Sense at scale
2
data       Analysedata        Développemen                  ts              innovants              Conseil data       stra...
L’avènement des Big       Data         3
ByteUn caractère
50          Zettabyte Byte                   Kilobyte                   Exabyte                    Megabyte               ...
Les données viennent de        partout
Les données viennent de                 partout                               Usermédias                       generated  ...
Elles convergent vers le web
Elles sont reliées
Elles sont
Elles sont de plus en plus
Elles sont de plus en plus
Elles sont de plus en plus faciles à
Elles sont de plus en plus faciles à
Elles deviennent un enjeu
Elles dessinent un monde           12
Que faire avecles Big Data ?      13
Panopticon
PanopticonPas le plus intéressant !
Créer de nouvelles places de marché
Voir les tendances de fond
Repérer les singularités
Repérer les singularités
Calculer une  affinité
Prédire une dynamique
Analyser degrands systèmes
Comprendre la sociétéMonitorer un système dynamique
Capter les émotionsCapter les émotions
Communiquer
Un nouveau contexte    stratégique         24
Asseoir sa stratégie sur ses données      « Vous devriez faire un inventaire de ce que      vous avez comme données et vou...
Créer et faire vivrel’écosystème de ses données
Penser une « économie du        www.amazon.com
Penser une « économie du           43%          du chiffre          d’affaires        www.amazon.com
Repenserles processusde conception
Repenserles processusde conception                Données  Raffiner                Interpréter                Service     ...
Inventer de nouveaux services          www.cinemur.fr
Inventer de nouveaux services          www.cinemur.fr
Un nouveau métier        30
!    Big Datapas seulement plus de       données
Atte       ntion !    Big Datapas seulement plus de       données
La convergence de plusieurs          talents
La convergence de plusieurs          talents                 Nouvelles                 méthodes                 d’analyse ...
La convergence de plusieurs          talents                  Nouvelles                Algorithmiqu                  métho...
La convergence de plusieurs          talents                  Nouvelles                Algorithmiqu                  métho...
La convergence de plusieurs          talents                  Nouvelles                Algorithmiqu                  métho...
La convergence de plusieurs          talents                  Nouvelles                Algorithmiqu                  métho...
La convergence de plusieurs          talents                  Nouvelles                Algorithmiqu                  métho...
Qu’est-ce qu’il y a derrière les          données ?
www.mfglabs.com contact@mfglabs.com       @mfg_labs
MFG-Labs : présentation au club des directeurs de l'innovation
MFG-Labs : présentation au club des directeurs de l'innovation
Prochain SlideShare
Chargement dans…5
×

MFG-Labs : présentation au club des directeurs de l'innovation

2 916 vues

Publié le

Publié dans : Business
0 commentaire
1 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

Aucun téléchargement
Vues
Nombre de vues
2 916
Sur SlideShare
0
Issues des intégrations
0
Intégrations
932
Actions
Partages
0
Téléchargements
19
Commentaires
0
J’aime
1
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • Pictos autour du titre. (titre au centre et pictos qui apparaissent pour chaque élément)\n\n\n
  • Pictos autour du titre. (titre au centre et pictos qui apparaissent pour chaque élément)\n\n\n
  • Pictos autour du titre. (titre au centre et pictos qui apparaissent pour chaque élément)\n\n\n
  • Pictos autour du titre. (titre au centre et pictos qui apparaissent pour chaque élément)\n\n\n
  • Pictos autour du titre. (titre au centre et pictos qui apparaissent pour chaque élément)\n\n\n
  • Pictos autour du titre. (titre au centre et pictos qui apparaissent pour chaque élément)\n\n\n
  • Pictos autour du titre. (titre au centre et pictos qui apparaissent pour chaque élément)\n\n\n
