L'économie de partage et le big data analytics

Auteur(s) :

Sedkaoui, Soraya Découvrir l'auteur

Résumé

Une analyse du rôle du big data analytics dans l'amélioration des pratiques de l'économie de partage, nécessaire à l'obtention de nouvelles opportunités pour les entreprises. Les auteures proposent notamment des applications pratiques illustrant l'utilisation des données dans l'écosystème de partage. ©Electre 2019

Autre(s) auteur(s)
- Khelfaoui, Mounia
Éditeur(s)
- Iste éditions
Date
- 2019
Notes
- Bibliogr. Index
Langues
- Français
Description matérielle
- 1 vol. (XII-263 p.) : illustrations en couleur ; 24 cm
Collections
- Systèmes d'information, web et société
Sujet(s)
ISBN
- 978-1-78405-607-0
Indice
- 652.4 Informatique de gestion
Quatrième de couverture
- Les différentes facettes de l'économie de partage offrent de nombreuses opportunités aux entreprises, en particulier celles qui se distinguent par leurs idées créatives et leurs capacités à connecter facilement les acheteurs et les vendeurs de biens et services via des plateformes numériques. À l'origine de la croissance de cette économie, les technologies numériques avancées génèrent des milliards d'octets de données constituant ce qu'on appelle le Big Data.
  Cet ouvrage met en évidence le rôle facilitateur du Big Data analytics, afin d'expliquer pourquoi et comment les algorithmes d'analyse de données peuvent être intégrés opérationnellement pour extraire de la valeur et améliorer les pratiques de l'économie de partage. Il examine les raisons pour lesquelles ces nouvelles techniques sont nécessaires aux entreprises de cette économie et propose une série d'applications pratiques illustrant l'utilisation des données dans l'écosystème de partage.
Tables des matières
- - L'économie de partage et le Big Data analytics
  - Soraya Sedkaoui
  - Mounia Khelfaoui
  - iSTE
  - Avant-propos1
  - Introduction3
  - Partie 1. L'économie de partage ou l'émergence d'un nouveau modèle économique11
  - Chapitre 1. L'économie de partage : un concept en construction13
  - 1.1. Introduction13
  - 1.2. Du simple partage à l'économie de partage15
  - 1.2.1. La genèse de l'économie de partage et la rupture avec la société de « consommation »15
  - 1.2.2. L'économie de partage : quelle économie ?18
  - 1.3. Les fondements de l'économie de partage20
  - 1.3.1. Le pair-à-pair (P2P) : une révolution dans les réseaux informatiques20
  - 1.3.2. Le don : l'aspect abstrait de l'économie de partage24
  - 1.3.3. L'économie de fonctionnalité ou l'offre de l'usage28
  - 1.4. Conclusion35
  - Chapitre 2. Une opportunité pour le monde du business37
  - 2.1. Introduction37
  - 2.2. La prosumption : une nouvelle tendance de l'économie de partage pour le consommateur39
  - 2.3. La pauvreté : un état dans la ligne de mire de l'économie de partage41
  - 2.4. Controverses sur les opportunités économiques de l'économie de partage43
  - 2.5. Conclusion49
  - Chapitre 3. Les risques et les enjeux de l'économie de partage51
  - 3.1. Introduction51
  - 3.2. L'uberisation : un grain blanc ou juste une brise d'été ?52
  - 3.3. L'économie de partage : un modèle disruptif55
  - 3.4. Les enjeux majeurs de l'économie de partage59
  - Chapitre 4. Les plateformes numériques et le mécanisme de partage65
  - 4.1. Introduction65
  - 4.2. Les plateformes numériques :« Quelle ascension ! »66
  - 4.3. les plateformes numériques ou la technologie au service de l'économie68
  - 4.4. De l'économie de partage à l'économie des plateformes de partage71
