Big data, small decisions and     smart organizations  Christophe Benavent – Université Paris Ouest - @benavent      Pour ...
La promesse de LeclercQuels flux?- mails et message direct..- réseaux sociaux- interactions géolocalisées- interactions ca...
Avertissement    Plus de données ≠ meilleure connaissance            Aucune connaissance se se construit à partir des   ...
1850 : Navier-stokesWAVEWATCH III™ (Tolman1997, 1999a, 2009)Based onof the model WAVEWATCH,as developed at DelftUniversity...
Des 3V au 3S    Volume :                                                    Granularité :            tera, peta        ...
Une nouvelle granularité    Les vertus du grand nombre            Fournir des éléments pour une connaissance locale    ...
Granularité : un dimensionnement    Télécom : coordonnées et activités toutes les    minutes : 10 millions de client génè...
   190 000 000 nuités – 45000 hotels
sat=a1*Merch+a2*Off+a3*Pers+a4*Com
La qualité et la quantité          Faible : →        Information       Etudes & recherche         structurelle     (connai...
Les champs des études (retail)    Quelques domaines :            Optimisation des assortiments et linéaires            ...
Lenjeu nest pas dans les études    La granularité conduit à des décisions locales    et fréquentes qui risquent de dépass...
La nécessité de compétences                 nouvelles    Rapport McKinsey 2011 : 190 000 emplois aux US pour    2018. prè...
Conclusion    Big nest pas smart    Big ne produit pas de décision stratégique,    cest une stratégie de la micro-décisi...
Bigdata, small decision and smart organisation
Bigdata, small decision and smart organisation
Prochain SlideShare
Chargement dans…5
×

Bigdata, small decision and smart organisation

2 907 vues

Publié le

Conférence 31 aout 2012
Université d'été GS1

Publié dans : Business

Bigdata, small decision and smart organisation

  1. 1. Big data, small decisions and smart organizations Christophe Benavent – Université Paris Ouest - @benavent Pour la 7ème université dété GS1 – 31 Aout 2012
  2. 2. La promesse de LeclercQuels flux?- mails et message direct..- réseaux sociaux- interactions géolocalisées- interactions caisses- reconnaissance faciale (?)-…=> 10 millions de clients, 25 achats par clients, 1000 interaction annuelles ????
  3. 3. Avertissement Plus de données ≠ meilleure connaissance  Aucune connaissance se se construit à partir des données, seule la théorie donne sens au données.  Inutile davoir beaucoup de données, de bons échantillons suffisent (la barre des 10 000). Plus de données ≠ meilleure prédiction  Ne pas ignorer les auto-prophéties : le risque de linstabilité. Prédire cest modifier ce quon prédit  Le volume des données est sans rapport avec leur qualité : 1/3 des données du net sont sans doute mensongères. Une très grande fraction est redondante. La quasi totalité est partielles.
  4. 4. 1850 : Navier-stokesWAVEWATCH III™ (Tolman1997, 1999a, 2009)Based onof the model WAVEWATCH,as developed at DelftUniversity of Technology(Tolman 1989, 1991a)
  5. 5. Des 3V au 3S Volume :  Granularité :  tera, peta  Finesse de zeta,,hexa.. non lespace-temps structurées (POS/j). Vélocité :  Sémantique :  pas de latence  RDF et linked data entre acquisition et le sémantique ? et exploitation  Singularité : Variété :  une chance pour  de tout sur tout... 10000 est une régularité.
  6. 6. Une nouvelle granularité Les vertus du grand nombre  Fournir des éléments pour une connaissance locale  Lexception qui devient une règle : le fait probable à 1 pour 10 000 devient une régularité Linstantanéité  Accroissement de la réflexivité : les effets de laction peuvent être immédiatement répercutée auprès de son auteur Ubiquité :  La connaissance générale peut être particularisée  Les modèles généraux peuvent être localisés.
  7. 7. Granularité : un dimensionnement Télécom : coordonnées et activités toutes les minutes : 10 millions de client génèrent 1500 infos par jour ; 15 To/j. Banques : 1 entretien tous les deux mois, 1 relevé mensuel, 4 coups de tel, 8 consultations : 600 millions de contacts mois (1ko/1Mo). (6 à 600To/an). Distribution : 1 achat semaine, 100 items par tickets, 20 millions de clients. 100 milliards dactes dachats (1ko->100To/an).
  8. 8.  190 000 000 nuités – 45000 hotels
  9. 9. sat=a1*Merch+a2*Off+a3*Pers+a4*Com
  10. 10. La qualité et la quantité Faible : → Information Etudes & recherche structurelle (connaissance) Panels et baromètresDegré de CRMSpécificitéDe lexploitation delinformation Big data Forte : → Information Factuelle (intelligence) Opinion BB Interactions Experience Volume des données
  11. 11. Les champs des études (retail) Quelques domaines :  Optimisation des assortiments et linéaires  Optimisation des Prix  Crossselling  Microsegmentation  Analyse du parcours client  Comportement cross-canal  Promotion  Fidélisation Les nouveautés : lomniprésence et le faible coût des capteurs  Modéliser au niveau du point de vente, du rayon...  Réajustement des modèles en temps réels...
  12. 12. Lenjeu nest pas dans les études La granularité conduit à des décisions locales et fréquentes qui risquent de dépasser les capacités humaines des managers → Conception doutils pour les agents :  Systèmes dalerte  Visualisation  Indicateurs et tableaux de bords → Automatisation de la décision :  Les gains se réalisent dans la somme de micro- décisions automatisée (exemple du pricing, du filtrage collaboratif)
  13. 13. La nécessité de compétences nouvelles Rapport McKinsey 2011 : 190 000 emplois aux US pour 2018. près de 2 millions de cadres concernés Intégration dans lorganisation.  Formation des agents opérationnels aux interfaces  Culture générale (quantitative) des managers Des grands domaines techniques:  Maîtrise des modèles de données (MapReduce, Hadoop etc)  Modélisation massive (économétrie, RO,...)  Simulation (des tactiques) et méthode de monte carlo  Intelligence artificielle pour lautomatisation de la décision  Design des interfaces et modes de représentations
  14. 14. Conclusion Big nest pas smart Big ne produit pas de décision stratégique, cest une stratégie de la micro-décision. Le goulet détranglement est celui de lanalyse et de lexploitation Lart de distribuer linformation dans lorganisation est la clé du succès Le big problème : quelle source de compétence : interne ou externe ?

×