Data Science

1 722 vues

Publié le

Comment accompagner vos équipes pour passer du Data Mining traditionnel à la Data Science ?

Stockage, analyse, activation et mesure constituent les éléments clés de la valorisation de la donnée. Parallèlement, la promesse des technologies est de permettre d'opérer ce processus de façon plus agile, tout en réduisant le "time to market". Tout ceci devant être accompagné par des évolutions des organisations et des compétences :

• Technologies : mise en place de Data Lake consolidant l'ensemble des données de l'entreprise, avec des capacités de stockage et de traitements adaptés. Évolution des outils de BI et analytics,...

• Compétences : montée en compétence sur les architectures NoSQL, les nouveaux outils, les nouvelles sources de données, les nouvelles méthodes de modélisations, le deep machine learning, la datavisualisation,...

• Organisations : mise en place d'une nouvelle gouvernance : re-répartition des rôles entre l'IT, le marketing et la Data Science. Création de nouvelles fonctions : Chief Data Officer, Data Analyst, Data Manager,...

Dans ce contexte de mutation, quels sont les impacts pour le Data Mining et comment accompagner ce changement ?

Nous vous invitons à un séminaire gratuit qui abordera les questions suivantes :
• Quelles sont les possibilités et les nouvelles perspectives d'analyse offerte par le Big Data ?
• Quels sont les impacts sur le quotidien du Data Miner : quels sont les outils/techniques à maîtriser ?
• Comment accompagner vos équipes dans le passage du Data Mining à la Data Science ?
• Quels sont les principes d'organisation et de gouvernance ?

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

Aucun téléchargement
Vues
Nombre de vues
1 722
Sur SlideShare
0
Issues des intégrations
0
Intégrations
104
Actions
Partages
0
Téléchargements
98
Commentaires
0
J’aime
2
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

