0,04% 29 970
Bois, produits du bois et papier 7 0,17% 459 020 0,28% 65 574

Total: 318 7,75% 14 754 188 8,94% 46 397

Ressources naturelles (aspects économiques)

Pêches commerciales 5 0,12% 365 900 0,22% 73 180
Foresterie (sylviculture, gestion forestière) 24 0,59% 1 164 624 0,71% 48 526
Ressources minérales (prospection, exploration, exploitation minière, extraction, transformation) 45 1,10% 2 889 895 1,75% 64 220
Ressources naturelles (aspects économiques) 4 0,10% 128 167 0,08% 32 042
Océans et eaux intérieures 6 0,15% 143 821 0,09% 23 970

Total: 84 2,05% 4 692 407 2,84% 55 862

Développement du Nord
Construction, transports et communications 14 0,34% 520 495 0,32% 37 178
Environnement 41 1,00% 2 249 732 1,36% 54 872
Développement du Nord 6 0,15% 512 759 0,31% 85 460
 RY Zhong et coll. / Informatique et génie industriel 101 (2016) 572–591 587

Tableau A1 (a continué)

Domaine d'application (détaillé) Nombre Montant Récompense moyenne ($)

N % $ %
Total: 61 1,49% 3 282 986 1,99% 53 819

Pas disponible
Pas disponible 473 11,53% 9 670 630 5,86% 20 445

Total: 473 11,53% 9 670 630 5,86% 20 445

Systèmes et services de transport

Aérospatial 58 1,41% 2 491 523 1,51% 42 957
Sol (routier et ferroviaire) Systèmes et 5 0,12% 112 980 0,07% 22 596
services de transport Eau 56 1,37% 2 306 869 1,40% 41 194
44 1,07% 2 431 744 1,47% 55 267

Total: 163 3,97% 7 343 116 4,45% 45 050

Total 4101 100,00% 165 078 495 100,00% 40 253

Tableau A2
Focus récent de la technologie sur le big data dans SM-SCM en Europe.

Projet Technologie ciblée Objectifs Caractéristiques techniques Durée du projet Récompensé

montant
(M.€)

ACTIF-Activer la connaissance Technologie ACTIVE Augmenter la productivité des travailleurs du - Ouvert et évolutif 03/2008–02/ 8.2
Entreprise propulsée savoir grâce à des outils qui exploitent des - Intégré et con- 2011
données factuelles et cachées. textualisé savoir-
connaissances procédurales espace de travail périphérique

ADVANCE - Prédictif avancé
moteur d'aide à la décision basé sur
l'analyse pour la logistique
Moteur de décision basé sur les données Permettre une planification stratégique associée à - Open source 10/2010–09/ 1,98
une prise de décision instantanée pour fournir une - Stratégique en réseau 2013
vision dans une tempête de données planification
- Couplé à une prise de
décision instantanée

AXLE - Analyses avancées pour Implémentation open source Améliorer la rapidité et la qualité de la prise de - Ingénierie d'évolutivité- 11/2012–10/ 2,95
Bases de données européennes extrêmement des produits PostgreSQL et décision sur des ensembles de données du monde partitionnement automatique, 2015
volumineuses Orange réel compression
- Analyse visuelle
- Avancé architecte-
mesures pour matériel
et logiciel

BIOBANKCLOUD - Évolutif, Une plateforme de cloud computing en Demandez à BiobankCloud de supprimer le goulot - Sécurité, stockage, 12/2012–11/ 2.08
Stockage sécurisé des données de la tant que service (PaaS) pour d'étranglement des biobanques, permettant ainsi aux gourmand en données outils 2015
biobanque Biobanque biobanques européennes de prendre un leadership mondial, et algorithmes
avec un soutien amélioré pour la prévention des maladies, la - Autoriser les biobanques à
détection des tendances et partager des données
faire progresser notre compréhension de entre eux
la pathologie clinique et moléculaire

BIG - Big Data Public Privé Construire un industriel Établir un canal approprié pour collecter des - Cinq groupes techniques 09/2012–10/ 2,50
Forum communauté autour du Big Data informations et influencer de manière liés au Big Data 2014
en Europe adéquate les décideurs par le Big Data - Cinq forums spécifique
dans SM-SCM

BIOPOOL - Services associés à Construire un système reliant les pools Permettre aux biobanques de construire un - Texte et image 09/2012–08/ 1.966
contenu numérisé des tissus dans les de données numériques gérés par les réseau qui relie les collections d'images requêtes de recherche basées 2014
biobanques à travers l’Europe biobanques numériques histologiques de matériel biologique - Région d'intérêt
et les informations associées gérées par les extraction
biobanques - Pathologie automatisée
ogie information
extraction pour les
types fictifs de cancers

COMSODE - Composants Créer une publication Faire progresser les capacités dans le domaine de la - Puissant évolutif 10/2013–09/ 1.469
Soutenir l’exploitation des plateforme appelée Open Data réutilisation des données ouvertes cadre 2015
données ouvertes Node - Nouveau ouvert données

applications

Cubiste - Combiner et Unir Combinaison de technologies Exploite la Business Intelligence pour atteindre - Prise en charge des projets 10/2010–09/ 3.029
Intelligence économique et sémantiques, BI et analyse un nouveau niveau d'analyse de données non structurés et structurés 2013
technologies sémantiques visuelle précise, significative et conviviale les sources de données

- Triple magasin
compatible BI hybride

(Suite à la page suivante)

588 RY Zhong et coll. / Informatique et génie industriel 101 (2016) 572–591

Tableau A2 (a continué)

Projet Technologie ciblée Objectifs Caractéristiques techniques Durée du projet Récompensé

montant
(M.€)

