Big Data : quelle valeur pour l’Entreprise ?

Les causeries du jeudi – 19 Juin 2016

Jérémie Wagner#data #tech #sales#marketing #innovation

Twitter : @jeremiewagnerLinkedin : https://ch.linkedin.com/in/jeremiewagner

Votre guide pour la soirée :

L’association :

L’alliance Data : #promouvoir #fédérer #partager

1. Vers un nouveau monde

2. Big Data : Définition et enjeux

3. Cas d’usages du Big Data

4. Challenges techniques

5. Initier une démarche Big Data : Bonne pratiques

Sommaire :

1. Vers un nouveau monde

2. Big Data : Définition et enjeux

3. Cas d’usages du Big Data

4. Challenges techniques

5. Initier une démarche Big Data : Bonne pratiques

Sommaire :

Il était une fois… des relations simples

Aujourd’hui… c’est bien plus complexe

Le monde a changé

Le choc des générations

Une organisation ré-inventée

Mais aussi : vos clients peuvent être vos meilleurs avocats… comme vos pires ennemis

Il faut donc offrir au client ce qu’il attend…

• De la transparence• Une information pertinente• Un véritable dialogue• Des offres adaptées• Des réactions rapides• Des propositions en temps réel• D’être remercié pour son

comportement d’achat• …

…Le considérer comme unique

… et être à son écoute

Mais le connaissez-vous assez pour cela ?

Bref. Le monde a changé

Ere du Produit Ere du Client Ere de la Donnée

La Promesse L’Expérience client La création de valeur

Vers un monde Data-Centric

Quel est le véritable objectif ?

+? = ValeurImpact

Next Best Offer /Action Ciblage plus fin Améliorer la

publicité

Attribuer les leads

Réduire le Churn

Augmenter la fidélisation

Détection de Fraudes

Calcul des risques

Excellence opérationnelle

Prévention d’incidents

Amélioration des processus Collaboration

Vendre plus, Vendre mieux

Décider plus vite, Décider mieux

1. Vers un nouveau monde

2. Big Data : Définition et enjeux

3. Cas d’usages du Big Data

4. Le Big Data pour la Connaissance Clients

5. Initier une démarche Big Data : Bonne pratiques

Sommaire :

Big Data : l’or noir du XXIe siècle

Information will be the “oil of the 21st century”

It will be the resource running our economy in ways not possible in the past.

Peter SondergaardGartner Senior VP

Big Data : l’or noir du XXIe siècle

… ou d’utiliser la Data

Big Data : l’or noir du XXIe siècle

Vague d’innovation sans

précédent

Explosion des volumes de

données

Démocratisation de l’accès à

l’information

Baisse des coûts matériels

Les 3 + 2 V du Big Data

Volume

Source: IDC

LatencyYears Sub-Second

Data VolumeAcross Time Scales

Busi

ness

Val

ue

Velocité

Variété

Les 3 + 2 V du Big Data

Véracité Valeur

Les promesses du Big Data

Données non structurées (notamment textuelles)

Intégration au SI métier de l’entreprise

Intégration d’algorithmes prédictifs

Enormes volumes de données

Rapidité des calculs et temps-réel sur des

interactions

Nouvelles sources de donnéesCapteurs, réseaux sociaux, open-data, INSEE, autres organismes

privés

60 secondes sur le web…

Tout est Donnée!

90 % des données générées l’ont été2014 : dans les deux dernières années2015 : dans l’année2020 : dans la seconde

Prévision 202080 Mds d'objets

connectés

OBJETS CONNECTÉS

63 MCHF de revenus d'ici 2018

MOBILE

Prévision 20171,7Mds d'utilisateurs fixes

1,4Mds d'utilisateurs Mobiles

SOCIAL

Valeur estimée de « l’unlocking »

3 220 MCHF

OPEN DATA

(source McKinsey 2013)

Seules 30% des données des

entreprises sont exploitées

DONNEES INTERNES

Data vs. opinions

If we have data, let's look at data. If all we have are opinions, let's go with mine.

