Recommandé
Recommandé
Contenu connexe
Tendances
Tendances (20)
Similaire à UN ÉLÉPHANT QUI SE BALANÇAIT … Comment mettre en musique les big data et valoriser les données avec de nouveaux services.
Similaire à UN ÉLÉPHANT QUI SE BALANÇAIT … Comment mettre en musique les big data et valoriser les données avec de nouveaux services. (20)
Plus de OCTO Technology
Plus de OCTO Technology (20)
UN ÉLÉPHANT QUI SE BALANÇAIT … Comment mettre en musique les big data et valoriser les données avec de nouveaux services.
- 4. Le programme Data, lancé en 2016, regroupe 3 expérimentations sélectionnées à la fois par le métier et la DSI
- 5. 3 uses cases pour répondre à des enjeux métiers de plus en plus ambitieux Rebond 360 PFM / BFM Lutte contre la fraude
- 6. Rebond 360 PFM / BFM Lutte contre la fraude Une démarche progressive et une prise de risque maîtrisée T0 T1 T2
- 7. La vision données Collecte des données à la source Collecte massive initiale et Restitution Refonte de fonctionnalités existantes Données existantes exposées Intelligence sur les données existantes Fonctionnalités complètement nouvelles
- 8. Référentiels Référentiel personne Offres produits Nomenclatures Autres (pays, taux, etc.) GRC - Gestion de la relation client Dossier client Relation client Aide à la vente (OAP, etc.) Autres (pilotage Marketing, etc.) Canaux Gestion administrative client Synthèse financière Autres SD - Systèmes Distributeurs Tenue de compte / calcul de position Dépôts à vue Épargne Financements Flux Autres (titres, placements, etc.) Réseau d’agences Banque en ligne Autres (téléphonique, etc) La cartographie fonctionnelle de l’existant
- 9. teradata référentiel personne relations client Dossier client Synthèse financière Indicateurs client OAP, etc.mainframe ... RP DC OAPRC L’existant : un SI siloté et des données cloisonnées
- 10. Données existantes exposées Création d’intelligence sur les données existantes Collecte des données à la source cassandra serveurs d’application JEE hadoop publication exposition archivage enrichissement Streaming collecte La big picture
- 11. LES FONDATIONS BÂTIR LE SOCLE DE DONNÉES
- 12. Rebond360 Application destinée aux conseillers particuliers leur permettant de mieux rebondir commercialement.
- 14. Montrer de la valeur au plus vite pour gagner la confiance des utilisateurs et des sponsors Collecte, traitement et stockage de la donnée Rebond360 Collecte des sources RP, RMT, indicateurs, etc. 1 Structuration et Stockage dans Cassandra Structuration3 Application R3604Archivage des données brutes2 Historisation dans le datalake ● Satisfaction des clients et des sponsors (embarqués dans la démarche de construction et impliqués dans la Vision) ● Suscité l’envie d’aller plus loin et de s’attaquer à de nouveaux challenges ● Valider une première architecture technique ● Valider des briques nouvelles pour la BNPP : Hadoop, Spark, Cassandra ● Se rassurer sur la capacité à délivrer en production Objectifs Gains Données exposées pour les applications
- 15. mainframe teradata Hadoop et Spark cassandra référentiel client relations client serveurs d’application JEE Indicateurs client croisement enrichissement extraction archivage exposition consommation publication Rebond 360
- 16. Novembre 2016 Début de Rebond Avril 2017 Ouverture du service Rebond 360 Mai, Juin,… Septembre 2017 Mises à jour fonctionnelles et techniques Milestones
- 18. PFM/BFM L’application PFM est destinée aux clients particuliers et professionnels afin de mieux gérer leurs finances : - Un moteur de règles et un modèle de prédiction évolutifs viennent améliorer la catégorisation automatique des mouvements - La simplification des libellés contribue à rendre plus lisibles les mouvements sur la nouvelle interface client
