1

UNIVERSITÉ RICARDO PALMA

ÉCOLE DE POSTGRADUATION
DOCTORAT EN ADMINISTRATION DES AFFAIRES
GLOBALES

THÈSE

Pour obtenir le Grade Académique de Docteur en Administration de

Affaires Globales
L'analyse des Big Data et la compétitivité des entreprises péruviennes

Autor: Mg. Mescua Salhuana Moises Carlos

Asesora: Dra. Tapia Vargas Flor de María Milagros

LIMA - PÉROU
2020
 2

Jurés

…………………………………………………….
Président

…………………………………………………….
Membre

…………………………………………………….
3. Membre

…………………………………………………….
4. Conseiller

…………………………………………………….
5. Représentant de l'EPG
 3

Dédicace

Je dédie cette thèse doctorale à ma famille qui, grâce à ses conseils,

la compréhension et l'amour m'ont permis de grandir en tant que personne.

À ma fille María Selenia, pour m'aider à trouver le côté doux et non amer de la
vie, tu es ma grande inspiration.
 4

Remerciement

À ma sœur Estela pour son grand soutien dans la recherche, à mes professeurs de la
école de deuxième cycle pour ses recommandations et ses connaissances fournies pour la
élaboration de la présente thèse.
 5

Indice
Juré................................................................................................................................ 2
Dédicace........................................................................................................................ 3
Agradecimiento................................................................................................................. 4
Indice ................................................................................................................................ 5
Indice de Tables ................................................................................................................ 7
Índice de Figuras............................................................................................................... 8
RÉSUMÉ ....................................................................................................................... 9
RÉSUMÉ.................................................................................................................... 10
RÉSUMÉ ........................................................................................................................ 11
INTRODUCTIONN .......................................................................................................... 12
CHAPITRE I : FORMULATION DU PROBLÈME............................................... 14
1.1. Description du Problèmea........................................................................................ 14
1.2 Formulation du Problème........................................................................................ 18
1.2.1 Problema general............................................................................................... 18
1.2.2 Problemas específicos ....................................................................................... 18
1.3 Importance et Justification de l'Étude.................................................................... 18
1.4 Délimitation de l'Étude .......................................................................................... 19
1.5 Objectifs de la Recherche.................................................................................... 20
1.5.1 Objetivo general ................................................................................................ 20
1.5.2 Objectifs spécifiques ........................................................................................ 20
CHAPITRE II : CADRE THÉORIQUEO.............................................................................. 21
2.1. Contexte historique
2.2. Recherches liées au sujet. ............................................................... 25
2.3 Structure théorique et scientifique qui soutient l'étude (théories, modèles) ................ 38
2.4 Définition des termes de base................................................................................. 63
2.5 Fondements théoriques et/ou carte conceptuelle (théorie qui soutient l'hypothèse)......... 69
2.5 Hypothèse 70
2.5.1 Hypothèse Principale ............................................................................................ 70
2.5.2 Hypothèses spécifiques ........................................................................................ 70
2.6 Variables (définition et opérationnalisation des variables)......................................... 71
 6

CHAPITRE III : CADRE MÉTHODOLOGIQUE.............................................................. 72

3.1 Type, méthode et conception de la recherche. .............................................................. 72
3.2. Population et échantillon (scénario d'étude)............................................................. 73
3.3. Técnicas e instrumentos de recolección de datos (validez y confiabilidad) ............ 74
3.4. Description des procédures d'analyses .............................................................. 74
CAPITULO IV: RESULTADOS Y ANALISIS DE RESULTADOS........................... 76
4.1 Résultats.................................................................................................................. 76
4.2 Analyse des résultats ou discussion des résultats ...................................................... 86
CONCLUSIONS .......................................................................................................... 92
RECOMENDACIONES................................................................................................. 93
RÉFÉRENCES BIBLIOGRAPHIQUES ........................................................................... 94
ANEXOS ........................................................................................................................ 98
Annexe 1 : Déclaration d'Authenticitéd ........................................................................... 99
Annexe 2 : Autorisation de consentement pour réaliser la recherche..................... 100
Annexe 3 : Matrice de Consistance................................................................................. 106
Annexe 4 : Protocoles ou Instruments utiliséss ............................................................ 110
Annexe 5 : Format des instruments ou protocoles utilisés ......................................... 112
 7

Index des tableaux

Tableau 1.1 Analyse SWOT du sujet de recherche.................................................. 16

Tableau 4.1 Distribution des fréquences de l'Analyse Big Data………………………77
Table 4.2 Répartition des fréquences Surveillance des affaires………………………78
Tableau 4.3 Distribution des fréquences des Informations Entrepreunariales…………………79
Tableau 4.4 Distribution des fréquences de l'Optimisation de l'Entreprise……………… 80
Tableau 4.5 Distribution des fréquences de Monétisation des Données…………………. 81
Tableau 4.6 Distribution des fréquences de Métamorphose des Entreprises………………82
Tableau 4.7 Distribution des fréquences de la compétitivité des entreprises……………...83
Tabla 4.8 Distribución de frecuencias de Rentabilidad Empresarial…………………84
Tableau 4.9 Distribution des fréquences de Quotient de Marché……………………… 85
 8

Index des Figures

Figure 1.1 La Croissance Exponentielle des Nouvelles Sources de Données. 15

Figure 1.2 La Croissance Exponentielle du Volume de Données. 15
Figure 1.3 Marché mondial des Big Data 2017 - 2022 (dollars) .............................. 17
Figura1.4 Ingresos de Big Data y Análisis de Negocios Mundial 2015-2020........... 17
Figure 2.1 Analyse des Big Data dans l'industrie de l'énergie électrique en Chine...... 22
Figure 2.2 Indice de Maturité de l'Entreprise en Big Data…………………………… 38
Figure 2.3 Types de Données……………………………………………………………44
Figure 2.4 L'intelligence artificielle, le machine learning et l'informatique cognitive…65
Figura 2.5 Panorama General de Deep Learning ....................................................... 66
Figure 2.6 Carte Conceptuelle Théorique……………………………………………….69
Figure 3.1 Entreprises participantes à l'étude du Big Data Analytics ...................... 73
Figure 3.2 Test de Fiabilité de Kuder Richardson………………………….75
Figure 4.1 Graphique à barres de l'analyse de Big Data. 77
Figura 4.2 Gráfico de Barras del Monitoreo del Negocio.......................................... 78
Figure 4.3 Graphique à Barres des Informations Entreprise. 79
Figure 4.4 Graphique à Barres d'Optimisation du Commerce. 80
Figure 4.5 Graphique à Barres de Monétisation de Donnéess ........................................... 81
Figure 4.6 Graphique à Barres de Métamorphose d'Entreprises ..................................... 82
Figure 4.7 Graphique à Barres de la Compétitivité des Entreprisesl ............................... 83
Figura 4.8 Gráfico de Barras de Rentabilidad Empresarial ....................................... 84
Figure 4.9 Graphique à barres de part de marché. 85
 9

RESUMEN

Le présent travail de recherche a pour but de déterminer la relation qui

il existe l'utilisation de l'analyse des Big Data dans les entreprises et institutions péruviennes et son

compétitivité des entreprises, le type de conception non expérimentale transversale a été appliqué et

correlationnel causal auquel ont participé 15 organisations péruviennes appartenant à

les secteurs de distribution de l'énergie électrique, des télécommunications, de la banque et des assurances

entités publiques. Un questionnaire a été utilisé comme instrument, dont l'indicateur de

la fiabilité a indiqué que l'instrument a une forte fiabilité pour la collecte de

Les résultats statistiques montrent qu'il existe une influence de l'analyse des Big Data

dans la compétitivité des entreprises péruviennes, spécifiquement dans la part de marché

et rentabilité. Par conséquent, on conclut que l'utilisation d'une technologie innovante

comment l'analyse des Big Data a un impact positif sur les organisations en raison de leur

capables de traiter de grands volumes de données en temps réel, obtenant des prédictions

plus appropriées qui entraînent une meilleure prise de décisions.

Mots-clés : L'analyse des Big Data et la compétitivité des entreprises péruviennes.

 10

RÉSUMÉ

L'objectif de cette recherche est de déterminer la relation entre l'utilisation des Big Data

L'analytique dans les entreprises et institutions péruviennes et leur compétitivité commerciale.

un design de corrélation causale transversal non expérimental a été appliqué dans lequel 15

Organisations péruviennes de distribution d'électricité, de télécommunications, de banque

et les secteurs de l'assurance et les entités publiques ont participé. Le questionnaire a été utilisé comme un

instrument, dont l'indicateur de fiabilité indiquait que l'instrument a une forte

la fiabilité de la collecte de données. Les résultats statistiques montrent que l'analyse des Big Data a

une influence sur la compétitivité des entreprises péruviennes, en particulier sur la part de marché et

rentabilité. Par conséquent, il est conclu que l'utilisation d'une technologie innovante comme le Big

L'analyse des données a un impact positif sur les organisations car elles sont capables de traiter

de grands volumes de données en temps réel, obtenant des prédictions plus précises qui conduisent à de meilleures

prise de décision.

Analyse des Big Data et compétitivité des entreprises péruviennes.

 11

RÉSUMÉ

L'objectif de cette recherche est de déterminer la relation entre l'utilisation de Big Data

Analytics dans les entreprises et institutions péruviennes et leur compétitivité

commerciale. Un modèle de corrélation causale non expérimental et transversal a été

appliqué, auquel ont participé 15 organisations péruviennes des secteurs de la distribution

d'électricité, des télécommunications, des banques et assurances et des entités publiques.

Le questionnaire a été utilisé comme un instrument, dont l'indicateur de fiabilité indique

que l'instrument a une forte fiabilité pour la collecte de données. Les résultats statistiques

montrent que l'analyse des Big Data a une influence sur la compétitivité des entreprises

péruviennes, en particulier sur la part de marché et la rentabilité. Par conséquent, il est

conclut que l'utilisation d'une technologie innovante comme l'analyse des Big Data a un

impact positif sur les organisations car elles sont capables de traiter de grands volumes

de données en temps réel, obtenant des prévisions plus précises qui conduisent à une

meilleure prise de décision.

Mots-clés : Analyse de Big Data et Compétitivité des Entreprises Péruviennes.

 12

INTRODUCTION

La présente étude analyse la relation de causalité qui existe entre l'innovation

technologique Big Data Analytics et le degré de compétitivité dans les organisations, où
Une bonne gestion des données génère de la valeur et des opportunités commerciales.

Actuellement, les données sont une ressource clé dans les organisations, un facteur distinctif.
fondamental dans les affaires. La transformation numérique intègre de nouvelles sources et types
de données en grandes quantités, cela génère de sérieux problèmes dans les
organisations pour le traitement et la gestion des données en raison de l'infrastructure
Les logiciels et matériels actuels ont de sérieuses limitations.

L'analyse des Big Data résout ces limitations, c'est pourquoi chaque jour, de plus en plus
les organisations au niveau mondial, ainsi que les entreprises péruviennes, intègrent cela
technologie dans leurs processus d'affaires pour être plus compétitives sur un marché
mondialisée.

La présente recherche a été structurée pour une meilleure compréhension de la manière suivante
manière

Le chapitre I : Traite de la formulation du problème qui inclut la description de

problème qui est orienté vers les graves difficultés à traiter de grands volumes de
données et ne pas obtenir les résultats en temps réel, il propose également la formulation de
problème général et spécifiques qui indiquent les objectifs pour ensuite les exposer
pourquoi qui justifient la réalisation de l'étude et son importance, ainsi que les conditions
trouvées dans le processus de recherche. et la faisabilité de l'étude.
 13

Le chapitre II : comprend le cadre théorique où il aborde le cadre historique dans lequel se

il mentionne la structure théorique et scientifique de l'étude, les définitions des termes
basiques tout cela pour identifier les deux variables comme le Big Data Analytics et La
Compétitivité pour fonder les hypothèses et l'opérationnalisation des
variables

Le chapitre III : Comprend le cadre méthodologique, c'est-à-dire identifier les types de conception
de recherche, ainsi que la sélection de la population et de l'échantillon, les techniques et
instruments de collecte de données par lesquels les informations ont été obtenues à travers le
questionnaire et/ou entretien et interpréter le degré de validité et de fiabilité pour être
utilisé dans le processus de l'analyse.

Le chapitre IV : Présentation des résultats et discussion des résultats

Enfin, nous avons les conclusions et recommandations que nous avons tirées en réalisant ce travail de
la recherche manifeste qu'il s'agit d'une contribution d'innovation technologique des avancées pour les

entreprises, pour l'éducation et la société.

 14

CHAPITRE I : FORMULATION DU PROBLÈME

1.1. Descripción del Problema

Depuis plusieurs décennies, les systèmes d'information sont un actif précieux dans une
organisation, applications professionnelles comme SAP, Intelligence d'Affaires (BI), Oracle
Enterprise, entre autres, ont été mises en œuvre dans plusieurs organisations à l'échelle mondiale.

pour maintenir la compétitivité des entreprises.

Au cours de la dernière décennie, les systèmes d'information transactionnels connaissent des problèmes sérieux.

difficultés à traiter de grands volumes de données, intégrer de nouvelles sources de données

et ne pas obtenir les rapports et/ou résultats en temps réel qui entraînent une meilleure prise de décision

décisions.
Les systèmes d'information transactionnels ne traitent et n'analysent que des données structurées et

cela représente environ 20% de l'univers des données, malheureusement le

80 % n'est pas traitée en raison de la limitation des systèmes d'information traditionnels
ne pas traiter des données non structurées provenant de nouvelles sources de données telles que : réseaux

sociaux, appareils électroniques, emails, GPS, photos, vidéos, audio entre autres (Judith
Hurwitz, 2013). Les entreprises sont sous une pression extrême pour approfondir et se connecter
toute l'information et les données à votre disposition pour trouver de nouveaux différenciateurs de
ses concurrents.

La figure 1.1 montre la croissance exponentielle de nouvelles sources de données dans cinq
niveaux comme mentionne Paul Isson (Isson, 2018).
 15

Figure 1.1 La croissance exponentielle de nouvelles sources de données.

Source : (Isson, 2018)

D'autre part, la croissance exponentielle des informations numériques à traiter dans

les organisations compliquent encore plus le scénario. Selon l'International Data
Corporation (IDC), les données vont s'incrementer 44 fois en 2020 par rapport à 2009 (Isson,
2018).

Figure 1.2 La Croissance Exponentielle du Volume de Données

Fuente:(Isson, 2018)
 16

Les données sont devenues un actif précieux dans les organisations, Big Data
L'analytique comme complément dans la science des données, traite et analyse les données
estructurés et non structurés pour fournir une information analytique précise dans le but de
de maintenir la compétitivité des entreprises. Le tableau suivant présente l'analyse
DAFO du thème en recherche.

Tableau 1.1
Analyse SWOT du sujet en recherche
.
DEBILIDADES MENACES
• N'utilisez que 20 % des données dans la prise de décision • Augmentation des coûts en infrastructure et
décisions logiciel
• Difficulté à intégrer de nouvelles sources de • La concurrence prend des décisions plus rapidement et
données acertadas (Perte de compétitivité).
• Analyses et projections basées sur des données
historique
FORCES OPPORTUNITÉS
• Traitement en temps réel, systèmes de • Compétitivité mondiale.
la détection de fraude est possible. • Réduction des coûts d'infrastructure et
• Intégration de différentes sources et types de licences de logiciel.
datos • Analyse prédictive réussie, trouve le
• Traitement de grands volumes de données scénario optimal pour les affaires.
structuré et non structuré.

L'analyse des Big Data devient une pièce maîtresse de la société et de l'économie.
en raison du fait que les organisations utiliseront de plus en plus cette technologie pour traiter

grands volumes de données, intégrer de nouvelles sources de données, optimiser les processus
opérationnels, améliorer l'expérience des services aux clients, générer de nouvelles sources de
revenus, principalement par le biais d'offres personnalisées en temps réel.
Au cours de ces dernières années, il y a une croissance exponentielle de l'utilisation de l'analytique Big Data.

niveau mondial dans les organisations comme le montre la figure 1.3 et 1.4.
 17

Figure 1.3 Marché mondial du Big Data 2017 - 2022 (milliards de dollars)
Source : (Statista, 2018).

Figura 1.4 Revenus de Big Data et d'Analyse de Business Mondial 2015-2020

Source : (Statista, 2018)

Pour ce qui précède, dans ce contexte, il est nécessaire d'analyser dans quelle mesure le Big
L'analyse des données influence la compétitivité des organisations,
 18

peu importe la phase de mise en œuvre dans laquelle se trouve cette technologie
l'organisation.

1.2 Formulation du Problème

1.2.1 Problème général
Dans quelle mesure l'analyse des Big Data influence-t-elle la compétitivité des entreprises

Péruvienne?
1.2.2 Problèmes spécifiques
1. Dans quelle mesure l'analyse des Big Data dans la phase de surveillance des affaires influence-t-elle

dans la Compétitivité Entrepreunariale Péruvienne ?

2. Dans quelle mesure l'analyse des Big Data dans la phase d'information de l'entreprise
influence sur la compétitivité des entreprises péruviennes ?

3. Dans quelle mesure l'analyse des Big Data dans la phase d'optimisation des affaires
influence la Compétitivité des Entreprises Péruviennes ?
4. Dans quelle mesure l'analyse des Big Data dans la phase de monétisation des données influence-t-elle

en la Compétitivité des Entreprises Péruviennes ?

5. Dans quelle mesure l'analyse des Big Data dans la phase de métamorphose des entreprises
influence sur la compétitivité des entreprises péruviennes ?

6. Dans quelle mesure l'analyse des Big Data influence-t-elle la rentabilité des entreprises

Péruvienne ?
7. Dans quelle mesure l'analyse des Big Data influence-t-elle la part de marché dans la
Entreprise péruvienne ?

1.3 Importance et justification de l'étude

La présente recherche peut être considérée comme unique, car il n'existe pas d'études
précédents qui impliquent la relation des deux variables dans le pays.
La recherche s'inscrit dans le cadre de la ligne de recherche établie par la
école de troisième cycle : Intelligence d'affaires du groupe compétitivité des entreprises.

Justification Pratique.
Cette recherche est réalisée parce qu'il existe un besoin dans les principales entreprises
les entreprises péruviennes incorporent le Big Data Analytics dans les processus commerciaux comme stratégie

entrepreneurial pour améliorer la compétitivité du secteur.

 19

Justificación Teórica.
Cette recherche permet d'apporter des connaissances existantes sur l'utilisation du Big
Analyse des données dans les grandes entreprises multinationales comme Ebay, Yahoo, Apple,

Amazon, Walmart, IBM, Scotiabank, Citibank entre autres vers les principales
entreprises péruviennes, cela démontrerait que l'entreprise péruvienne peut
lograr una mejor competitividad empresarial como las empresas multinacionales,
incorporant l'analyse des Big Data dans les processus d'affaires.
L'analyse du Big Data s'applique à divers secteurs tels que les affaires, le système financier,
santé, éducation, sports, ressources humaines, gouvernement, sécurité, etc. Comme le
décrivez Jean Paul Isson, page 5-12 (Isson, 2018).

Justification Méthodologique.
Le résultat de la recherche permet d'expliquer la validité de l'application de la
la science des données dans les stratégies commerciales des entreprises, leur permettant de
être plus compétitives dans le secteur. Cette recherche et stratégie d'affaires peut être
répliquée dans les moyennes et petites entreprises - PME pour atteindre un plus grand

compétitivité sur le marché.

Justification Sociale.
La compétitivité des organisations grâce à l'utilisation de l'analyse Big Data permet
comprendre et interagir avec les clients d'une manière différente, permettant de fournir
produits et services plus intelligents qui contribueront à l'amélioration de la qualité
de la vie des utilisateurs et/ou des clients.

1.4 Délimitation de l'Étude

La présente recherche a impliqué 15 organisations péruviennes appartenant à la
secteurs de distribution d'énergie électrique, de télécommunications, de banque et d'assurances, et
entités du secteur public. En raison de problèmes de confidentialité et de protection des données
les organisations ont choisi de rester anonymes, mais elles ont néanmoins fourni la
informations nécessaires pour réaliser la présente étude.
 20

Les métriques pour mesurer la compétitivité des entreprises sont fonction de

rentabilité et la part de marché, et celles-ci sont tirées des informations financières de
les compagnies qui sont envoyées à la superintendance du marché des valeurs (SMV).

1.5 Objetivos de la Investigación

1.5.1 Objectif général
Déterminer dans quelle mesure l'analyse des Big Data influence la compétitivité
Empresarial Péruvienne.

1.5.2 Objectifs spécifiques

1. Déterminer dans quelle mesure l'analyse des Big Data dans la phase de surveillance du
L'entreprise influence la compétitivité des entreprises péruviennes.

2. Déterminer dans quelle mesure l'analyse des Big Data dans la phase d'information
L'influence entrepreneuriale sur la compétitivité des entreprises péruviennes.

3. Déterminer dans quelle mesure l'analyse des Big Data dans la phase d'optimisation
del Negocio influence sur la Compétitivité des Entreprises Péruviennes.
4. Déterminer dans quelle mesure l'analyse des Big Data dans la phase de monétisation
de Données influence sur la Compétitivité des Entreprises Péruviennes.

5. Déterminer dans quelle mesure le Big Data Analytics dans la phase de métamorphose
des affaires influence la Compétitivité des Entreprises Péruviennes.
6. Déterminer dans quelle mesure l'analyse des Big Data influence la rentabilité
Entreprise Péruvienne.
7. Déterminer dans quelle mesure le Big Data Analytics influence la Quote de
Marché dans l'entreprise péruvienne.
 21

CHAPITRE II : CADRE THÉORIQUE

2.1. Marco Historique

(Chongqing Kang, 2018), dans son article de recherche « Analyse des Big Data dans
L'industrie de l'électricité en Chine mentionne les récentes avancées dans l'application de
analyse des Big Data dans le secteur de l'énergie électrique en Chine. Les applications
sélectionnées incluent réponse à la demande, intégration renouvelable, opérations du
système et surveillance des équipements.

De plus, il mentionne que l'analyse des Big Data révolutionne les pratiques de
marketing dans diverses industries. Les grands acteurs chinois du commerce électronique,
comme Alibaba et Jingdong, dépendent en grande partie de l'analyse des grandes données pour
exploiter les perceptions des comportements d'achat et de navigation web des
clients afin de personnaliser le marketing. De plus, les opérateurs du réseau électrique
et les détaillants d'électricité essaient d'analyser les comportements de
consommation d'électricité des clients afin qu'ils puissent fournir des services
diversifiés et personnalisés et encourager les clients à participer à des programmes de
réponse à la demande et efficacité énergétique.
Dans la figure 2.1, un cadre d'analyse de Big Data dans des applications de systèmes est montré.
d'énergie. Le processus de collecte de données commence par plusieurs sources, comme
compteurs intelligents, marchés de l'énergie, capteurs météorologiques et agences
gouvernementales. Ensuite, les personnes peuvent appliquer des statistiques avancées et des techniques

de l'apprentissage automatique, tel que l'analyse des séries temporelles, le regroupement et le

apprentissage profond pour générer des informations exploitables, ces connaissances peuvent
s'utiliser pour améliorer les opérations et la planification du réseau, ainsi que l'expérience
du client ou être exploités par des tiers à d'autres fins commerciales.
 22

Figure 2.1 Analyse des Big Data dans l'industrie de l'Énergie Électrique en Chine
Source : (Chongqing Kang, 2018)

L'industrie de l'énergie électrique en Chine a été témoin d'un développement sans

précédentes dans l'analyse et les applications du Big Data depuis 2013, depuis la germination
du concept de Big Data comme recherche académique, jusqu'aux applications dans la
industria. El artículo de estudio descrito coincide con la presente investigación debido
que chaque fois plus d'organisations intègrent le Big Data Analytics dans leurs
processus d'affaires.

