Recomendados
Recomendados
Mais conteúdo relacionado
Mais procurados
Mais procurados (20)
Semelhante a UN ÉLÉPHANT QUI SE BALANÇAIT … Comment mettre en musique les big data et valoriser les données avec de nouveaux services.
Semelhante a UN ÉLÉPHANT QUI SE BALANÇAIT … Comment mettre en musique les big data et valoriser les données avec de nouveaux services. (20)
Mais de OCTO Technology
Mais de OCTO Technology (20)
UN ÉLÉPHANT QUI SE BALANÇAIT … Comment mettre en musique les big data et valoriser les données avec de nouveaux services.
- 5. Evolution
- 8. Instabilité Imprévisibilité Auto-organisation Émergences de structures cohérentes Non déterminisme Rétroaction Brisure de symétrie Résultats probabilistes
- 10. Une question de Style
- 11. Le log
- 12. Leslie Lamport
- 13. Théorème CAP
- 15. Tyler Akidau
- 17. Software is eating the World
- 18. Thermodynamique des architectures de flux
- 22. www.octo.com - www.usievents.com - @OCTOTechnologyPARIS - SAO PAULO - RABAT - LAUSANNE - SYDNEY 22 LE PETIT DÉJEUNER VOUS A PLU ? Nos équipes sont là pour récupérer votre questionnaire de satisfaction à la sortie !
- 27. Le système d’information comme structure dissipative
- 29. Le programme Data, lancé en 2016, regroupe 3 expérimentations sélectionnées à la fois par le métier et la DSI
- 30. 3 uses cases pour répondre à des enjeux métiers de plus en plus ambitieux Rebond 360 PFM / BFM Lutte contre la fraude
- 31. Rebond 360 PFM / BFM Lutte contre la fraude Une démarche progressive et une prise de risque maîtrisée T0 T1 T2
- 32. La vision données Collecte des données à la source Collecte massive initiale et Restitution Refonte de fonctionnalités existantes Données existantes exposées Intelligence sur les données existantes Fonctionnalités complètement nouvelles
- 33. Référentiels Référentiel personne Offres produits Nomenclatures Autres (pays, taux, etc.) GRC - Gestion de la relation client Dossier client Relation client Aide à la vente (OAP, etc.) Autres (pilotage Marketing, etc.) Canaux Gestion administrative client Synthèse financière Autres SD - Systèmes Distributeurs Tenue de compte / calcul de position Dépôts à vue Épargne Financements Flux Autres (titres, placements, etc.) Réseau d’agences Banque en ligne Autres (téléphonique, etc) La cartographie fonctionnelle de l’existant
- 34. teradata référentiel personne relations client Dossier client Synthèse financière Indicateurs client OAP, etc.mainframe ... OAPRP DC RC L’existant : un SI siloté et des données cloisonnées
- 35. Création d’intelligence sur les données existantes Collecte des données à la source cassandra serveurs d’application JEE hadoop publication exposition archivage Données existantes exposées enrichissement Streaming collecte La big picture
- 36. LES FONDATIONS BÂTIR LE SOCLE DE DONNÉES
- 37. Rebond360 Application destinée aux conseillers particuliers leur permettant de mieux rebondir commercialement.
