Présentation-Analyse-données-aide-décision-Apicube-Metro'num2015
-
Upload
metronum-2015 -
Category
Business
-
view
57 -
download
0
Transcript of Présentation-Analyse-données-aide-décision-Apicube-Metro'num2015
KEDGE Business School
21 – 22 Mai 2015
Joel Rubino Président et co fondateur Apicube
Analyse de données et aide à la décision. Où comment garder client et citoyen au coeur de votre stratégie.
Apicube est une société de conseil spécialisée dans le big data et l’étude des conversations publiques sur internet. Nous permettons aux entreprises et aux collectivités de mieux comprendre les attentes des consommateurs et des citoyens afin de mieux les servir en les gardant au cœur de leur stratégie.
2
Un univers digital en expansion
INSI
GH
TS
ACT
ION
S
90% des données publiques créées depuis le début de l’humanité et accessibles légalement ont été créées ces 2 dernières années (Source IBM)
Explosion exponentielle de la quantité de données. Nous ne sommes qu’au début d’un phénomène d’ampleur. Focus sur la valeur pas sur la donnée
Depuis Adam et Eve jusqu’en 2011
2012 - 2013
90%
Espace maitrisé Communication institutionnelle Marque -> clients
Site Corporate Publicité
Espace semi-maitrisé Modération du dialogue entre la marque et ses clients
Page Facebook Blog Corporate S.A.V. Compte Twitter Chaine Youtube …
Espace subi Expression totalement libre et incontrôlée
Sites Concurrents Presse en ligne Forum de discussions Instagram Tripadvisor Twitter Facebook Google+ …
Les 3 espaces de communication.
…. « A Bordeaux, j’ai acheté un sac Vuitton à mon épouse. C’est sa marque préférée mais les coutures viennent de lâcher »….
Séman'que et sen'ments
Opinion positive sur la marque
Identification du lieu
Identification de la marque Vuitton Homme Marié
Opinion négative sur le produit
…. « A Bordeaux, j’ai acheté un sac Vuitton à mon épouse. C’est sa marque préférée mais les coutures viennent de lâcher »….
• Stratégie: – Toulouse Métropole a la convic'on que les Médias Sociaux
doivent être le fer de lance de sa stratégie de communica'on.
• Problème: – Le disposi'f actuel est principalement réac'f sur la base des
besoins entrants et d’un radar ar'sanal – Difficulté à écouter des flux d’informa'on en dehors des
médias majeurs – Interven'ons sur requête et donc pas forcément
représenta'ves des besoins du plus grand nombre – Priorisa'on des contenus éditoriaux à créer et améliorer – Difficulté à détecter les sujets émergents avant qu’ils ne
deviennent majeurs – Incapacité à prévenir d’éventuelles crises
Toulouse Métropole: +700 000 habitants, 37 communes, 460 km²
• Développement à 'tre expérimental un modèle de données qui analyse les grandes théma'ques importantes pour la ville, comme les transports, la sécurité ou la culture.
• Plus d’1,6 millions de documents ont servi de base à la 1ère analyse, le modèle étant maintenant défini et op'misé il pourrait être alimenté en con'nu et temps réel, au fil de l’appari'on de nouvelles données et servir à de nouvelles analyses.
• Un rapport comprenant des synthèses qualita'ves et quan'ta'ves sur chaque grand thème a été transmis à la Direc'on de la Communica'on afin d’adapter leurs ac'ons sur la base de ces informa'ons, améliorant ainsi l’efficacité globale de leur travail et du service aux citoyens.
Big Data Analy'c Ecouter les Toulousains pour mieux les servir
METHODOLOGIE DE L’ETUDE
OU
TILS
A
NA
LYSE
SMA (Social Media Analytics) traite un large volume de données issues du web. La technologie sémantique traite et analyse les conversations selon un modèle prédéterminé.
Ce modèle d’analyse a été paramétré afin de faire ressortir toutes les discussions autour de l’univers de la metropole Toulousaine en réduisant au maximum les conversations « polluantes »
AXE
S D
’ÉTU
DE L’étude analytique va croiser 3
dimensions: Types: Grandes Thématiques Concepts: Segmentation des thématiques principales (Bus, Metro, Tramway,…) Hotwords: Sujets transverses et non spécifiques à une des 4 marques (Ville, quartier, …)
• L‘affaire Merah a maximisé la sensa'on d’insécurité • Après dépollu'on du modèle on retrouve une sensa'on
d‘insécurité comparable aux autres grandes métropoles Française et en deçà de métropoles telles que Paris/Marseille/Lyon.