Data Science

  1. 1. © Soft Computing – www.softcomputing.com Passer du Data Mining à la Data Science : Quel accompagnement pour transformer vos équipes ? 11/02/2016
  2. 2. © 2 Du Data Mining à la Data Science Séminaire le 24 septembre 2015 Comment passer du Data Mining traditionnel à la Data Science ? Quels bénéfices ? Quels impacts ? Quels R.O.I. ? Modalités : Ce séminaire aura lieu dans les locaux de Soft Computing. Ou via notre site: www.softcomputing.com Soft Computing vous invite à un séminaire qui abordera les questions suivantes : • Quels impacts sur le quotidien du Data Miner : quelles sont les techniques/outils à maitriser ? • Quelles sont les possibilités et les nouvelles perspectives d'analyse offertes par le Big Data ? • Quels sont les pièges à éviter ? Agenda : 08h45 – 09h00 : Accueil des participants 09h00 – 11h00 : Séminaire  La donnée et son exploitation : quels enjeux pour les entreprises ?  Data Miner vs Data Scientist : quelles compétences, quelles différences ?  Les nouvelles possibilités d'analyse et les méthodologies associées pour quels cas d'utilisation ?  Les retours d'expériences, les compétences requises, délais et ROI. A propos Soft Computing est une entreprise de Services du Numérique spécialiste en Digital, Big Data, et CRM, réunissant près de 400 consultants, délivrant des prestations de Conseil, de Technologie et de Marketing Services. Soft Computing est coté sur NYSE Euronext Paris - Code 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
  3. 3. © 3 Présentation des intervenants Eric Fischmeister Président efr@softcomputing.com 01 73 00 57 59 Hélène Hamon Directrice de la BU Data Science hhm@softcomputing.com 01 73 00 55 88 Sylvain Bellier Directeur du pôle Marketing Services sbe@softcomputing.com 01 73 00 56 06 Eric Fischmeister Président efr@softcomputing.com 01 73 00 57 59
  4. 4. © 4 SommaireSommaire 1. Introduction 2. Panorama du marché : avancement, arbitrage, impact sur les organisations 3. Data Mining vs Data Science : quelles compétences, quelles différences ? 4. Comment transformer vos équipes de Data miner en Data Scientist ? 5. Retours d’expérience 6. Conclusion
  5. 5. © 5 Carte d’identité
  6. 6. © 6 Compétences : un mix unique de compétences pointues Digital Marketing Data Science Project Management Information Technologies Digital - Big Data - CRM
  7. 7. © 7 Mission : transformer la data en performance Business IT Imaginer, bâtir et opérer des programmes de conquête et de fidélisation cross-canaux, rentables et innovants Concevoir, développer et déployer des solutions Digitales, Big Data et CRM performantes, pragmatiques et adaptées AMOA
  8. 8. © 8 Delivery : continuum de services et souplesse Think Build Run Délégation d’expertise Mode Projet Centre de services
  9. 9. © 9 Programme relationnel multi-devices et remarketing. Ecoute et analyse des sentiments des clients sur les réseaux sociaux. Centre de services de gestion des campagnes marketing multicanal. Data Management Platform et marketing multicanal temps réel. Centre de services datamining, campagnes ciblées et reportings. Gestion des opérations marketing ciblées. Data Management Platform, CRM et web analytics. Conception de l’architecture décisionnelle hybride big data – datawarehouse. Centre de services gestion de campagnes marketing et connaissance clients. Convergence des pratiques et des outils marketing on et offline. Mise en place d’une Data Management Platform (DMP) et de use cases marketing. Déploiement d’une plate-forme CRM multi- marques multi-pays. Personnalisation temps réel des contenus et valorisation d’audience. Définition d’une stratégie de Business Intelligence. Pilotage de la qualité de l’expérience client. Extraits de références 2014-2015
  10. 10. © 10 Experts reconnus blog.softcomputing.com/ fr.slideshare.net/softcomputing twitter.com/#!/SoftComputing linkedin.com/company/soft-computing facebook.com/softcomputing softcomputing.com/fr/news/ InformerEcrire Enseigner
  11. 11. © 11 SommaireSommaire 1. Introduction 2. Panorama du marché : avancement, arbitrage, impact sur les organisations 3. Data Mining vs Data Science : quelles compétences, quelles différences ? 4. Comment transformer vos équipes de Data miner en Data Scientist ? 5. Retours d’expérience 6. Conclusion
  12. 12. © 12 ça reste à la mode ?
  13. 13. © 13 Traduction marché, 2 ans d’expérimentation et de maturation
  14. 14. © 14 Notre vision sur les grands segments de marché Expérimentation Industrialisation Transport Retail GSA Retail GSS Banque & Assurance Utilities (yc Telco)
  15. 15. © 15 Données : DigitalesCRM Maturité dans l’acceptation commune dans la démarche R.O.I. Connaissance Productivité opérationnelle Analyses ad’hoc Vision produit Vision clients Technologies 1 2 3 4 ModélisationRéconciliation Externes
  16. 16. © 16 Traduction du marché vu de chez nous 1 Jan – Fev 2015 Jan – Fev 2016 10 Ex. demande de régies
  17. 17. © 17 Traduction du marché vu de chez nous 1 Jan – Fev 2015 Jan – Fev 2016 6 Ex. demande de régies 4 Architecture, urbanisme, exploitation, développement (conception, réalisation), mise à disposition des données. Formation & exploitation business
  18. 18. © 18 Indulgence dans les demandes quand même
  19. 19. © 19 Des demandes qui restent ‘compliqués’ dans les skills — Mise en place d'entrepôts de données en termes d'architecture et d'urbanisation des données — Mise en place de services d'exploration et d'exploitation des données (le candidat pourra illustrer son propos en citant des réalisations concrètes: problématique, charge, REX) — Bonne connaissance des problématiques de migrations de données — Bonne connaissance du domaine du Big Data et notamment de l'écosystème Hadoop et des principaux modules associés (HDFS, Hive, Pig, Spark … )
  20. 20. © 20 Des demandes qui restent ‘compliqués’ dans les skills