DaPaaS - Publication de données Combiner les données en tant que Optimiser la publication d’Open Data et le - Un DaaS et un PaaS 11/2013–10/ 1.499
via le cloud : une approche de Service (DaaS) et Platformas-a- développement d’applications de données ouverts 2015
données et de plateforme en tant que Service (PaaS) pour les données - Accès aux données
service pour une publication et une ouvertes unifié
consommation efficaces des données - DaaS et PaaS intégrés pour
les données ouvertes

Dicode - Maîtriser les données- Exploiter un cloud Faciliter et augmenter la collaboration et la prise de - Services d'exploration de données 09/2010–08/ 2.599
Collaboration intensive et infrastructure pour augmenter la décision dans des environnements à forte intensité de évolutifs 2013
prise de décision collaboration et la prise de décision données et cognitivement complexes - Soutien collaboratif
dans des environnements à forte services portuaires

intensité de données et cognitivement - Décision basée sur les données

complexes fabrication soutien

prestations de service

DOPA- Chaînes d'approvisionnement en données pour Chaînes d'approvisionnement en données Permettre aux acteurs économiques et - Informations à grande 05/2012–04/ 1.996
Pools, services et analyses en services d'information et chercheurs européens de participer à ce échelle et de haute qualité 2014
économie et finance outils de visualisation développement de la Data Supply Chain sur approvisionnement

une plateforme distribuée - Informations automatisées

traitement des données

- automatique entité
lien
EUROFIT - Intégration, Une plateforme en ligne et un Explorez le potentiel contenu dans les - Homologue 3D 06/2012–05/ 1,71
Homogénéisation et framework ouvert référentiels de scan 3D pour son utilisation par des modèles 2014
Extension de la portée des données Industries européennes - Outils autonomes pour
anthropométriques stockées dans les l'analyse de forme
grands pools de l'UE

PREMIER – Information à grande échelle Une extraction d’informations, une Fournir une extraction et une intégration - Extraction d'informations 10/2010–09/ 3.025
infrastructure d’extraction et intégration d’informations et une d’informations à grande échelle tion de peu fiable 2013
d’intégration pour soutenir la prise de décision infrastructure prenant en charge les utilisateurs semi-structuré
prise de décision financière Infrastructure finaux non qualifiés en TIC pour l'accès à sources à grande
l'information financière à la demande et échelle et en temps
l'exécution d'analyses des marchés financiers quasi réel
- Automatique réutilisation de

existant ontologies,
grande échelle ontologie
apprentissage

- Avancé décision
fabrication de modèles utiliser

de séman-
caractéristiques des tics

GAPFILLER - Pool de données GNSS pour Un pool de données durable de Comblez le fossé entre les grands fabricants et les - Une base de données GNSS 05/2012– 1.126
Prédiction des performances et GNSS mondial PME en fournissant à la communauté des 04/ commune pour les 2014
simulation des nouveaux des mesures chercheurs et des développeurs un pool de évaluation des performances

Applications pour les développeurs données extensible unique permettant de prédire - EGNOS aéronautique
les performances et de simuler les nouvelles notion d'intégrité
applications basées sur le système mondial de
navigation par satellite (GNSS) et

algorithmes

FUSEPOOL - Fusion et pooling Un pool de connaissances évolutives et Fournit l'automatisation - Cas utilisateur spécifique 07/2012–06/ 1,93
informations pour le adaptables aux utilisateurs transformation du contenu de la récolte sur recherche à saisie semi-automatique 2014
développement et la recherche le Web et de la participation - Graphique navigation à
de produits/services organisations au format Linked Open Data structuré explorer en rapport et
et l'optimisation automatisée et spécifique au groupe nouvelle information
de la recherche et de la mise en correspondance des - Vue paysage pour
connaissances sur la base du transfert analyse visuelle de
d'apprentissage des utilisateurs individuels grands ensembles de résultats

ONTORULE - Les ontologies se rencontrent La technologie ONTORULE Faire passer les connaissances pertinentes - Lié de haute qualité 11/2013–10/ 0,985
règles commerciales aux règles métier dans une organisation du donnée statistique 2015
niveau informatique au niveau métier, - Analyse de données
permettre la gestion de ces connaissances avancée et
par le professionnel de l'entreprise et mettre visualisations
ces connaissances à la disposition des
applications logicielles de l'organisation.

OpenCube - Publication et Technologie OpenCube Faciliter (a) la publication de données statistiques - Logiciels open source 11/2013–10/ 0,985
Enrichir l'ouverture liée liées de haute qualité et (b) la réutilisation outils logiciels 2015
Données statistiques pour le d'ensembles de données statistiques liées - Distribué lié
développement des données distribuées pour effectuer des analyses et des ensembles de données statistiques

Analyse et amélioration visualisations de données avancées

Services de visualisation
 RY Zhong et coll. / Informatique et génie industriel 101 (2016) 572–591 589

Tableau A2 (a continué)

Projet Technologie ciblée Objectifs Caractéristiques techniques Durée du projet Récompensé

montant
(M.€)

OpenDataMonitor - Surveillance, Logiciel open source comme Obtenez un aperçu des ressources de données - Évolutif analytique 11/2013–10/ 1.496
Analyse et visualisation des CKAN et son extension ouvertes disponibles et entreprenez l'analyse et la et visualisation 2015
catalogues, hubs et référentiels visualisation des catalogues de données existants méthodes
de données ouvertes à l'aide d'outils innovants. - Haut extensible
les technologies cadre

SEMAGROW - Intensif en données Techniques gourmandes en données Développer les services de données évolutifs, - Hétérogène données 11/2012–10/ 2,47
techniques pour améliorer les efficaces et robustes nécessaires pour tirer collections et Steams 2015
performances en temps réel des pleinement parti de la science interdisciplinaire et - Réactif données

données agricoles mondiales à forte intensité de données de 2020 et pour analyse

infrastructures remodeler la manière dont les techniques - Réactif Ressource
d'analyse des données sont appliquées au Découverte
nuage de données hétérogène