(Bhattacharyya, 2016), dans son article de recherche intitulé « Stratégies perçues

l'adoption basée sur la valeur de l'analyse des Big Data dans une économie émergente fournit une

vision sur les facteurs qui affectent l'utilisation et l'adoption de l'analyse des Big Data
(BDA) dans les entreprises indiennes. Les études de recherche se sont jusqu'à présent concentrées sur

l'adoption de BDA dans les économies développées. L'article examine les facteurs qui
influencent l'utilisation et l'adoption de BDA dans le contexte des économies émergentes. Le
La recherche conclut que l'analyse Big Data (BDA) modifie la façon de
faire des affaires dans les organisations. Tendances précédentes comme l'intelligence d'affaires et

L'analytique d'affaires peut être considérée comme un point de départ pour conceptualiser
BDA.
 23

De plus, il mentionne que l'analyse des Big Data est une méthode compréhensible de fournir
services d'analyse en temps réel utilisant des bases de données avec des données structurées et non

structurés. Alors que BDA est considéré comme une technologie importante qui
peut offrir des stratégies et des avantages opérationnels aux organisations, cela n'est pas encore
il a des taux d'utilisation significatifs dans les entreprises des économies émergentes.

La présente recherche coïncide avec l'article de recherche concernant le

importance de l'utilisation de l'analyse Big Data dans les organisations en tant que stratégie, et dans le

faible indice d'utilisation de cette technologie dans les organisations des pays émergents. Le

la recherche approfondira davantage le sujet pour identifier à quelle phase d'application

L'analyse des Big Data se trouve dans les principales entreprises du Pérou.

(Cervone, 2016), dans son article de recherche « Considérations organisationnelles

initiation d'une mise en œuvre de big data et d'analytique mentionne ce qui suit : Les
les organisations commencent à prendre conscience des avantages potentiels du Big Data
il faut profiter de toutes les données qui sont créées. Cependant, un obstacle
important pour de nombreuses organisations est de comprendre où commencer dans la
mise en œuvre de Big Data et d'analyse. À bien des égards, commencer une
la mise en œuvre réussie n'est pas très différente de tout autre projet géré
à l'intérieur de l'organisation. Le plus grand obstacle est de savoir quelles questions poser pour que les

les choses fonctionnent. Ce document a pour objectif d'aider les bibliothèques et

organisations de l'information qui envisagent la mise en œuvre de Big Data
et analyse à commencer son parcours en suivant une liste de huit aspects à considérer dans le
développement d'une stratégie de Big Data et d'analyse.

La présente recherche est liée à l'article de recherche décrit avec

en ce qui concerne les grands avantages du Big Data dans les organisations, cependant, on ne
il analysera les inconvénients qui se présentent lors de la mise en œuvre des huit aspects
à être considérés pour une mise en œuvre réussie du Big Data ; sinon une fois
une fois l'outil mis en place, la relation avec la compétitivité des entreprises sera analysée.

(Foss, 2014), dans sa recherche « Mettre en œuvre l'analyse des données en tant qu'organisation
Innovation dans les collèges et universités à l'université du Minnesota, États-Unis
démontre comment l'analytique des données est mise en œuvre comme un élément innovant dans une
 24

organisation, son utilité pour résoudre des défis organisationnels en créant une culture
organisationnel axé sur les données.
L'antécédent décrit met en avant l'application de l'analyse de données comme élément innovant
dans une organisation, mais n'inclut pas le traitement de grands volumes de données (Big
Des données) comme la présente recherche l'inclura.

(Dowgiert, 2014), dans sa recherche « L'impact des Big Data sur la santé traditionnelle »
L'information du College of St. Scholastica Duluth, Minnesota, États-Unis, conclut que le Big
Les données dans l'industrie de la santé deviennent un nouvel outil pour une meilleure
gestion de l'information sur la santé de la population, améliorer le soin et la qualité du
service médical. Le contexte met en évidence l'application du Big Data dans le domaine de la santé
Avec le traitement des données uniquement structurées, la présente recherche inclura l'analyse
de données structurées et non structurées.

(Lee, 2013), dans sa recherche "Utilisation de la fouille de données dans l'analyse commerciale pour soutenir

La "Compétitivité des entreprises" mentionne qu'on s'attend à ce que la croissance des ressources de
Les données génèrent une croissance dans l'analyse commerciale et, par conséquent, dans l'extraction de

Les entreprises commencent à réaliser que l'application de la datamining

et l'exploration de textes leur procure un avantage concurrentiel. Avec l'augmentation des
des données de manière exponentielle, la capacité d'utiliser la data mining pour filtrer
de grandes quantités de données et d'identifier des motifs pertinents deviendra un
outil stratégique pour améliorer des domaines clés de l'entreprise, tels que les clients, les
opérations et la chaîne d'approvisionnement.
L'article de recherche conclut que l'analytique dans les affaires et l'exploration de
Les données (données structurées) contribuent à la compétitivité des entreprises. Le présent
l'investigation inclura plus de sources de données, c'est-à-dire le traitement de grandes
volumes de données structurées et non structurées, et l'analyse des données (Big Data)
Analyse), ainsi que la relation avec la compétitivité des entreprises.

Il n'existe pas de précédents d'études reliant directement les deux.

variables sous étude : Big Data Analytics et la compétitivité des entreprises. En
conséquence, la présente recherche apportera de nouvelles connaissances concernant
relation des deux variables mentionnées par rapport à la compétitivité des entreprises,
 25

identifiant la phase de mise en œuvre de l'analyse Big Data dans laquelle ils se trouvent
les principales entreprises du Pérou.

2.2. Investigations liées au sujet.

Au cours des dernières années, les entreprises transactionnelles telles que Google, Ebay, Amazon, Apple,

Netflix, Cisco utilisent des systèmes d'analytique dans l'analyse des données
et prévision de la demande de ses clients, comme stratégie concurrentielle dans ses affaires.
Au Pérou, dans le secteur financier, la banque Scotiabank est en train de
mise en œuvre de cette nouvelle technique depuis 2016. La banque de crédit du Pérou avec son
récente acquisition de la plateforme Cloudera avec des outils en Big Data &
L'analyse en 2017 (BCP-Microsoft, 2017) est un exemple clair que les techniques de
L'analytique est introduite de plus en plus fréquemment dans les organisations péruviennes.
Ci-après, un ordre chronologique de cette étude de recherche
liées aux deux variables dans deux groupes : nous avons dans la première variable
indépendant l'analyse Big Data et la seconde variable la compétitivité.

2.2.1. Analyse Big Data

(Fallucchi, Petito, & William De Luca, 2019), dans leur recherche intitulée
“Analysing and Visualising Open Data Within the Data and Analytics Framework”,
mentionne comment les données libres ou publiques enrichissent l'information des
organisations pour une meilleure prise de décision dans les organisations, voici un extrait
La disponibilité et la publication de données ouvertes sont un atout précieux pour
la société et les entreprises, mais pour exploiter pleinement l'information il est
nécessaire de créer des données ouvertes autodescriptives et d'inférer des connaissances de l'agrégation

et de la corrélation de différents ensembles de données ; ainsi que le processus de

l'implémentation de modèles et de principes de données ouvertes devra être compatible avec
une plateforme technologique adéquate. De nos jours, il existe une grande quantité de
plateformes technologiques qui promettent de donner une solution idéale pour les données ouvertes. Les

Les solutions actuelles (commerciales ou gratuites) ne fournissent pas aux utilisateurs un accès
facile d'accéder à ces données, ni outils pour les analyser ni pour les afficher.
Dans la recherche, on discute du potentiel du DAF (Data Analytics Framework), un
projet basé sur le big data, créé par le gouvernement italien en 2017 et qui promeut la
intégration et normalisation des données, en plus de fournir trois puissants
 26

outils pour l'analyse et la visualisation des données. Le rôle alors est d'illustrer
un cas concret de développement de tableau au sein du DAF, publié dans un important
hackathon (communauté mondiale d'innovateurs) organisé par le secteur de
Administration publique italienne en octobre 2017. Le projet sert de cas
d'utilisation dans la mise en œuvre de DAF, où ses outils analytiques sont utilisés
pour l'analyse et la visualisation des données. Ils traduisent également une grande quantité de données

en représentations simples et utiliser un langage clair et efficace.

De plus, les auteurs mentionnent que c'est l'occasion d'avancer pour les organisations.
qui offre la qualité, la magnitude et la véracité des outils qui seront
en variétés de plateformes qui offriraient des solutions dans tous les aspects; tant dans leur
production, ressources humaines, marketing, opérations et les services qu'elle offre à son
portefeuille de clients pour la conservation et avec cela, le développement de l'entreprise.

(Wang, Ding, & Yu, 2019), dans leur article de recherche intitulé "Big data
analytique sur l'évaluation du risque de crédit des entreprises de la plateforme de e-business
évaluation du risque de crédit bancaire des entreprises, indique :
En tant qu'un des produits innovants des banques commerciales, l'apparition de
le financement de la chaîne d'approvisionnement reflète l'idée de l'innovation de
produits financiers des banques commerciales.
Dans la concurrence féroce, les banques commerciales ont besoin d'innovation constante pour
être plus compétitifs. L'innovation des produits financiers des banques
les commerciales passent progressivement au en ligne, sous le développement de la
intelligence et traitement des grandes données (Big Data).
La banque en ligne rend les données plus transparentes, la gestion des risques se
devenait plus critique et important, et les indicateurs impliqués dans le processus sont plus
compliqués.
À l'ère du Big Data, tout d'abord, les banques commerciales doivent réaliser
activement le financement de la chaîne d'approvisionnement en ligne, et guider
consciencieusement la transition du financement des entreprises depuis les services
hors ligne à des services en temps réel.
Dans le contexte de la chaîne de réseau, la gestion des risques des banques commerciales est
important, par conséquent, il est nécessaire d'intégrer complètement tous les éléments
 27

de gestion, moyens techniques et environnement institutionnel pour le voir comme un système sous

contrôle.
Alors que le financement de la chaîne d'approvisionnement des banques est en pleine
apogeo, la plateforme bancaire d'e-Business innove constamment ses
funcionalidades con el propósito de alinearse a los modelos de financiación bancaria.
Le financement de la chaîne d'approvisionnement a encore un long chemin à parcourir
pas à pas. L'innovation dans le financement de la chaîne d'approvisionnement a plus
opportunités et défis, qui nécessitent des efforts incessants de la part de tous les
participants dans la chaîne d'approvisionnement. À l'avenir, la chaîne d'approvisionnement dans le
le secteur financier sans aucun doute formera des services diversifiés et des modèles innovants qui

se convertiront en une force indispensable pour la restructuration industrielle et

transformation du développement économique national. Les perspectives de développement
seront très larges.
À mon avis, de nos jours, les institutions financières cherchent le défi de la compétitivité.
il s'agit de gagner des clients ; c'est pourquoi ils recherchent des stratégies de changement d'outils de

innovation comme le Big Data, le moyen le plus faisable pour offrir à ses clients
offrant facilité et sécurité dans vos opérations.

Dans un environnement de plus en plus compétitif, les organisations ont toujours besoin de nouvelles

des moyens de devenir plus compétitifs. dans le texte (Aguado Garcia, 2018, p. 30) "Prédictif
L'analyse mentionne ce qui suit : Les organisations à l'échelle mondiale s'efforcent
pour s'améliorer, être plus compétitives et élancées. Elles cherchent à rendre leur processus de
la planification soit plus agile. Ils enquêtent sur la façon de gérer les inventaires et
optimiser l'attribution de vos ressources humaines pour obtenir le meilleur avantage
compétitive. Ils cherchent à agir sur les opportunités au fur et à mesure qu'elles se présentent dans

temps réel.
L'analyse prédictive peut rendre tous ces objectifs plus accessibles. Les domaines
ceux auxquels les analyses prédictives peuvent s'appliquer sont illimités ; le terrain est
abierto de extremo a extremo y todo es juego limpio. Deje que la minería de datos
commencez, laissez l'analyse commencer.
Adressez-vous à votre équipe d'analyse et demandez-leur d'exploiter les données que vous avez accumulées.

acquis, dans le but de trouver un créneau de marché avantageux pour son

 28

produit; innover avec des données. Demandez à l'équipe de vous aider à gagner en confiance dans votre

prise de décisions et gestion des risques.

(Bari, 2017, p. 11) mentionne qu'Albert Einstein a dit un jour : « Sachez où trouver
information et comment l'utiliser ; c'est le secret du succès.” Si c'est cela le secret du succès,
alors vous aurez du succès en utilisant l'analyse prédictive : l'information est dans vos données et

Vous trouverez l'extraction de données. Le reste de l'équation repose sur la connaissance

de son entreprise sur la façon d'interpréter ces informations et, en fin de compte, de les utiliser

pour créer le succès. Trouver des valeurs dans les données équivaut au succès. Par conséquent,
nous pouvons réécrire notre équation d'analyse prédictive comme :
Minerie de données + connaissance des affaires = analyse prédictive => succès
L'analyse prédictive renforce votre organisation en lui offrant trois avantages : Vision,
décision et précision.
Selon l'auteur, si une analyse prédictive et la tendance du soutien sont utilisées
La datamining, y la compétence commerciale, est sûre d'aboutir au succès, avec la
probabilité d'avoir des processus avec des améliorations des résultats à l'avenir.

(Gonzáles Diaz, 2017), dans son livre « Big Data pour PDG et Directeurs Marketing »
donne-nous plus de détails sur le Big Data :

• Le Big Data découle du besoin des grands acteurs d'internet d'analyser tout
informations qu'ils gèrent dans le monde en ligne

• Cette information présente trois caractéristiques principales : elle est de grand volume,
peut être de divers types (tableaux structurés, texte libre, images, vidéo,
audio), et il se met à jour constamment en temps réel
• Par conséquent, ils créent des technologies capables de gérer ces facteurs
• La principale stratégie de la technologie Big Data est « diviser et paralléliser ».
• Une autre caractéristique clé est la capacité d'augmenter ou de réduire la capacité de
cálcul, simplement en ajoutant ou en éteignant plus de machines

• Le Big Data en tant que technologie présente déjà une valeur significative pour l'entreprise,
surtout en réduisant les coûts
• Le Big Data n'est pas seulement une technologie
 29

• Lorsque nous ajoutons des algorithmes analytiques et des méthodologies en plus de la technologie
de l'entreprise, un actif capable de créer une énorme valeur pour la
organisation.

(Díaz, 2016, p. 23), dans le livre « Organisations orientées vers les données : transformant les
organizaciones hacia una cultura analítica”, menciona lo siguiente:
Bien que l'utilisation des données pour des décisions optimales ne soit pas nouvelle et le déploiement

Des stratégies telles que l'intelligence d'affaires sont de plus en plus courantes dans les

organisations, ces dernières années, de nouveaux types d'entreprises apparaissent qui

ils cherchent à générer des avantages compétitifs d'une manière différente : par l'utilisation de
Les données. On ne cherche plus seulement à mieux comprendre le client ou les processus d'affaires, mais

également parvenir à se positionner sur le marché d'une manière différente, claire et plus efficace.

Pourquoi l'analytique sera-t-elle la prochaine ère compétitive dans les affaires ?

Debido al crecimiento del procesamiento de grandes volúmenes de data (Big Data) en

les organisations, les systèmes traditionnels comme Business Intelligence (BI) ou
L'intelligence d'affaires est limitée au traitement de grands volumes de données avec
rapidité, ainsi que l'intégration de nouveaux types de données (semi-structurées et non structurées),

cela ne se produit pas lorsque nous utilisons l'analytique. En plus de cela, l'analytique
permet de créer des scénarios dans les modèles prédictifs en incorporant de nouvelles variables qui

nous permettent de construire un modèle prédictif plus précis.

De plus, l'auteur mentionne que le traitement des données prend plus
l'importance dans les organisations, et comment l'analytique a son point de départ dans
ils, ci-dessous, une brève évolution des données dans les organisations de
accord au texte (Díaz, 2016, pp. 24-25) :

L'évolution de la donnée
L'évolution des données signifie parler d'une croissance des magnitudes physiques de
ces: volume, vitesse et variété. Ce que l'on appelle Big Data. Dans le
actualité ce terme a été identifié comme l'une des principales tendances de
transformation du marché, comme l'indique Brynjolfsson, nous sommes à l'ère de la
numérisation, où tout est susceptible d'être transformé en une donnée numérique. Ce
la situation n'est pas nouvelle, bien avant l'apparition de sociétés comme Google,
 30

Yahoo, Facebook o Twitter, muchas organizaciones e instituciones ya trataban de

gérer ses données d'entreprise par le biais de stratégies d'intelligence d'affaires et de
soutenir leurs initiatives commerciales avec des informations pertinentes.

(Díaz, 2016, p. 25) mentionne un exemple, en 1992 Walmart avait déjà une base de données

entrepôt dont la taille était d'un téraoctet. En 2006, la taille de ces données
l'entrepôt a atteint 0,5 pétaoctets et permettait de traiter les activités d'achat de ses
100 millions de clients à ce moment-là. Deux ans plus tard, le volume de données
il a atteint 2,5 pétaoctets. Il est clair que, pour Walmart, le data warehouse est la pièce
angular sur laquelle se définit sa stratégie d'analyse des clients.
La situation est similaire à celle d'eBay. Cette entreprise a trois systèmes :

• Un entrepôt de données principal d'une taille de 9,2 pétaoctets.

• Un deuxième système, nommé système de singularité, destiné à la
informations sur les clics effectués sur le web et dont la taille est de 40
pétaoctets.
• Un système basé sur Hadoop d'une taille de 40 pétaoctets et qui a
pour objectif d'analyser le comportement des clients à l'aide de techniques de
machine learning.
Además, las empresas con más frecuencia buscan no solo analizar los datos generados
durant ses activités, mais aussi de nouvelles données qui n'étaient auparavant même pas envisagées.

C'est ce que fait, par exemple, la société Disney, qui utilise des bracelets
équipés de systèmes de localisation (GPS 15 et NFC 16) pour surveiller tout ce qui
que réalisent leurs visiteurs pendant leur séjour dans des parcs à thème, comme
Disneyland Paris.
Une autre recherche sur l'impact du Big Data sur les systèmes traditionnels de
Les informations sur la santé ont été réalisées par Andrew Dowgiert du College of St.

Scholastica Duluth, Minnesota (Dowgiert, 2014), voici le résumé de la recherche :

L'industrie de la santé dans tout son éventail d'organisations et de services repose
en grande mesure dans la collecte, le stockage, la récupération et l'analyse des données.
La croissance rapide de la technologie et les changements sociologiques ainsi que la transition
de l'utilisation du papier à la numérisation complète des dossiers de santé, ont provoqué
que l'industrie se concentre sur les données massives non seulement comme un défi mais aussi
 31

comme une nouvelle façon de promouvoir l'attention aux patients, d'améliorer la prestation de
service, élargir la recherche médicale et réduire le coût de la santé.
Le Big Data, caractérisé par son grand volume, sa vitesse et sa variété, défie
soins de santé, professionnels de l'industrie et de la gestion de l'information
la santé, en particulier pour observer et exploiter les données de manière jamais vue auparavant

Le Big Data ajoute encore plus de complexité aux systèmes de santé déjà sophistiqués.
puisqu'ils exigent maintenant d'obtenir les meilleures perspectives à partir de lui, pour intégrer

multiples sources, et pour mettre en œuvre des processus de standardisation afin de

garantir la cohérence des données dans toute l'organisation.
Ce projet examine l'impact du Big Data sur l'industrie de la santé, dans les
professionnels de santé pour la gestion de l'information qui ont historiquement été
perçus comme les gestionnaires de données de santé, et dans les dossiers de santé
electrónicos (EHR) que a través del proceso de intercambio de información de salud
(HIE) peut devenir un nouvel outil pour gérer la santé de la
population et améliorer les soins et la qualité du service.

(Zhan, Li, & Tan, 2016), dans la recherche intitulée « Déverrouiller le pouvoir des grandes données »

dans le nouveau produit" explore comment on peut utiliser le traitement de grands volumes
de données pour que les clients puissent exprimer des besoins non reconnus. En acquérant
avec ces informations, les gestionnaires peuvent obtenir des opportunités pour se développer

produits centrés sur le client. Le Big Data peut être défini comme riche en multimédia
L'information interactive à faible coût, résultant de la communication de masse, offre
une meilleure compréhension des nouveaux produits aux clients et fournit de nouveaux
modèles simplifiés d'interaction à grande échelle entre clients et entreprises. Bien que
Des études antérieures ont indiqué que les entreprises peuvent améliorer la compréhension de
les préférences et les besoins des clients en profitant des différents types de
les données, la situation évolue, avec une application croissante de l'analyse de Big
Analyse de données pour les produits en développement, les opérations et la gestion de la chaîne

approvisionnement.
Pour utiliser les informations des clients à partir du Big Data, les gestionnaires doivent

identifier comment établir un environnement qui implique le client et l'encourage à

partager vos idées avec les gestionnaires, apporter vos connaissances, jouer avec de nouveaux

produits et exprimer leurs préférences réelles.

 32

La recherche a impliqué l'étude d'un nouveau projet de développement de produits

dans une entreprise électronique appelée STE utilisant l'utilisation de grands
volumes de données pour connecter, interagir et impliquer les clients dans le développement et
dans la pratique. Les résultats ont révélé que le Big Data peut offrir une participation de
client pour fournir des informations précieuses pour le développement de nouveaux produits.

(Fang & Zhang, 2016), dans leur article de recherche “Big Data in Finance” soulignent :
Les finances quantitatives sont un domaine où les données sont l'élément vital pour la
prise de décision dans tous les aspects. Les principales institutions et entreprises
les institutions financières adoptent des technologies avancées de Big Data pour obtenir

informations exploitables à partir de données massives de marché, standardisant les données

financiers provenant de diverses sources, réduisant le temps de réponse aux flux
des données en temps réel, améliorant l'évolutivité des algorithmes et des logiciels dans
architecture novatrice. Aujourd'hui, ces avantages importants poussent à
les professionnels financiers pour développer et déployer les grandes solutions de
données sur les produits financiers dans la gestion et l'analyse des données.

