Transformez les données en décisions : valorisez votre business grâce au Big Data. Table ronde organisée durant le Mois du numérique en Seine-et-Marne avec Les Digiteurs.
Valorisez votre business grâce au Big Data - Mois du numérique 2017
1.
2. #MDN2017
TABLE RONDE
Transformez les données en décisions :
valorisez votre business grâce au Big Data
CCI Seine-et-Marne, Serris
Jeudi 22/06/2017
3. #MDN2017
TABLE RONDE : Transformez les données en décisions : valorisez
votre business grâce au Big Data
• Animateur : Stéphane PARIS – Consultant Digital Sénior, DIGITAL_IN
• Laure BOUTRON – Directrice Marketing, EXACT France
• Denis OBLIN – Fondateur du cabinet MEMORANDUM
• Maître Frédéric PICARD – Avocat à la Cour, HAAS Avocats
• Jacques TEK – Conseiller Numérique, CCI Seine-et-Marne
6. #MDN2017
Définition : Les 4V du Big Data
200 adresses
6
20 millions de clients
400 millions de tweets par jour
8 milliard de vues sur snapchat
Pratiques et technologies emergentes
Volume Variété Vélocité Véracité
? ?
!
8. #MDN2017
Mémorandum accompagne votre transformation par la donnée
8
• Transformer vos process avec vos
données
• Vous guider pour prioriser les travaux
• Mesurer la valeur cachée sur les
process prioritaires (POC)
• Mettre en œuvre
• Piloter une politique de la donnée
• Vous rendre autonome sur l’exploitation
de vos données
– Transfert de compétence sur les projets
– Formations ad’hoc : comité de direction et
data scientists
– Coaching stratégique et technique
2 grandes approches
… Qui se rejoignent naturellement dans nos interventions :
vos équipes font avec nous, métiers et analystes data progressent ensemble
9. #MDN2017
9
« Exploiter la donnée est un projet métier, pas un projet informatique »
L’initialisation d’une démarche de valorisation des données ne nécessite aucune
infrastructure :
• Des ordinateurs de bureau (jusque quelques giga de données)
• Des logiciels d’analyse open source (R / Python)
• Des algorithmes d’analyse libres de droit, prédéveloppés et prêt à l’emploi
« La valeur n’attend pas le nombre des octets »
Une valorisation efficace des données dépend moins du nombre d’observations
(quelques milliers de clients ou de dossiers représentent déjà une bonne base) que de la
richesse de ses observations (pour un client avoir ses caractéristiques, ses transactions,
ses courriers, ..)
1
2
« Fail fast & learn »
Les démarches de valorisation des données se font par itérations, il est donc important de
savoir avant de se lancer que certaines analyses potentiellement non concluantes (mais
auront fait progresser)
3
Des convictions simples
10. #MDN2017
10
Source :Didier Girard /
https://www.linkedin.com/
pulse/20141204124054-
158449-bigdata-l-arme-
du-digital
Petits volumes Gros volumes de données
Valeurunitairedesdonnées
Data Warehouse Big Data
Machine learning (algorithmes)
Infrastructure (hadoop, spark, DMP, ...)
Briques big data pertinentes
Big data : applique la théorie de la longue traine aux données
12. #MDN2017
12
Big data : mélanger beaucoup de données pour construire
UNE information nouvelle
13. #MDN2017
13
Je n’ai pas de question (et peut être pas d’historique) Apprentissage non supervisé
Je veux synthétiser mes
données en paquet
relativement homogène pour
mieux me ls approprier
Visualisation de donnés plus simples
Données
présentes
Achat en ligne
- Mon client va-t-il acheter ?