- 39. Montrer de la valeur au plus vite pour gagner la confiance des utilisateurs et des sponsors Collecte, traitement et stockage de la donnée Rebond360 Collecte des sources RP, RMT, indicateurs, etc. 1 Structuration et Stockage dans Cassandra Structuration3 Application R3604données brutes 2 Historisation dans le datalake Archivage des Objectifs ● Valider une première architecture technique ● Valider des briques nouvelles pour la BNPP : Hadoop, Spark, Cassandra ● Se rassurer sur la capacité à délivrer en production Gains ● Satisfaction des clients et des sponsors (embarqués dans la démarche de construction et impliqués dans la Vision) ● Suscité l’envie d’aller plus loin et de s’attaquer à de nouveaux challenges Données exposées pour les applications
- 40. mainframe teradata Hadoop et Spark cassandra référentielclient relations client serveurs d’application JEE Indicateurs client croisement enrichissement extraction archivage exposition consommation publication Rebond 360
- 41. Novembre 2016 Début de Rebond Avril 2017 Ouverture du service Rebond 360 Mai, Juin,… Septembre 2017 Mises à jour fonctionnelles et techniques Milestones
- 43. PFM/BFM L’application PFM est destinée aux clients particuliers et professionnels afin de mieux gérer leurs finances : - Un moteur de règles et un modèle de prédiction évolutifs viennent améliorer la catégorisation automatique des mouvements - La simplification des libellés contribue à rendre plus lisibles les mouvements sur la nouvelle interface client
- 44. Apporter de la valeur en capitalisant sur les travaux précédents PFM/BFM Déroulé
- 45. Apporter de la valeur en capitalisant sur les travaux précédents Déroulé PFM/BFM Collecte des sources Exposition des mouvements 1 Objectifs ● Réutiliser l’infrastructure mise en place pour Rebond 360 Gains ● Confiance en la plateforme
- 46. Apporter de la valeur en capitalisant sur les travaux précédents Déroulé PFM/BFM Collecte des sources Exposition des mouvements 1 Python 2 Validation de l’approche règles + ML (fail fast) Prototypage Objectifs ● Réutiliser l’infrastructure mise en place pour Rebond 360 ● Valider une approche bipartite : règles + modèle prédictif Gains ● Confiance en la plateforme ● Démonstration de la capacité à construire un modèle fondé sur l’apprentissage automatique et à le mettre en production
- 47. Apporter de la valeur en capitalisant sur les travaux précédents Déroulé PFM/BFM Collecte des sources Exposition des mouvements 1 Industrialisation Moteur : Scala Modèle : PMML 3Python 2 Validation de l’approche règles + ML (fail fast) Prototypage Objectifs ● Réutiliser l’infrastructure mise en place pour Rebond 360 ● Valider une approche bipartite : règles + modèle prédictif ● Mettre en place une chaîne automatisée de mise à jour Gains ● Confiance en la plateforme ● Démonstration de la capacité à construire un modèle fondé sur l’apprentissage automatique et à le mettre en production ● Mise en place d’un moteur de règles facilement configurable par un utilisateur non technique (via Excel)
- 48. Apporter de la valeur en capitalisant sur les travaux précédents Déroulé PFM/BFM Collecte des sources Exposition des mouvements 1 Industrialisation Moteur : Scala Modèle : PMML 3 Application PFM4Python 2 Validation de l’approche règles + ML (fail fast) Prototypage Objectifs ● Réutiliser l’infrastructure mise en place pour Rebond 360 ● Valider une approche bipartite : règles + modèle prédictif ● Mettre en place une chaîne automatisée de mise à jour Gains ● Confiance en la plateforme ● Démonstration de la capacité à construire un modèle fondé sur l’apprentissage automatique et à le mettre en production ● Mise en place d’un moteur de règles facilement configurable par un utilisateur non technique (via Excel) Mise en service
- 49. mainframe teradata cassandra mouvements Serveurs web opt-out à la catégorisation type de compte : particuliers /pro extraction archivage consommation exposition des données catégorisation simplification intégration des mouvements bruts PFM/BFM Hadoop et Spark
- 50. mainframe teradata cassandra mouvements Serveurs web opt-out à la catégorisation type de compte : particuliers /pro machine learning extraction archivage Application de la catégorisation et de la simplification sur les mouvements consommation exposition des données règles métier catégorisation simplification intégration des mouvements bruts PFM/BFM Hadoop et Spark
