Image

Archives •  octobre 2018

Tous les articles, par date de publication

Quelles configurations pour les Business Model du Big Data ?
24 octobre 2018

Quelles configurations pour les Business Model du Big Data ?

L’intérêt porté au Big Data est aujourd’hui considérable. La littérature, académique comme professionnelle, annonce un potentiel important et de nouvelles sources de profits. Paradoxalement, peu de travaux ont été consacrés à l’aspect business de ces données massives. Cette contribution s’efforce d’explorer les business model du Big Data. Nous avons pour cela réalisé un travail empirique basé sur des études de cas, nous conduisant à l’identification de cinq catégories de modèles d’affaires liées en premier lieu à la finalité d’usage du projet Big Data.

Agilité des données et structure organisationnelle : le cas Total
3 octobre 2018

Agilité des données et structure organisationnelle : le cas Total

 •  Application  •  Vol.3 N°1

Comment concilier une approche agile de l’usage des données et la structure organisationnelle en place, notamment si cette dernière est complexe ? Pour L. Markus, le service informatique doit aider les entreprises à utiliser et gérer efficacement l’information. L’efficacité du service lui-même dépend, d’une part, de sa constitution (son organisation, sa position et ses politiques ou ce que l’on pourrait appeler le « hardware ») et, d’autre part, de son mode de fonctionnement (ses procédures, sa culture et ses ressources humaines ou le « software »). Pour que le service soit performant, il faut que le « hardware » et le « software » soient en ligne avec les stratégies et la culture de l’entreprise.

How to succeed in data science projects industrialization ?
2 octobre 2018

How to succeed in data science projects industrialization ?

 •  Recherche  •  Vol.3 N°1

Industrializing Data Science projects in business lines results from a transformation that takes place from strategic scoping to operational management. By using a learning base, it is possible to predict with performance the success or the failure of future projects in the pre-scoping phase. Industrializable projects can thus be correctly predicted by weighting the following six criteria: the business question, the business mandate, the business availability, the “Data” competences, the quality / Data quantity and the Data monitoring. On this core, the design of a Predictive Score Card evaluation tool allows an optimized projects pre-scoping.