Objets Connectés (IoT) et Data Science

64
© Soft Computing www.softcomputing.com Objets connectés et Data Science Usages marketing ? 03/11/2016

Transcript of Objets Connectés (IoT) et Data Science

Page 2: Objets Connectés (IoT) et Data Science

© 2

DIRECTION COMMERCIALE ET MARKETING

Sandra GOMES CLARION

Directrice Commerciale et Marketing

E-mail : [email protected]

Tel : +33 (0)1 73 00 55 00

Page 3: Objets Connectés (IoT) et Data Science

© 3

Objets connectés et data science, quels usages marketing ?

Séminaire le 3 novembre 2016

Les objets connectés provoquent un véritable déluge de données. Les techniques de Machine Learning et de Data

Science combinées au technologies Big Data permettent de transformer ces données en connaissance actionnable pour

améliorer l’expérience utilisateur, la qualité des produits ou l’efficacité des processus. Quelles données remontent de

l’IoT ? Quelles techniques permettent d’en extraire de la connaissance utile ? …

Que ce soit dans le domaine de la santé, de la domotique, des véhicules, des réseaux de distribution,

la quantité d’objets connectés croît de manière exponentielle. Dans le même temps, les innovations

technologiques concourent à augmenter la fréquence et la quantité d’informations captée et

exploitable.

Ce séminaire prospectif vise à présenter au travers de quelques exemples, les données, les

technologies et les techniques sous-jacentes à l’analyse de données massives produites par les objets

connectés ainsi que des conseils sur les modalités pratiques de mise en œuvre.

A propos

Soft Computing est le spécialiste du marketing digital data-driven. Ses 400 consultants, experts en sciences de la donnée, en marketing digital et en technologies big data,

aident au quotidien plus de 150 entreprises à travers le monde à exploiter tout le potentiel de la donnée pour améliorer l’expérience de leurs clients et le ROI de leur

marketing digital. Soft Computing est côté à Paris sur NYSE Euronext (ISIN : FR0000075517, Symbole : SFT).

Cet événement est réservé aux clients et prospects Soft Computing. Pour tout autre profil, l'inscription sera soumise à validation.

Soft Computing |55 quai de Grenelle|75015 Paris|01 73 00 55 00 | www.softcomputing.com

Modalités : Ce séminaire aura lieu dans les

locaux de Soft Computing.

Ou via notre site:

www.softcomputing.com

Agenda : 08h45 – 11h00

Objets connectés et données collectées

Big Data : révolution dans le stockage et l’analyse de données

Data Science : théorie du signal, stochastique et autres techniques

d’analyse de l’IoT

Cas d’usage marketing de l’analyse de données de l’IoT

Organisation, compétences et gouvernance pour la mise en œuvre

Conclusion

Page 4: Objets Connectés (IoT) et Data Science

© 4

Sommaire

1. Introduction

2. IOT : définitions

3. IOT : plus qu'un buzz

4. IOT : les spécificités

5. IOT : 2 exemples

6. IOT : retours d'expérience

7. IOT : Conclusions

Page 5: Objets Connectés (IoT) et Data Science

© 5

Carte d’identité

Page 6: Objets Connectés (IoT) et Data Science

© 6

Exploiter tout le potentiel de la data

Créer des expériences Client sans couture

Démultiplier la performance du marketing digital

Mission

Marketing Intelligence

Big Data Driven

Digital Experience

Page 7: Objets Connectés (IoT) et Data Science

© 7

Compétences : un mix unique de compétences pointues

Digital

Marketing

Data

Science

Project

Management

Information

Technologies

Page 8: Objets Connectés (IoT) et Data Science

© 8

A la carte

Think Build Run

Délégation Projet Centre de services

Digital-Marketing IT AMOA

Offre

Delivery

Clients

Page 9: Objets Connectés (IoT) et Data Science

© 9

Extraits de références

Digital Marketing Big Data

Aviva

CRM Onboarding et campagnes

marketing anonymes – identifiés.

Danone

Programme relationnel multi-

devices et remarketing.

Engie

Data Management Platform, CRM,

Identity Management et web

analytics.

Fnac

Convergence des pratiques et

outils marketing offline et in store

avec le digital.

Les Echos

Migration technique et

organisationnelle d’une DMP et

d’une SSP.

BPCE

Centre de services de gestion des

campagnes marketing multicanal.

L'Oréal

Déploiement et exploitation d’une

plate-forme CRM multi-marques

multi-pays.

Système U

Centre de services gestion de

campagnes marketing et

connaissance clients.

vente-privee.com

Mise en place de campagnes

automatisées et optimisées par des

tests.

