Contenu connexe Similaire à SITB15 - Qu'est qu'une Data Driven Company à l'heure de la digitalisation ? (20) SITB15 - Qu'est qu'une Data Driven Company à l'heure de la digitalisation ?1. 1
© OCTO 2015© OCTO 2015
Qu'est-ce qu'une « Data Driven
Company » à l'heure de
la digitalisation ?
#SITB15 Conférence Swiss IT Business
22 avril 2015
2. 2
© OCTO 2015
Joseph Glorieux
Directeur général
OCTO Suisse
jglorieux@octo.com
Cyril Picat
Consultant senior
OCTO Suisse
cpicat@octo.com
3. 3
© OCTO 2015
L’IT au service de l’entreprise Data Driven
Suis-je déjà Data Driven ?
Introduction
Conclusion : J’y vais demain
Agenda :
Nouveaux champs d’application
4. 4
© OCTO 2015
L’IT au service de l’entreprise Data Driven
Suis-je déjà Data Driven ?
Introduction
Conclusion : J’y vais demain
Agenda :
Nouveaux champs d’application
6. 6
© OCTO 2015
S’ouvrir aux possibilités
Crowd
Sourcing
Réseaux
Sociaux
Internet
Des
Objets
Mobile
Big
Data
OpenAPI
OpenData
Cloud
USAGES TECHNOLOGIES
Internet
Des
Objets
= NEW BUSINESS MODELS
DATA
7. 7
© OCTO 2015
Pourquoi parler de Data Driven ?
Data Driven Company répond aux échecs de la BI
et anticipe la désillusion du Big Data en
réconciliant architectures, changement
organisationnel et méthodologies
Big
Data
8. 8
© OCTO 2015
Data Driven - Une définition ?
Continuellement améliorer l’ensemble des
processus de l’entreprise
par l’utilisation quantitative et qualitative de
données
tout le temps, partout et pour tout.
9. 9
© OCTO 2015
Une vision d’ensemble essentielle
Méthodologies
Stratégie
Culture
Organisation
Métier
RH
Technologies
13. 13
© OCTO 2015
“
It’s
not
about
being
the
best.
It’s
about
being
be1er
than
you
were
yesterday
”
Culture - L’amélioration continue
14. 14
© OCTO 2015
L’IT au service de l’entreprise Data Driven
Suis-je déjà Data Driven ?
Introduction
Conclusion : J’y vais demain
Agenda :
Nouveaux champs d’application
15. 15
© OCTO 2015
Vision d’une entreprise
ACTIVITÉS DE SUPPORT
Système d’informationRH
Stratégie
Production
Contrôle, risque
management
Pilotage
financier
ACTIVITÉS COEUR DE MÉTIER
R&D
Vente,
distribution
ACTIVITÉS DE PILOTAGE
…
Administration …
Appros
Planification
Marke-
ting
SAV …
Achat
20. 20
© OCTO 2015
Aller jusqu’au bout
Valeur
Ad-hoc,
Drill downOù est le problème précisément?
Combien de fois?
Qu’est-ce qui s’est passé?
Alerts,
monitoring
Qu’est de qu’il se passe?
PrévisionQuel budget?
Mode-
lisation
predictive
Optimi-
sation
Pourquoi ça s’est passé comme ça?
Machine
learning
Temps
Qu’est qu’il pourrait arriver?
Quels seraient les impacts ?
Quels sont les signaux faibles?
Quelles sont les tendances?
Quel est le meilleur
qui puisse arriver?
Analyse
statistique
Reporting
21. 21
© OCTO 2015
Vérifier l’usage et la qualité, automatiser la production de
métriques
Vérifier l’utilisabilité (utilisation & production)
Aller au bout de la promesse sur l’utilisation de la donnée avec
la datascience notamment
Sur le Data Driven actuel
22. 22
© OCTO 2015
L’IT au service de l’entreprise Data Driven
Suis-je déjà Data Driven ?