Jim Barksdale

Data vs. HIPPO

Un avantage concurrentiel indéniable

Les modèles data-driven créent de nouveaux services

Electronique Banque Produits de consommation

Utilities Industrie Secteur public

Du prestataire deproduits financiers…

…à l’assistantde gestion du budget

Du lecteur MP3…

…Au conseiller pour les choix culturel

Des Megawatts…

…au Negawatts

De la fabrication d’avions…

…à le gestion des Heures de vol

D’un équipementierde sport…

…à un coach personnel numérique

Du service public…

…au service àla carte

• Nécessité d’un pilotage transverse– Tous les métiers sont touchés

– Casser les silos

• Conduite du changement

• Mise ne place d’un vocabulaire commun– Une approche globale

• Nouveaux métiers et nouvelles fonctions

• Sourcing externe versus montée en compétence

Les enjeux organisationnels

Evolution des profils dans les entreprises

• Pourcentage d’ingénieurs dans les entreprises– Les entreprises qui savent tirer parti des données pour driver leur business ont

une part importante d’ingénieurs

Source : Estimation basées sur les profils « engineer » LinkedIn, Oct. 2014

Le Chief Data Officer

• Son rôle :– Exploiter le Capital des Données de l’entreprise pour le business– Développer de nouveaux business ou services avec les données– Gouverner et protéger les données – Etre le garant de l’éthique sur l’utilisation des données

• Siège au Comité de Direction des entreprises– Rôle dans la stratégie– Orientation clairement Business

• Caractéristiques :– Expérience et légitimité– Positionnement transverse– Une triple compétence :

• Business (vision stratégique)• Data (angle Systèmes d’Information) • Organisation

Le Data-Steward

• Son rôle :– Propriétaire de domaines de données– Participer à la gouvernance des données– Garant de la bonne qualité des données– Relais local du CDO

Caractéristiques :• Excellente connaissance des données• Profil communicant

Le Data-Scientist

Le Data-Scientist est meilleur en statistiques que

l’informaticien et meilleur en informatique que le

statisticien

… Mais existe-t-il vraiment ?!

“Data scientist is the sexiest job of the 21st century”

1. Vers un nouveau monde

2. Big Data : Définition et enjeux

3. Cas d’usages du Big Data

4. Le Big Data pour la Connaissance Clients

5. Initier une démarche Big Data : Bonne pratiques

Sommaire :

Vision des décideurs sur le Big Data

Sources : Markess, Juin 2014

Vision des décideurs sur le Big Data

Sources : Markess, Juin 2014

Vision des décideurs sur le Big Data

La relation client avant tout, puis l’efficacité des processus et l’innovation

0 10 20 30 40 50 60

Expérience clientEfficacité des processus

Innovation produitMarketing ciblé

Réduction des coûtsGestion des risques

Monétisation de l'informationGovernance et réglementations

SécuritéAutres

Sources : Gartner

Big Data : pour qui, pour quoi ?

Industrie• Produit comme un service• Qualité, innovation R&D• Maintenance préventive

Assurance• Fraudes et risques• Connaissance client, Vision

360°, scoring temps-réel• Recommandation client• Tarification personnalisée

Secteur public• Services informationnels• Fraudes, abus• Sécurité publique• Personnalisation de la

relation citoyen

Distribution• Offres temps réel et service

personnalisés• Optimisation de

l’expérience magasin• Pricing dynamique

Santé• Gestion des effets

indésirables• Traitements personnalisés. • Amélioration des

diagnostics

Telecom• Parcours clients multi-

canaux• Partage de données de

géo localisation• Fraudes et analyse du

comportement client

Banques• Parcours clients multi-

canaux• Fraude, anti blanchiment• Partage des données

consommateurs pour personnalisation

Transports, loisirs• Planification et gestion des

evts liés à la logistique• Service client temps réel• Economie d’énergie• Pricing dynamique

Produits gde conso.• Analyse de sentiments et

retour produits• Relation personnalisée

avec le consommateur• Produit comme un service

« Le Smart Watering »