Non seulement la collecte et la purification de multiples sources de données, comme la

visualisation efficace des flux à haut rendement et une programmation rapide en
Des formes massives dans les architectures de traitement parallèle sont utilisées, Big Data

L'analyse peut aider à révéler davantage d'opportunités de marché cachées à travers le

analyse des données structurées de haut volume et des nouvelles sociales, en contraste avec la
que ne sont pas capables d'adopter des techniques novatrices. Être capable de traiter des événements

complexes massifs à une vitesse ultrarapide éliminant les obstacles pour capturer
rapidement les tendances du marché et gérer les risques à temps.
Les finances ne sont plus une petite discipline de données, la capacité de traiter
d'énormes quantités d'informations en cours de route séparent les gagnants des
perdants sur les marchés financiers actuels.
Être au courant des derniers outils de financement des grandes données avec le
la technologie est une nécessité pour tout professionnel sage des services
financiers.
Comme le montre le texte, les données constituent un actif principal pour la gestion
financier, permet de trouver de nouvelles opportunités commerciales dans le secteur que
 33

bénéfique pour le client et l'entreprise, en d'autres termes, la gestion des données est devenue
un besoin vital dans tout type d'organisation.

2.2.2. Compétitivité
(Management Association, I., 2018), dans le livre « Operations and Service Management :
Concepts, Methodologies, Tools, and Applications”, indique ce qui suit : La
la mondialisation a déclenché de nombreuses nouvelles façons pour les entreprises de s'améliorer

ses performances commerciales et continuent d'être compétitives sur le marché. Au départ, la

mayoría de las empresas fortalecen su capacidad y competencia para desarrollar una
différenciation concurrentielle par l'innovation continue pour rester finaliste
avec cela, construire une image de marque durable pour ses produits et services.
Au milieu du XXe siècle, la technologie de l'information a fait de multiples
possibilités de progrès pour que les entreprises accèdent à l'information du marché,
réaliser des analyses de données pour répondre à leurs exigences corporatives.
développer des stratégies compétitives pour obtenir des affaires réussies. Par conséquent,
de nouveaux approches des systèmes de soutien à la décision ont émergé, que les entreprises
ils s'adaptent au nouveau environnement d'analyse de l'information dans le but de
se concentrer sur les besoins réels des clients. Les approches Big Data, analyse
de negocios e inteligencia de negocios constituyen herramientas determinantes de
prise de décision du XXIe siècle dans les organisations.

(Gonzalez & Peñaralta, 2018, p. 59) dans la “Revue Colombienne de Technologie

« Avanzada » mentionne qu'il existe différentes dimensions du Big Data et la plus
on connaît le marketing axé sur les données, ou le Big Data marketing, qui consiste en
profiter des informations sur les clients pour établir des canaux plus efficaces de
communication. Pour cela, elle utilise la collecte et le traitement des informations de
clients pour alimenter la connaissance organisationnelle et renforcer la fiabilité envers
l'entreprise. De la même manière, elle fournit à l'entrepreneur des outils qui lui permettent de réaliser

le processus administratif comme planifier, organiser, diriger et contrôler en utilisant les

TIC dans le département marketing. Une opportunité exceptionnelle d'emploi de
BD dans les activités de marketing dans les entreprises peut concentrer le travail sur
le total des données de l'univers d'étude, en laissant de côté la nécessité de travailler sur
un échantillon. Cette prémisse donne lieu à une analyse des tendances plus fondée, un
 34

meilleur connaissance et couverture du profil des clients qui entraîne des actions
entreprises avec les meilleurs arguments comme l'indique Goyzueta, et se
transforme en un outil qui permet d'intégrer dans la stratégie d'entreprise et de
marketing à nos clients et consommateurs. Maintenant, un autre des éléments du
Le Big Data est lié aux affaires, axé sur la recherche de la
durabilité, à moyen et long terme à partir des relations permanentes avec
les clients, une meilleure connaissance des processus, des possibilités d'identifier les
faiblesses et trouver des opportunités.
De la même manière, le Big Data pour les entreprises devient une stratégie
organisationnel pour la prise de décision parfois en temps réel, d'autres fois
avec un délai plus long, en fonction des outils et des compétences avec
celles que compte l'organisation. C'est pourquoi sa mise en œuvre constitue une opportunité
pour que l'entreprise soit plus proche du client afin de fournir des solutions ainsi que pour
convertir les statistiques en soutien à la prise de décisions opportunes. Il est requis
que les données soient conformes aux besoins de l'organisation,
Par conséquent, un impact significatif sur les affaires sera réalisé grâce à l'utilisation du Big Data.

et pouvoir intégrer les types de données de diverses variétés, conserver une capacité
pour gérer des volumes de données, maintenir de bons niveaux de sécurité des données
et réaliser une planification et des formations appropriées pour le personnel (IBM, 2012). La

L'implémentation d'une solution Big Data est composée de différentes technologies

que trabajan conjuntamente para lograr el objetivo final de almacenar y procesar
grandes quantités de données. Parmi les technologies impliquées, on trouve le
framework du projet Apache Hadoop, l'utilisation de bases de données NoSQL parmi lesquelles
nous pouvons mentionner.

L'analytique des Big Data permet de rapprocher le client de l'organisation, elle permet de connaître

mieux répondre aux besoins de chaque client, améliorer les canaux de marketing pour fournir
un meilleur service client. L'intégration de plusieurs sources de données permet
optimiser les patterns de comportement des clients, par conséquent, disposer de
projections les plus précises pour une utilisation efficace des ressources.

(De Woot, 2014) dans son livre intitulé « Repenser l'entreprise : Compétitivité,
La technologie et la société mentionnent ce qui suit :
 35

Les défis du XXIe siècle sont immenses ; mais comment pouvons-nous mieux orienter notre
capacité créative extraordinaire pour faire face aux défis futurs ? c'est l'entreprise
que transforme, souvent dès qu'ils émergent, les connaissances scientifiques et
les technologies dans les produits et services. L'entreprise est le principal médiateur entre la
la science et la société peuvent transformer le système économique. En changeant leur culture,
peut être un outil puissant pour mieux relever les défis mondiaux de
notre siècle.
Un esprit d'entreprise, avec créativité et innovation, sont des réponses nécessaires aux
défis sociaux. Bien que le modèle économique actuel soit la source de grands
des écarts, l'entreprise dans son sens le plus large peut aider à corriger beaucoup de
elles, du problème peut se transformer en solution.

(Lee, 2013), dans le texte « Utilisation du data mining dans l'analyse commerciale pour soutenir

La "Compétitivité des entreprises" nous explique comment, de nos jours, les affaires se développent.

conduire à l'ère de l'information ; Internet, la sophistication croissante des

les besoins des clients et la mondialisation implacable obligent les
entreprises à changer la façon dont elles gèrent les affaires et les clients. Quand
Lorsque vous entrez dans les supermarchés, vous êtes-vous déjà demandé pourquoi certains d'entre eux

mettent des œufs à côté du pain ? Quand il reçoit des brochures de produits de ses émetteurs.

cartes de crédit, vous êtes-vous déjà arrêté ? pour réfléchir à pourquoi elles sont
capables de savoir ce que vous désirez ? Quand vous demandez une assurance automobile, savez-vous pourquoi

votre compagnie d'assurance nécessite toutes sortes d'informations personnelles sur vous et votre

automobile avant de décider de sa prime ?; Dans la concurrence mondiale d'aujourd'hui, une

une bonne organisation s'efforcera de savoir si ses clients sont satisfaits de
ses services et produits. Cependant, une excellente organisation ne saura pas seulement si elle a
satisfait les clients, mais pourra aussi comprendre pourquoi il est satisfait et quoi
cela garantira qu'ils restent satisfaits à long terme. Dans ce scénario, le premier se concentre
dans les symptômes tandis que le second va au-delà des symptômes et s'efforce de
comprendre les causes. La différence entre ces deux organisations pour avoir une
une compréhension plus approfondie du client repose sur la quantité d'intelligence d'affaires
que l'un a sur l'autre.
De plus, les entreprises comptent sur Internet pour fournir certains, sinon la plupart
de ses services, en plus de la fabrication réelle de ses produits. Les entreprises dans
 36

Les lignes comme Amazon et E-Bay basent évidemment leurs modèles commerciaux uniquement
sur Internet ; cependant, les entreprises traditionnelles qui vendent des produits tangibles
Les intangibles ressentent également le besoin d'avoir une présence sur Internet. La façon de
la présence pourrait varier de l'informatif, au marketing et à la vente, aux services après-vente et

service client
Pour toutes les entreprises, une grande partie de leurs revenus provient des clients.
habituels. Cela est particulièrement vrai pour les affaires électroniques. Le commerce
électronique fait face à une concurrence intense sur Internet car les clients ont
beaucoup d'options et de prix en faisant des achats en ligne. C'est beaucoup plus facile pour un

le client peut naviguer et passer d'une boutique virtuelle en ligne à une autre en quelques clics

comparée à marcher et à conduire d'un magasin à un autre. Parce que la nature de la

achats en ligne, la fidélisation des clients, la compréhension et l'anticipation de
les besoins du client deviennent beaucoup plus critiques que dans les organisations
traditionnels.
À mon avis, il est indiscutable que les avancées de la technologie ont changé les
attentes qu'a un client par rapport au service ou au produit qu'il offre
organisation incluant le service après-vente. Le commerce électronique comme le
L'anticipation des besoins des clients aujourd'hui dépend en grande partie de
niveau d'intégration des différents types de données et de sources qui n'avaient pas été prises en compte

compte dans la décennie précédente.

(Kabir & Carayannis, 2013), dans l'article de recherche « Big Data, connaissance tacite
et la compétitivité organisationnelle" nous explique que la connaissance qui réside dans
les grandes données sont tacites, dans la plupart des cas, susceptibles d'être expliquées.
Une fois extraits, ces nouvelles connaissances peuvent être transférées, utilisées et
partagés comme tout autre savoir explicite. Ce nouveau savoir et
unique a le potentiel de créer de la valeur économique pour une organisation, comme
renforcer également l'innovation, la productivité et la croissance. Par conséquent, également
c'est une source potentielle importante d'avantage concurrentiel, ci-dessous, un extrait
de l'article.
Dans le cadre de la réalisation d'activités commerciales quotidiennes, les organisations génèrent et rassemblent un

un grand nombre d'informations sur ses clients, fournisseurs, concurrents, processus,

opérations, routines et procédures. Ils capturent également des données de communication de
 37

dispositifs mobiles, instruments, outils, machines et transmissions. Grand

une partie de ces données possède une énorme quantité de connaissances précieuses, dont
L'exploitation pourrait s'avérer bénéfique sur le plan économique. Beaucoup
les organisations tirent parti des solutions d'intelligence, l'analyse de
entreprise pour les aider à trouver de nouvelles perspectives dans leurs processus d'affaires et

rendement. Pour les entreprises, cependant, cela reste un domaine émergent, lequel
beaucoup d'entre elles comprennent qu'il y a plus de connaissances et de perceptions qui peuvent

extraire des grandes données disponibles en utilisant la créativité, la recombinaison

et les méthodes innovantes, les appliquer à la création de nouvelles connaissances au
produire une valeur substantielle. Cela a créé la nécessité de trouver une approche
adéquat dans la stratégie liée aux grandes données de l'entreprise. Dans ce
article, les auteurs s'accordent à dire que les grandes données sont, en effet, une source de
avantage concurrentiel de l'entreprise et considèrent qu'il est essentiel de disposer de la

combinaison adéquate de personnes, d'outils et de données, ainsi que du soutien de la

direction d'une culture axée sur les données, pour gagner en compétitivité à partir de
les grandes données. Cependant, les auteurs soutiennent également que les
les organisations doivent considérer la connaissance cachée dans les grandes données comme
connaissance tacite que les entreprises doivent tirer parti de l'expérience accumulée
et les études réalisées jusqu'à présent dans ce domaine du point de vue de la gestion
del savoir. Basé sur cette idée, un grand cadre orienté est proposé ici
données de la stratégie organisationnelle basée sur la connaissance.
Pour que l'analytique des Big Data devienne un avantage concurrentiel, il est nécessaire
disposer d'une bonne infrastructure, avoir le personnel engagé dans le projet,
compter sur une culture des données, c'est ainsi qu'elle créera de la valeur au sein de l'organisation.
 38

2.3 Structure théorique et scientifique qui soutient l'étude (théories, modèles)

Les organisations évoluent à des rythmes différents en ce qui concerne où et comment
ils adoptent le Big Data et des analyses avancées pour créer de la valeur commerciale, et être plus

compétitives. Certaines organisations avancent avec beaucoup de prudence, car elles ne

ils savent clairement où et comment commencer et quelles sont les nouvelles innovations technologiques

que doivent-ils mettre en œuvre pour commencer leurs voyages de Big Data. D'autres sont en train de

se déplaçant à un rythme plus agressif en acquérant et en assemblant une base de technologie de Big
Des données basées sur de nombreuses nouvelles technologies de Big Data comme Hadoop, Spark,

MapReduce, YARN, Mahout, Hive, Hbase, Tableau et plus.

L'étude repose sur l'utilisation d'un modèle appelé « Indice de maturité de l'entreprise »
"Big Data" comme un cadre dans lequel on peut mesurer où se trouve une organisation.
hoy con respecto a su adopción de Big Data. El índice de madurez del negocio en Big
Data proporciona una guía para ayudar a las organizaciones a identificar dónde y cómo
ils peuvent tirer parti des données et des analyses pour stimuler leurs modèles commerciaux

(Schmarzo, 2016).

Figure 2.2 Indice de maturité des affaires en Big Data

Source : (Schmarzo, 2016)

Le graphique nous montre le degré d'intégration du Big Data dans une organisation.
Analyse dans le modèle d'affaires.
 39

a) Analyse du Big Data

L'analyse des Big Data (Big Data Analytics) est l'utilisation de techniques analytiques appliquées à
ensembles de grandes volumes de données. Par conséquent, l'analyse du Big Data est
réellement deux choses : l'Analytique et le Big Data (Joyanes, 2013, p. 243). La première aide à
découvrir les données qui ont changé dans l'entreprise pour savoir comment réagir ; les
les grandes données doivent aider à convertir en opportunités les défis engendrés par le
croissance spectaculaire des Big Data. L'analytique est le meilleur moyen de découvrir
nouveaux segments de clients, identifier les meilleurs fournisseurs, associer des produits par
affinité, comprendre les ventes par la saisonnalité,

Pour découvrir des corrélations inconnues, des motifs cachés et d'autres informations utiles, le
L'analytique Big Data est le processus d'examen de grands volumes de données provenant de différentes sources.

types, cette information peut offrir des avantages concurrentiels sur les organisations
rivalités et offrir des avantages dans les affaires tels qu'un marketing plus efficace et un
croissance de ses revenus.

L'analyse avancée est le meilleur moyen de découvrir de nouveaux segments de clients,

associer le producteur par affinité, identifier les meilleurs fournisseurs, comprendre la
la saisonnalité des ventes est composée d'un ensemble de techniques connexes et
tipos de herramientas que normalmente incluyen minería de datos, analítica predictiva,
analyses statistiques et programmation complexe de SQL. Comme le fait le rapport de
TDWI, il est possible d'étendre la liste pour couvrir la visualisation des données, le traitement de

langage naturel, intelligence artificielle, et capacité des bases de données qui incluent
support d'analyse (tels que MapReduce, analyse dans la base de données, bases de données in-
mémoire, bases de données ou entrepôts de données en colonnes).

Ce type d'analytique est connu dans les organisations sous le nom d'analytique avancée. Sans
embargo, un terme meilleur pour refléter ce type d'analyse est en train de naître et c'est la
appelée analytique de découverte ou analytique exploratoire. En d'autres termes, avec
l'analytique des Big Data, l'utilisateur est, normalement, un analyste d'affaires qui est
essayant de découvrir de nouveaux faits que personne dans l'entreprise ne connaissait auparavant. Pour faire

Ainsi, l'analyste a besoin de grandes quantités de données avec une grande profusion de détails qui,

normalement, l'organisation n'a pas encore profité pour analyser.

 40

Normalement, dans le cadre de la discipline de l'analytique avancée, l'analyse des Big Data
se réalise avec des outils logiciels utilisés, les usuels sont :

Requêtes avancées en SQL.

Consultations et rapports (interrogations et reporting).

Analyse statistique avancée.

Visualisation des données.

Minerie de données, fouille de texte, fouille Web et fouille sociale.
Analyse et modélisation prédictive.
Optimisation.
Sensibilisation.
Tableaux de bord et tableaux de gestion.
Les technologies associées aux Big Data comprennent, fondamentalement, des données
entrepôts, datamarts, bases de données NoSQL et « en mémoire », cadres de travail
Hadoop et MapReduce.

Big Data, comment tous les études sérieuses réalisées par les grandes sont enregistrées
consultants et fabricants d'outils, c'est une opportunité plus qu'un problème. La
L'analyse des grandes données est une nécessité inéluctable, mais son adoption est subordonnée.
et contrôlée par une diversité de technologies, la gestion ou l'administration des
les affaires et l'économie de l'organisation. Les infrastructures de Big Data sont
résistées par le stockage de données, techniques en mémoire, applications NoSQL et le
support des grandes largeurs de bande.

Analytique de Big Data : une nécessité

Según el autor indica que, en vista de las nuevas necesidades, algunas organizaciones
ils commencent déjà à gérer les Big Data dans leurs entrepôts de données d'entreprise,
(Joyanes, 2013, p. 105). EDW (Entrepôt de Données d'Entreprise), cependant dans d'autres ont
conçu ses propres données Waterhouse, et certains recourent davantage à des approches hybrides. La

l'analytique (Analytics) nous aide à découvrir ce qui a changé et comment nous devons
réagir pour cela est mieux l'analyse avancée et ainsi découvrir de nouveaux segments de
clients, produits associés par affinité, identifier les meilleurs fournisseurs, comprendre
la saisonnalité des ventes, etc. (TDWI, 2011). En propriété, l'analytique
avanzada son las implementaciones de formas específicas de analítica que constan de una
collection de techniques liées et types d'outils, incluent l'analytique prédictive,
 41

analyse statistique, data mining et SQL compliqué, cependant la liste couvre la

observation des données, langages de procédures naturelles, intelligence artificielle et
capacités des bases de données analytiques telles que MapReduce, analyse in-database,
bases de données en mémoire, données colonnes dans des entrepôts.

Un autre terme utilisé est TDWI et qui commence à être employé à la place d'analytique.
avancée, est un terme de découvrir dans le but d'exécuter les utilisateurs appelés
aussi comme analyse exploratoire. Aucune entreprise ne savait auparavant qu'un analyste de
entreprises que normalement l'utilisateur essaie de découvrir de nouvelles actions de
affaires, pour accomplir cette tâche, l'analyste a besoin de grands volumes de données avec
détails.

Le TDWI est une organisation qui définit l'analytique de Big Data comme l'ensemble des techniques de

analytique avancée qui opère sur le Big Data. Dans les organisations, l'analytique
avanzada a déjà beaucoup de présence, elle commence également à avoir une présence significative.
comme le montrait l'étude du dernier trimestre de 2011, de Teradata qui se rapprochait le plus
suivi depuis 2012 et au-delà. Pour la capitalisation de Big Data, c'est un guide qui
Le Big Data et l'Analytics se sont imposés au sommet de l'agenda
les auteurs soutiennent que les dirigeants regardent avec admiration des entreprises
comme Amazon, Google et d'autres qui ont éclipsé les concurrentes avec de nouveaux modèles
d'affaires, provenant d'une grande capacité à exploiter les données. Il est vrai que les
Des dirigeants seniors commencent à prêter attention à ces nouvelles stratégies du marché
et c'est que la tendance génère trop de bruit.

L'analytique de Big Data est l'application de techniques d'analytique avancée pour gérer
sur de grands ensembles de Big Data, la réalité est qu'elle permet de relier deux domaines avec une entité

Big Data comme des quantités massives d'informations détaillées, et analytique

avancée qui est fixe une collection de différents types d'outils, y compris
celles qui sont basées sur l'analyse prédictive, la découverte de données, le langage de
procédures, statistique, intelligence artificielle, etc. Les deux définitions se rejoignent
et obtient l'analyse des Big Data (Russon, 2011).

Des analystes reconnus du cabinet McKinsey (leader de la mise en œuvre de solutions

en Big Data) et ayant une expérience de conseil aux entreprises, recommandent que, les
industrias y empresas solicitan tres capacidades que se soportan mutuamente.
 42

Premièrement, les entreprises doivent être capables d'identifier, de combiner et de gérer plusieurs
sources de données. Deuxièmement, elles ont besoin de la capacité de construire des modèles d'analytique
avancée pour la prédiction et l'optimisation des résultats. Troisièmement, et plus critique, la
la direction doit déployer les efforts nécessaires pour transformer l'organisation afin que les données et

les modèles produisent vraiment de meilleures décisions.

Deux caractéristiques importantes soutiennent ces activités : une stratégie claire est de
comment utiliser les données, le déploiement des capacités, l'analytique pour concurrencer et la
technologie architecturale acceptable. L'ère des Big Data est en pleine croissance et
ces entreprises doivent agir maintenant, trouver leurs efforts dans les sources de données,
transformation de la culture organisationnelle et construction de modèles, cette disposition
l'unité est essentielle car l'information, ainsi que la technologie pour sa gestion et
L'analyse continuera de croître et de produire constamment des opportunités avec une bonne utilisation

de Big Data qui deviendra un actif compétitif décisif.

Qu'est-ce que l'analytique des données ?

De nombreuses définitions existent du terme analytique des données (Analytics), mais il a été décidé
utiliser la définition de l'ISACA, organisation professionnelle d'impact mondial sur
sistemas de información (gobierno, seguridad y auditoria) que, en agosto del 2011, un
article (Livre blanc) du même nom pour donner son commentaire sur un terme de
tanto d'impact sur le monde associé (Joyanes, 2013, p. 240)

L'analytique des données (data Analytics) implique les activités et les processus conçus pour
obtenir et évaluer des données pour extraire des informations utiles”. Les résultats de l'AD(DA)
ils parviennent à utiliser pour : identifier les domaines clés de risques, fraudes, erreurs ou mauvais usages ;

optimiser les processus d'affaires ; vérifier l'efficacité des processus et influencer sur
les décisions de l'entreprise. Il existe principalement des sujets à accepter lorsque commence un
nouveau programme de AD, y compris la maximisation du retour sur investissement (ROI),
obéissance au budget des projets, gestion des faux résultats, fiabilité des
sources de données, assurance de la protection et résultats de celles-ci.

En analyse de données et dans les méthodes qui ont été utilisées, il existe une grande variété de

outils et techniques tels que : requêtes et informations (requêtes et rapports),

{"minería de datos":"extraction de données","análisis de datos predictivos":"analyse de données prédictives","visualización":"visualisation","lógica difusa":"logique floue","optimización":"optimisation"}

streaming audio, photographie ou vidéo, etc.

 43

Pour l'analyse de données, cela est également considéré comme la science d'examiner des données brutes

dans le but d'obtenir des conclusions sur les informations qui y sont jointes. Par
Bonjour est utilisé dans de nombreuses industries pour donner le coup d'envoi aux organisations et aux entreprises pour

la prise de décision. Ce terme est utilisé avec grande profusion dans le domaine de la
intelligence d'affaires (business Intelligence), et selon les fabricants d'outils
le logiciel pourrait englober une grande variété de termes : OLAP, CRM, tableau de bord
(tableaux de bord), etc.

Nous pouvons considérer cinq grandes catégories dans l'analyse des données :

Analytique des données (analytics) dans les organisations et les entreprises qui analysent des données

traditionnels : transactionnels et opérationnels.