Introduction
Conclusion : J’y vais demain
Agenda :
Nouveaux champs d’application
26. 26
© OCTO 2015
Learning Fast
Build
MeasureLearn
Idea
Data
Product
Vous êtes tous
une startup !
THE LEAN
STARTUP
27. 27
© OCTO 2015
Le Minimum Viable Product (MVP) Validation du
client
Le MVP est la réalisation
minimale qui permet à une
équipe de collecter sur les
clients le maximum
d’enseignements validés,
et ce avec un
minimum d’effort.
29. 29
© OCTO 2015
L’obsession de la mesure Découverte du
produit
Objectif : apprendre
de l’usage et de
l’impact de chaque
fonctionnalité
Hypothèse :
Le mobile va générer des usages supérieurs à
ceux du web
Apprentissage :
> 60% des lectures : on investi sur les
fonctionnalités de la version mobile
<= 60% des lectures : on continue à se
concentrer sur la version web
Objectif chiffré :
• Le mobile génère 60% des lectures sur la
plateforme
• Les utilisateurs sont enthousiastes sur le
mobile
http://elCurator.net
31. 31
© OCTO 2015
Le marketing client - 2 évolutions majeures
Le modèle de définition du client
majoritairement identitaire n’est plus
suffisant
Identité Usage ?
Relation
?
Nom, prénom,
adresse, CSP, etc.
Comment utilise-t-il mes
produits et services ?
Quel est son parcours digital ?
Avec qui est-il en contact ?
Qu’est-ce qui l’influence ?
Qui influence-t-il ?
Les utilisateurs ont un comportement
multicanal
Comment enrichir la donnée client identitaire par une vision comportementale
multicanale ?
32. 32
© OCTO 2015
Deux exemples classiques
Base des logs web et
mobile –
Parcours client
Analyse prédictives –
Potentiel d’achat, risque de
désinscription Offres, réductions, publicité
Réagir commercialement en temps réel
Analyse des centres d’intérêts et des parcours clients
34. 34
© OCTO 2015
Exemple de prédiction des dépenses de santé
Analyse sémantique du domaine de la santé,
et exploitation des données web: Google
trends, forums spécialisés
Prédiction des dépenses en optique grâce aux
séries temporelles des signaux faibles sur la toile:
nombre de requêtes, nombre de messages
Croisement des données client et exogènes
35. 35
© OCTO 2015
Chacun de vos domaines métier où vous
estimez que les actes d’achats de vos
clients sont influencés par la sphère
digitale est candidat à ce type d’étude
37. 37
© OCTO 2015
Projet Oxygen
@Google
Analyse de l’impact du
management, et des
qualités d’un bon manager
Étude d’un an basé sur les
évaluations, des sondages
et les promotions. Plus de
10,000 observations des
comportements de
managers au total.
38. 38
© OCTO 2015
Recrutement @OCTO
Facematch crowdsourcés sur les profils LinkedIn du réseau des
OCTOs
Scoring des profils et détection de leads de recrutement
42. 42
© OCTO 2015
Sur quelle application continuer à
investir?
Valeur/Dette
Quelle application rationaliser?
Valeur/TCO
Comment réduire les coûts du SI?
TCO/Dette
Pour répondre à ces questions :
43. 43
© OCTO 2015
Contact
Channel
FactoriesElectronic Channel
Operation and Contract Management
CRM
Referentials Deliver
y
Enterprise Management & Control
xxx
XXXXXX
xxx
xxx
XXX
xxx
XXX
XXX
XXX
XXX
XXX
xxx xxxxxx
xxxxxx xxx
XXX XXX
xxx
xxx
xxx xxx
xxx
xxx
xxx
xxx xxx
xxx
XXXXXX
xxx
XXX
XXX) XXX
Valeur
TCO
Dette
Neutre
Conséquent
Peu endetté
Très endetté
Marginal
45. 45
© OCTO 2015
Prévision de panne
Provisionning
Identification de comportements anormaux
Identification des root causes d’incident…
Je le fais déjà non?