Vivarte

Gestion et activation d’un

référentiel client unique

multimarques.

La Banque Postale

Conception de l’architecture

décisionnelle hybride big data –

datawarehouse.

LCL

Accompagnement à la conception

et la mise en place d’un datalake.

Orange

Formation de compétences et de

méthodes en data science sur les

filiales Afrique et Moyen-Orient.

PSA

Définition de la gouvernance d’un

MDM client multi-activité et

international.

RCI Banque

Elaboration d’une stratégie de

connaissance client et valorisation

des big data.

Page 11: Objets Connectés (IoT) et Data Science

© 11

Recruteur de talents

Datascience Projet

Technologies Digital

Marketing

CRM

Big Data

100 CDI à pourvoir cette année

Contact : [email protected]

http://www.softcomputing.com/offres-d-emploi

Page 12: Objets Connectés (IoT) et Data Science

© 12

Sommaire

1. Introduction

2. IOT : définitions

3. IOT : plus qu'un buzz

4. IOT : les spécificités

5. IOT : 2 exemples

6. IOT : retours d'expérience

7. IOT : Conclusions

Page 13: Objets Connectés (IoT) et Data Science

© 13

Capteurs

Objet

Connecté

Serveur

Stocke

Analyse

Commande

Alimenta-

tion

Page 14: Objets Connectés (IoT) et Data Science

© 14

2006-2016 : ce qui a changé

Capteurs € : -50%

Objet Adresses : *1029

Connecté € : -98,5%

Couverture +40%

Serveur

Stocke € : -99%

Analyse Tflop : *103

Commande

Alimentation Durée : *1,000

Page 15: Objets Connectés (IoT) et Data Science

© 15

Page 16: Objets Connectés (IoT) et Data Science

© 16

Sommaire

1. Introduction

2. IOT : définitions

3. IOT : plus qu'un buzz

4. IOT : les spécificités

5. IOT : 2 exemples

6. IOT : retours d'expérience

7. IOT : Conclusions

Page 17: Objets Connectés (IoT) et Data Science

© 17

B2C : 33%

Page 18: Objets Connectés (IoT) et Data Science

© 18

5 fois plus d’objets

2015 : 10 Md - 1,5 / humain

2020 : 50 Md - 8 / humain

objets *5

Page 19: Objets Connectés (IoT) et Data Science

© 19

8 fois plus de données : 1,6 Zeta-octets en 2020

2016 : 200 Exa-octets produits par IoT

2020 : 1,600 Exa-octets

données*8

Page 20: Objets Connectés (IoT) et Data Science

© 20

280 fois plus de données analysées

2016 : 200 Exa-octets produits par IoT dont 1% analysé

2020 : 1,600 Exa-octets dont 35% analysé

calcul*280

Page 21: Objets Connectés (IoT) et Data Science

© 21

IoT 2025 : entre 4 et 10 % du PNB mondial

4% =

10% = +

Page 22: Objets Connectés (IoT) et Data Science

© 22

IoT 2025

Σ ≈ [4,000 – 10,000 Md€] : usages

2/3 B2B

Page 23: Objets Connectés (IoT) et Data Science

© 23

IoT 2025

Σ ≈ [4,000 – 10,000 Md€] : leviers

Page 24: Objets Connectés (IoT) et Data Science

© 24

Périmètre considéré

B2C (33%) Ventes et marketing (7%)

Collecte et analyse

Page 25: Objets Connectés (IoT) et Data Science

© 25

Sommaire

1. Introduction

2. IOT : définitions

3. IOT : plus qu'un buzz

4. IOT : les spécificités

5. IOT : 2 exemples

6. IOT : retours d'expérience

7. IOT : Conclusions

Page 26: Objets Connectés (IoT) et Data Science

© 26

Toujours la même histoire ?