Analyse Web ou analyse du trafic de données sur un site Web.
Analyse sociale ou analyse des données des médias sociaux (blogs, wikis, réseaux
sociaux, RSS…).
Analyse mobile sur les appareils mobiles dans le but d'analyser les données que
envoient, reçoivent ou transitent ces dispositifs.
Analytique de Big Data ou analytique des grands volumes de données.
Aujourd'hui, l'analytique des données est influencée par toutes sortes d'appareils et de médias.
sociaux, tels que les données provenant du GPS, des puces NFC et RFID, des codes QR, des codes

de barra, capteurs ZigBee et autres inclus de l'internet des objets ou données provenant
des réseaux sociaux (Facebook, Twitter ou Foursquare), le tout associé au chemin des données
pour tous les types d'entreprises comme la Banque, les grands dépôts, les médias,
entreprises, etc.

La tendance SoLoMo (social, localisation, mobilité) est l'une des principales causes
de l'exploitation des grands volumes de données : données GPS, satellites, réseaux
sociales, blogs, applications, web mobiles. C'est-à-dire, l'analytique de données, dans la
actualité, attire considérablement par l'acceptation du cloud
où son déploiement va vers des organisations et des entreprises de tous types de secteurs.

Types de données de Big Data

Une des caractéristiques fondamentales de Big Data est la variété des données qui se
montre un nombre progressif de types de données qui sont analysés et gérés avec
grande rapidité. (Joyanes, 2013, p. 241). Les catégories fréquentes de types de données que
 44

Les Big Data sont constitués de : structurés, semi-structurés et non structurés

en spécifiant encore plus, on prendra en compte la classification du TDWI (TDWI, 2011), car elle a donné

une vision par l'institut TDWI sur l'impact qu'il a dans les domaines de l'intelligence,
affaires et d'analytique de données.

Non
Structurée

Semi
Structurée

Structurée

Au sein de l'Organisation Organisation étendue : Le Réseau Global

Partenaires et Clients

Figure 2.3 Types de Données

Source : TDWI

Données Structurées :

Les données structurées conservent toujours l'hégémonie sur les autres types, malgré
au rapide accroissement des données semi-structurées et non structurées. La majorité des données
manipulés, à présent, par des plateformes analytiques tombent aujourd'hui sous la catégorie de
données structurées. Principalement ce sont des tableaux et d'autres structures de données de systèmes de
bases de données relationnelles, également des enregistrements de nombreuses applications et fichiers

plans.

Données semi-structurées :

Les données semi-structurées sont toutes celles ayant des formats de type XML, JSON et
normes similaires. De même, nous regrouperons dans cette catégorie, ceux types plus
complexes, provenant de sources hiérarchiques ou anciennes (héritées, legacy).

Données Non Structurées :

Données provenant des activités humaines, telles que des données textuelles (documents,
faxes, e-mails), le Big Data se compose de données structurées, à partir de la
 45

bases de données traditionnelles ; informations non structurées telles que des images, des audios, des vidéos,

emails, textes et beaucoup plus ; et information semi-structurée, obtenue des capteurs et

machines. Tous représentent un défi auquel les organisations sont confrontées en ce moment.
temps.

Données en Temps Réel

De nos jours, il existe une énorme quantité de données provenant des technologies les plus
typique existants, et qui produisent de grands volumes de données tels que des données
espaciales, de systèmes d'information géographique, de géolocalisation, générés par
machines (M2M ou Internet des objets) comme les puces mobiles (NFC, RFID), capteurs,
robots, systèmes de communication, codes QR, antennes, données de
événements ou événements, etc.

Compte tenu de la quantité croissante de volumes de données et de leur flux (Streaming Big Data) sur

tout en données de vidéo, audio, texte, photographie, le traitement en temps réel, c'est-à-dire,
au fur et à mesure qu'ils sont générés, capturés et stockés, ce flux continu est crucial pour
trouver des données significatives et de qualité.

La gradualité de grands volumes de données provenant de dispositifs de

géolocalisation, réalité augmentée et téléphonie mobile (en particulier des téléphones
intelligentes) nécessite dans de nombreuses affaires et activités de la vie quotidienne, la prise de

décisions rapides et en temps réel ou avec le moindre retard.

Technologies, Outils et Tendances en Analytique de Big Data.

Le rapport déjà référencé de TDWI accentue deux pensées fondamentales relatives

l'analytique du Big Data

Bonnes nouvelles. Il existe de nombreuses options pour l'analytique des Big Data.
Mauvaises nouvelles. Il est difficile de connaître toutes les options et de choisir la meilleure.

La conscience de ces deux interrogations (bons/mauvais) est due au fait qu'il existe de nombreuses
outils des fournisseurs, techniques des utilisateurs et méthodologies, ainsi que les
structures organisationnelles et des équipes (Joyanes, 2013, p. 244).

Existe des outils récents d'une liste qui inclut (nuages, privés, MapReduce,
traitement d'événements complexes), dans l'analyse des affaires, outils
traditionnels, mais qui ont acquis de la notoriété en raison de la présence des grandes données
 46

(visualisation des données et analyse prédictive), et d'autres outils classiques (analyse

statistiques ou outils SQL).

Selon la liste des questionnaires proposés en analyse de grandes données, il existe des réponses.
d'un sondage réalisé auprès de CIO et de dirigeants IT dans un article publié sous le nom
deTeredataque dit : Quels types d'outils et de techniques utilise votre entreprise ?
pour l'analyse Big Data, tant aujourd'hui que dans les trois prochaines années ? En observant dans le

statistique publiée se trouve l'utilisation de types d'outils traditionnels de

analytique comme la visualisation des données, tableaux de bord, rapports en
temps réel, extraction de textes, extraction de données ainsi que des outils d'analytique de
grandes données : bases de données en mémoire, nuages privés, Hadoop
analytique en ligne, bases de données non indexées ou NoSQL, moteurs de stockage
orientés vers des colonnes, nuages publics, logiciel en tant que service, etc.

L'opportunité commerciale du Big Data

En 1987, l'industrie s'est revitalisée avec succès grâce à la Nintendo Entertainment System (NES),
pour garantir dans l'écosystème, il a institué des mesures strictes pour garantir des jeux de
haute qualité par le biais de restrictions de licence, en maintenant un contrôle strict de
inventaire de jeux dans toute l'industrie dans lequel un système de verrouillage a été mis en œuvre
sécurité qui ne permettait que les jeux certifiés fonctionnent sur la plateforme de
Nintendo dans son processus, s'est assuré que les développeurs externes aient un
marché prêt et rentable (Schmarzo, 2016, p. 13).

À mesure que les organisations envisagent le potentiel du Big Data pour transformer
ses affaires en modèles, il est nécessaire de comprendre comment ils peuvent tirer parti du Big Data et les

idées analytiques résultantes pour transformer l'organisation d'un produit centré sur un
modèle économique sur la plateforme. Tout comme Nintendo, un marché est créé.
qui permet à d'autres d'utiliser cette application à développer avec les partenaires et les fournisseurs

de solutions tierces, pour gagner de l'argent en dehors de sa plateforme, exemple : une

la compagnie d'énergie se déplace vers le secteur de l'optimisation de l'énergie domestique
la compagnie pourrait capturer l'énergie du domicile et les schémas des dispositifs qui pourraient
s'utiliser pour se transformer en idées et recommandations. En ce qui concerne les informations sur le

uso de energía en el hogar, la compañía podría recomendar a los consumidores cuando

ils doivent utiliser leurs appareils électroménagers à haute énergie, comme les machines à laver et les sèche-linge, pour

minimiser les coûts énergétiques. La compagnie énergétique pourra aller un step plus loin le
 47

qui offre un service qui gère automatiquement quand le lave-linge, le sèche-linge et

d'autres appareils électroménagers à haute énergie qui fonctionnent et les prix de l'énergie sont plus élevés

bas

La compagnie d'énergie pourrait faire des recommandations de maintenance préventive pour

le propriétaire et même inclure les noms de 3 ou 4 services locaux, distributeurs et leur
qualifications relatives. Avec toute la performance et l'entretien du produit et des données,
la compagnie d'énergie est dans une position idéale pour recommander ce que les
Les électroménagers sont les meilleurs modèles d'utilisation du client ainsi que les coûts locaux de
énergie. Ils pourraient devenir Consumer Reports pour les appareils électroménagers et d'autres
ménages et entreprises, les équipements, les marques, dépendent de la performance de différents
dispositifs par rapport aux modèles d'utilisation des clients, au climat local,
conditions environnementales et coûts de l'énergie.

Enfin, la compagnie d'énergie pourrait regrouper toutes les données de performance du

produit, les connaissances en maintenance associées, les connaissances analytiques et
vendre aux fabricants qui souhaitent savoir comment leurs produits fonctionnent à l'intérieur de

scénarios devant des concurrents fixes ; dans ce scénario, il y a plus d'opportunités de

application et service que tout fournisseur individuel peut fournir
raisonnablement ; cela ouvre la porte pour se transformer en un modèle commercial centré
sur la plateforme qui permet de se développer pour fournir des produits et services de celle-ci
plateforme. Tout comme les leçons de Nintendo avec ses jeux vidéo tiers, Apple
y Google avec ses magasins d'applications respectifs, une plateforme est en train de se créer qui
non seulement cela bénéficie à ses clients, mais ils obtiennent également accès à une variété plus large de haut

la valeur des applications et des services de manière plus opportune, profite également au fournisseur

de la plateforme créant un haut niveau de dépendance du client.

Les entreprises qui essaient de tout faire elles-mêmes finiront par lutter pour
se tenir au courant de la vitesse et de l'innovation des organisations plus petites et
affaiblies où elles peuvent être détectées, agir sur une opportunité de marché plus
rapidement, leur donnant une plateforme sur laquelle ils peuvent construire, commercialiser et soutenir
ses applications dans des solutions. Alors, comment votre entreprise opère-t-elle la métamorphose ?

entrepreneurial d'un produit à une plateforme ? ici nous avons trois étapes qui sont
typiquement impliqués :
 48

1) Investir du temps à rechercher et à suivre vos clients pour comprendre les

solutions souhaitées, concentrez-vous sur ce que le client essaie d'accomplir, pas sur ce
que font-ils, pensez plus largement à leurs besoins holistiques,
tels que :
• Nourrir la famille, pas seulement cuisiner, acheter des aliments et aller au restaurant
• Transport personnel, pas seulement acheter ou louer, programmer la maintenance et
faire le plein d'essence.
• Entretenimiento personal, no solo ir al cine, comprar DVD o descargar películas.
2) Comprendre les acteurs possibles de l'écosystème et comment il pourrait gagner de l'argent avec son

plateforme, se réunir avec des acteurs potentiels de l'écosystème pour avoir des remue-méninges et

prioriser ses opportunités de monétisation des données pour :

• Aclarer, valider et éliminer le cas d'affaires des acteurs de l'écosystème
• Identifier les exigences de la plateforme qui permettent aux acteurs de l'écosystème
pour instrumenter, capturer, analyser et agir facilement sur vos modèles d'utilisation
des clients à la performance du produit.
3) Centrer le développement de produits, le marketing qui est le fournisseur de la plateforme
donnant ainsi les efforts d'association pour garantir à la plateforme :

• Il est facile de développer et d'admettre parfaitement le marketing, les ventes, le service

et le support des développeurs d'applications avec les lancements de nouveaux
produits et ajout de nouveaux services.
• Il est évolutif et fiable en ce qui concerne la disponibilité, l'extensibilité,
stockage de données et puissance de traitement analytique.
• Simplifiez comment les tiers qualifiés gagnent de l'argent par rapport aux contrats.
termes et conditions de paiements et de recouvrements

• Permet aux développeurs de capturer et d'analyser facilement l'utilisation du client, les

données de performance du produit pour améliorer l'expérience utilisateur de vos clients

expérimenter pour aider les développeurs à optimiser leurs opérations

commerciaux (par exemple, prix, promotion et gestion des stocks).

Les maquettes sont idéales pour les applications web ou de téléphones intelligents, sans crainte de
expérimenter avec différentes interfaces qui ont différents ensembles pour tester
clients pour améliorer l'expérience utilisateur. Des entreprises comme Facebook ont utilisé
l'expérimentation en direct pour itérer rapidement et améliorer votre expérience utilisateur.
 49

L'IoT, le Big Data et l'IA : la combinaison gagnante

Dans l'article (Telefonica, 2018, p. 325), il est soutenu que l'internet des objets (IoT),
l'intelligence artificielle et le big data sont appelés à se comprendre comme le triangle magique, la
la relation entre eux est démontrée que dans leur information de énormes volumes se
ils sélectionnent avec des capteurs, c'est-à-dire que pour extraire des motifs cachés, il est nécessaire de les analyser,

par exemple : si nous installons des capteurs dans les conteneurs à déchets, il est possible d'ajuster la
récupération dès qu'ils sont pleins et ne pas faire de trajets inutiles. Et ainsi jusqu'à l'infini, j'ai
là où il existe une explosion de données, que les entreprises prennent des décisions, mais
aussi de l'Administration, on commence à être orienté par les données.

Faire des analyses prédictives à partir des informations recueillies et prévoir, c'est ainsi que
apparaît une équation d'intelligence artificielle qui permettra d'introduire l'efficacité dans le
traitement des données, par exemple, quels produits peuvent avoir une meilleure réception dans un
segment de marché ou dans des situations qui pourraient éventuellement être coûteuses pour l'entreprise.

Une étude réalisée par le consultant PwC aux États-Unis indique que la majorité de
les entreprises ne tiennent pas compte des avantages de leurs investissements dans le big data, selon les

les statistiques montrent que la valeur la plus obtenue est celle du public avec 43 % et pour 59 % des

Les cadres interrogés, par conséquent, le big data dans leurs entreprises s'améliorerait grâce à
de l'utilisation de l'intelligence artificielle.

Avec les algorithmes d'intelligence artificielle et l'analyse massive, il est possible de répondre à
grand défi actuel de l'hyperpersonnalisation. La confiance que soutiennent une partie des
consommateurs espagnols (57%) avec l'utilisation de leurs données personnelles est d'obtenir de l'expérience

hiperpersonnalisées dans les services. Si l'on compare le chiffre avec l'Europe occidentale (39%),
il est montré que l'Espagne se situe à 18 points de pourcentage au sommet. À noter que
antes se tenía que entender a la tecnología y aprender a hablar su idioma, hoy el proceso
a évolué et c'est la technologie (chatbot un assistant pour la maison) qui parle
la langue de l'utilisateur et, de mieux en mieux, est connue grâce aux données.

Selon Accenture, l'hyperpersonnalisation ouvre trois voies d'opportunité pour les

des entreprises, l'une offrant des services en direct adaptés à la demande du consommateur
et développent avec lui ; en second lieu, l'aide dans le processus de choix face aux nombreuses
offres à l'encontre du consommateur ceci avec le soutien des assistants personnalisés,
et en troisième lieu des services personnalisés.
 50

Phase de surveillance des affaires

Dans la phase de Suivi des affaires, l'intelligence d'affaires (BI) est mise en œuvre et la
capacité traditionnelle de stockage des données pour surveiller ou informer sur le
performance commerciale continue. (Schmarzo, 2016, p. 7), parfois appelée gestion
del rendement des entreprises, supervision des entreprises, utilise des analyses de base pour marquer
zones de faible ou d'excès de performance de l'entreprise, et automatise l'envoi d'alerte avec
informations pertinentes aux parties prenantes chaque fois qu'une telle situation se produise.

La phase de surveillance des affaires tire parti des éléments de base suivants, l'analyse
pour identifier les domaines de l'entreprise qui nécessitent plus de recherche, les tendances comme
séries temporelles, les moyennes mobiles ou la saisonnalité :

• Comparaisons avec des périodes antérieures (semaines, mois, etc.), événements ou

campagnes.
• Repères par rapport aux périodes antérieures, campagnes antérieures et industrie.
points de repère

• Indices comme développement de marque, satisfaction du client, performance du

produit et finances.
• Actions, telles que la part de marché, la part de voix et la participation
de portefeuille.
La phase de surveillance des affaires est un excellent point de départ pour votre voyage Big
Données, qui ont passé par le processus, à travers son stockage de données e
inversions de BI : identifie ses processus commerciaux clés et capture KPI, dimensions,
métriques, rapports et tableaux de bord qui soutiennent ces processus commerciaux clés.

Pour un rapport de performance commerciale continue, nous avons la phase de surveillance de

affaires dans lesquelles l'intelligence d'affaires (BI) est mise en œuvre avec les capacités habituelles

de stockage de données pour surveiller, parfois appelé gestion de

performance d'entreprise, supervision d'entreprise qui utilise des analyses de base pour
cibler les zones de moindre ou de meilleur rendement de l'entreprise, automatise l'envoi d'alertes avec

information aux parties prenantes lorsque cela entre en vigueur.

 51

Phase d'information entreprise

La phase d'information d'entreprise est la prochaine étape pour exploiter de nouvelles sources de
données non structurées avec des statistiques avancées, extraction de données et analyse prédictive
junto con des sources de données en temps réel, pour pouvoir identifier du matériel, significatif, et
perspectives commerciales exploitables qui peuvent être intégrées dans vos processus
commerciaux, la clé de cette phase est de chercher à intégrer de nouvelles connaissances commerciales

à ceux existants. (Schmarzo, 2016, p. 7)

Les systèmes d'exploitation et de gestion, c'est penser comme les panneaux "intelligents", où dans
l'endroit de ne présenter que des tableaux de données et des graphiques, son application fait un pas vers la découverte

matériel, en plus des connaissances pertinentes qui sont enfouies dans les données
détaillées, l'application peut faire des recommandations spécifiques et exploitables,
appelant à une observation sur un domaine particulier de l'entreprise où les actions
spécifiques et l'obtention de meilleurs résultats pour l'entreprise.

En marketing, on découvre des observations selon lesquelles certaines activités de campagne,

où les traitements de marketing sont plus efficaces que d'autres, en ajoutant à cela
les recommandations spécifiques sur combien de dépenses marketing sont pour changer à
activités les plus efficaces

En service client, on découvre des observations selon lesquelles certains membres de la

la carte dorée dans les activités d'achat et de participation a chuté en dessous d'un certain
seuil d'activité normal, et c'est pourquoi nous vous recommandons de leur envoyer un coupon de
réduction par e-mail.

Los siguientes pasos harán que su organización pase de la supervisión empresarial a la

étape d'information commerciale :

1) Investissez le temps nécessaire pour comprendre comment les utilisateurs utilisent les rapports
et des panneaux existants pour identifier les problèmes et les opportunités, avec cela j'ai vérifié

les situations où les utilisateurs préparent des rapports et prennent des notes à côté des
informations, trouver des situations où les utilisateurs téléchargent les rapports dans
Excel ou Access et la saisie que font les utilisateurs avec les données
téléchargé, c'est pourquoi ces téléchargements sont comme de l'or, où avec l'analyse
avancé et les données en temps réel peuvent affecter l'entreprise.
 52

2) Comprenez comment les composants (utilisateurs qui sont les consommateurs du

l'analyse réalisée à l'étape un), ils emploient et déterminent des décisions
basées sur des questionnaires : Que font ces composants avec les
resultados del análisis?, ¿Qué acciones están tratando de tomar? ¿Qué decisiones
Qu'est-ce qu'ils essaient de faire compte tenu des résultats de l'analyse ?
3) Lancer un prototype ou un projet pilote qui offre l'opportunité de s'intégrer
données transactionnelles détaillées et nouvelles sources de données non structurées dans
temps réel, maintenir des données et des analyses prédictives pour découvrir automatiquement

les problèmes et opportunités cachés dans les données et générera des actions
procesables recommandables.

Phase d'optimisation des affaires

La phase d'optimisation des affaires est le niveau avec un critère commercial dans lequel les
les organisations utilisent des analyses intégrées pour optimiser automatiquement les parties de
les opérations de l'entreprise (Schmarzo, 2016, p. 9), nous avons des exemples qui sont inclus :

• Affectation des dépenses de marketing basée sur une campagne ou une promotion de
présentation.
• Programmation des ressources basée sur l'historique d'achats, procédures de
achat et locaux, ambiance et événements.
• Prix des produits basés sur les modèles d'achat actuels, niveaux de
inventaire et informations sur les intérêts des produits obtenus de
données des réseaux sociaux.
• Commerce algorithmique de services financiers.
Pour continuer l'optimisation des affaires, les étapes suivantes seront entreprises :

1) Utiliser comme point de départ une liste de domaines où la phase d'information

l'entreprise développera et remettra des recommandations, prêt à optimiser, les
les recommandations sont basées sur des idées commerciales, ou sur l'impact du secteur
financier, viabilité du succès, rendement relatif et efficacité.
2) Identifier les sources de données requises ; la latence des sources de données, le
système d'exploitation et les exigences de l'expérience utilisateur.
 53

3) Enfin, une preuve de valeur est réalisée ou un prototype de ses

principales domaines d'optimisation pour vérifier l'entreprise, les finances (investissement
du ROI) et rendement analytique.

Il faut également envisager la création d'un processus formel de gouvernance analytique qui
permet aux experts en la matière d'auditer l'efficacité et la pertinence des modèles de
optimisation des résultats. Le data scientist vous dira à quel moment votre sera construit.
modèle analytique conforme aux changements dans l'environnement de l'organisation.

Phase de monétisation des données

La phase de monétisation des données est là où les organisations cherchent à tirer parti
grands données pour les nouvelles opportunités de revenus nets (Schmarzo, 2016, p. 10).
Si bien ce n'est pas une liste exhaustive, cela inclut des initiatives liées à :

• Emballage de clients, de produits et de connaissances en marketing pour la vente

à d'autres organisations.
• Intégrer l'analyse directement dans vos produits pour les rendre "intelligents"
• Tirant parti des informations exploitables et des recommandations personnalisées
basées sur les comportements et les tendances des clients pour améliorer les
relations avec les clients et réfléchir de manière dramatique à leur "expérience du
client
Un exemple du premier type d'initiative pourrait être une application pour smartphone.
où les données et les connaissances sur le comportement du client, la performance
del produit et les tendances du marché sont vendus à des vendeurs et des fabricants. Par
exemple, MapMyRun ([Link]), pourrait emballer les idées d'utilisation du
client¨, depuis son application de smartphone avec audience, la connaissance du
produit comme la vente aux fabricants de vêtements de sport, articles de sport
détaillants, compagnies d'assurance et fournisseurs de soins de santé.

Un deuxième exemple de type initiative pourrait être les entreprises qui profitent de nouvelles
sources de Big Data (données du capteur ou comportements de clic / sélection de l'utilisateur)
con funciones avanzadas, análisis para crear productos "inteligentes",como:

• Automobiles qui apprennent leurs modèles et comportements de conduite qu'ils utilisent

les données pour ajuster les contrôles du conducteur, les sièges, les miroirs, les pédales de frein,
 54

écrans du tableau de bord et d'autres articles pour correspondre à votre

style de conduite.
• Téléviseurs et enregistreurs numériques qui apprennent quels types d'émissions et de films vous aimez,
pour ainsi utiliser les données et rechercher les différentes chaînes de câble pour trouver et
enregistrer automatiquement des programmes similaires pour votre satisfaction.

