Big Data Analytics

Big Data Analytics
avec

Paris, le 17 octobre 2012

Soft Computing – 55, quai de Grenelle – 75015 Paris – tél. +33 (0)1 73 00 55 00 – www.softcomputing.com

SOMMAIRE

1. Présentation de Soft Computing

2. Quelle place pour l'analytique dans les nouveaux SI décisionnels ?

3. Les enjeux de la gouvernance d’une plate-forme analytique

4. Illustration 1 :Industrialiser le cycle de vie des modèles :
présentation de SAS Business Analytics V9© pour une grande
banque de détail

5. Conclusion

www.softcomputing.com Reproduction interdite sans l’accord écrit de Soft Computing 11/04/2013 2

Carte d’identité de Soft Computing

Employés CA 2012

Référent 400 36 M€

« Soft Computing est une
R&D/CA
société spécialisée en CRM,
Big Data et Digital, délivrant 9% Innovant
des prestations de Conseil, de
Technologie et de Marketing
Services » Citoyen Qualité

Capitaux

16 M€ Pérenne


Ambition : spécialiste CRM, Big Data et Digital

Différenciateur client CRM

Big Data Accélérateur de décision

Génétiquement Net Digital


Services

Continuum de services

Concevoir, développer et déployer des solutions
CRM, BI et Web performantes, pragmatiques et
adaptées

Cadrage et Business Case
Refonte de processus et conception de systèmes d’informations
Architecture et urbanisation
Gestion de programmes et de projets
Développement et intégration
Recette
Change management et formation
Centres de services
Tierce Maintenance Applicative

Imaginer, bâtir et opérer des programmes de
conquête et de fidélisation cross-canaux, rentables
et innovants

Conception de programmes relationnels de conquête et de fidélisation
Exploitation de base et de programmes marketing
Conseil fichier et enrichissement
Gestion de la qualité et des référentiels de données
Analyse de données et connaissance client
Conception et exécution de campagnes cross-canaux
Mesure de la performance


Big Data, ils en parlent, nous le faisons

Nous travaillons sur
toutes les architectures
Big Data


SOMMAIRE


2. Quelle place pour l'analytique dans les nouveaux SI
décisionnels ?


4. Illustration 1 - Industrialiser le cycle de vie des modèles :
banque de détail

5. Conclusion


Des tendances de consommation drivées par
un contexte de crise et par les nouvelles technologies…

COMPORTEMENTS
USAGES
. Faire la bonne affaire
. Contribuer, participer . Screen culture
. Re commerce . Sans espèce
. Acheter groupé . Accès temps réel à
. Louer l’information
. Comparer, reporter

ATTENTES
. Transparence
. Honnêteté
. Simplicité
. Engagement


…qui redéfinit la relation consommateur/marque-entreprise

3 fois plus
On accorde trois fois plus sa confiance aux
recommandations de ses amis, sa famille, ses proches
NE FAIT PLUS CONFIANCE AUX qu’à la publicité des marques
DISCOURS DES MARQUES
86%
Près de 9 français sur 10 lisent « toujours » ou « parfois »
les avis consommateurs sur Internet

15 personnes
Après une mauvaise expérience, 64% des
consommateurs déclarent en discuter systématiquement
avec « environ 15 personnes »
A UN POUVOIR DE NUISANCE

23%
Un quart des consommateurs ayant eu une mauvaise
expérience ont publié un commentaire négatif

15%
EST VOLAGE Seuls 15% des consommateurs se déclarent «tout à fait
fidèles aux marques»

(Source INIT pour la journée de la fidélité).

