SlideShare une entreprise Scribd logo
© Soft Computing – www.softcomputing.com
Passer du Data Mining à la Data Science :
Quel accompagnement pour transformer vos équipes ?
11/02/2016
© 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
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
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
Carte d’identité
© 6
Compétences : un mix unique de compétences pointues
Digital
Marketing
Data
Science
Project
Management
Information
Technologies
Digital - Big Data - CRM
© 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
Delivery : continuum de services et souplesse
Think Build Run
Délégation
d’expertise
Mode
Projet
Centre de
services
© 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
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
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
ça reste à la mode ?
© 13
Traduction marché, 2 ans d’expérimentation et de maturation
© 14
Notre vision sur les grands segments de marché
Expérimentation Industrialisation
Transport
Retail GSA
Retail GSS
Banque &
Assurance
Utilities
(yc Telco)
© 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
Traduction du marché vu de chez nous
1
Jan – Fev 2015 Jan – Fev 2016
10
Ex. demande de régies
© 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
Indulgence dans les demandes quand même
© 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
Des demandes qui restent ‘compliqués’ dans les skills
© 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
Au final souvent des dispositifs plus que des compétences
MarketingDatascience Data Manager
Stocker
Explorer
Transformer
Modéliser
Appliquer
© 23
Comment éviter la vallée des désillusions dans l’usage ?
Big Data
© 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
4 piliers de vigilances
Outils
© 26
4 piliers de vigilances
Gouvernance & Process
Compétences
© 27
4 piliers de vigilances
Données
Outils
Process
Compétences
© 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
Les compétences attendues pour un Data Miner
Maitrise des outils Maitrise des méthodes
Sens Business Gestion de projet
© 30
Un environnement en mutation
Data Mining POC Data Science Transition
Data Science
Aujourd’hui
© 31
Un environnement en mutation : les données analysées
Univers de données
© 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
Un environnement en mutation : les nouvelles
méthodologies utilisées
Random Forest
Boosting Gradient
Machine
Textmining
Réseau de neurones
Réseau bayésien
Sequential Pattern
Analysis
© 34
Un environnement en mutation : les outils
Accès aux
données
Manipulation
de données
Analytic Restitution
© 35
Un environnement en mutation : l’organisation des
projets
Marketing
Data ScienceProgrammation
 Définit le besoin
 Exploite
 Explore
 Transforme
 Modélise
 Nettoie
 Optimise
 Industrialise
AGILITE
© 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
Un environnement en mutation : le timing
© 38
Les compétences attendues pour un Data Scientist
Maitrise des outils Maitrise des méthodes
Sens Business Gestion de projet
© 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
Comment transformer les équipes ?
Data Mining POC Data Science Transition
Data Science
© 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
La transition
Data Mining POC Data Science Transition
Data Science
© 43
Les outils
Data Mining POC Data Science Transition
Data Science
© 44
Les méthodes
© 45
La répartition des rôles avec l’IT
Marketing
Data ScienceProgrammation
 Définit le besoin
 Exploite
 Explore
 Transforme
 Modélise
 Nettoie
 Optimise
 Industrialise
AGILITE
© 47
Gagner en efficacité
Tempsdetraitementréduit
Tempsdetraitementréduit
NouvellesMéthodes
Dataviz
Un seul outil
© 48
Le Mindset des équipes
© 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
© 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
© 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
© 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 ?
© 53
Accompagner le changement et la formation
Marketing Datascience Data Manager
© 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
© 55

Contenu connexe

Tendances

BigData_TP1: Initiation à Hadoop et Map-Reduce
BigData_TP1: Initiation à Hadoop et Map-ReduceBigData_TP1: Initiation à Hadoop et Map-Reduce
BigData_TP1: Initiation à Hadoop et Map-Reduce
Lilia Sfaxi
 
BigData_Chp4: NOSQL
BigData_Chp4: NOSQLBigData_Chp4: NOSQL
BigData_Chp4: NOSQL
Lilia Sfaxi
 
Architectures distribuées
Architectures distribuéesArchitectures distribuées
Architectures distribuées
Franck SIMON
 
DataWarehouse
DataWarehouseDataWarehouse
DataWarehouse
nzuguem
 
Chp1 - Introduction à l'Informatique Décisionnelle
Chp1 - Introduction à l'Informatique DécisionnelleChp1 - Introduction à l'Informatique Décisionnelle
Chp1 - Introduction à l'Informatique Décisionnelle
Lilia Sfaxi
 