  • Pictos autour du titre. (titre au centre et pictos qui apparaissent pour chaque élément)\n\n\n
  • Pictos autour du titre. (titre au centre et pictos qui apparaissent pour chaque élément)\n\n\n
  • Pictos autour du titre. (titre au centre et pictos qui apparaissent pour chaque élément)\n\n\n
  • Pictos autour du titre. (titre au centre et pictos qui apparaissent pour chaque élément)\n\n\n
  • Pictos autour du titre. (titre au centre et pictos qui apparaissent pour chaque élément)\n\n\n
  • Pictos autour du titre. (titre au centre et pictos qui apparaissent pour chaque élément)\n\n\n
  • Pictos autour du titre. (titre au centre et pictos qui apparaissent pour chaque élément)\n\n\n
  • Pictos autour du titre. (titre au centre et pictos qui apparaissent pour chaque élément)\n\n\n
  • Pictos autour du titre. (titre au centre et pictos qui apparaissent pour chaque élément)\n\n\n
  • Pictos autour du titre. (titre au centre et pictos qui apparaissent pour chaque élément)\n\n\n
  • Pictos autour du titre. (titre au centre et pictos qui apparaissent pour chaque élément)\n\n\n
  • Pictos autour du titre. (titre au centre et pictos qui apparaissent pour chaque élément)\n\n\n
  • Pictos autour du titre. (titre au centre et pictos qui apparaissent pour chaque élément)\n\n\n
  • Pictos autour du titre. (titre au centre et pictos qui apparaissent pour chaque élément)\n\n\n
  • Pictos autour du titre. (titre au centre et pictos qui apparaissent pour chaque élément)\n\n\n
  • \n
  • - Data is leveraged (La force des données relationnelles : 10 données relationnelles = 100 données en vrac)\n
  • => amazing result => un exemple de mash up simple et cool (3 slide )\n\nNous avons appris a séquencer le génôme humain il y a 10 ans pour des milliards de dollars. Ce coût chute de 2 fois un taux exponentiel pour atteindre 10 000$ aujourd’hui. Ce ne sera plus très long pour atteindre le seuil de 100$, ou la gratuité, vendu avec un autre service comme les téléphones cellulaires. Plus d'un million de personnes devraient être «séquencées» en 2013\nDe grands résultats (google maps + craiglist)http://www.housingmaps.com/\n
  • \n
  • \n
  • \n
  • \n
  • \n
  • \n
  • Data has become accessible ( 3 slides ) \n• easy access ( 1 slide )\nbébé + ordi\nhttp://techcrunch.com/2011/04/10/the-new-information-age/\n
  • \n
  • \n
  • \nbig data is not big brother => it is the patterns that matter more than indivuals\n\n Bourse, box office : prendre la température de la conversation mondiale\n connaissance de la dynamique d’une propagation\n\nMFG\nLe comportement de la foule influence le comportement de l’utilisateur\nle comportement de l’utilisateur créé le comportement de la foule\n\n\n\n\n\n
  • \nbig data is not big brother => it is the patterns that matter more than indivuals\n\n Bourse, box office : prendre la température de la conversation mondiale\n connaissance de la dynamique d’une propagation\n\nMFG\nLe comportement de la foule influence le comportement de l’utilisateur\nle comportement de l’utilisateur créé le comportement de la foule\n\n\n\n\n\n
  • \n
  • \n
  • \nit is the patterns that matter more than indivuals\n\n Bourse, box office : prendre la température de la conversation mondiale\n connaissance de la dynamique d’une propagation\n\nMFG\nLe comportement de la foule influence le comportement de l’utilisateur\nle comportement de l’utilisateur créé le comportement de la foule\n\n\nCONCLUSION : \nit is the patterns that matter more than indivuals\nLes modèles comportementaux importent plus que les comportements individuels\n\n\n\n
  • \n
  • \n
  • 3 exemples suivent ici sur what we can do at mfg on big data/data everywhere\n\n
  • Les traces collectives dessinent un nouveau sens => nouvelle valeur\n
  • \n