...ce qui nécessite de redéfinir la relation en mixant messages
transactionnels et services

79% souhaiteraient pouvoir 39% souhaitent avoir la possibilité
télécharger des coupons de d’acheter directement des
réduction directement sur leur produits à partir de leur mobile
téléphone

41% aimeraient recevoir
73 % sont intéressés par des conseils
l’obtention des personnalisés
coordonnées du point de
vente le plus proche

55% veulent obtenir des
informations sur les marques
69% d’entre eux souhaitent en exclusivité
bénéficier d’offres
promotionnelles
58% désirent retrouver les
dernières nouveautés d’une
marque
Source:
SMSEnvoi.com, les attentes du consommateur mobile


… en lui proposant une expérience différenciée
qui contribuera à créer de la valeur…

SOCIAL 1
. Social shopping (avis)
. Communauté
. E-réputation 2 MOBILE
. Internet everywhere
. Réalité augmentée
. E coupon
. Check-in

BRAND CONTENT 5
. Contenu utile vs produit
. Valeur ajoutée / services

3 INTERACTIVITE
LUDIQUE 4 . Synergie cross canal
. Client=acteur . Identification / reconnaissance
. Expérience immersive de la
marque
. Relation affective et positive


De nouvelles exigences opérationnelles pour les équipes métier

• Pour s’adapter, les équipes métiers évoluent, s’organisent et souhaitent
industrialiser/déployer les processus experts. Les enjeux du pilotage et du CRM
analytiques vont en s’accentuant jusqu’à devenir critiques dans un contexte très
compétitif.


De forts enjeux se profilent

Disposer • Industrialiser la fabrication de
d’organisations l’information, et la mettre à Mieux gérer
études et disposition aux bons acteurs, la collecte et
décisionnelles agiles • Disposer d’une persistance élargie la
et productives pour apprendre et/ou auditer persistance

• Etre en mesure de mettre en œuvre
des outils analytiques
Industrialiser Déployer de
• S’appuyer sur des modèles experts
l’apport nombreux
• Les mettre à jour de manière plus
d’intelligence dans processus
réactive
les systèmes complexes
• Administrer les données ET les
modèles


Big Data…

• Une expression utilisée pour désigner des
ensembles de données qui deviennent
tellement volumineux qu'ils en deviennent
difficiles à travailler avec des outils classiques
de gestion de base de données.

• Dans ces nouveaux ordres de grandeur, la
capture, le stockage, la recherche, le
partage, l'analyse et la visualisation des
données doivent être redéfinis.

• La typologie même des données ne se
cantonne plus aux données structurées
classiques : texte libre, vidéos, sons,…


L’opportunité « Big Data »…

• Chaque jour, nous créons plus de données – (90% des données dans le monde
d'aujourd'hui ont été créées dans les deux dernières années).

• Ces données proviennent : des capteurs utilisés pour recueillir des informations sur le
climat, des messages sites de médias sociaux, photos et vidéos numériques,
enregistrements de transactions d'achat et téléphonie cellulaire, de signaux GPS pour
n'en nommer que quelques-uns. Ces données sont des Big Data.

• Big Data est plus qu’une simple question de taille, c'est une occasion d’identifier et
de faire émerger de nouveaux types de données et de contenu, pour rendre
votre entreprise plus agile, et à répondre aux questions qui étaient auparavant
considérés comme hors de votre portée.


Big data implique trois dimensions :
Volume, Vitesse, Variété plus la notion de Valeur

• Volume : les entreprises sont inondées d’un nombre croissant de données de
tous types, avec des volumes mesurables en téraoctets voire même en
pétaoctets .
– Exploiter 12 téraoctets de Tweets chaque jour pour améliorer l'analyse de la perception
produit
– Convertir 350 milliards de relevés de compteurs en prédiction de consommation d'énergie

• Vitesse : A quelques minute près, il peut être trop tard. Les processus actuels,
tels que l’identification de la fraude, sont tellement sensibles au temps que ces
big data doivent être utilisées en flux continu pour créer un maximum de
valeur pour l’entreprise.
– Examiner 5 millions d'événements commerciaux/jour pour identifier d'éventuelles fraudes
– Analyser 50 millions d’enregistrements d’appels en temps réel pour prédire le taux de
désabonnement plus rapidement

• Variété : les Big Data sont constituées de tout type de données - des données
structurées et non structurées comme du texte, les données audio, vidéo, flux de
clic, les fichiers log... L'analyse de ces types de données offre de nouvelles
perspectives :
– Exploiter en direct les flux vidéo des caméras de surveillance situées aux points clés d'intérêt
– Interpréter les données issues des images, vidéo et documents pour améliorer la satisfaction
client