BigData_Chp2: Hadoop & Map-Reduce
BigData_Chp2: Hadoop & Map-ReduceBigData_Chp2: Hadoop & Map-Reduce
BigData_Chp2: Hadoop & Map-Reduce
Lilia Sfaxi
 
Etat de l’art approche et outils BI
Etat de l’art approche et outils BIEtat de l’art approche et outils BI
Etat de l’art approche et outils BI
Said Sadik
 
BigData_Chp1: Introduction à la Big Data
BigData_Chp1: Introduction à la Big DataBigData_Chp1: Introduction à la Big Data
BigData_Chp1: Introduction à la Big Data
Lilia Sfaxi
 
Les BD NoSQL
Les BD NoSQLLes BD NoSQL
Les BD NoSQL
Minyar Sassi Hidri
 
Big data
Big dataBig data
Big data
Karima GHALI
 
BigData_Chp3: Data Processing
BigData_Chp3: Data ProcessingBigData_Chp3: Data Processing
BigData_Chp3: Data Processing
Lilia Sfaxi
 
Systèmes multi agents concepts et mise en oeuvre avec le middleware jade
Systèmes multi agents concepts et mise en oeuvre avec le middleware jadeSystèmes multi agents concepts et mise en oeuvre avec le middleware jade
Systèmes multi agents concepts et mise en oeuvre avec le middleware jade
ENSET, Université Hassan II Casablanca
 
Projet BI - 2 - Conception base de données
Projet BI - 2 - Conception base de donnéesProjet BI - 2 - Conception base de données
Projet BI - 2 - Conception base de donnéesJean-Marc Dupont
 
Introduction au BIG DATA
Introduction au BIG DATAIntroduction au BIG DATA
Introduction au BIG DATA
Zakariyaa AIT ELMOUDEN
 
Exercice arbre de décision
Exercice arbre de décision Exercice arbre de décision
Exercice arbre de décision
Yassine Badri
 
gestion de magasin vente matériels informatique
gestion de magasin vente matériels informatiquegestion de magasin vente matériels informatique
gestion de magasin vente matériels informatiqueOussama Yoshiki
 
Big data - Cours d'introduction l Data-business
Big data - Cours d'introduction l Data-businessBig data - Cours d'introduction l Data-business
Big data - Cours d'introduction l Data-business
Vincent de Stoecklin
 
PFE BI - INPT
PFE BI - INPTPFE BI - INPT
PFE BI - INPTriyadadva
 
Modélisation de données pour MongoDB
Modélisation de données pour MongoDBModélisation de données pour MongoDB
Modélisation de données pour MongoDB
MongoDB
 
Cours Big Data Chap1
Cours Big Data Chap1Cours Big Data Chap1
Cours Big Data Chap1
Amal Abid
 

Tendances (20)

BigData_TP1: Initiation à Hadoop et Map-Reduce
BigData_TP1: Initiation à Hadoop et Map-ReduceBigData_TP1: Initiation à Hadoop et Map-Reduce
BigData_TP1: Initiation à Hadoop et Map-Reduce
 
BigData_Chp4: NOSQL
BigData_Chp4: NOSQLBigData_Chp4: NOSQL
BigData_Chp4: NOSQL
 
Architectures distribuées
Architectures distribuéesArchitectures distribuées
Architectures distribuées
 
DataWarehouse
DataWarehouseDataWarehouse
DataWarehouse
 
Chp1 - Introduction à l'Informatique Décisionnelle
Chp1 - Introduction à l'Informatique DécisionnelleChp1 - Introduction à l'Informatique Décisionnelle
Chp1 - Introduction à l'Informatique Décisionnelle
 
BigData_Chp2: Hadoop & Map-Reduce
BigData_Chp2: Hadoop & Map-ReduceBigData_Chp2: Hadoop & Map-Reduce
BigData_Chp2: Hadoop & Map-Reduce
 
Etat de l’art approche et outils BI
Etat de l’art approche et outils BIEtat de l’art approche et outils BI
Etat de l’art approche et outils BI
 