  • Quelles données seront la source autorité dans tel marché ?\nQuelles données seront exportées dans les applications tierces les plus excitantes ? (Accélérer l’innovation au-delà des ressources de développement interne)\nQuelles données ouvertes seront le plus connectées à d’autres sets de données, générant un retour positif sur la marque ? (Solidifier les relations avec les « power users » et leurs communautés respectives.)\nCe sont à ces questions stratégiques, essence même du data marketing, à lesquelles les entreprises doivent d’ores et déjà réfléchir.\nL’exemple du new-york times, netflix, wine.com etc... voir http://mfglabs.com/#!/data-marketing\n\n\n
  • \n
  • Tout comme ces entreprises qui ont rapidement rejoint le web et utilisé le search marketing et les médias sociaux comme un avantage compétitif, il existe une dynamique similaire avec le web de données.\n«Vous devriez faire un inventaire de ce que vous avez comme données et vous devriez réfléchir à la valeur de chacune d’entre elles au sein de votre entreprise et leurs valeurs pour d’autres personnes qu’elles soient de votre entreprise, partenaires, ou même publiques. @timberners_lee»\n\n\n
  • élaborer des stratégies efficaces et ainsi ouvrir de nouveaux marchés capables d'innovation.\n\nVoir http://mfglabs.com/#!/blog-charles-darwin-et-les-api\n\n
  • Trouver les bonnes questions et y répondre rapporte gros => \n\n\nAmazon augmenterait ses revenus de 30% par la recommandation de produits.\n76% des utilisateurs apprécient avoir des recommandations mais seulement 16% des applications s'en servent. Lorsque l’on sait que 90% des données ne sont pas utilisées, et que ces 10% utilisées peuvent être collées dans le passé, impersonnelles, et donc biaisées, les possibilités de création de valeur sont grandes.\n\nQu'un client achète deux produits différents est une chose intéressante, mais que ce même client soit fin connaisseur de vin et un lecteur assidu de la poésie de Rimbaud en est une autre. Qu’il ait acheté de Toulouse par un temps magnifique, en est encore une autre. Chaque seconde, d’énormes quantités de données sont générées et potentiellement révélatrices d'opportunités, mais aussi de tendances.\n\n-> Patterns are used to create relevant experiences. For example, if the data tells us that you are in a particular segment and we know that segment is interested in mountain bikes, we can show you mountain bike experiences instead of road bike ads.\n\nFrom e-business to me-business.\n
  • Data is the new code, code is a commodity\n\nidea-code-data (voir schéma)\n\n flux continu\n diversité\n fluidité des formats\n maniabilité\n\navant \n\nidee -> code -> Service-> data ( vertical)\n\ndata -> code -> idea\nor \ncode->idea->data\n\n(everything is linked voir schema)\n\n\ndata everywhere implies new work pattern\nplus de préalable\n\n
  • Data is the new code, code is a commodity\n\nidea-code-data (voir schéma)\n\n flux continu\n diversité\n fluidité des formats\n maniabilité\n\navant \n\nidee -> code -> Service-> data ( vertical)\n\ndata -> code -> idea\nor \ncode->idea->data\n\n(everything is linked voir schema)\n\n\ndata everywhere implies new work pattern\nplus de préalable\n\n
  • Data is the new code, code is a commodity\n\nidea-code-data (voir schéma)\n\n flux continu\n diversité\n fluidité des formats\n maniabilité\n\navant \n\nidee -> code -> Service-> data ( vertical)\n\ndata -> code -> idea\nor \ncode->idea->data\n\n(everything is linked voir schema)\n\n\ndata everywhere implies new work pattern\nplus de préalable\n\n
  • Data is the new code, code is a commodity\n\nidea-code-data (voir schéma)\n\n flux continu\n diversité\n fluidité des formats\n maniabilité\n\navant \n\nidee -> code -> Service-> data ( vertical)\n\ndata -> code -> idea\nor \ncode->idea->data\n\n(everything is linked voir schema)\n\n\ndata everywhere implies new work pattern\nplus de préalable\n\n
  • Data is the new code, code is a commodity\n\nidea-code-data (voir schéma)\n\n flux continu\n diversité\n fluidité des formats\n maniabilité\n\navant \n\nidee -> code -> Service-> data ( vertical)\n\ndata -> code -> idea\nor \ncode->idea->data\n\n(everything is linked voir schema)\n\n\ndata everywhere implies new work pattern\nplus de préalable\n\n