- 51. Approche par moteur de règles Bénéfice de l’expertise métier Certaines règles sont fiables à 100 % Extraction de features pour l’apprentissage Extraction de texte pour simplifier le libellé > Volet déterministe CATEGORISATION Le meilleur des deux mondes Approche par apprentissage Règles apprises sur des exemples Utilisables sur des cas marginaux hors règles Utilise des features issues du moteur de règles Exige la constitution manuelle d’exemples > Volet statistique
- 52. mouvements règles métier entraînement du modèleprédictif sur les mouvements catégorisés manuellement traduction et intégration dumodèle rédaction derègles de classification classification manuelled’un jeu d’entraînement Modèlede prédictionmoteur de règles data lab Python+ XgBoost Apprentissage Prédiction Fichier PMML Mouvements catégorisés avec libellés simplifiés Intégration des règles métier PFM/BFM l’apprentissage du modèle Hadoop et Spark
- 53. Milestones Novembre 2016 Début de Rebond Avril 2017 Première ouverture du service Rebond 360 Mai, Juin,… Septembre 2017 Mises à jour fonctionnelles et techniques Janvier 2017 Début de PFM Septembre 2017 Première ouverture du service PFM
- 55. Lutte contre la fraude Collecter Alerter AnalyserS’adapter
- 56. Milestones Juillet 2017 Lancement du cadrage lutte contre la fraude Aout 2017 Début des développements Novembre 2017 Première ouverture du service
- 57. Elargir le champs des possibles Collecter, Analyser, Alerter, S’adapter Lutte contre la fraude Collecte des actions 1 Temporisation3 Validation4Détection2 FEEDBACK MÉTIER
- 58. Elargir le champs des possibles Collecter, Analyser, Alerter, S’adapter Lutte contre la fraude Collecte des actions 1 Temporisation3 Validation4Détection2 FEEDBACK MÉTIER Objectifs ● Introduire des techniques « temps réel » Gains ● Proposer de nouveaux type de Use Cases aux métiers
- 59. Elargir le champs des possibles Collecter, Analyser, Alerter, S’adapter Lutte contre la fraude Collecte des actions 1 Temporisation3 Validation4Détection2 FEEDBACK MÉTIER Objectifs ● Introduire des techniques « temps réel » ● Être réactif aux évolutions de modèle jusqu’à la Prod Gains ● Proposer de nouveaux type de Use Cases aux métiers ● Fluidification du pipeline de la conception à la prod
- 60. Elargir le champs des possibles Collecter, Analyser, Alerter, S’adapter Lutte contre la fraude Collecte des actions 1 Temporisation3 Validation4Détection2 FEEDBACK MÉTIER Objectifs ● Introduire des techniques « temps réel » ● Être réactif aux évolutions de modèle jusqu’à la Prod ● Devenir fournisseur de données Gains ● Proposer de nouveaux type de Use Cases aux métiers ● Fluidification du pipeline de la conception à la prod ● Force de proposition en dehors des services existants
- 61. Cassandra Applications de e-banking Archivage Expositiondes opérations utilisateur Kafka Back Office API de scoring Stockage puis traitementdes opérations Remontéedes alertes Lutte contre la fraude Hadoop et Spark
- 62. A EMPORTER
- 63. Itérer Si on n’avait pas réussi à mettre en production Rebond 360 on aurait moins réussi les autres ! Mettre la technique au service du métier et non l’inverse L’essentiel n’est pas de calquer une architecture vue quelque part mais de la tirer par lesbesoins Mettre en place une véritable infrastructure de production dès le début même pour une expérimentation Ce que nous avons appris
- 64. Résister à la tentation de lancer trop de chantiers en même temps Prendre le temps devalider chacune des étapes Industrialiser au plus tôt les développements pour bénéficier d’un harnais de sécurité solide absorbant la mouvance des règles métiers Tracer la dette technique et fonctionnelle et bâtir un plan pour lanettoyer Ce que nous avons appris
- 65. Les logiciels sont le reflet de l’organisation qui les a construits Loi de Conway
- 66. Repenser l’innovation Zone franche Alléger les contraintes Simplifier les règles Favoriser l’action Equipe de corsaires Se donner les moyens de former des équipes pluri-disciplinaires Espaces de travail Ailleurs Différent Stimulant Créatif Pour faire autrement Créer Tester et apprendre Échouer et réussir Loi de Conway
- 67. MERCI
- 68. Annexes