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