  • Data is the new code, code is a commodity\n\nidea-code-data (voir schéma)\n\n flux continu\n diversité\n fluidité des formats\n maniabilité\n\navant \n\nidee -> code -> Service-> data ( vertical)\n\ndata -> code -> idea\nor \ncode->idea->data\n\n(everything is linked voir schema)\n\n\ndata everywhere implies new work pattern\nplus de préalable\n\n
  • Data is the new code, code is a commodity\n\nidea-code-data (voir schéma)\n\n flux continu\n diversité\n fluidité des formats\n maniabilité\n\navant \n\nidee -> code -> Service-> data ( vertical)\n\ndata -> code -> idea\nor \ncode->idea->data\n\n(everything is linked voir schema)\n\n\ndata everywhere implies new work pattern\nplus de préalable\n\n
  • Data is the new code, code is a commodity\n\nidea-code-data (voir schéma)\n\n flux continu\n diversité\n fluidité des formats\n maniabilité\n\navant \n\nidee -> code -> Service-> data ( vertical)\n\ndata -> code -> idea\nor \ncode->idea->data\n\n(everything is linked voir schema)\n\n\ndata everywhere implies new work pattern\nplus de préalable\n\n
  • Data is the new code, code is a commodity\n\nidea-code-data (voir schéma)\n\n flux continu\n diversité\n fluidité des formats\n maniabilité\n\navant \n\nidee -> code -> Service-> data ( vertical)\n\ndata -> code -> idea\nor \ncode->idea->data\n\n(everything is linked voir schema)\n\n\ndata everywhere implies new work pattern\nplus de préalable\n\n
  • Data is the new code, code is a commodity\n\nidea-code-data (voir schéma)\n\n flux continu\n diversité\n fluidité des formats\n maniabilité\n\navant \n\nidee -> code -> Service-> data ( vertical)\n\ndata -> code -> idea\nor \ncode->idea->data\n\n(everything is linked voir schema)\n\n\ndata everywhere implies new work pattern\nplus de préalable\n\n
  • Data is the new code, code is a commodity\n\nidea-code-data (voir schéma)\n\n flux continu\n diversité\n fluidité des formats\n maniabilité\n\navant \n\nidee -> code -> Service-> data ( vertical)\n\ndata -> code -> idea\nor \ncode->idea->data\n\n(everything is linked voir schema)\n\n\ndata everywhere implies new work pattern\nplus de préalable\n\n
  • Data is the new code, code is a commodity\n\nidea-code-data (voir schéma)\n\n flux continu\n diversité\n fluidité des formats\n maniabilité\n\navant \n\nidee -> code -> Service-> data ( vertical)\n\ndata -> code -> idea\nor \ncode->idea->data\n\n(everything is linked voir schema)\n\n\ndata everywhere implies new work pattern\nplus de préalable\n\n
  • Data is the new code, code is a commodity\n\nidea-code-data (voir schéma)\n\n flux continu\n diversité\n fluidité des formats\n maniabilité\n\navant \n\nidee -> code -> Service-> data ( vertical)\n\ndata -> code -> idea\nor \ncode->idea->data\n\n(everything is linked voir schema)\n\n\ndata everywhere implies new work pattern\nplus de préalable\n\n
  • Data is the new code, code is a commodity\n\nidea-code-data (voir schéma)\n\n flux continu\n diversité\n fluidité des formats\n maniabilité\n\navant \n\nidee -> code -> Service-> data ( vertical)\n\ndata -> code -> idea\nor \ncode->idea->data\n\n(everything is linked voir schema)\n\n\ndata everywhere implies new work pattern\nplus de préalable\n\n
  • Data is the new code, code is a commodity\n\nidea-code-data (voir schéma)\n\n flux continu\n diversité\n fluidité des formats\n maniabilité\n\navant \n\nidee -> code -> Service-> data ( vertical)\n\ndata -> code -> idea\nor \ncode->idea->data\n\n(everything is linked voir schema)\n\n\ndata everywhere implies new work pattern\nplus de préalable\n\n
  • Data is the new code, code is a commodity\n\nidea-code-data (voir schéma)\n\n flux continu\n diversité\n fluidité des formats\n maniabilité\n\navant \n\nidee -> code -> Service-> data ( vertical)\n\ndata -> code -> idea\nor \ncode->idea->data\n\n(everything is linked voir schema)\n\n\ndata everywhere implies new work pattern\nplus de préalable\n\n
  • Data is the new code, code is a commodity\n\nidea-code-data (voir schéma)\n\n flux continu\n diversité\n fluidité des formats\n maniabilité\n\navant \n\nidee -> code -> Service-> data ( vertical)\n\ndata -> code -> idea\nor \ncode->idea->data\n\n(everything is linked voir schema)\n\n\ndata everywhere implies new work pattern\nplus de préalable\n\n