TRIDEC – Une collaboration, Intelligent en temps réel Conception et mise en œuvre d'une - Collaboratif com- 09/2010–08/ 6,79
Complexe et critique gestion de l'information infrastructure de services robuste et techniques de putting 2013
Aide à la décision dans les crises en évolutive prenant en charge l'intégration et - Rapide et sur-
évolution l'utilisation des ressources existantes avec demandes de demandes
une génération accélérée d'un grand volume et outils
de données

VISCÉRAL - Concept VISUEL Extraction et récupération Définir et exécuter un cadre de référence - UN nuage 11/2012–04/ 1,42
Défi d’extraction en d'informations impliquant des ciblé pour accélérer les progrès vers Infrastructure 2015
RAdioLogy données d'images médicales et du l'identification automatisée de l'anatomie - automatique banc-
texte associé et de la pathologie. marquer les entrées

identification sur images radiologiques 3D

(IRM, CT) et 4D (IRM avec composante
temporelle)

ViSTA-TV - Flux vidéo
Analyses pour les téléspectateurs de
l'industrie de la télévision
Un ensemble de données ouvertes liées (LOD)
de haute qualité décrivant la programmation
télévisée en direct
Recueillir le comportement de visionnage - Exploration de données pour le 06/2012–05/ 1.995
anonymisé des consommateurs et les flux vidéo marquage, recommandations 2014
réels des diffuseurs/émetteurs IPTV pour les tion et comportement
combiner avec des informations améliorées du analyses
guide électronique des programmes comme - Temporel/probabiliste-
entrée pour une analyse holistique d'exploration tic RDF-triple flux
de données en direct : la base d'un marché axé traitement
sur les PME pour le visionnage de la télévision.
-informations sur le comportement