  21. 21. © 21 Des demandes qui restent ‘compliqués’ dans les skills Expertise : Le profil souhaité est un profil statisticien : 1. autonome sur l'outil SAS, Hadoop avec de bonnes capacités analytiques 2. une sensibilisation aux notions de Marketing client & web 3. une capacité à identifier et utiliser les meilleurs outils selon les objectifs 4. une capacité à faire monter en compétence des ressources internes consultant senior
  22. 22. © 22 Au final souvent des dispositifs plus que des compétences MarketingDatascience Data Manager Stocker Explorer Transformer Modéliser Appliquer
  23. 23. © 23 Comment éviter la vallée des désillusions dans l’usage ? Big Data
  24. 24. © 24 4 piliers de vigilances Données Pas de structure pré-déterminée Pas de préjugés sur les traitements Donnée structurées ET non structurées Sources internes ET autres Stockage document (type Hadoop)
  25. 25. © 25 4 piliers de vigilances Outils
  26. 26. © 26 4 piliers de vigilances Gouvernance & Process Compétences
  27. 27. © 27 4 piliers de vigilances Données Outils Process Compétences
  28. 28. © 28 SommaireSommaire 1. Introduction 2. Panorama du marché : avancement, arbitrage, impact sur les organisations 3. Data Mining vs Data Science : quelles compétences, quelles différences ? 4. Comment transformer vos équipes de Data miner en Data Scientist ? 5. Retours d’expérience 6. Conclusion
  29. 29. © 29 Les compétences attendues pour un Data Miner Maitrise des outils Maitrise des méthodes Sens Business Gestion de projet
  30. 30. © 30 Un environnement en mutation Data Mining POC Data Science Transition Data Science Aujourd’hui
  31. 31. © 31 Un environnement en mutation : les données analysées Univers de données
  32. 32. © 32 Un environnement en mutation : les nouvelles analyses Modèles de contribution des leviers (acquisition & fidélisation) Analyse de trafic Moteur(s) de substitution / recommandations Analyses multi fonctions : logistique, client, DMP, Yield… Scores à la volée Persona
  33. 33. © 33 Un environnement en mutation : les nouvelles méthodologies utilisées Random Forest Boosting Gradient Machine Textmining Réseau de neurones Réseau bayésien Sequential Pattern Analysis
  34. 34. © 34 Un environnement en mutation : les outils Accès aux données Manipulation de données Analytic Restitution
  35. 35. © 35 Un environnement en mutation : l’organisation des projets Marketing Data ScienceProgrammation  Définit le besoin  Exploite  Explore  Transforme  Modélise  Nettoie  Optimise  Industrialise AGILITE
  36. 36. © 36 Un environnement en mutation : la recherche de ROI et la réduction des délais Exemple pour la mise en place d’une segmentation : Définition de la démarche et des indicateurs Enrichissement des données Construction de la matrice d’études Analyse/ Modélisation Présentation des résultats 2 jours 3 jours 6 jours 8 jours 3 jours = 22 jours
  37. 37. © 37 Un environnement en mutation : le timing
  38. 38. © 38 Les compétences attendues pour un Data Scientist Maitrise des outils Maitrise des méthodes Sens Business Gestion de projet
  39. 39. © 39 SommaireSommaire 1. Introduction 2. Panorama du marché : avancement, arbitrage, impact sur les organisations 3. Data Mining vs Data Science : quelles compétences, quelles différences ? 4. Comment transformer vos équipes de Data miner en Data Scientist ? 5. Retours d’expérience 6. Conclusion
  40. 40. © 40 Comment transformer les équipes ? Data Mining POC Data Science Transition Data Science
  41. 41. © 41 Comment transformer les équipes : les questions à se poser Quels outils ? Comment gérer la transition avec l’existant ? Quelle répartition des rôles avec l’IT ? Quel Mindset des équipes ? Comment monter en compétences sur les nouvelles approches méthodologiques ? Comment gagner en efficacité ?
  42. 42. © 42 La transition Data Mining POC Data Science Transition Data Science
  43. 43. © 43 Les outils Data Mining POC Data Science Transition Data Science
  44. 44. © 44 Les méthodes
  45. 45. © 45 La répartition des rôles avec l’IT Marketing Data ScienceProgrammation  Définit le besoin  Exploite  Explore  Transforme  Modélise  Nettoie  Optimise  Industrialise AGILITE
  46. 46. © 47 Gagner en efficacité Tempsdetraitementréduit Tempsdetraitementréduit NouvellesMéthodes Dataviz Un seul outil
  47. 47. © 48 Le Mindset des équipes
  48. 48. © 49 SommaireSommaire 1. Introduction 2. Panorama du marché : avancement, arbitrage, impact sur les organisations 3. Data Mining vs Data Science : quelles compétences, quelles différences ? 4. Comment transformer vos équipes de Data miner en Data Scientist ? 5. Retours d’expérience 6. Conclusion
  49. 49. © 50 Les facteurs clés de succès  Limiter le nombre d’outils  S’obliger à se réinventer  Capitaliser sur toutes les compétences  Challenger l’intérêt business des cas d’usage  Identifier les indicateurs de mesure de leur performance  Quantifier le ROI  Fixer des deadlines
  50. 50. © 51 SommaireSommaire 1. Introduction 2. Panorama du marché : avancement, arbitrage, impact sur les organisations 3. Data Mining vs Data Science : quelles compétences, quelles différences ? 4. Comment transformer vos équipes de Data miner en Data Scientist ? 5. Retours d’expérience 6. Conclusion
  51. 51. © 52 Revenir au basique Pourquoi j’en ai besoin et pour répondre à quels usages business ? Mes moyens existants ne me permettraient-ils pas de ‘craquer’ déjà quelques sujets ? Légal ? Quelles sont les nouvelles opportunités technologiques du marché ? Quelle solution ? Quelle intégration dans mon patrimoine applicatif ? Quelle gouvernance ?, quelles compétences ?, quels processus ?, quels KPI’s ?
  52. 52. © 53 Accompagner le changement et la formation Marketing Datascience Data Manager
  53. 53. © 54 Soft computing : un continuum de services complets Valorisation des données Fondations Roadmap Architecture Convergence BI/Big Data Définition de solutions Mise en œuvre et intégration Analyses sémantiques, prédictives Visualisation de données Labs, Data scientists Conseil / Use case Infrastructure à la demande Mise à disposition de solutions Big Data Pocs Hadoop Cloud privé, hébergement Transformation du SI Accompa- gnement au changement
  54. 54. © 55

×