• En France , 25% de l’eau injectée sur le réseau est perdue en fuites et fraudesLe manque à gagner pour les citoyens s’élève à 2,4 milliards d’euros par an. (Source SIA Conseil)

– Les canaux numériques et l’Internet des objets ouvrent de nouvelles opportunités pour collecter/exploiter les données, et les mettre à disposition de tous

• Les Gains : – Informations en temps réel sur les débits et la qualité de l’eau – Services à valeur ajoutée pour les consommateurs et les collectivités– Détection au plus tôt des problèmes sur le réseau et en bout de chaine– Engagement commun au principe de consommation responsable– Automatisation du processus de collecte de la consommation

Alertes intelligentes

Données des véhicules

• Véhiposte est l’opérateur de la flotte de véhicules du Groupe La Poste

• Objectifs– Optimisation des tournées– Eco-conduite– Maintenance préventive

• Quelques chiffres– 40 000 véhicules actifs (4 roues)– Données détaillées au trajet (entre 2 arrêts) pour les

véhicules électriques– 45 000 immobilisations de véhicules d'au moins 1

journée sur les 4 dernières années– Données des capteurs des véhicules électriques +

Données déclaratives des véhicules thermiques

Données des véhicules

• Ce que démontre l’expérimentation :– Traitement statistique des valeurs aberrantes– Puissance et rapidité de traitement de volumes

importants de données hétérogènes offrant de nouvelles perspectives : Surveillance, monitoring du véhicule et conseil d’éco-conduite temps réel

– Facilité de mise en œuvre (projet réalisé en 1 mois)

– Montée en compétence sur les technologies Hadoop

• La suite :– Extension du projet sur de nouvelles applications :

• maintenance prédictive• optimisation des tournées

– Développement d’un assistant de conduite mobile

Election de Barack Obama 2012

• Les moyens : – Maillage géographique très précis des électeurs – Utilisation de données sociologiques et des réseaux sociaux– Données récoltées en amont par le porte à porte et croisées avec

des données internet

• Actions sur la Campagne :– Les bénévoles de la campagne Obama savent quels arguments

mettre en avant vis-à-vis des femmes célibataires, ou des jeunes, ou des hispaniques

– Ciblage précis des pubs, coups de fils et appels à donations

• Actions le jour du scrutin :– Suivi en temps réel et à un niveau de détail important du niveau

de participation– Mobilisation des bénévoles sur les quartiers qui votent le moins

Le Big Data avec les réseaux sociaux

• Des banques américaines ont ajouté des données issues de Facebook et Twitter dans les algorithmes d’octroi des prêts

– Détermination du profil de risque en fonction des données (amis, intérêts…)

– Vos amis sont-ils bons payeurs ?

La Sécu italienne (INPS) traque la fraude avec Facebook• Croisement automatique avec les données Facebook

(notamment statuts)• Identification des arrêts maladie susceptibles d’être

frauduleux• par leur date (mercredi, veille de vacances scolaires),• par leur récurrence pour un groupe d’individus,• Par le statut FaceBook (ex : « Aujourd’hui, c’est

journée shopping »)

Monétisation des Données

PIRELLI - Projet « smart-tyres »• 700 000 camions équipés• Capteur dans le pneu qui mesure la pression et la température mais aussi

la charge du véhicule, ses accélérations, son adhérence, ou la vitesse de rotation de la roue

• Objectifs : maintenance prédictive, sécurité, optimisation de la gestion de flottes (côté clients) et feedback amélioré sur les produits (pour Pirelli)

• Economie de carburant de 1 000 € par véhicule et par an• Vente des données aux assureurs pour personnaliser la tarification

Comm Bank - Projet Daily IQ• Position dominante en Australie : Gère 40% des

transactions par carte des consommateurs (dont elle connaît donc précisément le profil)

• Permet à la Banque de proposer un service d’analyse de la clientèle à ses clients professionnels