• Des fours qui apprennent à ressembler à certains aliments cuisinés

et ils utilisent les données pour cuisiner de cette manière automatiquement, comme aussi

incluent des recommandations et des méthodes de cuisson des aliments que d'autres comme vous

Ils profitent. L'opportunité commerciale des Big Data, un exemple du troisième type de
l'initiative pourrait être les entreprises qui profitent des idées et des recommandations

processables pour "améliorer" vos relations avec les clients et repenser

dramatiquement l'expérience de ses clients.
• Tableaux de bord des commerçants de petites et moyennes entreprises (PME) de marchés
en ligne qui comparent les niveaux d'inventaire actuels et entrants avec le client,
patrons d'achat pour faire des recommandations de commercialisation et de prix
• Tableaux des investisseurs qui évaluent les objectifs d'investissement, les niveaux de
revenus actuels et portefeuilles financiers actuels pour faire des recommandations
spécifiques à l'allocation d'actifs.
Les étapes suivantes seront utiles pour aider à la transition vers la phase de monétisation de
datos:

1) Identifiez vos clients cibles avec des solutions souhaitées, concentrez-vous sur
identifier des solutions qui améliorent la performance commerciale des clients et les
permettant de gagner de l'argent, dans le cadre de ce processus, les personnes seront détaillées

décideurs économiques, cela permettra de comprendre la fréquence et en

quelles situations, essayer de voir les détails qu'ils essaient d'atteindre pour comprendre ce que
ils sont en train de faire.

2) Faites un inventaire des actifs des données actuelles, capturez les données actuelles, et
identifier les données à renforcer, cela nécessite votre observation pour explorer
stratégies d'instruments supplémentaires pour capter plus de données et explorer des sources
externes de données pour combiner avec vos données internes, de nouvelles seront produites

connaissances sur ses clients, produits, opérations et marchés.

 55

3) Déterminer les processus d'analyse, d'enrichissement et de transformation ; c'est pourquoi

Il est nécessaire de transformer vos actifs de données clients, cela doit inclure
l'identification de :
Les questions commerciales et les décisions commerciales qu'ils essaient de
demander et répondre.
L'analytique avancée (algorithmes, modèles), augmentation des données, processus de
transformation et enrichissement nécessaires pour créer des solutions qui
abordent les questions et les affaires des clients.
Les exigences en matière d'expérience utilisateur du client, y compris ses environnements de
travaux existants, comment peut-il tirer parti des nouveaux dispositifs mobiles et
capabilités de visualisation des données pour améliorer cette expérience utilisateur.

Phase de Métamorphose Entrepreneuriale

La phase de métamorphose d'entreprise est l'objectif final pour les organisations qui
désirent tirer parti des connaissances, en capturant les modèles d'utilisation de leurs clients, le

comportements de performance du produit avec des tendances générales du marché pour

transformer vos modèles d'affaires en nouveaux services, en nouveaux marchés et de plus grande
valeur (Schmarzo, 2016, p. 12). Par exemple :

• Les entreprises d'énergie qui se déplacent vers le secteur de l'optimisation

il est recommandé de remplacer les appareils électroménagers quand on change l'énergie domestique

(selon la maintenance prédictive) et même quelles marques acheter en fonction du

performance de différents dispositifs, il existe une comparaison avec les modèles
de l'utilisation du client, le climat local et les conditions environnementales, comme les conditions

locales de l'eau et les coûts de l'énergie.

• En tenant compte des conditions climatiques et du sol, les fabricants d'équipements agricoles
se transforment en entreprises d'optimisation agricole pour comprendre le
rendement des cultures avec les semences, les engrais, les pesticides et l'irrigation.

• Les compagnies aériennes qui voient dans le business de Travel Delight un bon exemple de
application, car ils offrent des réductions sur les vols aériens basées sur les
préférences de voyage des clients, ils recherchent également des offres proactives sur les hôtels,

location, événements sportifs ou musicaux et achats dans les zones qui sont
visiter
 56

Pour passer à la phase de Métamorphose Entrepreneuriale, il est nécessaire dans les organisations
penser à passer d'un modèle d'affaires centré sur le produit à un autre
modèle d'affaires d'entreprise sur la plateforme ou l'écosystème.

b) Défis d'entreprise du Big Data dans la compétitivité

L'auteur soutient que le logiciel approprié est en marche et plus encore avec l'installation
pour les entreprises et les organisations, c'est l'adoption de la philosophie du Big Data, (Joyanes, 2013)
cela permettra l'intérêt de faire un changement pour son personnel et pour l'entreprise. Avec la

l'assimilation du big data, les données d'entreprise ne sont plus la responsabilité uniquement de
une zone, c'est pourquoi cela affectera tous les groupes de travail et départements, c'est pour cela

Il est indispensable de former très correctement le personnel qui sera responsable de

l'utilisation des outils de Big Data dans le but notamment de capturer, manipuler
et stocker les grands volumes de données pour le bénéfice et la productivité de la
entreprise.

En 2012 avec l'implantation du cloud computing, et en 2013 avec le lancement

avec l'analyse des Big Data, les organisations ont commencé à utiliser ces techniques et

technologies dans le but d'atteindre une plus grande compétitivité sur le marché, avec
approches les plus efficaces de la qualité dans le traitement d'énormes volumes de données
temps réel.

Les grandes entreprises comme Walmart et Google ont obtenu de grandes données, mais à
un coût élevé. Aujourd'hui, le matériel, les architectures Cloud et le logiciel open source

ouverte, ils atteignent de petites entreprises avec moins de ressources, mais avec la
l'efficacité du traitement d'énormes volumes de données, ce traitement des
Le big data est réalisable pour ces entreprises startups qui peuvent louer du temps de serveurs.

dans le cloud, en apportant une contrepartie à la suite de l'émergence des grands

Les données sont l'agilité. Exploiter avec succès la valeur des grands volumes de données en cela.
nécessite de fortes doses d'exploration et d'expérimentation.
 57

L'Entreprise Intelligente

(Joyanes, 2013, p. 15), en continuant avec l'auteur, il fait référence au fait qu'en 2006, il a été
publié l'article "Enterprise 2.0" par Andrew McAfee, professeur à l'Université de
Harvard, dans lequel il proposait une nouvelle vision de l'entreprise basée sur le Web 2.2,
auparavant, cette nouvelle entreprise s'appuyait sur des technologies de médias sociaux : blogs,
wikis, RSS, réseaux sociaux. Après six ans, l'entreprise 2.0, dont la connaissance reste
ayant de la force, elle évolue vers une nouvelle entreprise sociale qui chaque jour de plus en plus

intelligent où l'accès aux ressources est garanti depuis n'importe où,

n'importe quel appareil et à tout moment où l'analyse de l'information
originaires des médias sociaux se met au service de l'entreprise. Une nouvelle entreprise qui
commence à dominer en tant qu'entreprise intelligente tout en soutenant l'interaction entre la
nube (informatique en nuage), les affaires sociales, la mobilité et les Big data, ces quatre
Les tendances liées à l'analyse des données (analytics) entraînent de grands changements.
dans les affaires, les entreprises et dans tout sens large qui implique la société. Les
les technologies actuelles comme le cloud computing et le Big Data sont devenues
transversales et cette caractéristique agit en s'ajustant aux départements de vente,
ressources humaines, de marketing et en lien avec le propre département des technologies
de l'information (TI)

(Miguez, 2013), considère que les organisations font face à un nouvel écosystème et
ils devront se réinventer et s'adapter au changement de manière proactive pour optimiser les
nouvelles opportunités d'affaires; Miguez propose également que : "Nous sommes à un moment
de l'inflexion technologique dans laquelle toute information obtenue avec le social business doit
être exploitée avec des solutions de Big Data pour réinterpréter les processus et, à partir de
là, réinventer l'organisation et la culture d'entreprise”. Dans ce contexte, il est nécessaire
avoir conscience que ces technologies figurent sur la liste des exigences des clients
des grandes entreprises technologiques, comme le souligne Enrique Bertrand, directeur de
Technologie de Software AG d'Espagne, et ils ont été contraints de devoir certifier tous
les produits sur des plateformes cloud de plusieurs fabricants, car c'est déjà une expérience
de l'utilisateur. Une autre caractéristique importante à garder à l'esprit, comme le souligne également

Bertrand, c'est le besoin de normes dans ces technologies qui vont se consolider, au
il existe déjà une masse critique qui facilite le développement de ces normes, car il y a dans la
industrie un environnement plus collaboratif. Au Forum Économique Mondial, tenu à
juin en Suisse, le concept de Big Data a été un protagoniste majeur. Le rapport
 58

développé lors de la rencontre déclare à Big Data, les grands volumes de données,
comme un nouvel actif économique au niveau de l'or, de l'argent, ou du pétrole.

De mon point de vue, il fait face à des défis, aux nouvelles entreprises et à celles déjà établies.
es donner la réforme de structurer des solutions de changements technologiques comme le Big
les données doivent être complétées avec le soutien d'experts pour leur donner l'efficacité, d'un

travail du futur pour sa production, créer la culture commune la plus proche des clients
et ainsi faciliter l'environnement du marketing et réussir dans les affaires.

Rentabilité Entrepreneuriale

C'est la mesure de la performance sur une période donnée (l'exercice),

producen los capitales utilizados en el mismo, es decir la comparación entre la renta
générée et les capitaux investis pour l'obtenir.

L'indice de retour sur actifs (ROA en anglais) mesure la rentabilité de

une entreprise par rapport aux actifs qu'elle possède. Le ROA nous donne une idée de l'efficacité
d'une entreprise dans l'utilisation de ses actifs pour générer des bénéfices.

ROA = (Bénéfices / Actifs) x 100

L'indice de retour sur fonds propres (ROE en anglais) mesure la rentabilité

d'une entreprise par rapport au patrimoine qu'elle possède. Le ROE nous donne une idée de la

capacité d'une entreprise à générer des bénéfices avec l'utilisation du capital investi
en elle et l'argent qu'elle a généré.

ROE = (Bénéfices / Capital) x 100

Il existe deux types de rentabilités : la rentabilité économique et la rentabilité

financière. La rentabilité économique est celle qui ne se réfère qu'au rendement des
actifs d'une entreprise sans tenir compte du mode de financement de ces actifs. Par
Une autre partie, la rentabilité financière est celle liée aux fonds propres d'une
entreprise qui préoccupe les actionnaires. C'est-à-dire qu'elle fait référence au rendement des capitaux

propres génèrent indépendamment de la distribution du résultat.

 59

Ratios financiers de base : ROA et ROE

Les indicateurs suivants sont le ROA et le ROE, ils sont évalués de manière
intégrée, car elle aide à observer l'efficacité au niveau de l'entreprise par rapport à
aporte des propriétaires et des investissements et ressources actuels, les formules mathématiques
se décrivent ci-dessous :

Ces formules déterminent des thèmes qui peuvent être complétés, les deux sont mesurés.

en pourcentage, la première détermine le total des ressources que l'entreprise possède, combien
contribue à la génération du bénéfice économique. Ici, on distingue que le bénéfice
se compare avec les ressources, sans écarter si les ressources ont été obtenues par emprunt
troisième ou par les contributions des propriétaires, par conséquent c'est une façon de justifier si les ressources

ont été bien utilisés, la seconde fait bien le filtre qui n'est pas mentionné précédemment, et
analyse combien la société génère de bénéfices par rapport à la contribution exclusive
des propriétaires, il est important de voir ces deux indicateurs de manière parallèle. Puisque, si le
ROA est supérieur au ROE, cela signifie que l'entreprise a obtenu un financement avec
troisièmes et le propriétaire avec la même contribution a obtenu un plus grand profit par rapport à dans le

cas où il n'aurait obtenu des ressources qu'avec l'apport des propriétaires, si le ROE est inférieur
que le ROA signifie que le propriétaire a perdu une partie de ses apports, étant donné que la
la rentabilité de votre contribution s'est traduite par l'obtention de moins de ressources.

ROA (rentabilité sur actifs).

La rentabilité des actifs représente la rentabilité financière de la
entreprise, comparant le bénéfice obtenu dans l'entreprise par rapport à l'investissement
réalisée. C'est-à-dire, "la valeur basée sur son activité ordinaire".
D'une certaine manière, c'est une "mesure de l'efficacité de l'entreprise, et cela nous donne une idée de

combien de bénéfice peut générer à partir de l'argent ou des ressources nécessaires.

On calcule avec la formule directe du ROA qui est simple : bénéfice de l'entreprise divisé par les

actifs (ou mieux encore, pour éviter de grandes variations, les actifs moyens pondérés).
• ROA = Bénéfices Avant Intérêts et Impôts / Actifs Moyens Pondérés
 60

Par exemple, si nous sommes une usine de vis, le ROA serait le bénéfice comptable.
obtenu dans l'exercice divisé par tous les actifs de l'entreprise (stocks,
machinerie, bâtiments, argent, etc.).
Alternativement, on peut obtenir le ROA à partir de la marge des ventes :

• ROA = Marge sur ventes x Rotation de l'actif

Nous pouvons décomposer le numérateur et le dénominateur :

• Marge sur ventes = Bénéfice / Ventes

• Rotación del activo = Ventas / Activo total promedio

Pour nous comprendre, nous mesurons la rentabilité de l'entreprise, et pour mesurer la

rentabilité de toute entreprise, nous avons 2 variables fondamentales : la marge que
nous obtenons par chaque vente ponctuelle et le volume des ventes totales. Pour atteindre 10%
de rentabilité dans l'entreprise de vis, nous pouvons le faire de 2 manières, soit en vendant 1
tornillo avec un bénéfice de 10 % car nous mettons un prix élevé, ou en vendant 10
tornillos avec un bénéfice de 1 %. Dans les deux cas, nous atteignons la même rentabilité.
On interprète à partir de la dernière formule pour obtenir le ROA, nous pouvons déduire ce que cela peut.

faire une entreprise pour améliorer votre ratio :

• Augmenter la marge, par la réduction des coûts ou par l'augmentation des prix.

• Augmenter la rotation des actifs en augmentant les ventes sur de nouveaux marchés ou

dans les mêmes par toute action commerciale associée.

Au fond, nous avons deux modèles pour avoir une rentabilité élevée des actifs : ou
entreprises avec une forte marge (biens de luxe, marques précieuses comme Apple) ou entreprises

avec de petites marges, mais avec une grande rotation des actifs (par exemple, un fast-food)
comme McDonald's).
La première chose qu'une banque te demande avant de décider si elle prête ou non de l'argent à une entreprise, si

el ROA> taux d'intérêt du prêt, l'entreprise pourrait le supporter. Mais si l'entreprise

avoir un ROA historiquement inférieur au taux d'intérêt du prêt serait a priori non viable.
 61

ROE(rentabilidad sobre Patrimonio)

L'objectif des partenaires ou actionnaires de toute entreprise est, ou du moins devrait être
être, obtenir un rendement de son investissement initial supérieur à celui qu'il pourrait obtenir dans
tout autre produit avec un risque moindre ; de toute autre manière, à l'investisseur il
compensarà de maintenir ses capitaux liquides soit dans des produits financiers de moindre ou,
même, risque nul (Lorenzana, 2015).

Pour cette raison, il est nécessaire de mesurer précisément la performance du capital

employé dans un investissement. L'indicateur financier le plus précis pour évaluer la
La rentabilité du capital est le Return on Equity (ROE). Le ratio mesure le rendement que
les actionnaires des fonds investis dans la société obtiennent ; c'est-à-dire que le ROE traite de
mesurer la capacité de l'entreprise à rémunérer ses actionnaires.

La rentabilité peut être considérée comme une mesure de la façon dont une entreprise "investit des fonds

para generar ingresos”. Se suele expresar como porcentaje, y tiene como fórmula:

Le retour sur capitaux propres = Bénéfice net après impôts / Capitaux propres.

Comprenant par Capitaux Propres la différence existante entre l'actif et le passif

exigible, ou ce qui revient au même, « le patrimoine net » conformément au Plan Général en vigueur
Comptabilité, bien que de ce patrimoine net, les bénéfices devraient être déduits.
que ceux-ci s'intègrent également dans ce poste du bilan et évidemment n'ont pas
sont apportés par les actionnaires, la principale raison qui pousse les financiers à utiliser
ce ratio est "savoir comment les capitaux d'une entreprise sont utilisés". Combien
plus le ROE est élevé, plus la rentabilité qu'une entreprise peut atteindre sera grande
fonction des ressources propres qu'il utilise pour son financement.
Le ROE est un indicateur très utilisé pour comparer la rentabilité des entreprises.
du même secteur ; cependant, la comparaison d'entreprises de différents secteurs peut
tirer des conclusions fausses puisque le rendement des capitaux diffère en fonction
de nombreux aspects qui sont propres à des secteurs différents.

Cuota de Mercado

La part de marché est la proportion de marché qui consomme les services ou produits
d'une entreprise déterminée. Dit autrement, c'est le pourcentage de consommation
(par rapport au total consommé) qu'elle vend notre entreprise, une façon de comprendre la part
 62

de marché c'est-à-dire qu'il peut être calculé par rapport à différentes métriques : montant

monétaire ou unités vendues (Hernandez Cuella, 2017).

Pour calculer la part de marché, en se concentrant sur les produits, ce pourcentage peut
calcularse atendiendo a las unidades vendidas o a los ingresos generados por esas ventas.

• Quota par unités = Unités vendues par la société sur le marché / Total
d'unités vendues sur le marché

• Cuota por ingresos= Ventas de la compañía en el mercado/Total de ventas en el

marché

Tous les producteurs ne vendent pas au même prix. Ainsi, si la vente totale représente un
montant de 1000 dollars et la vente de 100 pommes est supposée être de 300 dollars.
Notre part de marché selon cette métrique sera de 30 %.
Les deux calculs se complètent et permettent de savoir quelle portion du gâteau vous revient.
à l'entreprise sur le marché. De même, en fonction de la part de marché, la firme
vous pourrez formuler des hypothèses sur sa croissance, c'est évaluer sa position par rapport à la

compétence, la reconnaissance de sa marque, évaluer la satisfaction du client, etc., dans

dans tous les cas, et à titre de considération préalable, avant de réaliser ce type de mesures il est
il est très significatif de définir correctement le marché auquel nous faisons référence pour
éviter les erreurs et/ou les écarts.
Il s'agit d'une tâche complexe, car le marché est soumis à des changements constants en raison de
aux fluctuations économiques, aux plaisirs, aux nouvelles tendances, etc., pour un meilleur
précision, plusieurs aspects doivent être pris en compte : la zone géographique d'influence, le
client, les ventes au canal, la concurrence, etc. De plus, il faudrait bien définir les
intervalos de medición.
 63

2.4 Définition des termes de base.

Analyse avancée. - C'est la partie de l'analyse qui travaille avec les algorithmes les plus
avancés. Utilise principalement des techniques du domaine de la statistique : régressions
multivariantes et logistique, analyse discriminante, composants principaux, entre autres,
de l'intelligence artificielle : arbres de décision, réseaux neuronaux, entre autres, et de la
mathématiques : optimisation (Gonzáles Diaz, 2017).

Analyse Prédictive. –L'analyse prédictive est l'art et la science de l'utilisation des données pour
prendre des décisions mieux informées. L'analyse prédictive vous aide à découvrir des motifs.
occulte et relations dans vos données qui peuvent vous aider à prédire avec plus de confiance cela
ce qui peut se passer à l'avenir, et lui fournir des informations utiles et précieuses pour son organisation

(Bari, 2017).

L'analyse. -C'est en général l'utilisation de techniques d'analyse de données pour résoudre

problèmes d'affaires. C'est la catégorie la plus générale, qui englobe à la fois l'analyse des données dans
Big Data comme dans Small Data, tant des techniques « simples » que des pourcentages, des moyennes, des tableaux

croisées ou graphiques comme "avancées": modèles prédictifs, extraction de texte, entre autres

(Gonzáles Diaz, 2017).

Big Data. -Le Big Data fait essentiellement référence au fait que nous pouvons désormais collecter et
analyser des données d'une manière qui était tout simplement impossible même il y a quelques années. Il y a

deux choses alimentent ce mouvement de Big Data : le fait que nous avons
más datos sobre cualquier cosa y nuestra capacidad mejorada para almacenar y analizar
n'importe quelle donnée (Marr, 2016).

Le Big Data est l'analyse de grands volumes de données. Il se divise en deux domaines
principales : technologie Big Data, qui s'occupe principalement du développement de
logiciel (Hadoop, Spark, etc.), et de la configuration et de la maintenance de l'architecture
de la plateforme. Et l'analyse de Big Data, qui se charge de l'exploitation par des techniques
et des langages analytiques (R, Python, etc.) (Gonzáles Diaz, 2017).

Intelligence d'affaires. –L'intelligence d'affaires (BI) implique la présentation de rapports

et des panneaux d'information historique pour prendre des décisions ou les soutenir. Données

L'entreposage (DW) fait référence à la collecte, au stockage et à la gestion de

 64

éléments de données non changeants. Les éléments dans DW sont utilisés dans un système de BI
pour soutenir la prise de décisions. En d'autres termes, BI est une couche de présentation et
DW est une couche de stockage de données (Thompson, 2017).

Science des Données. -Un domaine émergent qui intègre un ensemble de définitions de
problèmes, algorithmes et processus qui peuvent être utilisés pour analyser des données afin de
extraire des informations exploitables à partir de grands ensembles de données. Étroitement

lié au domaine de l'exploration de données, mais plus large en portée et en analyse.

Traite des données à la fois structurées et non structurées (grandes) et couvre des principes de
une gamme de domaines, y compris l'apprentissage automatique, les statistiques, l'éthique et
réglementations sur les données et l'informatique de haute performance (Kelleher, 2018).

Informatique Cognitive. -L'informatique cognitive fournit un guide détaillé

pour construire une nouvelle classe de systèmes qui apprennent de l'expérience et dérivent
connaissances pour débloquer la valeur des grandes données. L'informatique cognitive
c'est la création de systèmes d'auto-apprentissage qui utilisent l'exploration de données, le
reconnaissance de motifs et traitement du langage naturel pour refléter la forme
en quoi le cerveau humain fonctionne. Le but de l'informatique cognitive est de créer
systèmes informatiques capables de résoudre des problèmes compliqués sans supervision
humaine constante. Actuellement, les solutions de calcul cognitif indiquent une
infrastructure intelligente qui permet une nouvelle génération de clients et d'applications
intelligents dans toutes les industries. Les professionnels qui travaillent actuellement avec Big
L'analyse des données verra comment l'informatique cognitive se construit sur ses fondations et
crée de nouvelles opportunités. L'informatique cognitive fournit un guide complet
pour ce nouveau niveau d'interaction homme-machine (Haldorai, 2019).
 65

Figure 2.4 L'intelligence artificielle, l'apprentissage automatique et l'informatique cognitive

Source : Peter Sommer (2017) - IBM

Données structurées. -données qui peuvent être stockées dans un tableau. Chaque instance dans la

tabla tiene el mismo conjunto de atributos. Contraste con datos no estructurados

(Kelleher, 2018). La représentation classique est donnée par des lignes et des colonnes comme une feuille.

de calcul Excel.