Les références Capron, E. (2013).Ce que le Big Data a apporté à FedEx depuis 25 ans :Entreprise SAP
Innovation<http://blogs.sap.com/innovation/big-data/big-data-
deliveredfedex-25-years-0887095>.
Adshead, A. (2013).Stockage Big Data : Définir le Big Data et le type de stockage dont il a besoin :
Castiglione, A., Gribaudo, M., Iacono, M. et Palmieri, F. (2014). Exploiter le champ moyen
PODCAST TechTarget.<http://www.computerweekly.com/podcast/Big-datastorage-
analyse pour modéliser les performances des architectures big data.Systèmes informatiques
Defining-big-data-and-the-type-of-storage-it-needs>.
de la future génération, 37,203-211.
Ahuja, SP et Moore, B. (2013). État de l’analyse du Big Data dans le cloud.Réseau et
Chae, BK (2015). Informations issues du hashtag# supplychain et des analyses Twitter :
Technologies des communications, 2(1), 62.
Prise en compte de Twitter et des données Twitter pour la pratique et la recherche en matière de chaîne
Alfalla-Luque, R., Marin-Garcia, JA et Medina-Lopez, C. (2014). Une analyse du
d'approvisionnement. Revue internationale d'économie de production, 165,247-259.
effets directs et médiatisés de l’engagement des employés et de l’intégration de la chaîne
Chen, H., Chiang, RH et Storey, VC (2012). Intelligence d’affaires et analyses :
d’approvisionnement sur la performance organisationnelle.Revue internationale d'économie
du big data au grand impact.MIS Trimestriel, 36(4), 1166-1189.
de production, 162,242-257.
Chen, HC, Compton, S. et Hsiao, O. (2013).Diabeticlink : Un système de mégadonnées de santé pour
Angus, D., Rintel, S. et Wiles, J. (2013). Donner du sens à un gros texte : une priorité visuelle
l’autonomisation des patients et les soins de santé personnalisés. Santé intelligente (pp.
approche d'analyse de données textuelles à l'aide de Leximancer et Discursis.Revue
71-83). Berlin-Heidelberg : Springer.
internationale de méthodologie de recherche sociale, 16(3), 261-267.
Chen, M., Mao, S., Zhang, Y. et Leung, VC (2014).Stockage de mégadonnées. Mégadonnées : connexe
Artigues, A., Cucchietti, FM, Montes, CT, Vicente, D., Calmet, H., Marin, G., ...
technologies, défis, perspectives d'avenir (p. 33 à 49). Cham Heidelberg New York
Vázquez, M. (2015). Visualisation scientifique du big data : Une approche par outils
Dordrecht Londres : Springer.
couplés. Frontières et innovations du calcul intensif, 1(3), 4-18. Gouvernement
Choo, J. et Park, H. (2013). Personnalisation des méthodes de calcul pour l'analyse visuelle
australien (2013).La stratégie Big Data du service public australien
avec les mégadonnées.Infographie et applications, IEEE, 33(4), 22-28. Craglia, M., de
(p. 1 à 24).
Bie, K., Jackson, D., Pesaresi, M., Remetey-Fülöpp, G., Wang, C., ...
Bechini, A., Marcelloni, F. et Segatori, A. (2016). Une solution MapReduce pour
Ehlers, M. (2012). Digital Earth 2020 : Vers la vision de la prochaine décennie. Journal
classification associative du big data.Sciences de l'information, 332,33-55.
international de la Terre numérique, 5(1), 4–21.
Bell, L. (2014).IDF : Intel annonce A-Wear pour promouvoir les applications Big Data via l'Internet des objets
Crochet-Damais, A. (2013). La Poste : pour ne plus perdre de courrier.Journal Du
: . L'INQUISEUR<http://www.theinquirer.net/inquirer/news/2364331/idfintel-
Filet<http://www.journaldunet.com/solutions/dsi/projet-de-big-data-en-france/ la-
announces-a-wear-to-push-big-data-apps-via-internet-of-things>. Bhatti, R., LaSalle,
poste-pour-ne-plus-perdre-de-courrier.shtml>.
R., Bird, R., Grance, T. et Bertino, E. (2012). Tendances émergentes
CSCMP (2014). Le Big Data dans la supply chain<http://cscmp.org/resources-research/
autour de l’analyse et de la sécurité du Big Data : Panel. DansArticle présenté lors des
chaîne d'approvisionnement-big-data>.
actes du 17e symposium de l'ACM sur les modèles et technologies de contrôle
Currie, J. (2013). « Big Data » versus « Big Brother » : sur l'utilisation appropriée des grandes
d'accès (p. 67-68).
collectes de données à grande échelle en pédiatrie.Pédiatrie, 131(Supplément 2), S127 à
Biesdorf, S., Court, D. et Willmott, P. (2013).Big data : quel est votre projet ? :Connaissances &
S132. Dekker, R., Pinçe, Ç., Zuidwijk, R. et Jalil, MN (2013). Sur l'utilisation de la base installée
Publications<http://www.mckinsey.com/insights/business_technology/
informations pour la logistique des pièces de rechange : un examen des idées et des pratiques de
big_data_whats_your_plan>.
l'industrie. Revue internationale d'économie de production, 143(2), 536-545.
Startups BigData (2013).Rolls Royce passe à la vitesse supérieure avec le big data :Big Data-
DeLyser, D. et Sui, D. (2013). Franchir le fossé qualitatif-quantitatif II
Démarrer. La plateforme de connaissances Big Data en ligne<http://www.bigdatastartups.com/
Approches inventives du big data, des méthodes mobiles et de la rythmanalyse.
BigData-startup/rolls-royce-shifts-higher-gear-big-data/>. Bloomberg (2013).UPS dépense 1 milliard
Progrès en géographie humaine, 37(2), 293-305.
de dollars par an en Big Data : pour quoi faire ? :Bloomberg
Dimakopoulou, AG, Pramatari, KC et Tsekrekos, AE (2014). Application réelle
la télé<http://www.bloomberg.com/video/how-ups-saves-cash-through-
options pour l’évaluation des investissements informatiques : le cas de l’identification par radiofréquence
technologybig-data-uKw4qK3sRJW7iJkzH~ZhPw.html>.
590 RY Zhong et coll. / Informatique et génie industriel 101 (2016) 572–591
(RFID) dans la chaîne d'approvisionnement.Revue internationale d'économie de
production, 156,191-207.
Dittrich, J., & Quiané-Ruiz, J.-A. (2012). Traitement efficace du Big Data dans Hadoop