BigData_Chp1: Introduction à la Big Data
BigData_Chp1: Introduction à la Big DataBigData_Chp1: Introduction à la Big Data
BigData_Chp1: Introduction à la Big Data
 
Les BD NoSQL
Les BD NoSQLLes BD NoSQL
Les BD NoSQL
 
Big data
Big dataBig data
Big data
 
BigData_Chp3: Data Processing
BigData_Chp3: Data ProcessingBigData_Chp3: Data Processing
BigData_Chp3: Data Processing
 
Systèmes multi agents concepts et mise en oeuvre avec le middleware jade
Systèmes multi agents concepts et mise en oeuvre avec le middleware jadeSystèmes multi agents concepts et mise en oeuvre avec le middleware jade
Systèmes multi agents concepts et mise en oeuvre avec le middleware jade
 
Projet BI - 2 - Conception base de données
Projet BI - 2 - Conception base de donnéesProjet BI - 2 - Conception base de données
Projet BI - 2 - Conception base de données
 
Introduction au BIG DATA
Introduction au BIG DATAIntroduction au BIG DATA
Introduction au BIG DATA
 
Exercice arbre de décision
Exercice arbre de décision Exercice arbre de décision
Exercice arbre de décision
 
gestion de magasin vente matériels informatique
gestion de magasin vente matériels informatiquegestion de magasin vente matériels informatique
gestion de magasin vente matériels informatique
 
Big data - Cours d'introduction l Data-business
Big data - Cours d'introduction l Data-businessBig data - Cours d'introduction l Data-business
Big data - Cours d'introduction l Data-business
 
PFE BI - INPT
PFE BI - INPTPFE BI - INPT
PFE BI - INPT
 
Modélisation de données pour MongoDB
Modélisation de données pour MongoDBModélisation de données pour MongoDB
Modélisation de données pour MongoDB
 
Cours Big Data Chap1
Cours Big Data Chap1Cours Big Data Chap1
Cours Big Data Chap1
 

Similaire à Data Science

Du Data Mining à la Data Science
Du Data Mining à la Data ScienceDu Data Mining à la Data Science
Du Data Mining à la Data Science
Soft Computing
 
DMP : après un temps d'observation, comment l'inscrire dans une réalité opéra...
DMP : après un temps d'observation, comment l'inscrire dans une réalité opéra...DMP : après un temps d'observation, comment l'inscrire dans une réalité opéra...
DMP : après un temps d'observation, comment l'inscrire dans une réalité opéra...
Soft Computing
 
06/07/17 Table ronde Data Transformation Program
06/07/17 Table ronde Data Transformation Program06/07/17 Table ronde Data Transformation Program
06/07/17 Table ronde Data Transformation Program
Soft Computing
 
La Gouvernance des Données
La Gouvernance des DonnéesLa Gouvernance des Données
La Gouvernance des Données
Soft Computing
 
25/01/18 Matinale Data Science
25/01/18 Matinale Data Science25/01/18 Matinale Data Science
25/01/18 Matinale Data Science
Soft Computing
 
Outils de Vente : Du CRM à la Digitalisation de l'Animation Commerciale
Outils de Vente : Du CRM à la Digitalisation de l'Animation CommercialeOutils de Vente : Du CRM à la Digitalisation de l'Animation Commerciale
Outils de Vente : Du CRM à la Digitalisation de l'Animation Commerciale
Soft Computing
 
Réseaux Sociaux, CRM/PRM et Digital
Réseaux Sociaux, CRM/PRM et DigitalRéseaux Sociaux, CRM/PRM et Digital
Réseaux Sociaux, CRM/PRM et Digital
Soft Computing
 
Séminaire RCU
Séminaire RCUSéminaire RCU
Séminaire RCU
Soft Computing
 
La datavisualisation
La datavisualisationLa datavisualisation
La datavisualisation
Soft Computing
 
Machine Learning et Intelligence Artificielle
Machine Learning et Intelligence ArtificielleMachine Learning et Intelligence Artificielle
Machine Learning et Intelligence Artificielle
Soft Computing
 
Salon Big Data 2015 : Big Data et Marketing Digital, Retours d’expérience en ...
Salon Big Data 2015 : Big Data et Marketing Digital, Retours d’expérience en ...Salon Big Data 2015 : Big Data et Marketing Digital, Retours d’expérience en ...
Salon Big Data 2015 : Big Data et Marketing Digital, Retours d’expérience en ...
Soft Computing
 