• En bâ'ssant le modèle de données, nous avons pu constater que la théma'que sécuritaire est écrasante pour les Toulousains qui ressentent la ville comme peu sûre. (79.559 Documents,74%)
– Pour Toulouse Métropole, ce sen'ment est un réel enjeux car le besoin de sécurité est fondamental pour la popula'on. L’insécurité a une influence l’économie, la créa'on d’entreprise, la natalité, le dynamisme culturel, la santé, etc...
– En analysant les informa'ons disponibles, on constate une prédominance d’affaires na'onales, de délinquance ou de terrorisme, qui n’ont pas de corréla'on directe avec Toulouse.
– Toulouse acquiert une visibilité mondiale sur le sujet et un matraquage média'que quo'dien s’abat sur les habitants pendant plusieurs mois.
Toulouse La sensation d’insécurité au centre des débats – 1/2
• En géolocalisant par quar'er les expressions des Toulousains
– Le sen'ment d’insécurité est globalement homogène
– Les quar'ers pourtant généralement considérés comme «difficiles», ne sont pas différents
• Analyse par « Media Set » spécifique (c.a.d. par typologies de sources d’informa'on) – La PQR, principal média local, traite énormément la théma'que sécuritaire, venant indirectement renforcer
la percep'on néga've de la popula'on.
Toulouse La sensation d’insécurité au centre des débats – 2/2
Quelques exemples de réalisa'ons:
• Ligue na'onale de Football • Mairie de Toulouse • La Poste • SFR • Seb • Toulouse Métrople • IBM • PSG • Dynamo • …
1) Intérêt business du projet Démarrez avec des questions (pas avec des données..) Définissez vos KPI business (Revenu, Croissance, Marge, Satisfaction client, Part de marché, délais de livraison, co^t de recrutement HR, etc,
2) Établissez une cartographie des données disponibles dans l’entreprise Objectif: Décloisonner les « silos » qui peuvent exister au sein de chaque organisation pour obtenir une cartographie des données non pas par département mais par typologie ou usage.
Par où commencer ?
source description exemples web • contenu généré par les utilisateurs: réseaux sociaux, stockage de documents,
photos, vidéos, etc. • e-commerce: historique des transactions et données clients
• Facebook, Twitter, YouTube, LinkedIn, FlickR • Amazon, Ebay, etc.
machine to machine (M2M) et internet des objets
• RFID, capteurs, etc. NFC, QR code… • log (i.e. mobile, internet, fixe) et données d’appels
• localisation de produits • localisation d’individus, analyse du trafic en
temps réel, points de vente
données commerciales • CRM: profil des clients, comportements, logs, etc. • historique des transactions • programmes de fidélité: points d’intérêts
données personnelles • informations légales (identité, statut marital,…), informations médicales, etc. • passeport, dossiers médicaux, casier judiciaire open data • dossiers des administrations publiques, statistiques, etc. • datapublica.com, data.gouv.fr
3) Identifier des premiers cas d’utilisation faciles à tester L’objectif est de parvenir rapidement à une mise en application concrète où les données qui ont été retenues comme pertinentes vont pouvoir être testées, transformées et analysées. La clef de la réussite est de commencer avec des projets simples impliquant des tailles et une complexité de jeux de données faibles. Pour apporter un retour d’expérience rapide, ce premier projet doit être effectué avec des données de valeur, faciles à collecter,, être restreint à un secteur, une filiale ou un pays et porter sur un projet avec un ROI court terme.
4 chantiers en parallèle : Business, opérationnel, technologique et juridique 1. Chantier business • Intérêt business du projet • Retour sur investissement
2. Chantier opérationnel. • Faciliter le partage des données. Les données étant éparpillées au sein des entreprises (ou en externe) , il faut les traiter
de façon globale. • Création d’une business unit transverse à tous les départements en charge de la Data • Eventuellement lancer un programme de recrutement :
• des spécialistes technologiques : pour la gestion et la surveillance des outils et des plateformes • des Data scientists : pour le traitement et l’analyse des données • des Business managers : pour la compréhension des enjeux data des clients.
3. Chantier technologique: implémenter les bons outils technologiques • Orienté OPEX : externalisation de la gestion, du traitement et du stockage des données via un achat en mode « as a
service » de services. • Orienté CAPEX : achat d’une start-up ou d’outils big data à intégrer à votre SI interne 4. Chantier Juridique: • Trouver le juste milieu entre confidentialité et monétisation des données utilisateurs • S’entourer des conseils d’un avocat spécialisé « data »
Comment Con'nuer ?