Prévention des risques pour les collaborateurs

L’exploitation des données de l’entreprise centrées sur une vision

Collaborateur permet d’améliorer la prévention des risques

• RH : Risques psycho-sociaux• HSE : Risques d’accidents

Utilisation des données comme :Historique du collaborateur : poste occupé, manager, nb de changements de postes, évolution dans l’entreprise, salaire, etc.Evaluations et Entretiens annuelsCR/Rapports partagés avec la hiérarchieBadgeusesMachines sur lesquelles intervient le collaborateur

A partir de ces informations, des algorithmes sont appliquées pour permettre : Catégorisation des collaborateurs suivant leur profil de risqueAlerte sur les profils détectés à risque élevé

1. Vers un nouveau monde

2. Big Data : Définition et enjeux

3. Cas d’usages du Big Data

4. Challenges techniques

5. Initier une démarche Big Data : Bonne pratiques

Sommaire :

Hadoop, le fer de lance des technologies Big Data

Hadoop Distributed File System (HDFS)

File Sharing & Data Protection Across Physical Servers

MapReduce

Distributed Computing Across Physical Servers

Hadoop permet de constituer une plateforme Big Data complète

Scalable sur des volumes Tolérant aux pannes Open source Conçu pour un hardware

standard

CORE HADOOP COMPONENTS

Principales Distributions Hadoop

Hadoop, le fer de lance des technologies Big Data

Source : P Russom – TDWI Best practices report ; Integrating Hadoop into BI & Data Warehousing

« Hadoop n’est plus une option »Forrester, Avril 2014

Hadoop, le fer de lance des technologies Big Data

Map Reduce est le composant Hadoop qui permet de paralléliserun traitement sur les différents nœuds qui composent son architecture.

Application MapReduce

1. Map Phase

2. Shuffle Phase

3. Reduce Phase

Résultat

Distribution du traitement sur les différents noeuds

Hadoop Data Nodespublic static class TokenizerMapperextends Mapper<Object,Text,Text,IntWritable> {

private final static IntWritableone = new IntWritable(1);

private Text word = new Text();

public void map(Object key, Text val, ContextStringTokenizer itr =

new StringTokenizer(val.toString());while (itr.hasMoreTokens()) {word.set(itr.nextToken());

context.write(word, one);}

}}

public static class IntSumReducerextends Reducer<Text,IntWritable,Text,IntWrita

private IntWritable result = new IntWritable();

public void reduce(Text key,Iterable<IntWritable> val, Context context){int sum = 0;for (IntWritable v : val) {

sum += v.get();

. . .

Hadoop Distributed File System (HDFS)

File Sharing & Data Protection Across Physical Servers

MapReduce

Distributed Computing Across Physical Servers

CORE HADOOP COMPONENTS

Réduction des coûts de stockage

• Hadoop fonctionne sur du Hardware banalisé– Cela permet de réduire très fortement les coûts de stockage

TCO Annuel pour 1 To de données

1. Vers un nouveau monde

2. Big Data : Définition et enjeux

3. Cas d’usages du Big Data

4. Le Big Data pour la Connaissance Clients

5. Initier une démarche Big Data : Bonne pratiques

Sommaire :

Facteurs-clés de succès

• Démarrer toute initiative Big Data par une phase exploratoire de découverte et d’appropriation des données– En mettant en œuvre une infrastructure analytique simple et rapide à déployer– En se concentrant sur les datas et les opportunités qu’elles présentent

Facteurs-clés de succès

• Développement itératif – En donnant de la valeur à chaque itération

Facteurs-clés de succèsMétier et IT doivent avancer conjointement

Métiers• Identifier les cas d’usage• Piloter le projet par l’usage et

l’apport de valeur• S’approprier les données • Expérimenter

Services IT• Identifier les solutions

• Adapter l’infrastructure• Réunir les données

• Expérimenter

- Travailler ensemble

- Expérimenter en lançant la démarche exploratoire

- Initier rapidement les premiers POC

Facteur-clé de succèsImpliquer les bonnes personnes

Réunir tous les métiers concernés pour casser les silos

Obtenir un sponsoring de haut niveau dans

l’entreprise

Impliquer tôt les services Juridiques /

CNIL

Traiter le sujet en tant que projet transverse à la DSI

Des questions ?