Moteur de Recommandation
Moteur de RecommandationMoteur de Recommandation
Moteur de Recommandation
Soft Computing
 
Data Lake
Data LakeData Lake
Data Lake
Soft Computing
 
Matinale du MDM 2014
Matinale du MDM 2014Matinale du MDM 2014
Matinale du MDM 2014
Business & Decision
 
Soft Computing & IBM : Digital, Big Data & DMP
Soft Computing & IBM : Digital, Big Data & DMPSoft Computing & IBM : Digital, Big Data & DMP
Soft Computing & IBM : Digital, Big Data & DMP
Soft Computing
 
19/10/17 Séminaire Référentiel Client Unique
19/10/17 Séminaire Référentiel Client Unique19/10/17 Séminaire Référentiel Client Unique
19/10/17 Séminaire Référentiel Client Unique
Soft Computing
 
27/04/17 Séminaire Données Personnelles
27/04/17 Séminaire Données Personnelles27/04/17 Séminaire Données Personnelles
27/04/17 Séminaire Données Personnelles
Soft Computing
 
Machine Learning
Machine LearningMachine Learning
Machine Learning
Soft Computing
 
DATA FORUM MICROPOLE 2015 - Information Builders
 DATA FORUM MICROPOLE 2015 -  Information Builders DATA FORUM MICROPOLE 2015 -  Information Builders
DATA FORUM MICROPOLE 2015 - Information Builders
Micropole Group
 
Décisionnel Agile : les conditions du succès
Décisionnel Agile : les conditions du succèsDécisionnel Agile : les conditions du succès
Décisionnel Agile : les conditions du succès
Jean-Michel Franco
 

Similaire à Data Science (20)

Du Data Mining à la Data Science
Du Data Mining à la Data ScienceDu Data Mining à la Data Science
Du Data Mining à la Data Science
 
DMP : après un temps d'observation, comment l'inscrire dans une réalité opéra...
DMP : après un temps d'observation, comment l'inscrire dans une réalité opéra...DMP : après un temps d'observation, comment l'inscrire dans une réalité opéra...
DMP : après un temps d'observation, comment l'inscrire dans une réalité opéra...
 
06/07/17 Table ronde Data Transformation Program
06/07/17 Table ronde Data Transformation Program06/07/17 Table ronde Data Transformation Program
06/07/17 Table ronde Data Transformation Program
 
La Gouvernance des Données
La Gouvernance des DonnéesLa Gouvernance des Données
La Gouvernance des Données
 
25/01/18 Matinale Data Science
25/01/18 Matinale Data Science25/01/18 Matinale Data Science
25/01/18 Matinale Data Science
 
Outils de Vente : Du CRM à la Digitalisation de l'Animation Commerciale
Outils de Vente : Du CRM à la Digitalisation de l'Animation CommercialeOutils de Vente : Du CRM à la Digitalisation de l'Animation Commerciale
Outils de Vente : Du CRM à la Digitalisation de l'Animation Commerciale
 
Réseaux Sociaux, CRM/PRM et Digital
Réseaux Sociaux, CRM/PRM et DigitalRéseaux Sociaux, CRM/PRM et Digital
Réseaux Sociaux, CRM/PRM et Digital
 
Séminaire RCU
Séminaire RCUSéminaire RCU
Séminaire RCU
 
La datavisualisation
La datavisualisationLa datavisualisation
La datavisualisation
 
Machine Learning et Intelligence Artificielle
Machine Learning et Intelligence ArtificielleMachine Learning et Intelligence Artificielle
Machine Learning et Intelligence Artificielle
 
Salon Big Data 2015 : Big Data et Marketing Digital, Retours d’expérience en ...
Salon Big Data 2015 : Big Data et Marketing Digital, Retours d’expérience en ...Salon Big Data 2015 : Big Data et Marketing Digital, Retours d’expérience en ...
Salon Big Data 2015 : Big Data et Marketing Digital, Retours d’expérience en ...
 