MapRéduire.Actes de la Dotation VLDB, 5(12), 2014-2015. Drummonds, S. (2013).Big
data en Asie Pacifique :Informationsincognita<http://www.
infoincog.com/big-data-in-asia-pacific>/.
Dutta, D. et Bose, I. (2015). Gérer un projet big data : le cas des ciments Ramco
limité.Revue internationale d'économie de production, 165,293-306. Eatontown, New Jersey
(2012).AltraSTAR d'Altior – Accélérateur et optimiseur de stockage Hadoop
désormais certifié sur CDH4 (distribution Cloudera incluant Apache Hadoop version
4) : PRNewswire<http://www.prnewswire.com/news-releases/altiors-altrastarhadoop-
storage-accelerator-and-optimizer-now-certified-on-cdh4-clouderasdistribution-
inclure-apache-hadoop-version-4-183906141.html >.
CE (2013). Communication sur l'économie basée sur les données<https://ec.europa.eu/digital-
agenda/fr/news/communication-data-driven-economy>.
Eichengreen, B. et Gupta, P. (2013). Les deux vagues de croissance du secteur des services.Oxford
Documents économiques, 65(1), 96-123.
Fang, B. et Zhang, P. (2016).Le Big Data en finance. Concepts, théories et données du Big Data
applications (pp. 391-412). Suisse : Springer International Publishing. Fawcett, SE et
Waller, MA (2013). Compte tenu de la gestion de la chaîne d'approvisionnement
identité professionnelle : La belle discipline (Ou « Nous ne guérissons pas le cancer, mais
nous faisons une grande différence »).Journal de la logistique commerciale, 34 (3), 183-188.
Feldman, B., Martin, EM et Skotnes, T. (2012). Le Big Data dans le domaine de la santé
Espoir.Dr Bonnie 360-Développement commercial pour la santé numérique,1 à 56. Feldman,
D., Schmidt, M. et Sohler, C. (2013). Transformer le Big Data en Tiny Data :
Coresets de taille constante pour k-means, pca et clustering projectif. DansActes du
vingt-quatrième symposium annuel ACM-SIAM sur les algorithmes discrets (p.
1434-1453). SIAM.
Ferdows, K. et De Meyer, A. (1990). Des améliorations durables dans la fabrication
performance : À la recherche d’une nouvelle théorie.Journal de gestion des opérations, 9(2),
168-184.
Fukase, A. (2013). La poste japonaise se prépare à son introduction en bourse.Wall Street J.<http://online.wsj.com/
actualités/articles/SB10001424052702304709904579406650519315292>. Garel-Jones,
P. (2011).Comment le secteur des services financiers utilise le Big Data
des analyses pour prédire le comportement des clients :Informatique pour les services
financiers<http://www. Computerweekly.com/feature/How-the-financial-services-sector-
uses-big-dataanalytics-to-predict-client-behaviour>.
GE (2014).L’essor du big data industriel :Plateformes intelligentes GE<http://www.
ge-ip.com/library/detail/13170>.
Gianchandani, E. (2012).L'administration Obama dévoile une initiative de R&D sur les mégadonnées de 200 millions de dollars
: Le blog du Consortium de la communauté informatique<http://www.cccblog.org/
2012/ 03/29/obama-administration-unveils-200m-big-data-rd-initiative/>. GilPress
(2012). Une très courte histoire du big data<http://whatsthebigdata.com/2012/
06/06/une-très-courte-histoire-du-big-data/>. 6 juin 2012.
Gim, J., Hwang, T., Won, Y. et Kant, K. (2015). SmartCon : changement de contexte intelligent
pour les périphériques IO à stockage rapide.Transactions ACM sur le stockage (TOS), 11(2), 5:1–5:25.
Globe-Newswire (2013). Marché mondial du Big Data dans le secteur des services financiers
2012-2016<http://www.cnbc.com/id/101124650>.
Habegger, B. (2010). Prospective stratégique en politiques publiques : bilan des expériences
du Royaume-Uni, de Singapour et des Pays-Bas.Futures, 42(1), 49-58. Harrison, C. (2012). Deal watch :
accord « Big data » pour la modélisation des essais cliniques sur le diabète.
Nature Reviews Drug Discovery, 11 (11), 822.
Harvey, C. (2012).50 meilleurs outils open source pour le big data :Datamation<http://
www.datamation.com/data-center/50-top-open-source-tools-for-big-data-1. html>.
Hashem, IAT, Yaqoob, I., Anuar, NB, Mokhtar, S., Gani, A. et Khan, SU (2015).
L'essor du « big data » sur le cloud computing : Bilan et enjeux de recherche ouverts.
Systèmes d'information, 47,98-115.
Hazen, BT, Boone, CA, Ezell, JD et Jones-Farmer, LA (2014). Qualité des données pour
science des données, analyse prédictive et big data dans la gestion de la chaîne
d'approvisionnement : une introduction au problème et des suggestions de recherche et
d'applications. Revue internationale d'économie de production, 154,72-80. HDFS (2010).
Facebook possède le plus grand cluster Hadoop au monde ! : Facebook
Poste<http://hadoopblog.blogspot.hk/2010/05/facebook-has-worlds-
largesthadoop.html>.
Henschen, D. (2014).Merck optimise la fabrication grâce à l'analyse du Big Data :
Semaine de l'information reliant la communauté technologique des entreprises<http://
www.informationweek.com/strategic-cio/executive-insights-and-innovation/ merck-
optimizes-manufacturing-with-big-data-analytics/d/d-id/1127901>. Colline, D. (2012).
Stockage intelligent IBM : quelle idée intelligente.Commentaire du groupe Mesabi,
1 à 6.
IBM (2013). Qu’est-ce que le Big Data ? - Apporter le Big Data à l'entreprise<http://www.
ibm.com/big-data/us/en/>.
IBM-SAP (2013). China Ocean Shipping (Group) Company se lance sur de nouveaux marchés
avec IBM et SAP<http://www-01.ibm.com/common/ssi/cgi-bin/ssialias?
subtype=AB&infotype=PM&appname=SNDE_SP_SP_CNEN&htmlfid=SPC03438
CNEN&attachment=SPC03438CNEN.PDF>.
IntelCenter (2013). Visualisation Big Data : transformer le Big Data en grandes informations.Blanc
Papier:1 à 14.
Ji, C., Li, Y., Qiu, W., Awada, U. et Li, K. (2012). Traitement du Big Data dans le cloud