  • construire un pont entre le monde du cinema et ses amis\n=> trouver des patterns pour une expérience utilisateur personnalisée \n\nEt aussi prédire le box office : prendre la température de la conversation mondiale.\n\n
  • \n
  • Data is the new code, code is a commodity\n\nidea-code-data (voir schéma)\n\n flux continu\n diversité\n fluidité des formats\n maniabilité\n\navant \n\nidee -> code -> Service-> data ( vertical)\n\ndata -> code -> idea\nor \ncode->idea->data\n\n(everything is linked voir schema)\n\n\ndata everywhere implies new work pattern\nplus de préalable\n\n
  • \n\nThink at scale\nBe open minded\npluricompetence (lol)\nthink and know about many perspective on the data\n\n\n
  • \n\nThink at scale\nBe open minded\npluricompetence (lol)\nthink and know about many perspective on the data\n\n\n
  • \n\nThink at scale\nBe open minded\npluricompetence (lol)\nthink and know about many perspective on the data\n\n\n
  • \n\nThink at scale\nBe open minded\npluricompetence (lol)\nthink and know about many perspective on the data\n\n\n
  • \n\nThink at scale\nBe open minded\npluricompetence (lol)\nthink and know about many perspective on the data\n\n\n
  • \n\nThink at scale\nBe open minded\npluricompetence (lol)\nthink and know about many perspective on the data\n\n\n
  • \n\nThink at scale\nBe open minded\npluricompetence (lol)\nthink and know about many perspective on the data\n\n\n
  • \n\nThink at scale\nBe open minded\npluricompetence (lol)\nthink and know about many perspective on the data\n\n\n
  • \n\nThink at scale\nBe open minded\npluricompetence (lol)\nthink and know about many perspective on the data\n\n\n
  • \n\nThink at scale\nBe open minded\npluricompetence (lol)\nthink and know about many perspective on the data\n\n\n
  • \n\nThink at scale\nBe open minded\npluricompetence (lol)\nthink and know about many perspective on the data\n\n\n
  • \n\nThink at scale\nBe open minded\npluricompetence (lol)\nthink and know about many perspective on the data\n\n\n
  • \n\nThink at scale\nBe open minded\npluricompetence (lol)\nthink and know about many perspective on the data\n\n\n
  • \n\nThink at scale\nBe open minded\npluricompetence (lol)\nthink and know about many perspective on the data\n\n\n
  • \n\nThink at scale\nBe open minded\npluricompetence (lol)\nthink and know about many perspective on the data\n\n\n
  • La plupart des systèmes d'informations n'ont pas de méthodes pour construire des relations entre les données. Impossible de pousser des prédictions assez rapidement pour délivrer des recommandations précises. \n=> Établir des relations entre les données, permet de faire émerger de nouvelles réponses à de vieilles questions mais aussi de voir apparaître de nouvelles questions qu’on ne se posait pas (encore).\n
  • \n
  • \n
  • \n
  • \n
  • MFG-Labs : présentation au club des directeurs de l'innovation

    1. 1. Sense at scale
    2. 2. 2
    3. 3. data Analysedata Développemen ts innovants Conseil data stratégique 2
    4. 4. L’avènement des Big Data 3
    5. 5. ByteUn caractère
    6. 6. 50 Zettabyte Byte Kilobyte Exabyte Megabyte Gigabyte Terabyte Petabyte 1.000.000.000.000.000.000.000 bytes Zettabytes 200exabytes en 5 sera mis Tout ce qui petabytes ligneL’ensemble desqui a jamais mispar l’humanité Tout cece mots prononcésimprimé Tout qui a été été en ligne en 2020 en 2010
    7. 7. Les données viennent de partout
    8. 8. Les données viennent de partout Usermédias generated Internet Systèmes des objets Traces
    9. 9. Elles convergent vers le web
    10. 10. Elles sont reliées
    11. 11. Elles sont
    12. 12. Elles sont de plus en plus
    13. 13. Elles sont de plus en plus
    14. 14. Elles sont de plus en plus faciles à
    15. 15. Elles sont de plus en plus faciles à
    16. 16. Elles deviennent un enjeu
    17. 17. Elles dessinent un monde 12
    18. 18. Que faire avecles Big Data ? 13
    19. 19. Panopticon
    20. 20. PanopticonPas le plus intéressant !
