(L'anglais suit le japonais)
Titre japonais : Maîtriser le Big Data ? Résoudre les problèmes de données avec JMP®.
Michele Boulanger, professeure agrégée d'économie internationale, Université Rawlins (Orlando, Floride, États-Unis)
Mia Stephens, ambassadrice académique JMP, SAS Institute Inc.
Notre capacité à acquérir des données transactionnelles dans la plupart des domaines a inauguré l'ère du « big data ». Qu'entend-on par « big data » ? Le terme « big » est-il nécessairement synonyme de données de mauvaise qualité, désordonnées, incohérentes ou difficiles à gérer ? Quel est le niveau d'ajustement nécessaire dans le monde du big data ? Qu'est-ce qui distingue les phases de préparation et de nettoyage du big data proprement dit ? Dans cette présentation, j'aborderai les différents défis rencontrés lors de la phase potentiellement la plus chronophage de l'analyse du big data : la préparation des données. Je présenterai deux études de cas, chacune avec des objectifs très différents et nécessitant des approches distinctes pour structurer les données en vue de la modélisation. Parallèlement à ces approches, je mettrai en lumière les méthodes et plateformes de JMP, telles que l'interrogation, le recodage, la standardisation, la transformation, l'attribution et l'exploration de texte, qui permettent de développer des méthodologies traçables et reproductibles pour la préparation du big data lors de la phase de modélisation. Je ferai une démonstration à l'aide de JMP 13.
Mettre en forme le Big Data ? Un entraînement de données avec JMP
Michele Boulanger, professeure au département de commerce international du Rollins College, à Orlando.
Mia Stephens, ambassadrice académique JMP, SAS (co-auteure)
Notre capacité à collecter des données transactionnelles dans la plupart des domaines nous a conduits à l'ère du « big data ». Qu'est-ce que le big data ? Le terme « big data » signifie-t-il nécessairement données de mauvaise qualité, désordonnées, incohérentes ou difficiles à gérer ? Quel niveau de préparation et de conditionnement est nécessaire dans l'univers du big data ? En quoi la préparation des données dans le contexte du big data diffère-t-elle de la phase traditionnelle de nettoyage des données ? Dans cette présentation, nous aborderons les différents défis rencontrés lors de la phase potentiellement la plus chronophage de l'analyse du big data : la préparation des données. Nous présenterons deux études de cas aux objectifs très différents, nécessitant des approches distinctes pour structurer les données en vue de la modélisation. Parallèlement à ces approches, nous mettrons également en lumière les techniques et plateformes de JMP, telles que les requêtes, le recodage, la standardisation, la transformation, l'imputation, l'exploration de texte, etc., afin de développer une méthodologie traçable et reproductible pour préparer le big data à la phase de modélisation. Toutes les démonstrations seront réalisées en direct avec JMP Pro 13.
