Le document traite du concept d'une 'data driven company' et de l'importance de l'utilisation des données dans les processus d'entreprise à l'ère de la digitalisation. Il souligne les méthodologies, technologies et cultures nécessaires pour intégrer efficacement les données, tout en abordant des exemples d'applications pratiques dans divers domaines comme le marketing, les ressources humaines, et l'informatique. L'accent est mis sur l'amélioration continue et l'adaptabilité à travers une compréhension approfondie des comportements clients et des performances organisationnelles.

1. 1
© OCTO 2015© OCTO 2015
Qu'est-ce qu'une « Data Driven
Company » à l'heure de
la digitalisation ?
« Afterwork » OCTO Technology
Mercredi 20 mai 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

5. 5
© OCTO 20155
Une nouvelle révolution
industrielle

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

10. 10
© OCTO 2015
Culture - L’intuition ou les faits ?

11. 11
© OCTO 2015
W. Edwards Deming

12. 12
© OCTO 2015

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

16. 16
© OCTO 2015
Des métriques au service de…

17. 17
© OCTO 2015
Garbage in, Garbage out

18. 18
© OCTO 2015
La production de métriques

19. 19
© OCTO 2015
Dataviz et storytelling

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 ce qu’il se passe?
PrévisionQuel budget?
Mode-
lisation
predictive
Optimi-
sation
Pourquoi cela s’est –il 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

23. 23
© OCTO 2015
Conception de produit
SUPPORT IT
ACTIVITÉS COEUR DE
MÉTIER
ACTIVITÉS DE PILOTAGE

24. 24
© OCTO 2015
Découvrir
simultanément
les clients et le
produit
Produit Client

25. 25
© OCTO 2015
Learning Fast
Build
MeasureLearn
Idea
Data
Product

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.

28. 28
© OCTO 2015
Le MVP Zappos
Validation du
client

29. 29
Le MVP AXA
Validation du
client

30. 30
© 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
Amélioration de la
connaissance clients
SUPPORT
ACTIVITÉS
COEUR DE
MÉTIER
ACTIVITÉS DE PILOTAGE
Marke-
ting

32. 32
© 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 ?

33. 33
© 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
Analyse de « signaux
faibles »
SUPPORT
ACTIVITÉS COEUR DE
MÉTIER
ACTIVITÉS DE PILOTAGE

35. 35
© 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

36. 36
© OCTO 2015
Chacun de vos domaines métier où vous
estimez que les actes de vos clients sont
influencés par la sphère digitale est
candidat à ce type d’étude.

37. 37
© OCTO 2015
Ressources humaines
SUPPORT RH
ACTIVITÉS COEUR DE
MÉTIER
ACTIVITÉS DE PILOTAGE

38. 38
© 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.

39. 39
© OCTO 2015
Recrutement @OCTO
Facematch crowdsourcés sur les profils LinkedIn du réseau des
OCTOs
Scoring des profils et détection de leads de recrutement

40. 40
© OCTO 2013
Taille optimale des équipes de développement
http://www.qsm.com/process_improvement_01.html

41. 41
© OCTO 2015
Gestion du patrimoine
SUPPORT IT
ACTIVITÉS COEUR DE
MÉTIER
ACTIVITÉS DE PILOTAGE

42. 42
© OCTO 2015
Le problème
Features and functions used in a typical system

43. 43
© OCTO 2015
Application
Valeur
DetteTCO
Valorisation de patrimoine : Valeur – TCO - Dette

44. 44
© 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 :

45. 45
© 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

46. 46
© OCTO 2015
Prédictif IT
SUPPORT IT
ACTIVITÉS COEUR DE
MÉTIER
ACTIVITÉS DE PILOTAGE

47. 47
© 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

48. 48
© OCTO 2015
Utilisation des ressources (CPU) – ce que je sais faire
Batch processing
breakdown

49. 49
© 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 èN(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

50. 50
© 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)

51. 51
© 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

52. 52
© OCTO 2015
Architecture et
technologies

53. 53
© 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

54. 54
© OCTO 2015

55. 55
© OCTO 2015
La naissance d’un socle
Storage Layer
Processing Layer
Analysis / Exploitation Layer
YARN
HDFS,
Cassandra,
MapR,
Lustre,…
MapReduce
Spark
Tez…
Pig
Mahout
Hive
SolR…
YARN
ExamplesLayer

56. 56
© 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

57. 57
© OCTO 2015

58. 58
© 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

59. 59
© OCTO 2015
De nombreuses librairies, de mieux en mieux intégrées,
puissantes, et faciles d’utilisation
Une démocratisation de l’analytics et de la dataviz

60. 60
© OCTO 2015
Processus et
méthodologie

61. 61
© OCTO 2015
Cycles
courts
Appren@ssage,
améliora@on
Mesure
systéma@que
NOUVELLES
METHODES

62. 62
© OCTO 2015
Organisation et capital
humain

63. 63
© OCTO 2015
Désiloter?

64. 64
© 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

65. 65
© OCTO 2015
Le data scientist

66. 66
© 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

67. 67
© 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

68. 68
© OCTO 2015
Bâtir une DSI « data-ready » à l'ère digitale…
Organisation
Méthodes
detravail
Business Model
…C’est travailler sa capacité d’exécution
DSI

69. 69
© OCTO 2015
“SoYware
is
ea@ng
the
world”
Marc
Andreessen
Merci