Oui mais limité par :
Hétérogénéité des plateformes de supervision
Volume de données (pas d’historique)
Mieux piloter mon infrastructure
47. 47
© OCTO 2015
Prévision : utilisation du hardware selon des scénarios
business
(1) Réalisation d’un modèle
Yt^ ≈ 68.6X1,t + 39.8X2,t + 0.31X3,t – 823.9XWE,t + µ^t
with µ^t = 0.57µ^t-1 + et, et èN(0,σ²)
Modèle expliquant la consommation CPU en fonction
du volume d’activité de production manuelle,
automatique, le débit de l’usine et les saisonnalités
liées au weekend
(2) Contrôle de la stabilité structurelle du
modèle au fil des nouvelles observations
(3) Utilisation du modèle pour simuler l’impact de
différents scénarios sur le système IT
48. 48
© OCTO 2015
Processus de contrôle : detection de comportements
anormaux sur des series
Détection dynamique de points atypiques dans l’évolution d’une série temporelle
(pics d’activité, changements de tendance, de saisonnalités)
Méthode déployée sur des variables IT (CPU use, DBtime, temps de
réponse…), puis portée à un niveau fonctionnel (activité business)
49. 49
© OCTO 2015
L’IT au service de l’entreprise Data Driven
Suis-je déjà Data Driven ?
Introduction
Conclusion : J’y vais demain
Agenda :
Nouveaux champs d’application
51. 51
© OCTO 2015
Une révolution technologique en marche
Application orientée
Flux évènementiel
(streaming)
Application orientée
Transaction
(TPS)
Application orientée
Stockage
(IO bound)
Application
orientée Calculs
(CPU bound)
NoSQL
In-
memory
Grid - GPU
Streaming
53. 53
© OCTO 2015
Le data lake
Stockage non structuré
Stockage semi-structuré
(NoSQL)
Stockage structuré (ex.
relationnel)
Requêtage
interactif
Traitements
analytiques
Traitements de
flux
Machine Learning
Base de
données
Fichiers
bruts
Logs
applicatifs
Données externes,
OpenAPI
Messages &
Evénements
DW
d’entreprise
Système
opérationnel
Reporting,
requêtes
Données externes,
OpenAPI
Messages &
Evénements
DATALAKE
INGESTION
PUBLICATION
54. 54
© OCTO 2015
Big Data VS Small Data
Etre Datadriven ce n’est pas processer des Pétas
de données
Vous n’imaginez pas tout ce que l’on peut faire
avec un pc portable et excel
56. 56
© OCTO 2015
De nombreuses librairies, de mieux en mieux intégrées,
puissantes, et faciles d’utilisation
Une démocratisation de l’analytics et de la dataviz
61. 61
© OCTO 2015
Des nouveaux profils?
EDW
Hadoop
Datalake
Dev
Hadoop
et
intégra@on
de
données
Data
Scien@sts
et
Data
Engineers
Devops
et
archis
transverses
Applications
63. 63
© OCTO 2015
“By
2018,
the
United
States
alone
could
face
a
shortage
of
140,000
to
190,000
people
with
deep
analy@cal
skills
As
well
as
1.5
million
managers
and
analysts
with
the
know-‐how
to
use
the
analysis
of
big
data
to
make
effec@ve
decisions.”
McKinsey
Global
Ins@tute
–
Mai
2011
Big
data:
The
next
fron@er
for
innova@on,
compe@@on,
and
produc@vity
64. 64
© OCTO 2015
L’IT au service de l’entreprise Data Driven
Suis-je déjà Data Driven ?
Introduction
Conclusion : J’y vais demain
Agenda :
Nouveaux champs d’application
65. 65
© OCTO 2015
Bâtir une DSI « data-ready » à l'ère digitale…
Organisation
Méthodes
detravail
Business Model
…C’est travailler sa capacité d’exécution
DSI