EDA 2017<\/p>\n
Business Intelligence & Big Data<\/p>\n
http:\/\/eric.univ-lyon2.fr\/eda2017\/<\/a><\/p>\n 3-5 mai 2017, Lyon, France<\/p>\n En conjonction avec la journ\u00e9e Text analytics MaDICS-ENADOC<\/p>\n http:\/\/eric.univ-lyon2.fr\/enadoc\/<\/a><\/p>\n Les syst\u00e8mes d’information d\u00e9cisionnels s’appuient sur les entrep\u00f4ts de donn\u00e9es (data warehouses) et l’analyse en ligne (on-line analytical processing – OLAP) qui sont deux piliers de l’informatique d\u00e9cisionnelle (business intelligence \u2013 BI), aujourd’hui confront\u00e9s \u00e0 de nouveaux d\u00e9fis scientifiques et technologiques. En effet, la BI traditionnelle repose sur des entrep\u00f4ts de donn\u00e9es dits classiques, dont les volumes vont jusqu’\u00e0 des dizaines (voire des centaines) de t\u00e9raoctets, g\u00e9rant difficilement des donn\u00e9es peu ou pas structur\u00e9es (textes, graphes, donn\u00e9es continues…) et les analyses en temps r\u00e9el. La BI traditionnelle doit \u00e9voluer pour prendre en compte des nouveaux d\u00e9fis.<\/p>\n D’autre part, avec l’av\u00e8nement des technologies \u00e9mergentes autour des donn\u00e9es massives (ou m\u00e9gadonn\u00e9es, d\u00e9sign\u00e9es plus fr\u00e9quemment sous le vocable de Big Data) caract\u00e9ris\u00e9es par leur tr\u00e8s large volume, leur v\u00e9locit\u00e9 et leur variabilit\u00e9, et de la vulgarisation des algorithmes de fouille de donn\u00e9es (machine Learning), de nouvelles perspectives s’ouvrent aux usages analytiques et d\u00e9cisionnels. En effet, la prolif\u00e9ration des donn\u00e9es, peu ou pas structur\u00e9es, en flux (donn\u00e9es issues de capteurs ou de m\u00e9dias sociaux) et produites en de tr\u00e8s grandes quantit\u00e9s, est une manne pour la BI, mais engendre de nouveaux champs d’investigation pour les entrep\u00f4ts de donn\u00e9es et l’analyse en ligne.<\/p>\n Ces derniers ont toujours leur place dans les entreprises pour organiser et analyser leurs donn\u00e9es historiques ou nouvelles. Ils continuent d’avoir un r\u00f4le clef pour le pilotage des organisations. Tout en gardant leurs atouts, comment accompagner les entrep\u00f4ts de donn\u00e9es et l’analyse en ligne dans leurs \u00e9volutions dans les probl\u00e9matiques du Big Data ?<\/p>\n L’\u00e8re des Big data nous fait entrer dans une nouvelle p\u00e9riode scientifique et technologique offrant des architectures et des infrastructures (Cloud, Hadoop, NoSQL…) permettant une gestion des donn\u00e9es et des analyses plus \u00e9labor\u00e9es pour la prise de d\u00e9cision. Cette \u00e9volution soul\u00e8ve de nouvelles probl\u00e9matiques scientifiques et technologiques qui n\u00e9cessitent la d\u00e9finition de nouvelles approches pour les architectures, l’int\u00e9gration, la mod\u00e9lisation, l’interrogation, l’analyse, l’optimisation et la s\u00e9curit\u00e9 \u00e0 la fois des entrep\u00f4ts de donn\u00e9es traditionnels et des entrep\u00f4ts de donn\u00e9es massives.<\/p>\n La conf\u00e9rence francophone EDA est, depuis sa cr\u00e9ation en 2005, un contexte privil\u00e9gi\u00e9 de rencontre et d’\u00e9change entre chercheurs, industriels et utilisateurs francophones int\u00e9ress\u00e9s par les avanc\u00e9es dans ce domaine confront\u00e9es aux nouveaux d\u00e9fis soulev\u00e9s par les donn\u00e9es massives. Nous invitons les chercheurs, les doctorants et les experts int\u00e9ress\u00e9s par les avanc\u00e9es dans le domaine des entrep\u00f4ts de donn\u00e9es \u00e0 soumettre leurs travaux de recherche fondamentale ou appliqu\u00e9e d\u00e9velopp\u00e9s autour d’originalit\u00e9s scientifiques et technologiques sur les th\u00e8mes suivantes (liste non exhaustive).