Marketing

Data Science Programmation

Définit les produits & services

Exprime les fonctionnalités

Monétise la donnée

Explore

Transforme

Modélise

Collecte

Nettoie

Industrialise

Page 27: Objets Connectés (IoT) et Data Science

© 27

Temps réel : exemple retail

Check-out automatique

Le beacon capte les produits et débite le

client lorsqu’il passe la porte

Promotion personnalisée

La localisation en magasin est

croisée avec l’historique d’achat et

les pages vues en ligne pour choisir

les promos

Optimisation des stocks

Les ventes en caisse sont remontées

en temps réel pour une modélisation

prédictive des stocks

Réappro des rayons

Les images des rayons filmés par des drones

sont analysées pour identifier les besoins de

réappro

Page 28: Objets Connectés (IoT) et Data Science

© 28

Haute volumétrie

25 Go/heure

Page 29: Objets Connectés (IoT) et Data Science

© 29

Séries continues

2014 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013

1 12 12 12 11 11 11 11 10 10 9 9 9 9 9 8 8 7 7 7 7 7 6 6 5 4 3 3 2 2

CD_PRDEAN LB_PRDEAN_TICKET 24 28 20 11 30 21 16 2 19 5 27 17 14 11 7 9 3 29 27 13 11 2 15 3 10 6 23 6 12 9

8002270014901 SAN PELLEGR.

4030 KIWIS

8000430133035 MOZZAREL.125

3179732348913 PERRIER 1L

5410228102762 LEFFE BL.75C

3248830690610 PATE FEUILL.

3700311801361 MOUCH 15X10

5411681014050 DUVEL 75CL

3700311812985 DISQUE DEMAQ

3274080001005 EAU CRISTALI

3222475116865 EAU 5L

3222474212681 PH X24 BLANC

3222473347094 ETUI 24X9

3468570116601 EAU ROZANA

3222471020036 CAMEMB.CASIN

3057640135408 VOLVIC 6X1L5

3176571625007 LAIT ST.50CL

4593 CONCOMBRE

5410228158424 BIERE 75CL

3222473274482 PJ CLEMTINE

5410908000074 CHIMAY

3360410000104 AMI CHABERTI

3046920044691 CHOCOLAT

3123340002811 PJ ORANGE

3179732324818 EAU GAZEUSE

3302552414739 CAILLE FRAIS

3222471319390 EAU CO 6X1L5

3600550226980 COLORATION

3222474897857 SAVON MARS.

Page 30: Objets Connectés (IoT) et Data Science

© 30

Auto-apprentissage

Page 31: Objets Connectés (IoT) et Data Science

© 31

Données non structurées

Page 32: Objets Connectés (IoT) et Data Science

© 32

Interopérabilité

Page 33: Objets Connectés (IoT) et Data Science

© 33

Impact sur l’architecture

Serveur

Stocke

Analyse

Stockage et calcul

Big data

Stream

Processing

Algorithmes

Deep ML Traitement du

signal

API Interopérables

Page 34: Objets Connectés (IoT) et Data Science

© 34

Sommaire

1. Introduction

2. IOT : définitions

3. IOT : plus qu'un buzz

4. IOT : les spécificités

5. IOT : 2 exemples

6. IOT : retours d'expérience

7. IOT : Conclusions

Page 35: Objets Connectés (IoT) et Data Science

© 35

Deux Objets connectés

Capteurs • scan ean, voix

• GPS, température,

accéléromètre…

Objet • scanette

• montre

Home Page

Connecté

Serveur

Stocke • données externes

• historiques

• données HomePage

Analyse • matrice de substitution

• données structurées

• données non structurées

Restitue • recommandations

• tableaux de bord

ID

ID

ID

ID

Page 36: Objets Connectés (IoT) et Data Science

© 36

MONTRE CONNECTEE

DOMAINE SPORT

2 1. Introduction

o concept

o objet

2. Enjeux

3. Masse de données comportementales

4. Services proposés par la montre connectée

Page 37: Objets Connectés (IoT) et Data Science

© 37

Objet # 2. Montre connectée - Le concept

Constat

user

Engouement pour les sports individuels

Plébiscite d’applications/réseaux communautaires mettant en avant

• l’expérience sportive - blog, photo, commentaires

• les analyses sous forme de stat, infographie

Constat

métier

A la croisée des deux secteurs les plus porteurs

sport

santé / bien être - premier segment marketing des

objets connectés

Page 38: Objets Connectés (IoT) et Data Science

© 38

Objet # 2. Montre connectée - L’objet

Objet « wearable » grand public dans la mouvance du Quantified Self

(mesure de données personnelles)

• On-Off pour chaque « move »

(comme un chrono)

• Approvisionnant en data le compte

personnel du user à la fin du move

par cable ou WiFi

Remarque : Identifiant unique [Objet = Compte = User ]

Page 39: Objets Connectés (IoT) et Data Science

© 39

MONTRE CONNECTEE

DOMAINE SPORT

2 1. Introduction

2. Enjeux

3. Masse de données comportementales

4. Services proposés par la montre connectée

Page 40: Objets Connectés (IoT) et Data Science

© 40

Objet # 2. Montre connectée - La promesse user

échange d’informations

compétition : se mesurer aux autres

Partager avec sa communauté

choisir/suivre un programme d’entraînement adapté à ses

envies

planifier ses itinéraires

Planifier ses entraînements

profiter de ses performances

améliorer sa condition physique

Suivre sa progression

Page 41: Objets Connectés (IoT) et Data Science

© 41

Sous forme de signaux avec un pas de temps de 1 s

Objet # 2 Montre connectée - Les données

Volumétrie très importante

GPS (latitude-longitude)