Moteur de Recommandation
Moteur de RecommandationMoteur de Recommandation
Moteur de Recommandation
 
Data Lake
Data LakeData Lake
Data Lake
 
Matinale du MDM 2014
Matinale du MDM 2014Matinale du MDM 2014
Matinale du MDM 2014
 
Soft Computing & IBM : Digital, Big Data & DMP
Soft Computing & IBM : Digital, Big Data & DMPSoft Computing & IBM : Digital, Big Data & DMP
Soft Computing & IBM : Digital, Big Data & DMP
 
19/10/17 Séminaire Référentiel Client Unique
19/10/17 Séminaire Référentiel Client Unique19/10/17 Séminaire Référentiel Client Unique
19/10/17 Séminaire Référentiel Client Unique
 
27/04/17 Séminaire Données Personnelles
27/04/17 Séminaire Données Personnelles27/04/17 Séminaire Données Personnelles
27/04/17 Séminaire Données Personnelles
 
Machine Learning
Machine LearningMachine Learning
Machine Learning
 
DATA FORUM MICROPOLE 2015 - Information Builders
 DATA FORUM MICROPOLE 2015 -  Information Builders DATA FORUM MICROPOLE 2015 -  Information Builders
DATA FORUM MICROPOLE 2015 - Information Builders
 
Décisionnel Agile : les conditions du succès
Décisionnel Agile : les conditions du succèsDécisionnel Agile : les conditions du succès
Décisionnel Agile : les conditions du succès
 

Plus de Soft Computing

16/04/19 Matinale Experts Marketing Omnicanal
16/04/19 Matinale Experts Marketing Omnicanal16/04/19 Matinale Experts Marketing Omnicanal
16/04/19 Matinale Experts Marketing Omnicanal
Soft Computing
 
17/05/18 Matinale Usages Activation Omnicanal
17/05/18 Matinale Usages Activation Omnicanal17/05/18 Matinale Usages Activation Omnicanal
17/05/18 Matinale Usages Activation Omnicanal
Soft Computing
 
07/12/17 Séminaire Expérience Client
07/12/17 Séminaire Expérience Client07/12/17 Séminaire Expérience Client
07/12/17 Séminaire Expérience Client
Soft Computing
 
23/11/17 Matinale Usages Réactivation et SMS Enrichi
23/11/17 Matinale Usages Réactivation et SMS Enrichi23/11/17 Matinale Usages Réactivation et SMS Enrichi
23/11/17 Matinale Usages Réactivation et SMS Enrichi
Soft Computing
 
05/10/17 Matinale Qlik Sense
05/10/17 Matinale Qlik Sense05/10/17 Matinale Qlik Sense
05/10/17 Matinale Qlik Sense
Soft Computing
 
28/09/2017 Séminaire Data & Activation Client
28/09/2017 Séminaire Data & Activation Client28/09/2017 Séminaire Data & Activation Client
28/09/2017 Séminaire Data & Activation Client
Soft Computing
 
29/06/17 Matinale Python
29/06/17 Matinale Python29/06/17 Matinale Python
29/06/17 Matinale Python
Soft Computing
 
01/06/2017 Matinale Activation Client personnalisée et Délivrabilité
01/06/2017 Matinale Activation Client personnalisée et Délivrabilité01/06/2017 Matinale Activation Client personnalisée et Délivrabilité
01/06/2017 Matinale Activation Client personnalisée et Délivrabilité
Soft Computing
 
Phygital
PhygitalPhygital
Phygital
Soft Computing
 
Séminaire Expérience Client
Séminaire Expérience ClientSéminaire Expérience Client
Séminaire Expérience Client
Soft Computing
 
Données Personnelles
Données PersonnellesDonnées Personnelles
Données Personnelles
Soft Computing
 
Objets Connectés (IoT) et Data Science
Objets Connectés (IoT) et Data ScienceObjets Connectés (IoT) et Data Science
Objets Connectés (IoT) et Data Science
Soft Computing
 
Matinale Technologique Adobe Campaign
Matinale Technologique Adobe CampaignMatinale Technologique Adobe Campaign
Matinale Technologique Adobe Campaign
Soft Computing
 
Expérience Client
Expérience ClientExpérience Client
Expérience Client
Soft Computing
 
CRM & DMP : le digital au service d’une animation client omnicanal et temps réel
CRM & DMP : le digital au service d’une animation client omnicanal et temps réelCRM & DMP : le digital au service d’une animation client omnicanal et temps réel
CRM & DMP : le digital au service d’une animation client omnicanal et temps réel
Soft Computing
 