Données non structurées. -Un type de données où chaque instance dans l'ensemble de données
peut avoir sa propre structure interne, c'est-à-dire que la structure n'est pas nécessairement la
les mêmes dans chaque cas. Par exemple, les données textuelles sont proposées sans structure et nécessitent

une séquence d'opérations pour les appliquer afin d'extraire une représentation
structurée pour chaque instance (Kelleher, 2018). En plus des fichiers texte, les données
les images, l'audio et les vidéos sont représentés de manière non structurée.

Scientifique des données. -Il est responsable de réaliser des analyses et d'en tirer des conclusions, mais avec un biais.

entre analytics et Big Data. Il se sent à l'aise d'accéder à la technologie Big Data et
utilisant des technologies analytiques du monde open source comme R ou Python (Gonzáles Diaz,

2017).
Un ensemble de données. -Un ensemble de données est un ensemble de données, une collection discrète d'éléments.

relacionados, de datos relacionados a los que se puede acceder individualmente o que se

 66

ils peuvent être gérés comme une entité complète. Un ensemble de données est généralement organisé en

un type de structure de données (Burns, 2019).

Entrepôt de données. –C'est un référentiel centralisé qui contient des données d'une gamme de
sources à travers une organisation. Les données sont structurées pour soutenir les rapports
résumés de données agrégées. Le traitement analytique en ligne (OLAP) est le terme
utilisé pour décrire les opérations typiques dans un entrepôt de données (Kelleher, 2018).

Apprentissage profond. –En termes pratiques, l'apprentissage profond est un sous-ensemble de l'apprentissage automatique.

L'apprentissage, qui est un sous-ensemble de l'intelligence artificielle ; c'est donc la raison pour laquelle
les termes sont utilisés de manière interchangeable. Le Deep Learning est un Machine Learning, mais avec

différentes capacités. « Tout algorithme d'apprentissage automatique ou tâche qui utilise plus
d'une couche cachée pour accomplir sa tâche de trouver des motifs dans les données avec un
supervision minimale " (Cole, 2019).

Figure 2.5 Panorama Général de Deep Learning

Source : Élaboration propre (2019)

Intelligence Artificielle.–Le concept d'Intelligence Artificielle existe depuis la décennie de

les 50 du 20ème siècle, et pour nos effets, peuvent être divisées en deux grandes branches. La
symbolique et la connexionniste. La symbolique vise à doter les machines de la connaissance
humain déjà existant et sa forme opérationnelle la plus connue sont les Systèmes Experts, dans
 67

lesquels on donne à la machine la connaissance sous la forme d'une base de connaissances et

des règles qui régulent comment il doit "penser". Mais celle qui est de nouveau à la mode est
le connexionniste, qui prétend que la machine apprenne par elle-même le savoir
s'inspirant de la façon dont fonctionne la biologie et comment nous apprenons les humains. La forme

l'opérative la plus connue sont les réseaux neuronaux, qui sont de nouveau à la mode grâce à
les dernières avancées en Deep Learning (Gonzáles Diaz, 2017).

L'intelligence artificielle (IA) a été définie et comprise de plusieurs manières, car

couvre un vaste domaine dans son champ. Les perspectives de l'IA varient également dans
fonction de nombreux facteurs et acteurs impliqués. Par conséquent, aucune définition de
L'IA peut être si complète qu'elle couvre toutes les dimensions de l'IA. Voici quelques unes
définitions discutées. « L'intelligence artificielle est de planter une intelligence similaire à la
humaine en machines ou ordinateurs qui peuvent réaliser une ou plusieurs tâches de la même
manière que les humains”. Une autre définition de l'IA est :

L'IA peut être définie comme une machine informatisée qui affiche un comportement
intelligent. (Kumar, 2019).

Apprentissage automatique. -C'est un domaine complet de l'intelligence artificielle et des sciences.

informatique. C'est une science émergente pour construire des programmes d'ordinateur qui peuvent

imiter le comportement humain et prendre des décisions de manière efficace comme le ferait
un humain. L'intelligence artificielle repose sur plusieurs algorithmes pour construire ceux-ci
systèmes intelligents qui ne nécessitent pas de guide humain pour faire des prédictions et des décisions

(Géron, 2019).

Système Transactionnel. -Également connus sous le nom d'OLTP (Traitement de Transactions En Ligne)

Le traitement), les systèmes transactionnels traitent généralement des données structurées

(tableaux), à un niveau de détail supérieur.

SAS.- Auparavant "Système d'Analyse Statistique", est un ensemble de logiciels

développé par SAS Institute pour l'analyse avancée, l'analyse multivariée, l'intelligence
entreprise, gestion des données et analyse prédictive.
 68

Tableau. -C'est un logiciel d'intelligence d'affaires qui permet à quiconque

connectez-vous aux données, visualisez et créez des graphiques, tableaux et tableaux de bord de la manière

que quiera. Tableau incorpore des fonctions d'analytique pour des analyses prédictives (Loth,
2019).
Compétitivité Stratégique. -Action qui est réalisée lorsqu'une entreprise formule et
implémentez avec succès une stratégie de création de valeur (Hitt, 2017).
Le rapport de cotes (OR). -Un rapport de cotes (OR) est une mesure d'association entre une

exposition et un résultat. L'OR représente les probabilités qu'un résultat se produise

étant donné une exposition particulière, par rapport aux probabilités que le résultat
se produit en l'absence de cette exposition. Les raisons de probabilité sont utilisées avec plus
fréquence dans les études de cas et de témoins, cependant, elles peuvent également être utilisées dans

conceptions d'études transversales et de cohortes (avec quelques modifications et / ou

(hypothèses). (Szumilas, 2010).

Législation et réglementation.
Étant donné que l'analyse de Big Data traite et analyse de grands volumes de données, cela se
trouve immergée dans la loi sur la protection des données, Loi N° 29733, et Décret suprême
Nro. 003-2013-JUS. La Direction Générale de la Transparence, de l'Accès à l'Information
La Publicité et la Protection des Données Personnelles du Ministère de la Justice est l'entité qui
répond aux demandes de transparence, d'accès à l'information publique et de protection de
datos personales (Legislativo, 2011) . Esta investigación no contraviene ninguna de las
normas citadas.
 69

2.5 Fondements théoriques et/ou carte conceptuelle (théorie qui soutient l'hypothèse)

Figure 2.6 Carte conceptuelle théorique

Source : Design propre de l'auteur
 70

2.5 Hypothèse
2.5.1 Hipótesis Principal
L'analyse des Big Data influence la compétitivité des entreprises péruviennes.

L'analyse du Big Data n'influence pas la compétitivité des entreprises

Péruvienne.

2.5.2 Hypothèses Spécifiques

[Link] : L'analyse des Big Data à la phase de surveillance de l'entreprise influence sur la

Compétitivité des entreprises péruviennes.

L'analyse Big Data dans la phase de surveillance de l'entreprise n'influence pas

la compétitivité des entreprises péruviennes.

[Link]: L'analyse Big Data dans la phase d'information d'entreprise influence

Compétitivité des entreprises péruviennes.
HN : L'analyse du Big Data dans la phase d'information commerciale n'influence pas.
dans la Compétitivité Entrepreneuriale Péruvienne.

[Link]: L'analyse Big Data lors de la phase d'optimisation des affaires influence
la Compétitivité Entrepreneuriale Péruvienne.

La Big Data Analytics dans la phase d'optimisation des affaires n'influence pas
dans la Compétitivité Entrepreunariale Péruvienne.

[Link]: L'analyse Big Data lors de la phase de monétisation des données influence...
Compétitivité des entreprises péruviennes.
HN : L'analyse du Big Data dans la phase de monétisation des données n'influence pas
la Compétitivité Entrepreneuriale Péruvienne.

[Link]: L'analyse Big Data dans la phase de métamorphose des affaires influence le
la Compétitivité des Entreprises Péruviennes.
L'analytique Big Data dans la phase de métamorphose des affaires n'influence pas
dans la Compétitivité Entrepreneuriale Péruanne.
[Link]: L'analyse du Big Data influence la rentabilité des entreprises péruviennes.
HN: L'analyse de Big Data n'influence pas la rentabilité des entreprises péruviennes.

[Link]:L'analyse des Big Data influence la part de marché dans l'entreprise

Péruvienne.
L'analyse du Big Data n'influence pas la part de marché de l'entreprise
Péruvienne.
 71

2.6 Variables (définition et opérationnalisation des variables : Dimensions et indicateurs)

VARIABLE
DÉFINITION INSTRUMENT
INDÉPENDANT DIMENSIONES INDICATEURS ARTICLE
CONCEPTUEL O
E
X1= Fase de Monitoreo X11= Grado de Implementación de Business Intelligence (BI)
L'analyse du Big Data est le du Commerce X12= Grado de Implementación de Data Warehousing
processus d'examen des ensembles de X13= Nivel de Implementación de Informes y Dashboards que monitorean el estado actual
données grandes et variées pour entreprise 1,2,3,4,5
découvrir patrons ocultes, X14= Intégration des Processus d'Affaires
correlations inconnues, X15= Développement de l'Architecture des Données
tendances supprimer marché
X2= Phase de X21= Niveau de Traitement des Données Structurées et Non Structurées Interne et Externe
preferencias del cliente y otra
informations utiles qui peuvent aider
Informations X22= Niveau d'analyse prédictive des données
à amener les organisations à prendre Entrepreneurial X23= Niveau d'accès à toutes les données opérationnelles et transactionnelles de l'organisation 6,7,8,9,10,11
décisions les plus appropriées X24=Capacité d'exploiter l'analyse en temps réel
GRANDES DONNÉES

ANALYTIQUE
X31= Nivel desarrollo de Analítica Predictiva Questionnaire et/ou
X3= Phase de X32= Niveau de développement de l'analytique prescriptive Entretiens
Optimisation del X33= Generación de Información Accionable para la Toma Decisiones 12,13,14,15,16,17
Affaires X34= Niveau d'incorporation des recommandations de l'analytique prescriptive aux
systèmes d'exploitation pour exploiter l'analytique en temps réel

X4= Phase de
Monétisation des données X41= Numero de productos o servicios creados completamente nuevos 18
X5= Phase de
Métamorphose de X51= Numero de Procesos Transformados 19,20
affaires X52= Transformation du Modèle Commercial
VARIABLE DÉFINITION INSTRUMENT
DIMENSIONES INDICATEURS ARTICLE
DÉPENDANT CONCEPTUEL O
Capacité de fournir Y1= Rentabilidad Y11= Calculo del ROA
produits et services les plus Entrepreneurial Y12= Calcul du ROE 21,22,23,24
efficacité et efficience face à ses Questionnaire et/ou
COMPÉTITIVITÉ concurrents avec l'objectif de Y2= Cuota de Mercado Y21= Porcentaje de participación de Mercado Interviews 25,26,27,28
D'ENTREPRISE obtenir une meilleure rentabilité et
participation sur le marché
 72

CHAPITRE III : CADRE MÉTHODOLOGIQUE

3.1 Tipo, método y diseño de la investigación.

3.1.1. Designs non expérimentaux
Selon Roberto Hernández Sampieri, les conceptions non expérimentales sont définies
comme la recherche qui se fait sans manipuler délibérément des variables. C'est-à-dire,
il s'agit d'études dans lesquelles nous ne faisons pas varier intentionnellement les variables
indépendants pour voir leur effet sur d'autres variables, c'est pourquoi ce qui est fait dans cette
la recherche consiste à observer les phénomènes tels qu'ils se produisent dans un contexte naturel, pour

après les avoir analysés.

3.1.2. Conception transeccionale ou transversale

Les conceptions de recherche transversale ou transversale recueillent des données en une seule
moment, dans un temps unique. Son but est de décrire des variables et d'analyser leur
incidence et interrelation à un moment donné. C'est comme "prendre une photographie" de
quelque chose qui se passe.

3.1.3. Designs corrélationnels-causaux transversaux

Les conceptions transectionnelles corrélationnelles-causales décrivent des relations entre deux ou

plus de catégories, concepts ou variables à un moment donné. Parfois,

uniquement en termes corrélationnels, d'autres en fonction de la relation cause-effet
(causales).
 73

Par conséquent, les conceptions corrélationnelles-causales peuvent se limiter à établir des relations

entre variables sans préciser le sens de causalité ou prétendre analyser des relations
causales. (Hernández Sampieri, 2014).
Dans la présente étude, aucune variable ne sera manipulée, les données seront collectées
à un moment donné pour analyser les relations entre les deux variables (Big Data
Analytique et compétitivité des entreprises.

3.2. Population et échantillon (scénario d'étude)

La population pour l'étude est composée du nombre de directeurs et/ou de gestionnaires
responsables de chaque phase de mise en œuvre de l'analyse Big Data dans les processus
de negocios des principales entreprises sélectionnées (Entreprises de
Télécommunications, Finances, Énergie et Publics du Pérou).
La proposition de l'étude est destinée à tout type d'organisation utilisant le Big Data
Analyse dans ses processus d'affaires.

Entreprise Fret Quantité

Entreprise de télécommunications I Chefs d'opérations 2
Société de télécommunications Directeur et Directeur des Systèmes 2
II
Entreprise de Distribution de Responsable des systèmes et chef de 2
Énergie Électrique I Opérations
Entreprise de distribution de Directeur et Responsable des Opérations 2
Énergie Électrique II
Entité Financière de Banque I Directeur et Responsable des Opérations 2
Entité Financière de Banque II Gestionnaires et Responsable des Systèmes 2
Entité Publique de l'État 1 Directeur et Chef de projet 2
Entité Publique de l'État 2 Directeur 1
Total 15

Figure 3.1 Entreprises participant à l'étude de l'analytique Big Data

Source : Élaboration personnelle

 74

Taille de l'échantillon.

On prend l'ensemble de la population d'étude (recensement).

Sélection d'échantillons.
Incluez tous les directeurs et/ou gestionnaires responsables de chaque phase de mise en œuvre
de l'analyse des Big Data dans les processus d'affaires des trois principales entreprises
sélectionnées dans l'étude (recensement).
Muestra Censal – Selon (Hayes, 1999) a indiqué que la «muestra censal est quand la
la quantité de l'échantillon est égale à la population, cette classification est utilisée lorsque la
la population est petite et quand il est nécessaire de connaître l'avis de la totalité de la
population.

3.3. Techniques et instruments de collecte de données (validité et fiabilité)

En gros, deux techniques ont été adoptées :

• Questionnaires
• Entrevues

3.4. Description des procédures d'analyse

Pour l'analyse et l'interprétation des informations, le package statistique a été utilisé.
d'analyse de données SPSS version 24.x.
 75

TEST DE FIABILITÉ
Confiabilidad - KR21
Le Kr 21 est un indicateur de la fiabilité. Le modèle de Kuder Richardson est applicable.
en instruments d'items dichotomiques, dans lesquels il existe deux réponses : OUI-NON

Je T E M S
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13 X14 X15 X16 X17 X18 X19 X20 Y1 Y2 Y3 Y4 Y5 Y6 Y7 Y8 Y9
E 1 1 0 0 0 1 1 0 1 0 1 0 1 0 0 1 1 0 0 0 0 0 1 0 1 1 1 1 0 1 8
2 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 19
M 3 1 0 1 0 1 1 0 0 1 1 0 1 0 1 0 1 0 0 1 0 0 1 0 1 0 0 1 0 1 10
4 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 1 0 1 1 0 1 0 1 0 1 1 1 17
P 5 0 1 0 1 0 1 0 1 1 0 1 0 0 1 1 1 1 0 0 0 0 1 0 0 0 0 1 0 1 10
6 1 1 1 1 1 0 0 1 1 1 0 0 0 0 0 0 1 1 0 0 1 1 0 1 0 0 0 0 0 10
R 7 0 1 1 1 0 0 1 0 0 1 0 1 0 0 1 0 0 1 0 1 1 1 1 0 1 0 1 1 1 9
8 1 0 1 1 0 1 1 1 0 0 1 0 1 1 1 1 1 0 1 1 1 1 1 1 1 1 0 0 0 14
E 9 1 1 0 1 0 0 0 1 1 1 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 1 7
10 0 0 0 1 1 0 0 0 0 1 0 0 1 0 1 0 0 0 0 0 1 0 1 0 0 1 0 0 0 5
S 11 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 un 1 1 1 0 1 0 0 1 1 18
12 0 0 0 0 0 0 1 1 0 0 0 1 1 0 0 1 1 0 0 1 0 1 1 0 0 0 0 0 1 7
A 13 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 0 1 0 1 1 0 19
14 0 1 0 0 0 1 0 0 0 0 0 0 0 1 0 0 1 1 1 1 1 0 0 0 1 0 0 1 0 7
S 15 1 1 1 0 1 0 1 1 1 1 0 1 1 1 0 1 0 1 1 0 1 1 0 0 1 1 0 1 1 14
174
MOYEN 11,6
VARIANZA21.706667

KR21 0.81637

Figure 3.2 Test de fiabilité de Kuder-Richardson

Interpretación:
La fiabilité d'un instrument s'exprime par un coefficient de corrélation :
rtt, qui signifie théoriquement corrélation du test avec lui-même. Ses valeurs oscillent

entre zéro (0) et un (1). L'ampleur d'un coefficient de fiabilité peut être
guidée par l'échelle suivante :

Échelle Catégorie
0 - 0,20 Très bas
0,21 - 0,40 Basse
0,41 - 0,60 Modérée
0,61 - 0,80 Haute
0,81 - 1 Très élevé

Par conséquent, comme on le voit, le résultat dans la figure Nº 3.2 a une valeur limite.
supérieur dekr21=0.816, ici signifie que cet instrument est de plus grand
confiabilidad, valiendo del uso para la recolección de datos.
 76

CHAPITRE IV : RÉSULTATS ET ANALYSE DES RÉSULTATS

4.1 Résultats

La présentation des résultats de cette étude de recherche a été utilisée comme

information sur ses dimensions, où les instruments sont utilisés et appliqués
comme base de données, cela a été traité statistiquement ; c'est pourquoi, le but est
de vérifier la relation causale qui existe entre les deux variables que sont : le Big Data
L'analytique et la compétitivité des entreprises, qui se détaille ci-dessous :
 77

Variable 1- Analyse des Big Data

Tableau 4.1
Distribución de frecuencias del Big data Analytics.

Fréquence Pourcentage valide Pourcentage cumulé

Valide Si 10 66,7 66,7
Non 5 33,3 100,0
Total 15 100,0
Source : Données obtenues de l'étude
Elaboration : Propre à l'auteur

Figure 4.1 Graphique à barres de l'analyse des Big Data

Source : Base de données des Dimensions
Élaboration : Propre.

Interprétation :
Dans le tableau et la figure n° 4.1, nous montrons les résultats de l'enquête réalisée, lesquels se
observe que 66,7 % utilisent le Big Data Analytics, ce qui signifie que les données
implementados integrados, están dando resultados favorables para las empresas; por
D'autre part, un 33,3 % ne le prend pas en compte ; par conséquent, cela reflète qu'il y a
entreprises qui emploient un autre type de technologie qui ne favorise pas les entreprises et comment

conséquence ne lui rapporte pas une bonne rentabilité sur le marché.

 78

Tableau 4.2
Distribution des fréquences Surveillance de l'entreprise.

Frecuencia Porcentaje válido Porcentaje acumulado

Valide Si 10 66,7 66,7
Non 5 33,3 100,0
Total 15 100,0
Source : Données obtenues de l'étude
Elaboration : Propre

Figure 4.2 Graphique en Barres de la Surveillance de l'Entreprise.

Source : Base de données des Dimensions
Élaboration : Propre.

Interprétation :
Les résultats des enquêtes nous montrent dans le tableau et la figure n° 4.2, indiquent qu'il y a un
66,7%, de la phase de Surveillance de l'entreprise qui est favorable, où le développement
de son architecture de données structurées est bien implémentée et appliquée, par le
l'autre côté dans la barre suivante nous montre un pourcentage de 33,3 % et cela en raison de la
le manque dans ses processus d'affaires devrait être plus intégré pour que l'entreprise de
mejor resultado en sus negocios.
 79

Tableau 4.3
Distribution des fréquences des Informations d'Entreprise

Frecuencia Porcentaje válido Porcentaje acumulado

Valide Si 11 73,3 73,3
Non 4 26,7 100,0
Total 15 100,0
Source : Données obtenues de l'étude
Élaboration : Propre à l'auteur

Figure 4.3 Graphique à Barres de l'Information Entreprenariale

Source : Base de données des Dimensions
Élaboration : Propre.

Interprétation :
Les résultats sondés qui nous sont présentés dans le tableau et la figure N° 4.3 nous représentent
le 73,3,7 %, durant la phase de l'Information Entreprise est très favorable, ce qui est réalisé
ses analyses prédictives de données en temps réel, d'autre part, nous avons dans le suivant
bar where it shows us the 26.7% that are not performing the data analysis
structurés comme les non structurés, cela engendre en conséquence une
déficience en ce qui concerne l'information d'entreprise tant à l'interne qu'à l'externe.
 80

Tableau 4.4
Distribution des fréquences de l'optimisation des affaires

Frecuencia Porcentaje válido Porcentaje acumulado

Valide Si 10 66,7 66,7
Non 5 33,3 100,0
Total 15 100,0
Source : Données tirées de l'étude
Élaboration : Propre à l'auteur

Figure 4.4 Graphique à Barres d'Optimisation du Commerce

Source : Base de données des Dimensions
Élaboration : Propre.

Interpretación:
Les résultats sondés qui nous sont montrés dans le tableau et la figure nº 4.4, où les
les entreprises appliquent la phase d'optimisation des affaires à 66,7 %, ce qui signifie que
employent l'analyse prédictive pour générer des informations acceptables pour de meilleurs résultats
dans ses opérations en temps réel, et d'autre part, on constate qu'un 33,33 % est le manque
d'analyses prédictives, cela indique qu'ils devraient apporter des changements à l'utilisation de l'analyse

prédictif pour générer une plus grande efficacité et obtenir une décision en temps réel.
 81

Tabla 4.5
Distribution des fréquences de Monétisation des Données.

Frecuencia Porcentaje válido Porcentaje acumulado

Valide Si 8 53,3 53,3
Non 7 46,7 100,0
Total 15 100,0
Source : Données obtenues de l'étude
Élaboration : Propre à l'auteur.

Figure 4.5 Graphique à Barres de Monétisation des Données

Source : Base de données des Dimensions
Élaboration : Propre.

Interpretación:
Dans le tableau et la figure Nº 4.5, nous montrons les résultats de l'enquête réalisée, qui se
observe que le 53,3 %, cela signifie que, dans la phase de la monétisation des données, peu
les organisations ont créé de nouveaux produits et services ; d'autre part, il y a 46,7 %
qui continuent ou ne se détachent pas des mêmes structures, utilisant ainsi les mêmes
mécanismes de fonctionnement avec les produits et services qu'ils utilisent pour leur
marché.
 82

Tableau 4.6
Distribution des fréquences de Métamorphose d'Affaires

Frecuencia Porcentaje válido Porcentaje acumulado

Valide Si 10 66,7 66,7
Non 5 33,3 100,0
Total 15 100,0
Source : Données obtenues de l'étude
Élaboration : Propre à l'auteur

Figure 4.6 Graphique à barres de la métamorphose des entreprises

Source : Base de données des Dimensions
Élaboration : Propre.