    21. 21. Créer de nouvelles places de marché
    22. 22. Voir les tendances de fond
    23. 23. Repérer les singularités
    24. 24. Repérer les singularités
    25. 25. Calculer une affinité
    26. 26. Prédire une dynamique
    27. 27. Analyser degrands systèmes
    28. 28. Comprendre la sociétéMonitorer un système dynamique
    29. 29. Capter les émotionsCapter les émotions
    30. 30. Communiquer
    31. 31. Un nouveau contexte stratégique 24
    32. 32. Asseoir sa stratégie sur ses données « Vous devriez faire un inventaire de ce que vous avez comme données et vous devriez réfléchir à la valeur de chacune d’entre elles au sein de votre entreprise et leurs valeurs pour d’autres personnes qu’elles soient de votre entreprise, partenaires, ou même publiques. » @timberners_lee Inventeur du web
    33. 33. Créer et faire vivrel’écosystème de ses données
    34. 34. Penser une « économie du www.amazon.com
    35. 35. Penser une « économie du 43% du chiffre d’affaires www.amazon.com
    36. 36. Repenserles processusde conception
    37. 37. Repenserles processusde conception Données Raffiner Interpréter Service Code Créer
    38. 38. Inventer de nouveaux services www.cinemur.fr
    39. 39. Inventer de nouveaux services www.cinemur.fr
    40. 40. Un nouveau métier 30
    41. 41. ! Big Datapas seulement plus de données
    42. 42. Atte ntion ! Big Datapas seulement plus de données
    43. 43. La convergence de plusieurs talents
    44. 44. La convergence de plusieurs talents Nouvelles méthodes d’analyse Nouveaux Capacité à frameworks, lire et nouveaux interpréter les outils données Capacité à Capacité à engager définir une l’utilisateur stratégie dans les services
    45. 45. La convergence de plusieurs talents Nouvelles Algorithmiqu méthodes d’analyse e Nouveaux Capacité à frameworks, lire et nouveaux interpréter les outils données Capacité à Capacité à engager définir une l’utilisateur stratégie dans les services
    46. 46. La convergence de plusieurs talents Nouvelles Algorithmiqu méthodes d’analyse e Nouveaux Capacité à frameworks, lire et nouveaux Visualisation interpréter les outils données Capacité à Capacité à engager définir une l’utilisateur stratégie dans les services
    47. 47. La convergence de plusieurs talents Nouvelles Algorithmiqu méthodes d’analyse e Nouveaux Capacité à frameworks, lire et nouveaux Visualisation interpréter les outils données Capacité à Capacité à engager définir une UX l’utilisateur stratégie dans les services
    48. 48. La convergence de plusieurs talents Nouvelles Algorithmiqu méthodes d’analyse e Nouveaux Capacité à frameworks, lire et nouveaux Visualisation interpréter les outils données Capacité à Capacité à engager Stratégie définir une UX l’utilisateur stratégie dans les services
    49. 49. La convergence de plusieurs talents Nouvelles Algorithmiqu méthodes d’analyse e Nouveaux Capacité à frameworks, lire et Informatique nouveaux Visualisation interpréter les outils données Capacité à Capacité à engager Stratégie définir une UX l’utilisateur stratégie dans les services
    50. 50. Qu’est-ce qu’il y a derrière les données ?
    51. 51. www.mfglabs.com contact@mfglabs.com @mfg_labs

    ×