L’opportunité « Big Data »…

• Les perspectives du traitement des big data sont notamment pour l'analyse d'opinions,
de comportement clients, de météo, ou même de tendances…

• Parmi les domaines de données qui réservent des opportunités :
– Le suivi des parcours physiques des clients (en centre commercial, magasin, sur le territoire,…)
– L’analyse des comportements et des usages sur le web,
– La compréhension des usages mobiles,
– La corrélation avec des facteurs externes (météo, contextes économiques, concurrence…),
– L’extension de la relation sur les réseaux sociaux,
– L’analyse des flux de consommation de service (internet, télévision…)

Services financiers Energie and Utilities
–Gestion des risques de fraude –Analyse de compteurs intelligents
–Analyse de la clientèle –La gestion d'actifs
Transport Digital Media
–Optimisation logistique –Ciblage en temps rée des annonces
–Analyse de la congestion du trafic –Analyse de site Web
Santé / Sciences de la Vie Vente au détail
–Analyse de texte médicaux –Omni-canal de marketing
–Analyse génomique –Analyse des flux de clic
Télécommunications Application de la loi
–Traitement de détail des enregistrements d’appels –Surveillance multimodal en temps réel
–Monétisation du profil du client –La cybersécurité


Le concept Décisionnel 2.0

Toutes les données ont une valeur

Les besoins d’aujourd’hui ne présument
… apport de Stratégique
pas ceux de demain valeur dans
Un capital tous les Tactique
en De nouvelles données apparaissent processus de
constante régulièrement l’entreprise Pilotage
évolution
… La forme, l’origine ou la localisation ne sont
pas des limites (SID, SI, Partenaires, Web …) Opérationnel

La donnée doit produire de l’information

La donnée récente, même non certifiée,
La donnée non structurée,
De l’information média (associée ou non),
Gérer : Des photos datées, des indicateurs et des informations calculées,
La très haute volumétrie
Différents niveaux de service
Le besoin de flexibilité

Le concept Décisionnel 2.0 : point de vue fonctionnel

Des services de base appuyés sur une gouvernance orientée métier

Services • Référencement, intégration,
gestion de la qualité,
d’intégration transformation, …

Services de • Organisation, mise en relation,
ajout de valeur, historisation,
persistance stockage, …

Services • Exposition, mise à disposition,
mise en forme, analyse,
d’accessibilité interprétation, sécurité, …

• Des données, des usages, des
Gouvernance processus, des modèles…


Décisionnel 2.0 : les grandes différences

• Pas de recherche d’intégration maximale des données au sein d’un
même SGBD, ni même dans les SI internes, mais plutôt une
approche par référencement et syndication de données
• Tolérance à la réplication de données
• Conservation de toutes les données (ou un maximum!)
• Mise en place systématique de dictionnaires de métadonnées
indépendants
• Gestion des évolutions plutôt par ajout de nouveaux domaines de
données, reliés par les référentiels communs plutôt que par
évolution des modèles/systèmes existants
• Gestion de la performance par les concepts systèmes (appliances,
big data), plus que par les développements ou l’optimisation
récurrente

• Déploiement de solutions spécialisées pour les fonctions complexes : textmining, gestion des
médias, recherches complexes, …
• Mise en œuvre de solutions orientées services
• Décloisonnement du reporting de production du décisionnel d’entreprise traditionnel,
notamment en déployant des processus d’aide à la décision basés sur des modèles
décisionnels
• Systématisation des solutions de restitution multi sources, avec une logique d’accès de type
moteur de recherche
• Intégration de moteur de création de valeur (plate-forme analytique, outils experts)…

Big Data : un vocable, plusieurs réalités pour la plate-forme analytique

FLUX

Analytique

NoSQL SQL


Et au bout de tout ça ? Quelques exemples de résultats

 Connaitre sa part d’audience et sa réputation sur le Web

 Partager avec ses clients les informations clés les concernant et enrichir ces données avec celles
qu’ils acceptent de partager (réseaux sociaux)

 Évaluer la performance d’un processus de bout en bout en prenant en compte le fonctionnement
actuel (temps réel), récent et de référence