<\/p>\n Th\u00e8me 1 \u2013 Entrep\u00f4ts de donn\u00e9es et OLAP<\/p>\n * Architecture des entrep\u00f4ts de donn\u00e9es Th\u00e8me 2 \u2013 Gestion des des donn\u00e9es massives<\/p>\n * Int\u00e9gration et mod\u00e9lisation de donn\u00e9es massives Th\u00e8me 3 \u2013 Big data analytics<\/p>\n * Business analytics Th\u00e8me 4 \u2013 D\u00e9cisionnel centr\u00e9 utilisateur<\/p>\n * Analyse en ligne centr\u00e9e utilisateur Th\u00e8me 5 \u2013 Applications<\/p>\n * Applications : administration, science, sant\u00e9, soci\u00e9t\u00e9, bioinformatique, etc. Informations importantes<\/p>\n Site de la conf\u00e9rence : http:\/\/eric.univ-lyon2.fr\/eda2017\/<\/a><\/p>\n Dates importantes<\/p>\n * 20 janvier 2017 : soumission des articles Instructions de soumission<\/p>\n Les articles soumis \u00e0 publication peuvent \u00eatre r\u00e9dig\u00e9s en fran\u00e7ais ou en anglais. Chacun d’eux sera \u00e9valu\u00e9 par au moins trois membres du comit\u00e9 de programme. Les actes de la conf\u00e9rence seront publi\u00e9s dans un num\u00e9ro sp\u00e9cial de la revue RNTI (Revue de Nouvelles Technologies de l’Information) \u00e9ditions Hermann.<\/p>\n Une s\u00e9lection des meilleurs papiers sera publi\u00e9e dans un num\u00e9ro sp\u00e9cial d’une revue internationale. Les articles doivent \u00eatre soumis sur le site Easychair (http:\/\/easychair.org\/<\/a>), respecter le format RNTI et ne pas d\u00e9passer 15 pages.<\/p>\n Les soumissions d’articles peuvent \u00eatre effectu\u00e9es en format Latex ou Word. En cas d’acceptation, tout article doit \u00eatre mis en format Latex, seul format accept\u00e9 par l’\u00e9diteur de la revue RNTI (Revue des Nouvelles Technologies de l’information).<\/p>\n Une s\u00e9lection des meilleurs articles, \u00e9tendus et traduits en anglais, sera soumise \u00e0 un num\u00e9ro sp\u00e9cial de l’International Journal of Data Warehousing and Mining : http:\/\/www.igi-global.com\/journal\/international-journal-data-warehousing-mining\/<\/a><\/p>\n
\n * Conception des entrep\u00f4ts de donn\u00e9es
\n * Extraction, transformation et chargement des donn\u00e9es (ETL)
\n * Organisation physique des entrep\u00f4ts de donn\u00e9es
\n * Mod\u00e9lisation multidimensionnelle
\n * Analyse en ligne (OLAP)
\n * Maintenance et administration des entrep\u00f4ts de donn\u00e9es
\n * Optimisation de performance et tuning, benchmarks<\/p>\n
\n * Qualit\u00e9 et int\u00e9grit\u00e9 des donn\u00e9es massives
\n * S\u00e9curit\u00e9 et fiabilit\u00e9 des donn\u00e9es massives
\n * Data Lakes
\n * Bases de donn\u00e9es NoSQL
\n * Donn\u00e9es textuelles, graphes, data streams, etc.
\n * Environnements distribu\u00e9s : Hadoop, Spark, etc.
\n * Big data engineering : Virtualisation, Elasticit\u00e9, Calcul distribu\u00e9, Plateformes pour les big data
\n * Web s\u00e9mantique, Ontologies<\/p>\n
\n * Fouille de donn\u00e9es (data mining) et apprentissage
\n * Recherche d’information
\n * Analyse des m\u00e9dia sociaux
\n * Cloud BI
\n * Visualisation<\/p>\n
\n * Personnalisation, recommandation
\n * D\u00e9cisionnel \u00e0 la demande
\n * Personal BI
\n * Visualisation<\/p>\n
\n * Exploitation de donn\u00e9es ouvertes
\n * Syst\u00e8mes d’alerte
\n * Applications mobiles
\n * Gestion de la relation client (CRM)<\/p>\n
\n * 10 mars 2017 : notification
\n * 28 mars 2017 : version finale des articles
\n * 4-5 mai 2017 : conf\u00e9rence <\/p>\n