Digital In Store
Digital In StoreDigital In Store
Digital In Store
Soft Computing
 
Matinale Technologique SAS
Matinale Technologique SASMatinale Technologique SAS
Matinale Technologique SAS
Soft Computing
 
Des reportings efficients pour des analyses pertinentes
Des reportings efficients pour des analyses pertinentesDes reportings efficients pour des analyses pertinentes
Des reportings efficients pour des analyses pertinentes
Soft Computing
 

Plus de Soft Computing (18)

16/04/19 Matinale Experts Marketing Omnicanal
16/04/19 Matinale Experts Marketing Omnicanal16/04/19 Matinale Experts Marketing Omnicanal
16/04/19 Matinale Experts Marketing Omnicanal
 
17/05/18 Matinale Usages Activation Omnicanal
17/05/18 Matinale Usages Activation Omnicanal17/05/18 Matinale Usages Activation Omnicanal
17/05/18 Matinale Usages Activation Omnicanal
 
07/12/17 Séminaire Expérience Client
07/12/17 Séminaire Expérience Client07/12/17 Séminaire Expérience Client
07/12/17 Séminaire Expérience Client
 
23/11/17 Matinale Usages Réactivation et SMS Enrichi
23/11/17 Matinale Usages Réactivation et SMS Enrichi23/11/17 Matinale Usages Réactivation et SMS Enrichi
23/11/17 Matinale Usages Réactivation et SMS Enrichi
 
05/10/17 Matinale Qlik Sense
05/10/17 Matinale Qlik Sense05/10/17 Matinale Qlik Sense
05/10/17 Matinale Qlik Sense
 
28/09/2017 Séminaire Data & Activation Client
28/09/2017 Séminaire Data & Activation Client28/09/2017 Séminaire Data & Activation Client
28/09/2017 Séminaire Data & Activation Client
 
29/06/17 Matinale Python
29/06/17 Matinale Python29/06/17 Matinale Python
29/06/17 Matinale Python
 
01/06/2017 Matinale Activation Client personnalisée et Délivrabilité
01/06/2017 Matinale Activation Client personnalisée et Délivrabilité01/06/2017 Matinale Activation Client personnalisée et Délivrabilité
01/06/2017 Matinale Activation Client personnalisée et Délivrabilité
 
Phygital
PhygitalPhygital
Phygital
 
Séminaire Expérience Client
Séminaire Expérience ClientSéminaire Expérience Client
Séminaire Expérience Client
 
Données Personnelles
Données PersonnellesDonnées Personnelles
Données Personnelles
 
Objets Connectés (IoT) et Data Science
Objets Connectés (IoT) et Data ScienceObjets Connectés (IoT) et Data Science
Objets Connectés (IoT) et Data Science
 
Matinale Technologique Adobe Campaign
Matinale Technologique Adobe CampaignMatinale Technologique Adobe Campaign
Matinale Technologique Adobe Campaign
 
Expérience Client
Expérience ClientExpérience Client
Expérience Client
 
CRM & DMP : le digital au service d’une animation client omnicanal et temps réel
CRM & DMP : le digital au service d’une animation client omnicanal et temps réelCRM & DMP : le digital au service d’une animation client omnicanal et temps réel
CRM & DMP : le digital au service d’une animation client omnicanal et temps réel
 
Digital In Store
Digital In StoreDigital In Store
Digital In Store
 
Matinale Technologique SAS
Matinale Technologique SASMatinale Technologique SAS
Matinale Technologique SAS
 
Des reportings efficients pour des analyses pertinentes
Des reportings efficients pour des analyses pertinentesDes reportings efficients pour des analyses pertinentes
Des reportings efficients pour des analyses pertinentes
 

Dernier

Le Comptoir OCTO - Qu’apporte l’analyse de cycle de vie lors d’un audit d’éco...
Le Comptoir OCTO - Qu’apporte l’analyse de cycle de vie lors d’un audit d’éco...Le Comptoir OCTO - Qu’apporte l’analyse de cycle de vie lors d’un audit d’éco...
Le Comptoir OCTO - Qu’apporte l’analyse de cycle de vie lors d’un audit d’éco...
OCTO Technology
 