environnements informatiques. DansActes du 12e symposium international 2012 sur
les systèmes, algorithmes et réseaux omniprésents. 13-15 décembre (p. 17-23). San
Marcos, Texas : Société informatique IEEE.
Ji, CQ, Li, Y., Qiu, WM, Jin, YW, Xu, YJ, Awada, U., ... Qu, WY (2012). Big Data
transformation : grands défis et opportunités.Journal des réseaux d'interconnexion,
13 (03 et 04), 1–19.
Jimenez, D.-Z., Stires, C., Li, Q., Zhang, C., Sehgal, V. et Arora, R. (2013). Asie-Pacifique
Technologie et services Big Data Analyse et prévisions 2013-2017 : le voyage vers la technologie et la
transformation se poursuit. La prochaine étape est l'innovation.Analyse de marché, 1 à 50.
Jin, X., Zong, S., Li, Y., Wu, S., Yin, W. et Ge, W. (2015). Une connaissance du domaine basée
méthode sur un service d'information actif et ciblé pour l'aide à la décision dans un
environnement Big Data.Procedia Informatique, 60 ans,93-102. Jitkajornwanich, K., U.
Gupta, R. Elmasri, L. Fegaras et J. McEnery. En utilisant
mapreduce pour accélérer l'identification des tempêtes à partir de données brutes de précipitations importantes.
DansLa quatrième conférence internationale sur le cloud computing, les GRID et la virtualisation (pp. 49-55).
Joshi, K. et Yesha, Y. (2012). Atelier sur l'analyse du Big Data généré par
domaine de la santé et de la médecine personnalisée. DansActes du colloque 2012
du Centre d'études avancées sur la recherche collaborative (p. 267-269). IBM Corp..
Kaisler, S., Armour, F., Espinosa, JA et Money, W. (2013). Big data : enjeux et
défis à venir. Dans2013 46e conférence internationale d'Hawaï sur les sciences des
systèmes (HICSS), 7-10 janvier (pp. 995-1004). Wailea, Maui, HI : IEEE. Kankanhalli, A.,
Hahn, J., Tan, S. et Gao, G. (2016). Big data et analyses dans
soins de santé : Introduction à la section spéciale.Frontières des systèmes d'information, 18
(2), 233-235.
Kepner, J., Arcand, W., Bergeron, W., Bliss, N., Bond, R., Byun, C., ... Kurz, J. (2012).
Base de données et système de calcul de modèle de données dimensionnelles distribuées
dynamiques (D4M). DansConférence internationale IEEE 2012 sur l'acoustique, la parole et le
traitement du signal (ICASSP), Kyoto, 25-30 mars (pp. 5349-5352). IEEE.
Khatri, H. (2013).Tendances dans les opérations manufacturières : exploiter le Big Data à travers le monde
chaîne de valeur :PROFIT ORACLE Technologie Propulsé. Axé sur les affaires<http://
www.oracle.com/us/corporate/profit/archives/opinion/011813-
hkhatri-1899121.html>.
Kim, G.-H., Trimi, S. et Chung, J.-H. (2014). Applications du Big Data au gouvernement
secteur.Communications de l'ACM, 57(3), 78-85.
Koetsier, J. (2014).Le fondateur de Hadoop affirme que l'avenir du Big Data ressemble à Hadoop :VB
Aperçu<http://venturebeat.com/2014/04/10/hadoop-founder-says-future-ofbig-
data-looks-like-well-hadoop/>.
Lardinois, F. (2014).Google LANCE le streaming BigQuery pour le Big Data en temps réel
analytique : Crise technologique<http://techcrunch.com/2014/03/25/google-launches-
bigquery-streaming-pour-l'analyse du big-data-en-temps-réel/>.
LaValle, S., Lesser, E., Shockley, R., Hopkins, MS et Kruschwitz, N. (2013). Big Data,
l’analyse et le cheminement des informations vers la valeur.Revue de gestion du MIT Sloan, 52
(2), 21-31.
Lee, C.-H., Wang, Y.-H. et Trappey, AJ (2015). Raisonnement basé sur l'ontologie pour le
traitement intelligent des réclamations des clients.Informatique et génie industriel,
84,144-155.
Li, J., Tao, F., Cheng, Y. et Zhao, L. (2015). Big data dans la gestion du cycle de vie des produits.
Le Journal international des technologies de fabrication avancées, 81(1-4), 667-684.
Lin, J. (2013). Mapreduce est-il assez bon ? Si tout ce que tu as c'est un marteau, jette-le
tout ce qui n'est pas un clou !Mégadonnées, 1(1),
28-37. LMG (2014).Gros potentiel du big data : Les services aux entreprises<http://www.
royalmail.com/marketing-services-regular/marketreach>.
Lohman, T. (2013).Tendances Big Data et Analytics pour 2014 : ZDNet<http://www.
zdnet.com/big-data-and-analytics-trends-for-2014-7000024260/>.
Loshin, D. (2013).Analyse du Big Data : de la planification stratégique à l'intégration d'entreprise
avec outils, techniques, NoSQL et graph : .Elsevier.
Lupton, D. (2013). La marchandisation de l’opinion des patients : le patient numérique
Découvrez l’économie à l’ère du Big Data.Document de travail du Sydney Health &
Society Group, (3), 1-18.
Lurie, A. (2014).39 outils de visualisation de données pour le big data :Cloud computing<http://
blog.profitbricks.com/39-data-visualization-tools-for-big-data/>. Madhavan, J.,
Balakrishnan, S., Brisbin, K., Gonzalez, H., Gupta, N., Halevy, AY, ...
Lee, H. (2012). Narration Big Data à travers des cartes interactives.Bulletin
d'ingénierie des données IEEE, 35 (2), 46-54.
Markopoulos, J. (2012).5 façons dont l’Internet industriel va changer le secteur manufacturier :
Forbes. <http://www.forbes.com/sites/ciocentral/2012/11/29/5-ways-the-
l'internet-industriel-va-changer-la-fabrication/>.
Marr, B. (2013). Les formidables façons dont le Big Data est utilisé aujourd'hui pour changer notre
monde<https://www.linkedin.com/today/post/article/20131113065157-64875646-
the-awesome-ways-big-data-is-used-today-to-change-our-world>. Martin, J., Moritz,
G. et Frank, W. (2013). Big data dans la logistique : le point de vue de DHL
comment aller au-delà du battage médiatique.Solutions client et innovation DHL,1 à
30. Maçon, H. (2014). Journée d'inspiration à l'Université de Waterloo Stratford,
Campus<http://www.betakit.com/event/inspiration-day-at-university-
ofwaterloo-stratford-campus/>.
McKelvey, K., Rudnick, A., Conover, MD et Menczer, F. (2012). Visualisation