- 19. Apporter de la valeur en capitalisant sur les travaux précédents Déroulé PFM/BFM
- 20. Apporter de la valeur en capitalisant sur les travaux précédents Déroulé PFM/BFM Collecte des sources Exposition des mouvements 1 ● Confiance en la plateforme ● Réutiliser l’infrastructure mise en place pour Rebond 360 Objectifs Gains
- 21. Apporter de la valeur en capitalisant sur les travaux précédents Déroulé PFM/BFM Collecte des sources Exposition des mouvements 1 Prototypage Python2 Validation de l’approche règles + ML (fail fast) ● Confiance en la plateforme ● Démonstration de la capacité à construire un modèle fondé sur l’apprentissage automatique et à le mettre en production ● Réutiliser l’infrastructure mise en place pour Rebond 360 ● Valider une approche bipartite : règles + modèle prédictif Objectifs Gains
- 22. Apporter de la valeur en capitalisant sur les travaux précédents Déroulé PFM/BFM Collecte des sources Exposition des mouvements 1 Industrialisation Moteur : Scala Modèle : PMML3Prototypage Python2 Validation de l’approche règles + ML (fail fast) ● Confiance en la plateforme ● Démonstration de la capacité à construire un modèle fondé sur l’apprentissage automatique et à le mettre en production ● Mise en place d’un moteur de règles facilement configurable par un utilisateur non technique (via Excel) ● Réutiliser l’infrastructure mise en place pour Rebond 360 ● Valider une approche bipartite : règles + modèle prédictif ● Mettre en place une chaîne automatisée de mise à jour Objectifs Gains
- 23. Apporter de la valeur en capitalisant sur les travaux précédents Déroulé PFM/BFM Collecte des sources Exposition des mouvements 1 Industrialisation Moteur : Scala Modèle : PMML3 Application PFM4Prototypage Python2 Validation de l’approche règles + ML (fail fast) ● Confiance en la plateforme ● Démonstration de la capacité à construire un modèle fondé sur l’apprentissage automatique et à le mettre en production ● Mise en place d’un moteur de règles facilement configurable par un utilisateur non technique (via Excel) ● Réutiliser l’infrastructure mise en place pour Rebond 360 ● Valider une approche bipartite : règles + modèle prédictif ● Mettre en place une chaîne automatisée de mise à jour Objectifs Gains Mise en service
- 24. mainframe teradata cassandra mouvements Serveurs web opt-out à la catégorisation type de compte : particuliers / pro extraction archivage consommation exposition des données catégorisation simplification intégration des mouvements bruts PFM/BFM Hadoop et Spark
- 25. mainframe teradata cassandra mouvements Serveurs web opt-out à la catégorisation type de compte : particuliers / pro machine learning extraction archivage Application de la catégorisation et de la simplification sur les mouvements consommation exposition des données règles métier catégorisation simplification intégration des mouvements bruts PFM/BFM Hadoop et Spark
- 26. Approche par apprentissage Approche par moteur de règles CATEGORISATION Le meilleur des deux mondes Bénéfice de l’expertise métier Certaines règles sont fiables à 100 % Extraction de features pour l’apprentissage Extraction de texte pour simplifier le libellé > Volet déterministe Règles apprises sur des exemples Utilisables sur des cas marginaux hors règles Utilise des features issues du moteur de règles Exige la constitution manuelle d’exemples > Volet statistique
- 27. mouvements règles métier data lab entraînement du modèle prédictif sur les mouvements catégorisés manuellement traduction et intégration du modèle rédaction de règles de classification classification manuelle d’un jeu d’entraînement Modèle de prédictionmoteur de règles Python + XgBoost Apprentissage Prédiction Fichier PMML Mouvements catégorisés avec libellés simplifiés Intégration des règles métier PFM/BFM l’apprentissage du modèle Hadoop et Spark