 Adapter simplement le SI pour pouvoir réagir sur un évènement, (soupçon de fraude,
franchissement de seuil, dégradation de score, …), initier les processus d’alerte puis de correction

 Être en mesure d’utiliser tous les médias (images, texte, son, vidéo, …) dans les processus
décisionnels, tant pour leur contenu, que pour faciliter l’exploitation des informations (image
produit, parcours physique, texte d’un blog, …)

 Pouvoir mettre en œuvre et alimenter en données des solutions d’arbitrage prédictif en production
(Yield Management, Campagne auto-apprenante, moteur de règles, pricing dynamique)

 Donner de l’autonomie aux équipes d’experts en matière d’accès aux données sans prendre le
risque de dégrader les SLA pour tout le monde


SOMMAIRE




banque de détail

5. Conclusion


Périmètre de la gouvernance :
Les fonctions de l’environnement décisionnel

Les outils

Gouvernance et
Organisation

Les données


Une vision de la gouvernance décisionnelle

• La mise en place d’une gouvernance décisionnelle trouve sa légitimité et sa valeur en donnant aux
utilisateurs plus de liberté et d’autonomie tout en garantissant l’intégrité du système décisionnel et
son aptitude à satisfaire rapidement les nouveaux besoins.

• La gouvernance décisionnelle permet d’une part d’assurer la qualité et la performance des
processus et du SI, d’autre part de maîtriser les coûts. Elle doit garantir de mettre à disposition
des utilisateurs des données/informations/résultats cohérents et fiables.


Quelques axes pour la gouvernance décisionnelle
des plates-formes analytiques

Gestion des
modèles

Gestion des
méthodes

Mesure de la
performance

Knowledge
management

Gestion des
traces et de
l’historique

Sécurité et
confidentialité

Légalité


Une plate-forme d’études 2.0 – Usages et Pilotage

Distribution Distribution
Datamining - Temps Réel
statique dynamique
DATAMINING

Segmentation
Valeur Client Relationnelle
Durée de vie

Prévision
Score d’attrition
Segmentation
Comportementale
Score d’appétence
Webmining Réseaux
Segmentation Sociaux
marché TextMining
Etudes
Profils Client

PILOTAGE Constat Réaction Anticipation Action


SOMMAIRE




présentation de SAS Business Analytics V9© pour une
grande banque de détail

5. Conclusion


Industrialiser le cycle de vie des modèles

Présentation générale La couche logique La gestion du cycle de Les points de
d’une plate-forme pour l’accès aux vie des modèles vigilance
d’études 2.0 données


Vision traditionnelle de l’implémentation de modèles datamining

Environnement Environnement
datamining IT
5 Ordonnancement
1
Création de modèles de
scores sur données Recodage du modèle
stockées sur des en langage cible des
serveurs de fichiers infrastructures IT

2 4

Ecriture de spécification 3 Lecture de
pour implémentation spécification pour
du modèle implémentation du
DWH
modèle


Plate- forme d’études 2.0 – Cycle de vie des modèles, un
processus automatisé et sécurisé

Référentiel de
Analyses Datamining Modèles/Etudes uniques et Industrialisation des modèles
centralisés

Mettre le modèle en production
Création d’études
 Droits et profils spécifiques - Sauvegarder les pré-requis du
• Arborescence avec des droits modèle (périodicité, type de
accès règlementés et sécurisés : lancement, chainage, périmètre des
Création de modèles données,…)
applicatif de type « clique bouton »
pour l’écriture - Envoi pour validation :
--> Script
• Bibliothèques : génériques, --> Fiche ordonnanceur
Pilotage des modèles - communes, privatives --> Validation technique
Rapport de performance - Envoi MEP
ou Backtesting Stocker tous types de
- Construction des rapports documentation (associée ou non au
de performance modèle)
- Choix de type de Mise à Mise à jour automatique
jour : • Tous types de documents - Lancement de l’ordonnanceur
--> Manuelle (spécifications, bonnes pratiques, - Rapport d’alerte :
--> Automatique guides de formation,…) -> OK : Mise à jour dans le DWH
• Tous types de format -> KO : blocage des notes