Communication sur les réseaux sociaux : Rendre le Big Data accessible.préimpression arXiv
arXiv : 1202.1367.
MeriTalk (2014).L'USPS s'attaque à l'échelle et à la rapidité du défi du Big Data :MeriTalk Le
Réseau informatique du gouvernement<http://www.meritalk.com/bdx-profile-
atkins.php>. Mesnier, M., Ganger, GR et Riedel, E. (2003). Stockage basé sur les objets.
Magazine des communications, IEEE, 41(8), 84-90.
Esprit-Commerce (2014). Big data dans l'industrie manufacturière : analyse de marché, études de cas,
et prévisions 2014-2019.Rapports d'études de marché,1 à 52.
Miura, A., Komori, M., Matsumura, N. et Maeda, K. (2015). Expression du négatif
réponses émotionnelles au grand tremblement de terre de 2011 dans l'est du Japon : analyse des mégadonnées
provenant des médias sociaux.Shinrigaku Kenkyu : Le journal japonais de psychologie, 86.
(2), 102-111.
 RY Zhong et coll. / Informatique et génie industriel 101 (2016) 572–591
Myers, M. (2014). Le nouvel institut Impérial et KPMG exploitera le
puissance des données d'entreprise<http://www3.imperial.ac.uk/
newsandeventspggrp/ Imperialcollege/newssummary/news_15-7-2014-10-29-9>.
NEC (2012). Étude de cas Nippon Express Co., Ltd.Fort de l'innovation NEC
<http://www.nec.com/>, p. 1–3.
Nedelcu, B. (2013). À propos du Big Data, de ses défis et de ses avantages dans le secteur manufacturier.
Journal des systèmes de bases de données BOARD, IV(3), 10-19.
NewsOn6.com (2016). <http://www.newson6.com/story/31957754/big-data-
rapport-de-marché-analyse-tendances-taille-part-opportunité-évaluation-prévisions-jusqu'en
2022>.
Noor, A. (2013). Mettre le Big Data à profit.ASME Génie Mécanique,32-37. O'Connell, M. (2010).
Examen interactif des données cliniques pour l'évaluation de la sécurité et les essais
gestion des opérations.Phuse,1-13.
O'Driscoll, A., Daugelaite, J. et Sleator, RD (2013). « Big data », Hadoop et cloud
informatique en génomique.Journal d'informatique biomédicale, 46 (5), 774-781.
O'Connell, M. (2013). Systèmes de stockage objet : le fondement du cloud et du big
initiatives en matière de données.SNIA Éducation,1 à 35.
Tourbe, M. (2013). Le Big Data en finance.InFinance : Le magazine des membres Finsia, 127
(1), 34.
Phnéah, E. (2013).Toyota va déployer un service de trafic Big Data au Japon :ZDNet.
<http://www.zdnet.com/toyota-to-roll-out-big-data-traffic-service-in-
japan-7000016079/>.
Conseil présidentiel sur les stratégies nationales en matière de TIC (2011). Établir une stratégie intelligente
gouvernement en utilisant le Big Data. Washington DC.
Qu, Z. (2012). Traitement sémantique sur le big data.Avancées du multimédia. Logiciel
ingénierie et informatique (Vol. 2 : Springer.
Raghupathi, W. et Raghupathi, V. (2014). Analyse du Big Data dans le secteur de la santé : promesse
et le potentiel.Science et systèmes d'information sur la santé, 2(1), 1 à 10.
Raman, AC (2014). Infrastructure de stockage pour le big data et le cloud.Manuel de
recherche sur les infrastructures cloud pour l'analyse du big data,p. 110.
En ligneRamos, L. (2015). Web sémantique pour l'industrie, tendances et questions ouvertes : vers
un état de l'art.Informatique et génie industriel, 90,444-460.
Rath, J. (2013).USPS exploite le big data pour lutter contre la fraude :Mégadonnées, HPC<http://www.
datacenterknowledge.com/archives/2013/05/01/usps-leverages-big-data-tofight-
fraud/>.
Reijers, HA (2003).Conception et contrôle des processus de workflow : Processus métier
gestion pour le secteur des services : .Éditions Springer.
Richtárik, P. et Takač, M. (2015). Méthodes de descente de coordonnées parallèles pour le Big Data
optimisation.Programmation mathématique, 156(1), 1-52.
Rouse, M. (2012).Analyse des mégadonnées.Guide essentiel <http://searchbusinessanalytics.
techtarget.com/definition/big-data-analytics>.
Ryan, A. (2012).Sous le capot : fiabilité du système de fichiers distribué Hadoop avec
noeud de nom et noeud d'avatar : Publication Facebook<https://www.facebook.com/
notes/facebook-engineering/sous-le-capot-hadoop-distributed-
filesystemreliability-with-namenode-and-avata/10150888759153920>.
Salehan, M. et Kim, DJ (2016). Prédire la performance du consommateur en ligne
critiques : Une approche d’exploration des sentiments pour l’analyse du Big Data.Systèmes d'aide à la
décision, 81,30-40.
Sawhney, S., Puri, H., Van Rietschote, H. (2013). Systèmes et procédés d'utilisation
stockage basé sur le cloud pour optimiser les opérations de stockage de données,Brevets Google.
Schneeweiss, S. (2016). Améliorer l’efficacité et la sécurité thérapeutiques grâce à de grandes
données de santé.Pharmacologie Clinique et Thérapeutique, 99(3), 262-265. Schultz, T.
(2013). Transformer les défis des soins de santé en opportunités Big Data : une utilisation-
examen de cas tout au long du cycle de vie du développement pharmaceutique.Bulletin de la
Société américaine pour les sciences et technologies de l'information, 39(5), 34-40. Sellars, S.,
Nguyen, P., Chu, W., Gao, X., Hsu, KL et Sorooshian, S. (2013).
Sciences informatiques de la Terre : le Big Data transformé en informations.Eos,
Transactions Union géophysique américaine, 94(32), 277-278.
Siemens (2014). Le Big Data rapporte gros dans l’exploitation des centrales électriques<http://www.energy.
siemens.com/hq/en/energy-topics/energy-stories/rds-tahaddart.htm>. Spoorthy, V.,
Mamatha, M. et Kumar, BS (2014). Une enquête sur le stockage des données et
sécurité dans le cloud computing.Revue internationale d'informatique et
d'informatique mobile, 3(6), 306-313.
Spotfire (2013).Big data dans l’industrie manufacturière : L’essor de la machine :TIBCO Spotfire