- 28. Milestones Novembre 2016 Début de Rebond Avril 2017 Première ouverture du service Rebond 360 Mai, Juin,… Septembre 2017 Mises à jour fonctionnelles et techniques Janvier 2017 Début de PFM Septembre 2017 Première ouverture du service PFM
- 30. Lutte contre la fraude Collecter Alerter AnalyserS’adapter
- 31. Milestones Juillet 2017 Lancement du cadrage lutte contre la fraude Aout 2017 Début des développements Novembre 2017 Première ouverture du service
- 32. Elargir le champs des possibles Collecter, Analyser, Alerter, S’adapter Lutte contre la fraude Collecte des actions 1 Temporisation3 Validation4Détection2 FEEDBACK MÉTIER
- 33. Elargir le champs des possibles Collecter, Analyser, Alerter, S’adapter Lutte contre la fraude Collecte des actions 1 Temporisation3 Validation4Détection2 FEEDBACK MÉTIER ● Proposer de nouveaux type de Use Cases aux métiers ● Introduire des techniques « temps réel » Objectifs Gains
- 34. Elargir le champs des possibles Collecter, Analyser, Alerter, S’adapter Lutte contre la fraude Collecte des actions 1 Temporisation3 Validation4Détection2 FEEDBACK MÉTIER ● Proposer de nouveaux type de Use Cases aux métiers ● Fluidification du pipeline de la conception à la prod ● Introduire des techniques « temps réel » ● Être réactif aux évolutions de modèle jusqu’à la Prod Objectifs Gains
- 35. Elargir le champs des possibles Collecter, Analyser, Alerter, S’adapter Lutte contre la fraude Collecte des actions 1 Temporisation3 Validation4Détection2 FEEDBACK MÉTIER ● Proposer de nouveaux type de Use Cases aux métiers ● Fluidification du pipeline de la conception à la prod ● Force de proposition en dehors des services existants ● Introduire des techniques « temps réel » ● Être réactif aux évolutions de modèle jusqu’à la Prod ● Devenir fournisseur de données Objectifs Gains
- 36. Cassandra Applications de e-banking Archivage Exposition des opérations utilisateur Kafka Back Office API de scoring Stockage puis traitement des opérations Remontée des alertes Lutte contre la fraude Hadoop et Spark
- 37. A EMPORTER
- 38. Itérer Si on n’avait pas réussi à mettre en production Rebond 360 on aurait moins réussi les autres ! Mettre la technique au service du métier et non l’inverse L’essentiel n’est pas de calquer une architecture vue quelque part mais de la tirer par les besoins Mettre en place une véritable infrastructure de production dès le début même pour une expérimentation Ce que nous avons appris
- 39. Résister à la tentation de lancer trop de chantiers en même temps Prendre le temps de valider chacune des étapes Industrialiser au plus tôt les développements pour bénéficier d’un harnais de sécurité solide absorbant la mouvance des règles métiers Tracer la dette technique et fonctionnelle et bâtir un plan pour la nettoyer Ce que nous avons appris
- 40. Les logiciels sont le reflet de l’organisation qui les a construits Loi de Conway
- 41. Repenser l’innovation Equipe de corsaires Zone franche Espaces de travail Pour faire autrement Alléger les contraintes Simplifier les règles Favoriser l’action Se donner les moyens de former des équipes pluri-disciplinaires Ailleurs Différent Stimulant Créatif Créer Tester et apprendre Échouer et réussir Loi de Conway
- 45. Evolution
- 48. Instabilité Imprévisibilité Auto-organisation Émergences de structures cohérentes Non déterminisme Rétroaction Brisure de symétrie Résultats probabilistes
- 50. Une question de Style
- 51. Le log
- 52. Leslie Lamport
- 53. Théorème CAP
- 55. Tyler Akidau
- 57. Software is eating the World
- 58. Thermodynamique des architectures de flux
- 66. Le système d’information comme structure dissipative
- 67. MERCI