Interpretación:
Dans le tableau et la figure n° 4.6, ils nous montrent les résultats de l'enquête réalisée, laquelle
il est observé que 66,7 % indique que, dans la phase de la Métamorphose des affaires, il a été
généré des changements par la mise en œuvre de l'analyse Big Data et cela influence la
compétitivité des entreprises, en raison de l'innovation du modèle d'affaires, d'autre part,
nous avons un 33,3 % qui doit générer des processus transformés et des changements dans le

modèle d'affaires pour améliorer la compétitivité.

 83

Variable 2 – Compétitivité des entreprises

Tableau 4.7
Distribution des fréquences de la compétitivité des entreprises.

Fréquence Pourcentage valide Pourcentage cumulé

Valide Si 9 60,0 60,0
Non 6 40,0 100,0
Total 15 100,0
Source : Données obtenues de l'étude
Élaboration : Propre à l'auteur

Figure 4.7 Graphique à Barres de la Compétitivité des Entreprises

Source : Base de données des Dimensions
Élaboration : Propre.

Interprétation :
Dans le tableau et la figure n° 4.7, ils nous montrent les résultats de l'enquête réalisée, laquelle
on observe que 60,0 % indique que, dans la Compétitivité Entrepreunariale a été
accepté en raison de l'utilisation et de la mise en œuvre de l'analyse des mégadonnées dans les organisations

péruanes cela favorise avec le soutien de meilleures pratiques technologiques, d'autre part, on
Observe que nous avons un 40,0 % qui serait en cours de changements pour cela
j'aurais besoin de soutien pour des améliorations afin qu'il puisse y avoir une meilleure compétitivité

entreprise péruvienne.
 84

Tabla 4.8
Distribution des fréquences de la Rentabilité des Entreprises

Frecuencia Porcentaje válido Porcentaje acumulado

Valide Si 12 80,0 80,0
Non 3 20,0 100,0
Total 15 100,0
Source : Données obtenues de l'étude
Élaboration : Propre à l'auteur.

Figure 4.8 Graphique à Barres de Rentabilité Entrepreunariale

Source : Base de données des Dimensions
Élaboration : Propre.

Interprétation :
Les résultats des enquêtes, nous montrent dans le tableau et la figure n° 4.8, lequel se
observe un 80% dans la phase de Rentabilité Entreprise, ce qui est favorable pour les
entreprises à utiliser et appliquer l'analyse Big Data et d'autre part, nous avons 20%
où il montre que sans l'utilisation de l'analyse des Big Data, il ne profite pas de sa rentabilité
entrepreneurial c'est pourquoi il est recommandé d'utiliser l'analyse des Big Data pour que ce soit plus

efficace et efficient au bénéfice des entreprises.

 85

Tableau 4.9
Distribución de frecuencias de Cuota de Mercado.

Frecuencia Porcentaje válido Porcentaje acumulado

Valide Si 12 80,0 80,0
Non 3 20,0 100,0
Total 15 100,0
Source : Données obtenues de l'étude
Élaboration : Propre à l'auteur

Figure 4.9 Graphique à barres de Part de Marché

Source : Base de données des Dimensions
Élaboration : Propre.

Interprétation :
Dans le tableau et la figure N° 4.9, nous montrons les résultats de l'enquête réalisée, laquelle
on observe que 80,0 % indique que la part de marché est bonne en raison de la
mise en œuvre de l'analyse Big Data qui influence leurs revenus selon leurs
ventes par cela octroie une part de marché, d'autre part, nous avons un 20,0 %
c'est un reflet que les produits ou services n'ont pas d'acceptation et que c'est minime la

part de marché il est indispensable que des changements soient pris pour que
augmentez votre part de marché pour l'amélioration et le bien-être des entreprises.
 86

4.2 Analyse des résultats ou discussion des résultats

Hypothèse générale

1) Formulation de l'hypothèse

H0L'analyse Big Data n'influence pas la compétitivité des entreprises péruviennes.

H1L'analyse Big Data influence la compétitivité des entreprises péruviennes.

2) Niveau de signification : α = 5 %
3) Statistique de test : Odds Ratio

Estimación de riesgo
Intervalle de confiance de 95 %

Valeur Inférieur Supérieur

Raison des avantages pour Big
16 000 1,093 234 248
data analytics (Si / No)
Pour cohorte Compétitivité
4 000 ,674 23,725
empresarial = Si
Pour la cohorte Compétitivité
,250 ,067 ,931
empresarial = No
N de cas valides 15

4) Critère de décision

OR =1, Pas d'influence

OR≠1; Il y a une influence

5) Conclusion :

Comme OR =1 n'est pas dans l'intervalle [1,093; 234,248], alors il y a une influence de
L'analyse des Big Data dans la compétitivité des entreprises, cela signifie qu'une
une bonne mise en œuvre de l'analyse des Big Data aidera à développer la
compétitivité des entreprises péruviennes.
 87

Hipótesis específica 1:
1) Formulation de l'hypothèse

H0L'analyse des Big Data dans la phase de surveillance de l'entreprise n'influence pas la
Competitividad Empresarial Peruana.
H1L'analyse Big Data dans la phase de surveillance de l'entreprise influence la
Compétitivité Entrepreneuriale Péruvienne.

2) Niveau de signification : α = 5 %
3) Statistique de test : Rapport de cotes

Estimation du risque
Intervalle de confiance de 95 %

Valeur inférieur Supérieur

Raison des avantages pour
16 000 1 093 234,248
Surveillance de l'entreprise (Oui / Non)

Pour la cohorte Compétitivité

4 000 ,674 23 725
empresarial = Si
Pour la cohorte Compétitivité
,250 ,067 ,931
empresarial = No
N de cas valides 15

4) Critère de décision

OR =1, Pas d'influence

OR≠1; Il y a de l'influence

5) Conclusion :

Comme OR =1 n'est pas dans l'intervalle [1,093; 234,248], alors il y a une influence du
Analyse des Big Data dans la phase de surveillance de l'entreprise dans la compétitivité

D'affaires, cela signifie qu'une bonne mise en œuvre de l'analyse des Big Data
La phase de surveillance de l'entreprise aidera à développer la compétitivité
Empresarial Péruvienne.
 88

Hypothèse spécifique 2 :
1) Formulation de l'hypothèse

H0L'analyse du Big Data dans la phase d'information d'entreprise n'influence pas

Compétitivité Entrepreneuriale Péruvienne.

H1L'analyse du Big Data dans la phase d'information d'entreprise influence la

Compétitivité des entreprises péruviennes.

2)Nivel de significancia: α=5%

3) Statistique de test : Rapport de cotes

Estimation du risque
Intervalle de confiance de 95 %

Valeur Inférieur Supérieur

Raison des avantages pour
8,000 ,580 110,268
Información empresarial (Si / No)
Pour la cohorte Compétitivité
2 909 ,513 16 500
empresarial = Si
Pour la cohorte Compétitivité
,364 ,119 1,113
empresarial = No
N de cas valides 15

4) Critère de décision

OR =1, Pas d'influence

OR≠1; Il y a une influence

5) Conclusion :

Comme OR =1 est dans l'intervalle [0,580; 110,268], il n'y a pas d'influence du

L'analyse de Big Data dans la phase d'information commerciale dans la compétitivité
Entrepreneurial, cela signifie qu'une bonne mise en œuvre de l'analyse Big Data
La phase d'information commerciale n'aidera pas à développer la compétitivité.
Entrepreneuriat Péruvien.
 89

Hypothèse spécifique 3 :
1) Formulation de l'hypothèse

H0L'analyse Big Data dans la phase d'optimisation des affaires n'influence pas
la Compétitivité Entrepreunariale Péruvienne.
H1L'analyse de Big Data dans la phase d'optimisation des affaires influence
Compétitivité des entreprises péruviennes.

2) Niveau de signification : α=5%

3) Statistique de test : Rapport de cotes

Estimation du risque
Intervalle de confiance de 95 %

Valeur Inférieur Supérieur

Raison des avantages pour 16,00
1,093 234 248
Optimización del negocio (Si / No) 0
Pour la cohorte Compétitivité
4 000 ,674 23 725
empresarial = Si
Pour cohorte Compétitivité
,250 ,067 ,931
empresarial = No
N de cas valides 15

4) Critère de décision

OR =1, No hay influencia

OR≠1; Il y a une influence

5) Conclusion :

Comme OR =1 n'est pas dans l'intervalle [1,093 ; 234,248], alors il y a influence du

L'analyse des Big Data dans la phase d'optimisation de l'entreprise dans la compétitivité
Entreprise, cela signifie qu'une bonne mise en œuvre de l'analyse Big Data
La phase d'optimisation de l'entreprise aidera à développer la compétitivité.
Entrepreneurial péruvienne.
 90

Hypothèse spécifique 4 :
1) Formulation de l'hypothèse

H0L'analyse du Big Data dans la phase de monétisation des données n'influence pas sur la
Compétitivité des Entreprises Péruviennes.

H1L'analyse du Big Data dans la phase de monétisation des données influence

Compétitivité des entreprises péruviennes.

Niveau de signification : α = 5 %
3) Statistique de test : Rapport de cotes

Estimation du risque
Intervalle de confiance de 95 %

Valeur Inférieur Supérieur

Raison des avantages pour
4 000 ,447 35 788
Monetización de datos (Si / No)
Pour la cohorte Compétitivité
1 750 ,681 4 499
empresarial = Si
Pour la cohorte Compétitivité
,438 ,112 1 706
empresarial = No
N de cas valides 15

Critère de décision

OR =1, Pas d'influence

OR≠1; Il y a une influence

5) Conclusion :

Puisque OR = 1 est dans l'intervalle [0,447; 35,788], il n'y a pas d'influence de la

L'analyse des Big Data dans la phase de monétisation des données dans la compétitivité
Entrepreneurial, cela signifie qu'une bonne mise en œuvre de l'analyse Big Data
dans la phase de monétisation des données, cela n'aidera pas à développer la compétitivité
Entrepreneuriale Péruvienne.
 91

Hypothèse spécifique 5 :
1) Formulation de l'hypothèse

H0L'analyse du Big Data dans la phase de métamorphose des affaires n'influence pas
la Compétitivité Entrepreunariale Péruvienne.
H1L'analyse du Big Data dans la phase de métamorphose des affaires influence
Compétitivité des entreprises péruviennes.

2) Niveau de signification : α=5%

3) Statistique de test : Rapport de cotes

Estimation du risque
Intervalle de confiance de 95 %

Valeur Inférieur Supérieur

Raison des avantages pour
16 000 1,093 234,248
Métamorphose des affaires (Oui / Non)
Pour la cohorte Compétitivité
4 000 674 23,725
empresarial = Si
Para cohorte Competitividad
,250 ,067 ,931
empresarial = No
N de cas valides 15

4) Critère de décision

OR =1, Pas d'influence

OR≠1; Il y a une influence

5) Conclusion :

Comme OR =1 n'est pas dans l'intervalle [1,093; 234,248], alors il y a influence du

L'analyse des Big Data dans la phase de métamorphose des entreprises dans la compétitivité
Commercial, cela signifie qu'une bonne mise en œuvre de l'analyse des Big Data
dans la phase de métamorphose des affaires, cela aidera à développer la compétitivité
Entrepreneurial péruvienne.
 92

CONCLUSIONES

Determinar en qué grado el Big Data Analytics influye en la Competitividad Empresarial

Péruvienne, nous a permis de connaître comment l'innovation technologique dans les organisations

Les péruviennes sont de plus en plus employées au Pérou dans le but d'obtenir
le leadership dans le secteur où elles évoluent, bien que plusieurs de ces organisations se
ils se trouvent à différentes phases de mise en œuvre de l'analyse Big Data, il a été déterminé leur

impact sur la rentabilité et la part de marché ; Arrivant aux suivantes

conclusiones:
1. L'utilisation de l'analyse des Big Data dans la phase de surveillance des affaires influence la
compétitivité des entreprises péruviennes. En raison du fait que la plupart des organisations

ils ont développé l'architecture des données structurées, avec des outils tels que
Intelligence d'affaires pour obtenir les rapports sur la situation actuelle de l'entreprise.
2. L'utilisation du Big Data Analytics dans la phase d'information d'entreprise n'influence pas
dans la compétitivité des entreprises péruviennes. Certaines organisations ne réalisent pas
analyses prédictives de données en temps réel avec des données structurées et non structurées

structurés.
3. L'utilisation de l'analyse des Big Data dans la phase d'optimisation des affaires influence
la compétitivité des entreprises péruviennes. En raison du fait qu'il existe des organisations qui

utiliser l'analytique prédictive pour générer des informations exploitables pour la prise de décision

de décisions en temps réel.

4. L'utilisation de l'analyse Big Data dans la phase de monétisation des données n'influence pas

la compétitivité des entreprises péruviennes. Peu d'organisations ont créé de nouveaux

produits ou services avec l'exploitation des données.
5. L'utilisation de l'analyse des Big Data dans la phase de métamorphose de l'entreprise influence

la compétitivité des entreprises péruviennes. Cela a permis la transformation du

modèle d'affaires dans certaines organisations.
6. En conséquence, dans le présent travail de recherche, on conclut que le Big
L'analyse de données influence positivement la compétitivité des entreprises
Péruvienne, en termes de rentabilité et de part de marché.
 93

RECOMMANDATIONS

Les bonnes pratiques pour la mise en œuvre et l'utilisation des plateformes technologiques
innovantes sont déterminantes pour le succès ou l'échec de l'investissement dans les
organisations. Pour cette raison, la mise en œuvre et l'utilisation de l'analyse Big Data dans les
les organisations péruviennes qui recherchent une meilleure compétitivité des entreprises doivent

s'implémenter de manière progressive et séquentielle à chaque phase selon les suivantes

recomendaciones:

L'utilisation de l'analyse des Big Data dans la phase de surveillance des affaires doit être

intégrés tous les processus d'affaires, avec une architecture de données bien
établie.
2. L'utilisation de l'analytique Big Data dans la phase d'information commerciale doit
contempler le traitement des données structurées et non structurées pour
toute l'organisation, l'analyse prédictive des données doit être effectuée en temps
réel.
3. L'utilisation de l'analyse Big Data dans la phase d'optimisation de l'entreprise doit
contempler l'utilisation de l'analytique prédictive et prescriptive en temps réel pour la
génération d'informations exploitables pour une prise de décisions rapide et
opportunes.
4. El uso del Big Data Analytics en la Fase de Monetización de Datos deben permitir
la génération de produits ou de services complètement nouveaux au sein de l'organisation.
5. L'utilisation de l'analyse Big Data dans la phase de métamorphose de l'entreprise doit

generar procesos transformados en la organización que cambie el modelo del

entreprise pour atteindre une meilleure compétitivité.
6. Pour réaliser une meilleure compétitivité des entreprises dans les organisations péruviennes
Avec l'utilisation du Big Data Analytics, cela doit être mis en œuvre avec les meilleures

stages en technologie de l'information.

 94

RÉFÉRENCES BIBLIOGRAPHIQUES

Aguado Garcia, D. (2018).Analyse RH Théorie et Pratique pour une analyse de

Ressources Humaines avec impact. Madrid: Éditions ESIC.
Bari, A. (2017). Analyse prédictive (2ème édition). Hoboken, NJ, États-Unis
Amérique : John Wiley & Sons, Inc.
BCP-Microsoft. (2017).[Link]
del-peru-banking-open-source-azure-en. Obtenu de
[Link]
Bhattacharyya, S. V. (juin 2016). Adoption perçue basée sur la valeur stratégique du Big
Analyse des données dans les économies émergentes. Journal de l'information d'entreprise

Management, 30. Obtenido de [Link]/[Link]

Burns, S. (2019).Fundamentals of Data [Link]: Amazon KDP Printing and
Publication.
Cantalapiedra, M. (22 avril 2014).collaborateurs/comment-interpreter-le-ratio-de-
rentabilité financière ou ROE. Obtenu de [Link]
[Link]
Cervone, H. F. (9 mai 2016). Considérations organisationnelles initiant un big data et
implémentation de l'analyse. (U. o. École de santé publique, Ed.) Emerald Insight, 6.
Obtenu de [Link]/[Link]
Chongqing Kang, Y. W. (Juin 2018). Analyse des Big Data dans le secteur de l'électricité en Chine
Industrie. IEEE magazine sur l'énergie et l'électricité, 12.

Cole, M. R. (2019). Apprentissage profond avec C#, .NET et [Link]. New Delhi, Inde : BPB
Publications.
Commerce, E. (28 juin 2017). Le Commerce - Affaires. Obtenu de
[Link]
facturation-437999?photo=2
De Woot, P. (2014). Repenser l'entreprise : Compétitivité, technologie et
Société. Sheffield, Royaume-Uni : Greenleaf Publishing Limited. Obtenu de
[Link]
ebooks/[Link]?docID=1757912
 95

Díaz, J. C. (2016). Organisations Orientées vers les Données : Transformer les

Organisations Vers une Culture Analytique. Barcelone, Espagne : Éditions UOC
(Oberta UOC Publishing, SL).
Dowgiert, A. (2014). L'impact des Big Data sur l'information sanitaire traditionnelle.
Minnesota : ProQuest LLC (2014). Obtenu de
[Link]
accountid=45097
Fallucchi, F., Petito, M., & William De Luca, E. (2019). Analyser et visualiser les données ouvertes

Data [Link] AG: Springer Nature. Obtenu de

[Link]
Fang, B., & Zhang, P. (2016). Big Data dans la finance. Université de Stony Brook. NY, États-Unis :

Springer International Publishing.

Foss, L. H. (2014). Mettre en œuvre l'analyse de données en tant qu'innovation organisationnelle dans

Collèges et Universités. L'Université du Minnesota. Minnesota : ProQuest

SARL (2015). Obtenu de
[Link]
countid=45097
Géron, D. (2019).Machine [Link]: Amazon Digital Services LLC.
Gonzáles Diaz, I. (2017). Big Data pour PDG et Directeurs de Marketing. Madrid,
Espagne : Publié indépendamment.
Gonzalez, Y., & Peñaralta, M. M. (2018). Revue Colombienne de Technologie de
[Link] Colombienne de Technologie Avancée, 59.
Haldorai, A. (2019). Innovation en Big Data pour l'informatique cognitive durable. En A.
Ramu, & C.-O. Chow, Réseaux Mobiles et Applications (p. 24:221-223).
Tamil Nadu, Inde : Springer US. Obtenu de [Link]
018-1198-5
Hayes, B. (1999). Comment mesurer la satisfaction du client : conception d'enquêtes, utilisation et

méthodes d'analyse [Link] : Oxford.

Hernandez Cuella, C. (2017).[Link]
marché.html. Obtenu de Definiciones/cuota-de-mercado.:
[Link]
Hernández Sampieri, R. (2014). Méthodologie de la recherche (Sixième éd.). Mexique
D.F., Mexique : MCGRAW-Hill / Éditeurs Interamericana, S.A. de C.V.
 96

Hitt, M. (2017).Strategic Management: Competitiveness & [Link], MA,

États-Unis d'Amérique : Cengage Learning.
Isson, J. P. (2018). Analyse des données non structurées : Comment améliorer l'acquisition de clients,

Fidélisation de la clientèle, et détection et prévention de la fraude. Hoboken, New Jersey,

États-Unis d'Amérique : John Wiley / Sons, Inc.

Joyanes, L. (2013). Big Data - Analyse de grands volumes de données dans la
[Link] : Alfaomega Grupo Editor S.A.
Judith Hurwitz, A. N. (2013). Données non structurées dans un environnement de Big Data (Big Data)

Pour Dummies). Bêta. 1-2. Obtenu de

[Link]
données-dans-un-environnement-de-big-data/
Kabir, N., & Carayannis, E. (2013). Big Data, Tacit Knowledge and Organizational
Compétitivité. Journal des études en intelligence dans les affaires 3, 54-62.
Kelleher, J. D. (2018). Science des données. Massachusetts, États-Unis d'Amérique : Toppan
Best-set Premedia Limited, États-Unis.

Kumar, P. (2019).Artificial Intelligence: Reshaping Life and [Link] Delhi, India:

Publication BPB.
Lee, P. M. (2013).Use Of Data Mining In Business Analytics To Support Business
Compétitivité. Université SIM, Singapour, École de Commerce. Littleton, État-Unis :
Le Clute Institut. Obtenu de
[Link]
Législatif, P. (2011). Loi sur la protection des données personnelles (Loi 29733). Approuvé
Règlement de la loi n ° 29733, loi sur la protection des données personnelles. Lima,
Lima, Pérou. Obtenu de
[Link]
hUKEwjz75v_xIffAhVH0FkKHWpuAKoQFjABegQICBAC&url=http%3A%2
F%[Link]%2Fcedetec%2Fnormas%2FLey_Proteccion_
Datos_Personales_29733.pdf&usg=AOvVaw0vjl9UhjQo_mr1bD8RRufs
Lorenzana, D. Administration-finances en-quoi-consiste-le-roe-et-pour-quoi-sert-il.
Obtenu de [Link] : [Link]
Loth, A. (2019).Visual Analytics with [Link], Indiana, United States of
Amérique : John Wiley & Sons, Inc.
 97

Association de gestion, I. (2018). Gestion des opérations et des services : Concepts,

Méthodologies, Outils et Applications (pp. 1-1780). Hershey: PA: IGI Global.
doi:10.4018/978-1-5225-3909-4
Marr, B. (2016).Big Data in [Link], United Kingdom: John Wiley and Sond
Société à responsabilité limitée
Miguez, R. (2013). Responsable des solutions de collaboration IBM. Palacio Municipal de

Congrès.
Ricardo, M. (2013). Responsable des solutions de collaboration IBM. Palacio Municipal de

Congrès.
Russon, P. (2011). TDWI Rapport sur les meilleures pratiques. États-Unis : [Link].
Schmarzo, B. (2016). MBA en Big Data : Piloter des stratégies commerciales avec la science des données.

Indianapolis, Indiana, États-Unis d'Amérique : John Wiley & Sons, Inc.

Statista. (2018). Statista - Le portail des statistiques. Obtenu de
[Link]
Telefonica, F. (2018). Société Digitale en Espagne 2018. Société Digitale en Espagne
2018, 325.
Thompson, J. K. (2017). Analytique : Comment gagner avec l'intelligence. Basking Ridge, NJ
États-Unis d'Amérique : Publications Technics.
Wang, F., Ding, L., & Yu, H. (2019). Analyse des big data sur le risque de crédit des entreprises

évaluation. Université de Hebei d'Économie et de Commerce, École de Commerce.

Hebei, Chine : Springer-Verlag GmbH Allemagne, faisant partie de Springer Nature.

Obtenu de [Link]
Zhan, Y., Li, Y., & Tan, K. H. (2016). Déverrouiller le pouvoir des grandes données dans les nouveaux produits.

Université de Technologie du Sud de la Chine, École d'Administration des Affaires.