  - 4.5. Conclusion74
  - Partie 2. Le Big Data analytics au service de l'économie de partage75
  - Chapitre 5. Au-delà du mot « Big » : les changements77
  - 5.1. Introduction77
  - 5.2. Les 3 V et bien plus : volume, variété, vélocité78
  - 5.2.1. Le volume79
  - 5.2.2. La variété81
  - 5.2.3. La vélocité82
  - 5.2.4. Quoi d'autre ?83
  - 5.3. La croissance des capacités de calcul et de stockage84
  - 5.3.1. Big Data versus Big Clculs85
  - 5.3.2. Le stockage du Big Data86
  - 5.3.3. La mise à jour de la loi de Moore88
  - 5.4. Le changement de contexte du business à l'ère du Big Data89
  - 5.4.1. Le processus de décision et la dynamique de création de valeur91
  - 5.4.2. L'émergence de nouveaux business models orientés par les données92
  - 5.5. Conclusion93
  - Chapitre 6. L'art de l'Analytics95
  - 6.1. Introduction95
  - 6.2. De la simple analyse au Big Data analytics95
  - 6.2.1. L'analyse descriptive : apprendre du comportement passé pour influencer les résultats futurs98
  - 6.2.2. L'analyse prédictive : analyser les données pour prédire les résultats futurs99
  - 6.2.3. L'analyse prescriptive : recommander un ou plusieurs plans d'action100
  - 6.2.4. De l'analyse descriptive à l'analyse prescriptive : exemple101
  - 6.3. Le processus du Big Data analytics : de la source de données à son analyse103
  - 6.3.1. La définition des objectifs et des besoins105
  - 6.3.2. La collection des données106
  - 6.3.3. La préparation des données107
  - 6.3.3.1. Les valeurs manquantes107
  - 6.3.3.2. Les valeurs aberrantes108
  - 6.3.3.3. Les erreurs109
  - 6.3.4. L'exploration et l'interprétation110
  - 6.3.5. La modélisation111
  - 6.3.5.1. Tester le performances du modèle112
  - 6.3.5.2. Optimisation du modèle112
  - 6.3.6. Le déploiement112
  - 6.4. Conclusion113
  - Chapitre 7. Données et plateformes dans le contexte de partage115
  - 7.1. Introduction115
  - 7.2. Les pionniers en Big Data117
  - 7.2.1. Le Big Data dans les rayons de Walmart118
  - 7.2.2. Le Big Data derrière la success story de Netflix119
  - 7.2.3. La version Amazon du Big Data120
  - 7.2.4. Le Big Data et les réseaux sociaux : le cas de Facebook121
  - 7.2.5. IBM et l'analyse des données dans le secteur de la santé122
  - 7.3. Les données, essentielles pour le fonctionnement du partage123
  - 7.3.1. Les données et les plateformes au coeur de l'économie de partage125
  - 7.3.2. Les données des entreprises de l'économie de partage127
  - 7.3.3. La confidentialité et la sécurité des données dans une économie de partage129
  - 7.3.4. L'Open Data et le partage des données des plateformes132
  - 7.4. Conclusion134
  - Chapitre 8. Le Big Data analytics appliqué à l'économie de partage137
  - 8.1. Introduction137
  - 8.2. Le Big Data et les algorithmes du Machine Learning au service de l'économie de partage139
  - 8.2.1. Les algorithmes du Machine Learning140
  - 8.2.2. Les applications algorithmiques dans le contexte de l'économie de partage142
  - 8.3. Les technologies Big Data : la boîte à outils des entreprises de l'économie de partage144
  - 8.3.1. L'apparition d'un nouveau concept et la création de nouvelles technologies146
  - 8.3.1.1. L'écosystème Hadoop146
  - 8.3.1.2. Apache Spark147
  - 8.3.1.3. Les bases de données NoSQL148
  - 8.3.1.4. La base de données en mémoire148
  - 8.3.1.5. Sans oublier148
  - 8.4. Le Big Data dans l'agenda des entreprises de l'économie de partage150
  - 8.4.1. Uber151
  - 8.4.2. Airbnb153