• Gérer le versionning des modèles
en production Rapport de mise à jour
- Envoi au DTM et BAL le rapport de
mise à jour (contexte et note pour
validation)


Plateforme d’études 2.0 : Le cycle de vie des modèles


Les exigences fonctionnelles du projet

Construire une base spécifique au datamining et aux
études pour chaque entité

Construire une base spécifique au datamining et aux
études pour des groupes d’entité

Créer des études (ex: comportementales) ou des modèles
Datamining (scores …)

Généraliser des modèles sur l'ensemble des clients de
toutes les entités

Backtester, mesurer la pertinence et modifier si nécessaire
des modèles mis en production


Gouvernance des données (vue générale)

Clients SAS Métadonnées
SAS

SAS Entreprise SAS Entreprise Eléments
Guide Miner de
contexte

Echantillon
Echantillon
à la Espace
à 1/10 ème
demande privatif

Environnement d’études

Couche de données


Gouvernance des données (éléments de contexte)

Métadonnées SAS
Entité E1

Déclaration
des librairies
Entité E2

Contextes
DataMiner Entité E3 applicatifs

Utilisateurs et
Groupes groupes
d’entités G1
(E1,E2)

Groupes
d’entités G2
(E1,E3)


Gouvernance des données (gestion des droits)

Métadonnées SAS

Environn
Echan
Compte ement
tillon
technique accès
Echantillon à la d’études
DWH à 1/10 ème dema
nde
SGBD
Espace de gestion
Autorisations
des modèles
système

Content
Server Espace
privatif


Gouvernance des modèles

Clients SAS Métadonnées SAS

SAS Entreprise Guide

SAS Entreprise Miner

SAS Model Manager Espace de partage
des références aux
modèles (table
utilisée,
transformation, …)

Espace de
gestion des
Espace versions
privatif des
modèles

Espace de stockage
des modèles


SAS Model Manager : plus qu’une bibliothèque de scores

Créer une nouvelle version
Exécuter des tâches de scoring

Rapport de comparaison des modèles
Rapport de performance détaillé


SAS Model Manager : Configuration du cycle de vie des modèles

SAS Model Manager


Mise en production d’un modèle

SAS Data Integration Studio

Transformation du programme SAS
publié dans SAS Model Manager en
un job SAS Data Integration Studio

SAS Data Integration Studio

Déploiement du modèle en
environnement de production

SAS Management Console

Ordonnancement du modèle en
environnement de production


Une plate-forme d’études 2.0 – Points de vigilance

•Configurer les outils en concordance avec les bonnes pratiques préconisées
par l’éditeur
Conception
•Utiliser au maximum les outils par défaut fournis par la suite analytique
de la plate-
forme •Réaliser les développements spécifiques pour un besoin bien ciblé, avec une
pré-analyse en amont
•Veiller à ne pas généraliser les développements spécifiques

•Etre en capacité d’adapter les compétences des utilisateurs aux spécificités de
l’outil
•Identifier des profils adaptés à l’administration et à une utilisation optimale de
Organisation la plate-forme.
•Mener des plans de formations adaptés aux profils des utilisateurs, à la
maturité des groupes d’interlocuteurs
•Guide de bonnes pratiques


SOMMAIRE

1. Présentation de Soft Computing et de SAS



4. Illustration 1 :Industrialiser le cycle de vie des modèles :
banque de détail

5. Conclusion


Conclusion : industrialiser pour saisir l’opportunité

Big Data : une opportunité

De nouvelles données accessibles pour approfondir la connaissance client

Analytique : des processus à généraliser

Une condition sine qua non pour transformer le gisement en valeur

Le mode « garage » n’est plus de mise :
Il faut repenser l’urbanisation des données et la place de l’analytique
pour mettre en place des processus souples et industriels


Merci de votre attention


Big Data Analytics

Recommandé

Recommandé

Contenu connexe

Tendances

Tendances (20)

En vedette

En vedette (10)

Similaire à Big Data Analytics

Similaire à Big Data Analytics (20)

Plus de Soft Computing

Plus de Soft Computing (20)

Big Data Analytics