XebiCon'16 : Air France KLM - Le Big Data au service de la relation client personnalisée Par Michael Chalamel, Operations Research Analyst chez Air France et Mouloud Lounaci, Data Engineer chez Xebia
Les innovations digitales et l'amélioration de l'expérience client sont au coeur de la stratégie d'Air France KLM. Offrir de nouveaux services aux clients demande une adaptation permanente des métiers et de l'IT pour tirer pleinement partie des opportunités du Big Data. Découvrez un exemple avec la mise en place de modules de personnalisation de la relation client.
Improving the flight experience: Understanding and listening to frequent flye...
Similaire à XebiCon'16 : Air France KLM - Le Big Data au service de la relation client personnalisée Par Michael Chalamel, Operations Research Analyst chez Air France et Mouloud Lounaci, Data Engineer chez Xebia
Compatibilité applicative : Comment sécuriser et accélérer votre migration ve...Microsoft Technet France
Similaire à XebiCon'16 : Air France KLM - Le Big Data au service de la relation client personnalisée Par Michael Chalamel, Operations Research Analyst chez Air France et Mouloud Lounaci, Data Engineer chez Xebia (20)
XebiCon'17 : Monolith to microservice, histoire d’une transformation centrée...
XebiCon'16 : Air France KLM - Le Big Data au service de la relation client personnalisée Par Michael Chalamel, Operations Research Analyst chez Air France et Mouloud Lounaci, Data Engineer chez Xebia
1. @xebiconfr #xebiconfr
Air France KLM
“Le Big Data au service
de la relation client personnalisée”
Michael Chalamel
&
Mouloud Lounaci
4. @xebiconfr #xebiconfr
320 destinations
114 pays
jusqu’à 2 200 vols / jour
534 avions en
exploitation
AIR FRANCE-KLM
4
1.1
+24 millions Flying Blue +3 millions+19 millions
1 vente / 5 secondes
(sur www.airfrance.com)
5. @xebiconfr #xebiconfr
Département Recherche Opérationnelle (RO)
“Une équipe d’experts en Optimisation et en Data Science accompagnant les directions métier dans des
études stratégiques à fort ROI et avec un important écosystème d’outils opérationnels”
70 personnes : Ingénieurs / Docteurs en Recherche Opérationnelle, Data Science et informatique
❖ IT Groupe AIR FRANCE-KLM
❖ Plus de 25 applications utilisées tous les jours
❖ Conseil stratégique pour les Programmes de transformation (Transform 2015, Perform 2020)
❖ Innovation
5
1.2
6. @xebiconfr #xebiconfr
L’enjeu du Big Data pour AIR FRANCE-KLM
❖ 2011 - Le déclencheur :
➢ Système Revenue Management “in house” avec Hadoop v1 & MapReduce
❖ 2014 - Naissance du Programme Big Data
➢ Objectif: promouvoir le “Big Data” auprès des directions métier à travers des PoC
➢ Définition d’une infrastructure standard (Hortonworks, MongoDB, Talend)
➢ Implication du service de Recherche Opérationnelle sur les problématiques Data Science
❖ Succès : PoC industrialisés
6
1.3
7. @xebiconfr #xebiconfr
Notre Activité Data Science
Maintenance prédictive
Prévision
Demande / Trafic / Recette
Prévision d’annulation
7
Services et offres personnalisés
Gestion des plaintes et irritants
1.4
8. @xebiconfr #xebiconfr
Focus - Relation client attentionnée
La Data au service de l’expérience client depuis la réflexion
d’achat jusqu'à l’après-vol
8
Centralisation des données
● Service personnalisé
● Amélioration marketing client
● Offres commerciales personnalisées en
fonction des historiques de voyage
De nouveaux services en temps réel
● fluidifier le parcours du passager
● géolocalisation en temps réel des bagages
Plateforme opérationnelle
Hadoop / Kafka / Spark / MongoDB
1.5
9. @xebiconfr #xebiconfr
Une relation attentionnée sur le long terme
9
… Voyage ‘N’ Voyage ‘N+1’ ...
l’après-vol
Représentation de nos différents points de contact avec nos passagers
réflexion d’achat
1.6
10. @xebiconfr #xebiconfr
Une relation attentionnée sur le long terme
10
… Voyage ‘N’ Voyage ‘N+1’ ...
l’après-volréflexion d’achat
1.6
Recherche
site web
Enregistrement
en ligne Embarquement
11. @xebiconfr #xebiconfr
Problématique: Accélérer la mise en production
➔ Plus de services personnalisés à délivrer en production plus rapidement
Comment accélérer la mise en production des applications ‘Data Science’ ?