>> Distance

Capteur Pression >> Altitude

Température Accéléromètre

>> Vitesse

Signaux récoltés

à chaque « move » run/cyclo/plongée ..

de chaque user

Cardiomètre >> BPM

Page 42: Objets Connectés (IoT) et Data Science

© 42

Données supplémentaires renseignées par le user sur sa home page

Objet # 2 Montre connectée - Les données

Volumétrie très importante

+

Données non structurées

Commentaires

Photos

Données récoltées

au fil de l’eau

pour chaque user

Page 43: Objets Connectés (IoT) et Data Science

© 43

Objet # 2 Montre connectée - Récupération données

Distributeur

spécialisé

sport

• Proposer des nouveaux services

• Acquérir de la connaissance client sans

intrusion - pas de questionnaire

données CRM

données achats

données produits

données Montre Connectée

o données structurées : signaux

o données non structurées : commentaires, photos

Page 44: Objets Connectés (IoT) et Data Science

© 44

MONTRE CONNECTEE

DOMAINE SPORT

2 1. Introduction

2. Enjeux

3. Masse de données comportementales

4. Services proposées par la montre

o Services Quantified Self

o Services Coach

Page 45: Objets Connectés (IoT) et Data Science

© 45

Objet # 2 Montre connectée - Le service Quantified Self

Données récoltées le 03 juillet 2016 Reporting

• Extraire de la data les

indicateurs descriptifs

• Proposer de l’information

« agréable »

Exemples : kca, temps de récup

• Restituer l’information de

manière attractive

• Faire une restitution en

temps réel sur l’objet connecté Activité :

RUN

Page 46: Objets Connectés (IoT) et Data Science

© 46

Objet # 2 Montre connectée - Le service Quantified Self

Données avec infographie

Signaux de vitesse et altitude avec informations complémentaires:

moyenne, maximum et statistiques intermédiaires

Activité :

RUN

Page 47: Objets Connectés (IoT) et Data Science

© 47

Cas d’usage # 2 Montre connectée - Service Quantified Self

Tableau de bord : Indicateurs agrégés

Activité :

RUN

Page 48: Objets Connectés (IoT) et Data Science

© 48

Objet # 2 Montre connectée - Le service Quantified Self

La vitesse

est calculée à partir du capteur « accéléromètre » (m/s^2)

• En intégrant sur le temps

• En intégrant deux fois >> distance parcourue

Le temps de

récupération

est calculé à partir de règles a priori dépendant de la durée, de

la vitesse, du dénivelé

L’altitude

est calculée à partir du capteur « pression »

(pas à partir des données GPS)

• Problématique de précision du GPS – surtout en terrain à fort

gradient

• Problématique de mémoire et temps d’accès Activité :

RUN

Page 49: Objets Connectés (IoT) et Data Science

© 49

Objet # 2 Montre connectée - Service Coach

une voix dans les écouteurs qui motive le runner en temps réel

coaching en live

Technologies Data Sciences :

Algorithme de recommandation

Apprentissage sur les historiques

moves, personnel ou collaboratif

Traitement du signal – extraction de features

Activité :

RUN

Page 50: Objets Connectés (IoT) et Data Science

© 50

Objet # 2 Montre connectée - Service Coach. Comparaison de signaux

Période des exercices de «fractionné»

90s 60s 73s

Début des exercices de «fractionné»

+ 23.5 min + 28 min + 26.5 min

Vitesse moyenne en « run »

2.54 m/s 2.78m/s 2.77 m/s

Dates des moves

2014-09-04 11:14:17

2014-09-08 19:13:09

2014-09-11 18:37:38

2014-09-26 11:05:44

Coordonnées GPS

48.839 2.58

48.840 2.58

48.838 2.58

48.840 2.58

ID

Pascal

Michel

Michel

Michel

En base

En base

En base

En direct

Speed m/s (ordonnées) fonction du temps (abscisses)

Page 51: Objets Connectés (IoT) et Data Science

© 51

Objet # 2 Montre connectée - Service Coach. Algorithme

Input :

ID, GPS, date, altitude, durée Michel , (48.840 2.59), 2014-09-26 11:05:44, 62, t=0