- Pourquoi mes clients achète /
n’achètent pas
Modèle stable appliqué à tous les nouveaux clients
Diagnostic : profils / parcours, situations favorables ou
défavorables à l’achat
J’ai une question et j’ai un historique Apprentissage supervisé
Données
passées
La meilleure publicité sur un
nouveau produit ? (pas
forcément la même pour tous)
Modèle dynamique sur tous les nouveaux clients :
Choix automatique de la meilleure solution, de plus en
plus efficace
Version simple sur 1 paramètre : AB testing
J’ai une question mais je n’ai pas d’historique Apprentissage par renforcement
Données
futures
Le plus fréquent
Trois cas d’utilisation du Machine Learning
14. #MDN2017
14
La donnée n’est que l’ombre de la réalité : la manipuler et
l’interpréter mérite une supervision métier
15. #MDN2017
15
Il n’y a pas à proprement parler de projets data, mais une vision
data des projets
Métier
Equipe Data
Collecte
Données et
visualisation
Choix
Enjeu
cadrage
métier
Kick
Off
S’approprier les données,
visualiser et restituer Modéliser et interpréter
cadrage
Livrables
formalisés
1 - formulation
problème
2 -
Modélisation
3 - Visualisation
& Story telling
2 semaines
Ce qu’on a appris
sur le sujet
Ce qu’on a appris
sur autre chose
(contingence!)
Diagnostic concret
sur les données
Ce qu’on a appris
sur le sujet
Ce qu’on a appris
sur autre chose
(contingence!)
Diagnostic concret
sur les données
Ce qu’on a appris
sur le sujet
Ce qu’on a appris
sur autre chose
(contingence!)
Diagnostic concret
sur les données
50. #MDN2017
Pour les grandes entreprises
50
Domaines d’application : B2C et B2B
• Marketing : affiner les données liées aux consommateurs / utilisateurs, création de modèles prédictifs pour anticiper le
départ d’un client ou les ventes d’un produit.
• Finance / assurances : prédictif, fraud analysis, personnalisation de contrats
• Compréhension et optimisation des processus : gestion des stocks, RH, itinéraires de livraison…
• Sécurité : optimisation du trafic dans les villes
• Santé : recherche médicale et pharmaceutique
51. #MDN2017
Mais pas que …
51
Pour les particuliers
• Réseaux sociaux
• Sites communautaires (rencontres, loisirs …)
• Objets connectés
• …
52. #MDN2017
Mais pas que …
52
Pour les TPE PME
• Cloud Services / Community
• Predictive / Benchmark
• Exemples : Marketing (Google Trends), Agriculture, Avocats (legaltech), …
53. #MDN2017
Pour les éditeurs de logiciel
53
L’enjeu pour le groupe Exact
Combiner le Big Data & le Machine learning pour améliorer l’expérience client
• Pas d’utilisation de données financières
• Customer behavior data
• Agrégation de données pour les experts-comptables
• Services additionnels communautaires
54. #MDN2017
Le Big Data pas à pas
54
5 conseils clé pour maximiser le Big Data pour les PME
• Définir vos objectifs
• Identifier vos sources de données
• Consolider les données
• Analyser les rapports
• Maximiser l’utilisation de ces données
58. #MDN2017
Les bénéfices du Big Data pour les PME
58
Productivité, profitabilité
64% des répondants à
l’enquête utilisent des
applications Cloud
d’entreprise.
62. #MDN2017
Jacques TEK - Conseiller Numérique, CCI Seine-et-Marne
62
Rôles & missions
• Accompagner les entreprises TPE et PME dans cette Transformation Numérique
• Réaliser un « Diagnostic de Stratégie Digitale » directement en entreprise avec le dirigeant
• Evaluer la « Maturité Digitale » de l’entreprise
• Proposer des recommandations
• Accompagnement : rédaction des cahiers des charges, choix des prestataires, propositions de
formations adaptées
• #MDN2017 – Le Mois du Numérique 2017
• La marque « Les Digiteurs » : Vidéo
Rôle de conseil et d’accompagnement des entreprises
L’intelligence artificielle se résume à un traitement de données par un algorithme expert. En ce sens, il ne s’agit pas d’une nouvelle révolution industrielle ou technologique, mais d’une étape supplémentaire de l’informatique pour résoudre des problèmes complexes.