Le Comptoir OCTO - Équipes infra et prod, ne ratez pas l'embarquement pour l'...
Le Comptoir OCTO - Équipes infra et prod, ne ratez pas l'embarquement pour l'...Le Comptoir OCTO - Équipes infra et prod, ne ratez pas l'embarquement pour l'...
Le Comptoir OCTO - Équipes infra et prod, ne ratez pas l'embarquement pour l'...
OCTO Technology
 
MongoDB in a scale-up: how to get away from a monolithic hell — MongoDB Paris...
MongoDB in a scale-up: how to get away from a monolithic hell — MongoDB Paris...MongoDB in a scale-up: how to get away from a monolithic hell — MongoDB Paris...
MongoDB in a scale-up: how to get away from a monolithic hell — MongoDB Paris...
Horgix
 
Les écrans informatiques au fil du temps.pptx
Les écrans informatiques au fil du temps.pptxLes écrans informatiques au fil du temps.pptx
Les écrans informatiques au fil du temps.pptx
abderrahimbourimi
 
PRESENTATION DE L'ACTIVE DIRECTORY SOUS WINDOWS SERVEUR.pptx
PRESENTATION DE L'ACTIVE DIRECTORY SOUS WINDOWS SERVEUR.pptxPRESENTATION DE L'ACTIVE DIRECTORY SOUS WINDOWS SERVEUR.pptx
PRESENTATION DE L'ACTIVE DIRECTORY SOUS WINDOWS SERVEUR.pptx
AlbertSmithTambwe
 
De l'IA comme plagiat à la rédaction d'une « charte IA » à l'université
De l'IA comme plagiat à la rédaction d'une « charte IA » à l'universitéDe l'IA comme plagiat à la rédaction d'une « charte IA » à l'université
De l'IA comme plagiat à la rédaction d'une « charte IA » à l'université
Université de Franche-Comté
 
Le support de présentation des Signaux 2024
Le support de présentation des Signaux 2024Le support de présentation des Signaux 2024
Le support de présentation des Signaux 2024
UNITECBordeaux
 
Ouvrez la porte ou prenez un mur (Agile Tour Genève 2024)
Ouvrez la porte ou prenez un mur (Agile Tour Genève 2024)Ouvrez la porte ou prenez un mur (Agile Tour Genève 2024)
Ouvrez la porte ou prenez un mur (Agile Tour Genève 2024)
Laurent Speyser
 
COURS D'ADMINISTRATION RESEAU SOUS WINDOWS
COURS D'ADMINISTRATION RESEAU  SOUS WINDOWSCOURS D'ADMINISTRATION RESEAU  SOUS WINDOWS
COURS D'ADMINISTRATION RESEAU SOUS WINDOWS
AlbertSmithTambwe
 

Dernier (9)

Le Comptoir OCTO - Qu’apporte l’analyse de cycle de vie lors d’un audit d’éco...
Le Comptoir OCTO - Qu’apporte l’analyse de cycle de vie lors d’un audit d’éco...Le Comptoir OCTO - Qu’apporte l’analyse de cycle de vie lors d’un audit d’éco...
Le Comptoir OCTO - Qu’apporte l’analyse de cycle de vie lors d’un audit d’éco...
 
Le Comptoir OCTO - Équipes infra et prod, ne ratez pas l'embarquement pour l'...
Le Comptoir OCTO - Équipes infra et prod, ne ratez pas l'embarquement pour l'...Le Comptoir OCTO - Équipes infra et prod, ne ratez pas l'embarquement pour l'...
Le Comptoir OCTO - Équipes infra et prod, ne ratez pas l'embarquement pour l'...
 
MongoDB in a scale-up: how to get away from a monolithic hell — MongoDB Paris...
MongoDB in a scale-up: how to get away from a monolithic hell — MongoDB Paris...MongoDB in a scale-up: how to get away from a monolithic hell — MongoDB Paris...
MongoDB in a scale-up: how to get away from a monolithic hell — MongoDB Paris...
 