11
1.7
14. @xebiconfr #xebiconfr
De l’idée à la production… axes d’accélération
14
Et si on … ?
Quelles données ?
Peut-on faire … ?
Quelle priorité ?
Quelle Plateforme ?
Où sont les données ?
Quels outils ?
Comment partager
avec les métiers ?
Qui ?
DevOps ?
Quand ?
Qui ?
2.2
16. @xebiconfr #xebiconfr
L’importance d’une bonne gouvernance
❖ Vue d’ensemble, coordination des besoins
❖ Connaissance des données et des produits existants
16
À qui
soumettre
une idée et
comment la
prioriser?
2.3
17. @xebiconfr #xebiconfr
Exploration en Data Science
❖ Data Driven, tout dépend des données.
❖ Résultat Incertain, à la fois en faisabilité, Temps et en qualité.
❖ Outils Interactifs pour explorer les Données.
17
comment
accéder à
la donnée
?
Quels
outils
?
2.4
18. @xebiconfr #xebiconfr
Visualiser pour valider
❖ Mise en place rapide et simple de data visualisation.
❖ Accessible aux métiers.
❖ Feedback instantané.
18
Quels
outils
?
Comment
interagir
avec les
métiers
?
2.5
19. @xebiconfr #xebiconfr
❖ Automatisation du delivery pour entrer dans une
démarche d'amélioration continue.
❖ Passer de l’analyse de données et prototypage à
des applications data science.
❖ Simplifier les complexités liées au Big Data et
Spark.
19
PoC Permanent vs Produit
DevOps et
Data Science
c’est possible
?
Comment
gérer les
données
?
2.6
21. @xebiconfr #xebiconfr
Focus sur l’organisation
21
Instance “Data Gouvernance”
❖ Centralisation des données
❖ Coordination des besoins sur les sujets data
❖ Gouvernance de la donnée (qualité, sécurité, data management)
❖ Agile À qui
soumet
tre une
idée
?
Comment
prioriser
?
2.7
22. @xebiconfr #xebiconfr
Faciliter l’exploration
22
❖ Besoin et objectif clairs
❖ Données identifiées et disponibles
❖ Plateforme d’exploration adaptée et accessible
On ne peut pas explorer plus vite mais on peut commencer plus tôt
2.8
23. @xebiconfr #xebiconfr
Faciliter l’exploration
23
❏ Définir le besoin
❏ Identifier les données
❏ Définir les objectifs
❏ Cloud privé
❏ Plateforme Discovery
❏ Environnements
virtualisés
❏ Notebook Python
Spark
Comment
accéder à la
donnée
?
Quels
outils
?
2.8
24. @xebiconfr #xebiconfr
Focus sur la Data Visualisation
24
Indispensable pour valider les solutions efficacement avec le métier
❖ Outils utilisés
Quels
outils
?
Comment
interagir
avec les
métiers
?
2.9
25. @xebiconfr #xebiconfr
De l'analyse à l’application Data Science
25
❖ Abstraction sur les complexités liées à la configuration de Spark
❖ Guider les Data Scientists dans la structure du code et les Tests
❖ Bootstraper le lancement des applications Spark
2.10
28. @xebiconfr #xebiconfr
Data Science et DevOps
28
❖ Pipeline de delivery automatisée avec Bamboo.
❖ Test / build dans une Image Docker.
❖ Package au format PEX (Virtualenvs ++).
❖ Implication des Ops dans la définition du process de delivery
et du format du livrable.
PEX
Python EXecutable
DevOps et data
science c’est
possible
?
2.12
29. @xebiconfr #xebiconfr
Intégration des nouvelles données
❖ Intégrer une nouvelle source de données
➢ Valider la structure, le format
➢ Fréquence
❖ Reproduire la préparation de données
➢ Nettoyage / filtrage
❖ DevOps
29
Importance de l’intégration de nouveaux flux de données dans
le système opérationnel
Comment
gérer les
données
?
2.13
30. @xebiconfr #xebiconfr
Comment accélérer la mise en production des applications ‘Data
Science’ ?
30
Data & Business
Management
Cloud privé
Env. Discovery
Notebooks
Outillage
Spotfire / R-Shiny /
D3.js
Framework
DevOps
Penser “Produit”
2.14
31. @xebiconfr #xebiconfr
Le partage de connaissance cher à Xebia
❖ Repository de packages internes
❖ Rendez-vous mensuel dédié au partage de connaissance
❖ Identification de référents par domaine d’expertise
❖ Documentation et template de projets Data
31
2.15