Identification de l’activité

Run

Apprentissage personnalisé:

dans l’historique Michel

• recherche des runs avec signaux sur [0,t]

similaires

o parcours déjà vu - GPS

o parcours nouveau - altitude

Apprentissage collaboratif:

dans l’historique des users de la

communauté de Michel

• recherche des runs similaires

(règles a priori puis knn : GPS, dénivelé, durée)

Comparaison des données instantanées : vitesse, bpm

Comparaison des indicateurs : T début du fractionné, période du fractionné

Prévision de durée – parcours déjà vu -

Ouput : messages

• trop lent, accélère

• bpm trop rapide, repos

• si tu tiens le rythme, tu exploses ton record

• si tu tiens le rythme, tu prends 2 minutes à Pascal

Identifications des caractéristiques de ces runs :

o durée, vitesse (moyenne/accidents), altitude, bpm Pré-traité

Caractéristiques Niveau 1

Caractéristiques Niveau 2

Page 52: Objets Connectés (IoT) et Data Science

© 52

Objet # 2 Montre connectée - Travail sur les signaux

Description

données

Pour chaque move - ticket

Plusieurs signaux - plus complexe qu’une variable

>> agréger l’information apportée par chaque signal

Agrégateurs

usuels

Non spécifiques « séries temporelles »

longueur, min, max, moyenne

Agrégateurs

complexes

Spécifiques « théorie du signal »

cycles, longueurs de cycles

tendances, accidents

Page 53: Objets Connectés (IoT) et Data Science

© 53

Analyse de Fourier classique

• Pour étudier les phénomènes cycliques

• Passer du domaine TEMPS au domaine FREQUENCE

Objet # 2 Montre connectée. Analyse signal

Temps en s (57 min) Fréquence

Vitesse en m/s Amplitude

Longueur du cycle le plus important = 1/Freq*.

Ici 72 s = périodes accélération/décélération (usuel 30+30)

Fractionné

(exercice cardio)

FFT

Page 54: Objets Connectés (IoT) et Data Science

© 54

Objet # 2 Montre connectée. Analyse signal

Avantage : détecte l’existence de cycles et leur longueur

Inconvénients :

o pas de localisation temporelle des cycles

o ne voit pas les « accidents » du signal

Analyse de Fourier

Ecrit le signal comme une somme

d’une tendance >> comportement moyen

de détails donnés à plusieurs échelles >> accidents localisés

Analyse en ondelette

- Très utilisée pour le Deep Learning

Page 55: Objets Connectés (IoT) et Data Science

© 55

Objet # 2 Montre connectée. Analyse signal

Détails

Niveau 1

Détails

Niveau 6

Détails

Niveau 5

Détails

Niveau 4

Détails

Niveau 3

Détails

Niveau 2

Tendance

Niveau 1

Page 56: Objets Connectés (IoT) et Data Science

© 56

Conclusion. Data Mining pour les objets connectés

Nature de la Data : signaux

Machine Learning : théorie du signal + recommandation

Services offerts : orientés vers la satisfaction

Lien direct avec le client via des outputs délivrés en

instantané

analyses sur la data

restitutions client

Page 57: Objets Connectés (IoT) et Data Science

© 57

Sommaire

1. Introduction

2. IOT : définitions

3. IOT : plus qu'un buzz

4. IOT : les spécificités

5. IOT : 2 exemples

6. IOT : retours d'expérience

7. IOT : Conclusions

Page 58: Objets Connectés (IoT) et Data Science

© 58

Agilité internet et rigueur industrielle

Design

Prototype testable

3 mois 1 semaine

Page 59: Objets Connectés (IoT) et Data Science

© 59

Ventilation des coûts

Page 60: Objets Connectés (IoT) et Data Science

© 60

Facteurs clés de succès

80 % simplicité 20 % puissance

Page 61: Objets Connectés (IoT) et Data Science

© 61

Plébiscite du cloud

Page 62: Objets Connectés (IoT) et Data Science

© 62

Un jeu à 3 5

Leadership

Page 63: Objets Connectés (IoT) et Data Science

© 63

Sommaire

1. Introduction

2. IOT : définitions

3. IOT : plus qu'un buzz

4. IOT : les spécificités

5. IOT : 2 exemples

6. IOT : retours d'expérience

7. IOT : Conclusions

Page 64: Objets Connectés (IoT) et Data Science

© 64

IOT &

Data

science

Spécificités : projet,

organisation et méthodes

Algorithmes : facteur clé

de différenciation

Questions à venir : vie privée,

propriété, responsabilité… Freins : règlementation,

interopérabilité