Blog des tendances et des valeurs aberrantes<http://spotfire.tibco.com/blog/?p=20446>.
Stateczny, A. et Wlodarczyk-Sielicka, M. (2014).Neurone artificiel auto-organisé
réseaux dans le processus de réduction des mégadonnées hydrographiques. Ensembles
bruts et paradigmes de systèmes intelligents (pp. 335-342). Suisse : Springer International
Publishing.
Stedman, C. (2014). Les entreprises ont une vision à long terme des programmes Big Data et
achats.TechTarget Recherche Business Analytics <http://searchbusinessanalytics.
591
techtarget.com/news/2240217365/Enterprises-take-a-long-view-on-big-
dataprograms-and-purchases>.
Stephen, C., Serguei, N. et Arnd, H. (2014). Quand le big data rencontre l’industrie.
INSEAD,L'école de commerce pour le monde <http://knowledge.insead. edu/gestion-
des-opérations/quand-le-big-data-rencontre-manufacturing-3297>. Strohbach, M.,
Daubert, J., Ravkin, H. et Lischka, M. (2016).Stockage de mégadonnées. Nouveau
horizons pour une économie basée sur les données (pp. 119-141). Suisse : Springer
International Publishing.
Swaminathan, S. (2012).Les effets du big data sur l’industrie de la logistique :PROFIT
Propulsé par la technologie ORACLE. Axé sur les affaires<http://www.oracle.com/us/
corporate/profit/archives/opinion/021512-sswaminathan-1523937.html>. Syed, AR,
Gillela, K. et Venugopal, C. (2013). La future révolution du Big Data.
Revue internationale de recherche avancée en génie informatique et des
communications, 2(6), 2446-2451.
Talia, D. (2013). Vers une analyse Big Data basée sur le cloud.Informatique IEEE,
98-101.
Tripathy, B. et Mittal, D. (2016). Hadoop basé sur un noyau possibiliste incertain basé sur c-
désigne des algorithmes de segmentation d’images et une analyse comparative.
Informatique douce appliquée, 46,886-923.
Tsuchiya, S., Sakamoto, Y., Tsuchimoto, Y. et Lee, V. (2012). Traitement des mégadonnées dans
environnements cloud.Revue scientifique et technologique FUJITSU, 48(2), 159-168.
Vera-Baquero, A., Colomo-Palacios, R. et Molloy, O. (2013). Processus d'affaires
analytique utilisant une approche big data.Professionel de l'informatique,1 à 9.
Versace, M. et Karen, M. (2012). Les arguments en faveur du Big Data dans les services financiers
industrie.Perspectives financières d'IDC,1-13.
Wang, CH (2015). Utiliser la théorie de la résolution inventive de problèmes pour réfléchir
des idées innovantes pour évaluer les variétés de caméras téléphoniques.Informatique et
génie industriel, 85 ans,227-234.
Wang, G., Gunasekaran, A., Ngai, EW et Papadopoulos, T. (2016). Analyse des mégadonnées
en logistique et gestion de la chaîne d'approvisionnement : certaines enquêtes pour la recherche et
les applications.Revue internationale d'économie de production, 176,98-110. Wang, C., Rayan, IA et
Schwan, K. (2012). Plus rapide, plus grand, plus simple : maîtriser le temps réel
traitement du big data dans le cloud.Actes des affiches et de la piste de démonstration (Vol.
4, p. 1-2). ACM.
Weng, WH et Weng, WT (2013). Prévision des tendances de développement du big data
industrie. DansActes de la conférence asiatique 2013 de l'Institut des ingénieurs
industriels (pp. 1487-1494). Singapour : Springer Science + Business Media.
Wu, K., Bethel, W., Gu, M., Leinweber, D. et Ruebel, O. (2013). Une approche big data pour
analyser la volatilité du marché.Financement algorithmique, 2(3-4), 241-267.
Wu, X., Zhu, X., Wu, GQ et Ding, W. (2014). Exploration de données avec le Big Data.IEEE
Transactions sur la connaissance et l'ingénierie des données, 26 (1), 97-107.
Xu, C., Goldstone, R., Liu, Z., Chen, H., Neitzel, B. et Yu, W. (2016). Exploitant
livraison d'analyses avec MapReduce virtualisé sur des serveurs de stockage back-end HPC.
Transactions IEEE sur les systèmes parallèles et distribués, 27(1), 185-196.
Xu, J. et Güting, RH (2013). Un modèle de données générique pour déplacer des objets.
Géoinformatique, 17(1), 125-172.
Zakir, J., Seymour, T. et Berg, K. (2015). Analyse des mégadonnées.Problèmes d'information
Systèmes, 16(2), 81-90.
Zhong, RY, Dai, QY, Qu, T., Hu, GJ et Huang, GQ (2013). Temps réel compatible RFID
système d'exécution de fabrication pour la production personnalisée en série.
Robotique et fabrication intégrée par ordinateur, 29(2), 283-292.
Zhong, RY, Huang, GQ et Dai, QY (2014). Une approche de nettoyage du Big Data pour n-
cuboïdes RFID dimensionnels. DansActes de la 18e conférence internationale de
l'IEEE 2014 sur le travail coopératif assisté par ordinateur en conception (CSCWD
2014), 21-23 mai, Taiwan (pp. 289-294).
Zhong, RY, Huang, GQ, Dai, QY et Zhang, T. (2013). Trajectoire minière
connaissances à partir des données logistiques compatibles RFID. DansActes de la 43e
conférence internationale sur les ordinateurs et l'ingénierie industrielle (CIE43), 16-18
octobre, Hong Kong, [34]-1-12.
Zhong, RY, Huang, GQ, Lan, SL, Dai, QY, Xu, C. et Zhang, T. (2015). Une mégadonnée
approche pour la découverte de trajectoires logistiques à partir de données de production
compatibles RFID. Revue internationale d'économie de production, 165,260-272.
Zhong, RY, Lan, SL, Xu, C., Dai, QY et Huang, GQ (2016). Visualisation de la RFID-
a permis le Big Data logistique d'atelier dans la fabrication cloud.Le Journal
international des technologies de fabrication avancées, 84(1), 5-16.
Zhong, RY, Xu, C., Chen, C. et Huang, GQ (2015). Analyse Big Data pour le physique
ateliers de fabrication intelligents basés sur Internet.Revue internationale de
recherche en production,1 à 12.
Zikopoulos, P. et Eaton, C. (2011).Comprendre le Big Data : Analytics pour les entreprises
classe hadoop et données en streaming :McGraw-Hill Osborne Médias.