  - 8.4.3. BlaBlaCar154
  - 8.4.4. Lyft155
  - 8.4.5. Yelp156
  - 8.4.6. Autres cas157
  - 8.4.6.1. TaskRabbit158
  - 8.4.6.2. LaZooz158
  - 8.4.6.3. Mobike et Ofo159
  - 8.4.6.4. Autres modèles basés sur l'analyse des données159
  - 8.5. Conclusion160
  - Partie 3. L'économie du partage ? Pas sans les algorithmes du Big Data163
  - Chapitre 9. La régression linéaire165
  - 9.1. Introduction165
  - 9.2. La régression linéaire : un algorithme d'analyse avancée166
  - 9.2.1. Comment identifier un problème de régression ?167
  - 9.2.2. Le modèle de régression linéaire168
  - 9.2.3. Minimiser l'erreur du modèle170
  - 9.3. Les autres méthodes de régression172
  - 9.3.1. La régression logistique172
  - 9.3.2. Les modèles additionnels de régression : la régression régularisée173
  - 9.3.2.1. La régression Ridge174
  - 9.3.2.2. La régression Lasso174
  - 9.4. Construire votre premier modèle de prévision : un cas d'usage174
  - 9.4.1. Quelles variables pour définir le prix d'une location sur Airbnb ?175
  - 9.4.1.1. La préparation des données176
  - 9.4.1.2. L'analyse exploratoire181
  - 9.4.1.3. La modélisation186
  - 9.5. Conclusion189
  - Chapitre 10. Les algorithmes de classification191
  - 10.1. Introduction191
  - 10.2. Un tour des algorithmes de classification192
  - 10.2.1. L'arbre de décision193
  - 10.2.1.1. La structure de l'arbre de décision193
  - 10.2.1.2. Le fonctionnement de l'algorithme194
  - 10.2.2. Naïve Bayes195
  - 10.2.2.1. Les applications de l'algorithme196
  - 10.2.2.2. Le fonctionnement de l'algorithme Naïve Bayes197
  - 10.2.3. Le Support Vector Machine (SVM)198
  - 10.2.3.1. Définition du SVM198
  - 10.2.3.2. Le SVM : fonctionnement199
  - 10.2.4. Autres algorithmes de classification200
  - 10.2.4.1. Les k plus proches voisins (kNN)200
  - 10.2.4.2. Forêt aléatoire ou Random Forest201
  - 10.2.4.3. Les réseaux de neurones202
  - 10.3. Modélisation des prix Airbnb avec les algorithmes de classification204
  - 10.3.1. Le travail déjà réalisé : aperçu204
  - 10.3.2. Modèles basés sur des arbres : arbre de décision versus Random forest205
  - 10.3.2.1. L'arbre de décision206
  - 10.3.2.2. Modélisation en utilisant le Random Forest208
  - 10.3.3. Prédiction des prix avec le kNN211
  - 10.4. Conclusion214
  - Chapitre 11. L'analyse en clusters217
  - 11.1. Introduction217
  - 11.2. L'analyse en clusters : cadre général218
  - 11.2.1. Les applications de l'analyse en clusters219
  - 11.2.2. L'algorithme de clustering et la mesure de similarité220
  - 11.3. Grouper les objets similaires en utilisant le k-means223
  - 11.3.1. L'algorithme k-means224
  - 11.3.1.1. Choisir la valeur de k225
  - 11.3.1.2. Attribuer chaque groupe de données au centroïde225
  - 11.3.1.3. Attribuer chaque point à une classe225
  - 11.3.1.4. Mettre à jour les représentants de chaque classe225
  - 11.3.2. Déterminer le nombre de clusters226
  - 11.3.2.1. Les données catégorielles227
  - 11.3.2.2. La définition du nombre de clusters227
  - 11.4. La classification hiérarchique228
  - 11.4.1. L'approche du modèle hiérarchique228
  - 11.4.2. Les dendrogrammes229
  - 11.5. Découvrir les structures cachées avec les algorithmes de clustering231
  - 11.5.1. L'illustration de la classification des prix en fonction des différentes caractéristiques par l'algorithme k-means232
  - 11.5.2. Identifier le nombre de clusters k233
  - 11.6. Conclusion236
  - Conclusion239
  - Bibliographie241
  - Index257
Origine de la notice:
- Electre