Guangzhou 510640, Chine : [Link]. doi:10.1007/s10479-016-2379-x

 98

ANEXES
 99

Annexe 1 : Déclaration d'authenticité

 100

Annexe 2 : Autorisation de consentement pour mener la recherche

101
102
103
104
105
 106

Annexe 3 : Matrice de Cohérence

TITULO: “El Big Data Analytics y la Competitividad Empresarial Peruana”
DESIGN DE
PROBLÈME GÉNÉRAL OBJETIVO GENERAL HYPOTHÈSE GÉNÉRALE VARIABLES DIMENSIONES
RECHERCHE
Dans quelle mesure le Big Data Déterminer dans quelle mesure le Salut : Le Big Data Analytics influence la Type :
Analytique influence en l'analyse Big Data influence la compétitivité des entreprises péruviennes
Compétitivité Compétitivité des entreprises Entrepreneurial HN : L'analyse du Big Data n'influe pas sur
la Compétitivité des Entreprises Péruviennes
Pas expérimental
Péruvienne ? Péruvienne
SYSTÉMATISATION OBJECTIFS SPÉCIFIQUES HYPOTHÈSES SPÉCIFIQUES
Transeccional ou
1. Dans quelle mesure le Big 1. Déterminer en quoi 1. Salut : L'analyse Big Data dans le Indépendant X1= Fase de Monitoreo
Transversal
Analyse des données en phase de mesurer le Big Data Analytics dans la La phase de surveillance de l'entreprise influence du Commerce
La surveillance de l'entreprise influence Phase de Suivi de l'Entreprise la Compétitivité des Entreprises Péruviennes (X) = Big Data
la Compétitivité Entreprise influe sur la compétitivité HN : L'analyse des Big Data dans la phase de Analytique Corrélationnel - Causal
Péruvienne ? Entrepreneuriale Péruvienne La surveillance des affaires n'influence pas la
Compétitivité Entrepreneuriale Péruvienne Población:
2. Dans quelle mesure le Big 2. Déterminer dans quelle Bonjour
2. : L'analyse Big Data dans le X2= Phase d'information Responsables des gestionnaires
Analyse de données en phase de mesure de l'analyse Big Data dans la La phase d'information d'entreprise influence D'affaires
L'information d'entreprise influence Phase d'information d'entreprise dans la Compétitivité Entrepreneuriale Péruvienne
de chaque phase des
dans la Compétitivité Entrepreneuriale influence la compétitivité HN : L'analyse du Big Data dans la phase de Entreprises
Péruvienne ? Empresarial Péruvienne Informations d'entreprise n'influence pas sur la
Compétitivité des entreprises péruviennes Échantillon :
3. Dans quelle mesure le Big 3. Déterminer dans quel Salut : L'analyse du Big Data dans la X3= Phase de Gerentes Responsables
Analyse de données en phase de mesure de l'analyse Big Data dans la La phase d'optimisation de l'entreprise influence Optimisation de l'Entreprise
L'optimisation des affaires influence Phase d'Optimisation de l'Entreprise dans la Compétitivité Entrepreunariale Péruvienne
de chaque phase des
dans la Compétitivité Entrepreneuriale influence sur la compétitivité HN : L'analyse des Big Data dans la phase de Entreprises
Péruvienne ? Entrepreneurial Péruvien L'optimisation des affaires n'influence pas sur la
Compétitivité des entreprises péruviennes
4. Dans quelle mesure le Big 4. Déterminer dans quel Bonjour:
4. L'analyse du Big Data dans le X4= Phase de Instrument de
Analyse des données en phase de mesure de l'analyse Big Data dans la La phase de monétisation des données influence Monétisation des données
Collecte de données :
La monétisation des données influe sur Phase de monétisation des données la Compétitivité Entrepreneuriale Péruvienne
la Compétitivité des Entreprises influence sur la compétitivité HN : L'analyse du Big Data dans la phase de Questionnaire y/o
Péruvienne ? Entrepreneuriat Péruvien La monétisation des données n'influence pas la Interviews
Compétitivité des entreprises péruviennes
5. Dans quelle mesure le Big 5. Déterminer dans quel Bonjour
5. : L'analyse du Big Data dans le X5= Phase de Paquet Statistique de
Analyse des données en phase de mesure de l'analyse des Big Data dans la La phase de métamorphose des affaires influence Métamorphose des affaires Analyse des données :
La métamorphose des affaires influence Phase de métamorphose dans la compétitivité entrepreneuriale péruvienne
dans la Compétitivité Entrepreneuriale affaires influence en la SPSS version 24.x
Péruvienne ?
 107

Compétitivité Entrepreneurial HN : L'analyse Big Data dans la phase de

Péruvienne La métamorphose des affaires n'influence pas
la Compétitivité Entrepreneuriale Péruvienne
6. Dans quelle mesure le Big 6. Déterminer dans quel 6. Bonjour : L'analyse des Big Data influence Dépendant Y1= Rentabilité
L'analyse de données influence mesure l'analyse des Big Data dans la Rentabilité Entrepreneuriale Péruvienne (Y)= Entrepreneurial
Rentabilité L'entreprise influence la rentabilité HN : Le Big Data Analytics n'influe pas sur Compétitivité
Péruvienne ? Entreprise Péruvienne la Rentabilité D'entreprise Péruvienne Entrepreneurial
7. Dans quelle mesure le Big 7. Déterminer en quoi 7. Bonjour : L'analyse des Big Data influence Y2= Part de Marché
L'analyse de données influence la part mesure de l'analyse du Big Data en la part de marché dans l'entreprise
de Marché dans l'Entreprise influence sur la part de marché de Péruvienne
Péruvienne ? l'Entreprise Péruvienne HN : L'analyse Big Data n'influence pas sur
la Part de Marché dans l'Entreprise
Péruvienne
 108

3.1. Matriz de Operacionalización

VARIABLE DIMENSIONES INDICATEURS

Indépendant X1= Phase de Surveillance de l'Entreprise X11= Grado de Implementación de Business

Intelligence (BI)
(X) = Analyse Big Data La phase de suivi des affaires ou commerciale est la phase où les organisations mettent en œuvre des solutions X12= Grado de Implementación de Data
de Business Intelligence (BI) et stockage de données (Data Warehousing) pour surveiller la performance Entreposage
L'analyse des données massives est le entreprise en cours. X13= Niveau de Mise en Œuvre des Rapports et
processus d'examen des ensembles Les organisations ont investi du temps, de l'argent et des efforts significatifs pour identifier et documenter leurs Tableaux de bord qui surveillent l'état actuel de l'entreprise
de grandes et variées données processus commerciaux clés qui rendent vos organisations uniques et réussies. Ils ont rassemblé, affiné, X14= Intégration des processus d'affaires
normalisé, enrichi et intégré les 3 principales sources de données opérationnelles; ils ont minutieusement construit X15= Développement de l'Architecture des Données
pour découvrir patrons
un modèle de données de soutien et une architecture de données.
cachés correlations
inconnues, tendances du X2= Phase d'Information Entrepreneuriale X21= Nivel de Procesamiento de Datos
marché, préférences du Structurés et non structurés Interne et Externe
client et d'autres informations utiles La phase d'Information Entrepreneuriale combine la richesse croissante de l'organisation des données structurées et X22= Niveau d'Analyse Prédictive des Données
que peut aider a les non structurés, internes et externes, avec des analyses prédictives pour découvrir les perceptions opérationnelles, de X23= Niveau d'accès à toutes les données opérationnelles et
organisations a prendre produits et clients cachés dans les données. Cela signifie découvrir les occurrences dans les données qui sont inhabituelles transactionnels de l'organisation
décisions les plus judicieuses (ou en dehors des comportements normaux, des tendances et des motifs) et dignes d'une enquête commerciale. X24=Capacité d'exploiter l'analytique en temps
Réel
X3= Phase d'Optimisation des Affaires X31= Nivel desarrollo de Analítica Predictiva
X32= Niveau de développement de l'Analytique Prescriptive
La phase d'optimisation des affaires est l'étape où les organisations développent l'analyse prédictive X33= Génération d'informations exploitables pour la
(prédit ce qui est probable qu'il se passe) et l'analyse prescriptive (recommande les actions à entreprendre) Prendre des décisions
nécessaires pour optimiser le processus clé de l'entreprise. Cette phase repose sur les connaissances analytiques X34= Nivel de incorporation de les
découverts lors de la phase d'Information Entreprise et construit des modèles analytiques prédictifs et prescriptifs. recommandations de l'analytique prescriptive aux
Certaines organisations transfèrent le processus d'optimisation aux machines, d'autres le convertissent en information. systèmes d'exploitation
actionnable aux employés de première ligne et aux managers pour les aider à prendre de meilleures décisions pour soutenir
un processus commercial spécifique.
X4= Fase de Monetización de Datos X41= Numero de productos o servicios creados
complètement nouveaux
La phase de monétisation des données est l'étape où les organisations tirent parti des connaissances
acquis à partir des phases d'Information d'Entreprise et d'Optimisation des Affaires pour créer de nouvelles
opportunités de revenus.
X5 = Phase de métamorphose des affaires X51= Numero de Procesos Transformados
X52= Transformation du Modèle d'Affaires
La phase de Métamorphose des Affaires est celle où les organisations intègrent les idées qu'elles ont capturées sur les
patrons d'utilisation de ses clients, les comportements de performance du produit et les tendances générales du
 109

marché pour transformer ses modèles d'affaires. Cette métamorphose du modèle d'affaires permet aux
les organisations offrir de nouveaux services et des capacités à leurs clients d'une manière qui soit plus facile à consommer
pour les clients et facilite l'implication de l'organisation dans des services plus stratégiques et de plus grande valeur.

VARIABLE DIMENSIONS INDICATEURS

Dépendant Y1= Rentabilidad Empresarial Y11= Calculo del ROA

(Y) = Compétitivité d'entreprise La rentabilité des entreprises est la mesure de la performance qu'un ROA = Utilités
un certain temps (l'exercice) produisent les capitaux utilisés
Actifs
Capacité de fournir des produits dans le même, c'est-à-dire, la comparaison entre le revenu généré et les capitaux
invertis pour l'obtenir.
et services avec une plus grande efficacité et efficience Y12= Calculo del ROE
face à ses concurrents avec l'objectif
ROE = Utilités
d'obtenir un meilleur rendement y L'indice de retour sur actifs (ROA en anglais) mesure le
Patrimoine
participation sur le marché. rentabilité d'une entreprise par rapport aux actifs qu'elle possède. Le ROA nous
donne une idée de l'efficacité d'une entreprise dans l'utilisation de ses actifs pour
générer des bénéfices.
ROA = (Bénéfices / Actifs) x 100

L'indice de retour sur fonds propres (ROE en anglais) mesure

rentabilité d'une entreprise par rapport au patrimoine qu'elle possède. Le ROE nous
donne une idée de la capacité d'une entreprise à générer des profits avec l'utilisation
du capital investi en elle et de l'argent qu'elle a généré.
ROE = (Utilités / Patrimoine) x 100
Y2= Cuota de Mercado Y21= Porcentaje de participación de Mercado

La part de marché est la proportion de marché que consomme les

productos o servicios de una empresa determinada.
En nous concentrant sur les produits, ce pourcentage peut être calculé
en tenant compte des unités vendues ou des revenus générés par ces ventes.
Quote par unités = Unités vendues par l'entreprise dans le
marché/Total des unités vendues sur le marché
 110

Annexe 4 : Protocoles ou instruments utilisés

4.1. Instrumento de Evaluación Cuestionario

DIMENSIONS INDICATEURS QUESTIONNAIRE

X11= Grado de Implementación de 1. ¿Se ha implementado el Business Intelligence

Intelligence d'affaires (BI) (BI) dans l'organisation ?

X12= Grado de Implementación de 2. ¿Se ha implementado de Data Warehousing

Entrepôt de données (DW) dans l'Organisation ?

X13= Niveau d'implémentation de 3. Les rapports ont-ils été mis en œuvre et

X1 Phase de Suivi Rapports y Tableaux de bord que Tableaux de bord qui surveillent l'état
surveillez l'état actuel de l'entreprise actuel commerce ?
du Negocio
X14= Intégration des Processus de 4. Ont-ils intégré tous les processus de
Affaires affaires par le biais des systèmes de
information ?

X15= Développement de l'architecture de 5. Ont-ils implémenté l'architecture de

Données données dans l'organisation ?

6. Ont-ils des niveaux de traitement des données

semi-structurés?
X21=Niveau de Traitement de
Données Structurés y non 7. Ont-ils des niveaux de traitement des données
Structurés Internes et Externes non – structurés ?

X22= Niveau d'analyse prédictive de 8. L'analytique prédictive a-t-elle été appliquée dans la
X2 Phase d'information Données organisation ?
Entrepreneurial 9. Y a-t-il accès à toutes les données opérationnelles et
transactionnelles de l'organisation?
X23= Niveau d'accès à tous les
données opérationnelles et transactionnelles de 10. Pensez-vous que les modèles
l'organisation prédictifs de l'organisation seulement
employant des données historiques pour l'analyse de
données ?

X24=Capacité d'exploiter le 11. Pensez-vous que les applications

Analytique en Temps Réel ils ont la capacité d'exploitation des
données en temps réel ?

X31= Niveau de développement de 12. Appliquent le niveau de développement des techniques de

Analytique Prédictive analyses statistiques dans les modèles
prédictifs?

X32= Niveau de développement de 13. Utilise des algorithmes d'apprentissage de

Analyse Prescriptive machine (apprentissage automatique) dans les
modèles prédictifs de l'organisation ?
X3 Phase de
Optimisation supprimer 14. Pensez-vous que l'organisation emploie la
Affaires analytique avancée Portant un toast
X33= Generación de Información recommandations pour une meilleure prise de décision
Actionnable pour la Prise de Décision décisions ?

15. Pensez-vous que le modèle d'analytique

avancée permet de créer différents
scénarios futurs pour une meilleure prise de décision
décisions?
 111

16. Les rapports et tableaux de bord de l'analytique

l'emploi dans l'organisation permet
générer des informations exploitables pour la
prise de décision ?

X34= Niveau d'incorporation des 17. L'incorporation des recommandations

recommandations de l'analytique de la analítica prescriptiva se encuentran
prescriptif un les systèmes implémentées en les systèmes
opérationnels opérationnels ?

X41= Numero de productos o 18. Y a-t-il des produits ou des services créés
services créés complètement complètement nouveaux à cause de
X4 Monétisation de nouveaux employer l'analyse des Big Data ?
données

X51= Numéro de Processus 19. Y a-t-il des processus transformés à la suite de l'utilisation
Transformés de l'analyse des Big Data ?
X5 Métamorphose de
Affaires
X52= Transformation du Modèle du 20. Pensez-vous que l'utilisation de l'analytique
Affaires avanzada a changé le modèle d'affaires de
l'organisation?

Y11= Calculo del ROA 21. Comparé avec l'année fiscale précédente, le
L'indicateur financier ROA était positif
pour l'organisation ?

22. Comparé avec l'année fiscale précédente, le

l'indicateur financier ROE était positif
pour l'organisation ?
Y12= Calculo del ROE 23. La part de marché a-t-elle augmenté
Y1Rentabilidad de la compagnie une fois mis en œuvre le
Entrepreneurial Analyse de Big Data

24. Le niveau de facturation de l'entreprise se

a augmenté par rapport à l'année précédente ?

25. L'entreprise appartient-elle au secteur privé ?

26. L'entreprise opère-t-elle de manière transnationale ?

Dans 10 ans, on est en train d'employer

les outils informatiques ?
Y2 Quota de Marché Y21= Pourcentage de participation de
Marché 28.- Au cours des 5 dernières années, ils ont été
en utilisant l'outil Big Data Analytics
dans votre entreprise ?

29. Considérez-vous que l'utilisation du Big

L'analyse des données au sein de l'organisation a eu un impact de

forme positive de la compétitivité des entreprises ?

 112

Annexe 5 : Format des instruments ou protocoles utilisés

Instrumento: Cuestionario/Encuesta
Le présent questionnaire a pour objectif de recueillir des informations d'intérêt avec la
recherche « L'analyse du Big Data et la compétitivité des entreprises péruviennes, cela
l'information servira à établir la relation qui existe entre le Big Data et la
Compétitivité des entreprises péruviennes

Les données sont réservées, anonymes et d'une utilité exclusive pour cette étude ; donc
nous demandons que vos réponses soient réelles et objectives. Nous vous remercions de votre participation.

ARTICLES

ANALYTIQUE DES BIG DATA

1 Le Business Intelligence (BI) a-t-il été mis en œuvre dans l'organisation ?

2 Le Data Warehousing (DW) a-t-il été implémenté dans l'organisation ?

3 Les rapports et tableaux de bord qui surveillent l'état actuel ont-ils été mis en place ?
affaire ?

4 ¿Tienen integrados todos los procesos de negocios por medio de los sitemas de
informations ?
5 Avez-vous mis en place l'architecture des données dans l'organisation ?

6 Ont-ils des niveaux de traitement des données semi-structurées ?

7 Avez-vous des niveaux de traitement des données non structurées ?

8 La analyse prédictive a-t-elle été appliquée dans l'organisation ?

9. Y a-t-il accès à toutes les données opérationnelles et transactionnelles de l'organisation ?

10. Considérez-vous que les modèles prédictifs de l'organisation n'utilisent que des données
historique pour l'analyse de données ?
11. Pensez-vous que les applications ont la capacité d'exploitation des
données en temps réel ?
12. Appliquent-ils des niveaux de développement des techniques d'analyse statistique dans les modèles
prédictifs ?
13. Utilise des algorithmes d'apprentissage machine dans les modèles
des prédictifs de l'organisation ?
14 ¿Cree usted que la organización emplea la analítica avanzada brindando
recommandations pour une meilleure prise de décision ?

15 Pensez-vous que le modèle d'analytique avancée permet de créer différents

scénarios futurs pour une meilleure prise de décision ?

16 Les rapports et tableaux de bord de l'analytique utilisée dans l'organisation permettent

generar Información accionable para la toma de decisiones?
 113

17 L'intégration des recommandations de l'analytique prescriptive se

sont implémentées dans les systèmes d'exploitation?
18 Y a-t-il des produits ou services entièrement nouveaux créés à la suite de
employer l'analyse des Big Data ?
19 Y a-t-il des processus transformés en raison de l'utilisation de l'analyse des Big Data ?

20 Pensez-vous que l'utilisation de l'analyse avancée a changé le modèle de

activité de l'organisation ?
COMPÉTITIVITÉ ENTREPRISE

21 Comparé au précédent exercice fiscal, l'indicateur financier ROA a été positif

pour l'organisation
22 Comparé à l'année fiscale précédente, l'indicateur financier ROE était positif
pour l'organisation ?
23. La part de marché de la société a-t-elle augmenté ?
implémenté l'analyse Big Data ?
24. Le chiffre d'affaires de l'entreprise a-t-il augmenté par rapport à l'année précédente ?
25. L'entreprise appartient-elle au secteur privé ?

26. L'entreprise opère-t-elle de manière transnationale ?

27. Dans 10 ans, les outils informatiques seront-ils utilisés ?

28. Au cours des 5 dernières années, l'outil Big Data Analytics a-t-il été utilisé ?
dans votre entreprise?

29 Pensez-vous que l'utilisation du Big Data Analytics dans l'organisation a eu un impact

de manière positive à la compétitivité des entreprises?

Fuente: Base de datos - Encuesta

Élaboration : Design propre à l'auteur
 114

ANEXES – Tableaux de ratios d'entreprises ROE ET ROA

TELEFONICA DU PEROU S.A.A. ET FILIALES ENEL GÉNÉRATION PÉROU S.A.A. (AVANT EDEGEL S.A.A.)
Y ET FILIALES
Pourcentage Pourcentage
ROE 961 341 0,160704 16% RE 557,398 0,205597 21%
5 982 066 2,711,119
2014 2014
ROA 1 551 177 0,13080 13% ROA 695 590 0,153200 15 %
11 858 996 4,540,403

ROE -498,926 -0,09094 -9 % ROE 468.791 0,175244 18%

5,486,538 2,675,071
2015 2015
ROA 1,378,540 0.10703 11% ROA 661,634 0.149883 15%
12,880,428 4,414,341

ROE 911,444 0,14243 14% RE 251,076 0,090222 9%

6,399,176 2 782 862
2016 2016
ROA 1,405,875 0,10125 10% ROA 531 076 0,116989 12%
13,885,832 4 539 556

ROE -237426 -0,03855 -4% ROE 447,233 0,147237 15 %

6 158 615 3 037 501
2017 2017
ROA 161377 0,01198 1% ROA 644 483 0,142926 14%
13 473 930 4,509,218

RE -410,165 -0.06956 -7% RE 662,415 0.218799 22%

5 896 631 3,027,502
2018 2018
ROA -412 592 -0,02991 -3% ROA 917 710 0,204382 20%
13 794 392 4,490,178

Source : EEFF - Superintendance des Marchés et des Valeurs

Élaboration : Design propre de l'auteur
 115

ANNEXE : Tableaux des ratios d'entreprises ROE ET ROA

ENTREPRISE NATIONALE DE TÉLÉCOMMUNICATIONS S.A.

BANQUE DE CRÉDIT DU PÉROU YFILIALES
Pourcentage $ Pourcentage
ROE 1 907 089 0.1918172 19% ROE 111 185,107 0,1162612%
9,942,222 956 344,862
2014 2014
ROA 2 782 629 0,0240607 2% ROA 56 470,502 0,018602 2%
115,650,505 3 035 795,403

ROE 2 807 362 0,2322908 23% RE 7 043,823 0,007373 1%

12,085,552 955 346,880
2015 2015
ROA 3 806 250 0.0280895 3% ROA -1 101,997 -0,00034 0%
135,504,288 3,262,953.316

ROE 2 963 779 0,2152236 22% ROE -35 405,758 -0,02806 -3%
13 770 696 1 261 872,741
2016 2016
ROA 3,809,539 0,029984 3% ROA 34 158,100 0,009814 1%
127,052,419 3,480,439.534

ROE 3 048 549 0,1980704 20% ROE -35 405,758 -0,02806 -3%
15 391 239 1,261,872.741
2017 2017
ROA 4 188 748 0,0301631 3% ROA 43 409,541 0,012301 1%
138 870 020 3 529 040,173

ROE 3,373,088 0,1968444 20% ROE 27 557,097 0,020167 2%

17 135 810 1 366 421,962
2018 2018
ROA 4 703 820 0,0327379 3% ROA -23 614,092 -0,00596 -1%
143 681 366 3 964 215,271

Source : EEFF - Superintendance du Marché et des Valeurs

Élaboration : Design propre de l'auteur
 116

ANNEXE : Tableaux des ratios d'entreprises ROE et ROA

PETRÓLEOS DU PÉROU - PETROPERÚ S.A.

Pourcentage
ROE 94,905 0,0343734 3%
2 760 998
2014
ROA 157,113 0,0189454 2%
8,292,940

ROE 502 667 0,1569434 16%

3 202 856
2015
ROA 708,131 0,0753625 8%
9,396,331

ROE 177 491 0,0473372 5%

3,749,507
2016
ROA 391 146 0,0278715 3%
14 033 899

ROE 185,104 0,114431 11%

1 617 604
2017
ROA 248,063 0,0417703 4%
5 938 743

ROE 119 552 0,0688144 7%

1,737,310
2018
ROA 177 275 0,0241387 2%
7,344,003

Fuente: EEFF - Superintendencia de Mercado y Valores

Élaboration : Design propre de l'auteur