Définition de l’IA (TURING) c’est la faculté de la machine a imiter l’intelligence humaine. Deep Blue est donc intelligent, selon cette définition.
<number>
Le Big Data permet d’important développement dans les domaines de l’AI, car un nombre élevé de données permet d’apprendre plus efficacement aux machines vérité statistique.
Question de la personnalité juridique : permettre aux IA d’être partie à un contrat et responsable. Problème : quid de l’autonomie de la volonté d’un robot ? Comment conserver une spécificité humaine si les machines ont la personnalité juridique ?
Cadre éthique : très important. Permet d’encadrer la recherche et les mise en œuvre des futurs IA par des règles morales.
<number>
Big Data et vie privée : plusieurs contradictions.
La protection de la vie privée contraire au principe de collecte massive chère au Big Data
Interdiction du croisement des données sans consentement contraire au croisement a posteriori (Big Data)
Durée de conservation limitée contraire à la conservation illimitée (Big Data)
<number>
Big Data et vie privée : plusieurs contradictions.
La protection de la vie privée contraire au principe de collecte massive chère au Big Data
Interdiction du croisement des données sans consentement contraire au croisement a posteriori (Big Data)
Durée de conservation limitée contraire à la conservation illimitée (Big Data)
<number>
Droit à l’oubBig Data et vie privée : plusieurs contradictions.
La protection de la vie privée contraire au principe de collecte massive chère au Big Data
Interdiction du croisement des données sans consentement contraire au croisement a posteriori (Big Data)
Durée de conservation limitée contraire à la conservation illimitée (Big Data)
li, à l’effacement
<number>
Profilage pour décourager les clients les moins profitables en augmentant les prix ou en réduisant l’accès discrimination
<number>
« Pregnancy prediction » score for shopper
Target new baby family before birth records become public
Best way to get new shoppers : CA $44 to $73 billions
Read “How companies learn your secrets”, Charles Duhigg, 16 February 2012 about Target [http://www.nytimes.com/2012/02/19/magazine/shopping-habits.html]
Most profitable customer are :
Single women between 35-55yrs
Married women + 1 child
Gay male
Urban 25-50
Big Data offers you ethno-geographic insight : for instance, a single black uban women is more about to complain than a asian married urban man…
The border between “good” or “bad” discrimination is vanishingly small Big Data transmutes stereotypes and cultural clichés into data sets.
And the regulation concerns some industries only : insurance, finances, employment.
Algorithms have to be fair and transparent What discrimination we want ?
Future : Technological due process jurist will help programmers to respect the principles of no discrimination, loyalty, and compliance.
Goal : Avoid “black boxes” in medical area, credit score, etc
<number>
Le volume de données est un élément preponderant pour le BIG DATA
Exemples du jardinier qui bénéficie d’infos sur quand planter par rapport à la region, météo, …
Fight Discrimination Big Data is not racist / sexist and could prevent discrimination hiring.
Pablo Picasso : « Computers are useless. They can only give you answers ».
Declaration of the Rights of Man and the Citizen, art. 1 : « Men are born and remain free and equal in rights. The social distinctions can be founded only on the common utility”.
”Big Data: A Report on Algorithmic Systems, Opportunity, and Civil Rights », May 2016, Whit House : highlight the possible hiring discrimination through Big Data
Big Data allows both to fight against discrimination and to automate it
Reproduce discrimination ?
Ex. Women : less paid & less responsability
Big Data allows to unveil discrimination by analysis profile of applicant / hired candidate for instance or avoid racial profiling.
Select the profiles compared to successful employees reproduce discrimination
If black people or women are discriminated, the algorithm could estimate that they are intrinsically less productive for instance.
<number>