La stratégie Big Data de la Banque de France

667 views

Published on

Valery Simon

Published in: Data & Analytics
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
667
On SlideShare
0
From Embeds
0
Number of Embeds
235
Actions
Shares
0
Downloads
22
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

La stratégie Big Data de la Banque de France

  1. 1. Valéry SIMON Chef du Service Architecture, Industrialisation et Réalisation Banque de France La stratégie Big Data de la Banque de France
  2. 2. Agenda La Banque de France en bref Les enjeux du Big Data pour la BDF Pourquoi MongoDB ? De premières expériences probantes Du Big Data au DaaS
  3. 3. La Banque de France en bref • 3 missions principales : • Stratégie monétaire, • Stabilité financière, • Services à l’économie • Une stratégie ambitieuse pour une Banque : • + performante • + innovante • + visible * Gartner
  4. 4. #MDBW1 6 Les enjeux du Big Data pour la Banque de France > Du SID au SIO d’aide à la décision > Des sources de données nombreuses, hétérogènes et de moins en moins structurées > Des cas d’usage business ne pouvant plus être servi par une BI « traditionnelle »
  5. 5. #MDBW1 6 Les enjeux du Big Data pour la Banque de France Les cas d’usage : > Prévisions court terme et rapports d’alerte > Études statistiques > Analyses prédictives > Évaluer les personnes morales et physiques > Intégrer de nouvelles données pour de l’exploration
  6. 6. Pourquoi MongoDB sur les besoins de bases orientées documents ? MongoDB est idéale pour une application opérationnelle qui demande l’un de ces points: > Un développement agile : schéma flexible et un Time To Delivery court > Une base de données facilement scalable (volumétrie et performances) > Une haute disponibilité
  7. 7. Customers MongoDB Office Support MongoDB User Groups 20+ Millions de téléchargements
  8. 8. Pourquoi MongoDB version Enterprise ? Choix de partir vers 2 environnements de production (critique et non critique) et une infra mutualisée en intégration et développement. Le tout sur la version Enterprise pour : > OPS Manager : Automatisation (déploiements, upgrade, maintenance) ; Monitoring (métriques et alertes disponibles en temps réel) ; Optimisation des requêtes (suggestion automatisée des index) ; Backup (Gestion simplifiée) > Connecteur BI : Permet de lancer des requêtes SQL ou des outils BI sur les données dans MongoDB
  9. 9. De premières expériences probantes  MUSES : une première source d’inspiration métier  MMSR : une première expérience internationale réussie  SIRCE2 : un premier cas précis interne BDF pour ouvrir un sujet beaucoup plus étendu
  10. 10. De premières expériences probantes 11 INTEGRATION DE DONNEES VUES METIERS TRANSVERSE : DATA MANAGEMENT, SECURITE, TRACABILITE Streaming (fil de l’eau) USAGES DES DONNEES Analyse batch Interactif Search Engine Temps réel DATA LAKE - DATALAB HDFS : système de fichiers distribué Analyse interactive Analyse prédictive Data Management Habilitations : Ranger, Shield, LDAP, Knox Audit : Ranger Cryptage : Encryption EXPLOITATION Supervision : Ambari, Nagios, Ganglia, Marvel Ordonnancement ELT DEVELOPPEMENT Ingestion (batch) SOURCE DE DONNEES Interactif NoSQL Batch API Sqoop Flume Pig Logstash Storm Flume Hive TOM Pig WebHDFS  Flux externes ou internes vers MongoDB  Mapping document/objet en développements spécifiques  Utilisation ELK pour analyse de log
  11. 11. Merci. www.mongodb.com

×