Les écrans informatiques au fil du temps.pptx
Les écrans informatiques au fil du temps.pptxLes écrans informatiques au fil du temps.pptx
Les écrans informatiques au fil du temps.pptx
 
PRESENTATION DE L'ACTIVE DIRECTORY SOUS WINDOWS SERVEUR.pptx
PRESENTATION DE L'ACTIVE DIRECTORY SOUS WINDOWS SERVEUR.pptxPRESENTATION DE L'ACTIVE DIRECTORY SOUS WINDOWS SERVEUR.pptx
PRESENTATION DE L'ACTIVE DIRECTORY SOUS WINDOWS SERVEUR.pptx
 
De l'IA comme plagiat à la rédaction d'une « charte IA » à l'université
De l'IA comme plagiat à la rédaction d'une « charte IA » à l'universitéDe l'IA comme plagiat à la rédaction d'une « charte IA » à l'université
De l'IA comme plagiat à la rédaction d'une « charte IA » à l'université
 
Le support de présentation des Signaux 2024
Le support de présentation des Signaux 2024Le support de présentation des Signaux 2024
Le support de présentation des Signaux 2024
 
Ouvrez la porte ou prenez un mur (Agile Tour Genève 2024)
Ouvrez la porte ou prenez un mur (Agile Tour Genève 2024)Ouvrez la porte ou prenez un mur (Agile Tour Genève 2024)
Ouvrez la porte ou prenez un mur (Agile Tour Genève 2024)
 
COURS D'ADMINISTRATION RESEAU SOUS WINDOWS
COURS D'ADMINISTRATION RESEAU  SOUS WINDOWSCOURS D'ADMINISTRATION RESEAU  SOUS WINDOWS
COURS D'ADMINISTRATION RESEAU SOUS WINDOWS
 

Data Science

  • 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 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 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 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
  • 6. © 6 Compétences : un mix unique de compétences pointues Digital Marketing Data Science Project Management Information Technologies Digital - Big Data - CRM
  • 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 Delivery : continuum de services et souplesse Think Build Run Délégation d’expertise Mode Projet Centre de services
  • 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
  • 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 ça reste à la mode ?
  • 13. © 13 Traduction marché, 2 ans d’expérimentation et de maturation
  • 14. © 14 Notre vision sur les grands segments de marché Expérimentation Industrialisation Transport Retail GSA Retail GSS Banque & Assurance Utilities (yc Telco)
  • 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 Traduction du marché vu de chez nous 1 Jan – Fev 2015 Jan – Fev 2016 10 Ex. demande de régies
  • 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 Indulgence dans les demandes quand même
  • 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 Des demandes qui restent ‘compliqués’ dans les skills
  • 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 Au final souvent des dispositifs plus que des compétences MarketingDatascience Data Manager Stocker Explorer Transformer Modéliser Appliquer
  • 23. © 23 Comment éviter la vallée des désillusions dans l’usage ? Big Data
  • 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 4 piliers de vigilances Outils
  • 26. © 26 4 piliers de vigilances Gouvernance & Process Compétences
  • 27. © 27 4 piliers de vigilances Données Outils Process Compétences
  • 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 Les compétences attendues pour un Data Miner Maitrise des outils Maitrise des méthodes Sens Business Gestion de projet
  • 30. © 30 Un environnement en mutation Data Mining POC Data Science Transition Data Science Aujourd’hui
  • 31. © 31 Un environnement en mutation : les données analysées Univers de données
  • 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 Un environnement en mutation : les nouvelles méthodologies utilisées Random Forest Boosting Gradient Machine Textmining Réseau de neurones Réseau bayésien Sequential Pattern Analysis
  • 34. © 34 Un environnement en mutation : les outils Accès aux données Manipulation de données Analytic Restitution
  • 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 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 Un environnement en mutation : le timing
  • 38. © 38 Les compétences attendues pour un Data Scientist Maitrise des outils Maitrise des méthodes Sens Business Gestion de projet
  • 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 Comment transformer les équipes ? Data Mining POC Data Science Transition Data Science
  • 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 La transition Data Mining POC Data Science Transition Data Science
  • 43. © 43 Les outils Data Mining POC Data Science Transition Data Science
  • 45. © 45 La répartition des rôles avec l’IT Marketing Data ScienceProgrammation  Définit le besoin  Exploite  Explore  Transforme  Modélise  Nettoie  Optimise  Industrialise AGILITE
  • 46. © 47 Gagner en efficacité Tempsdetraitementréduit Tempsdetraitementréduit NouvellesMéthodes Dataviz Un seul outil
  • 47. © 48 Le Mindset des équipes
  • 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. © 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. © 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. © 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. © 53 Accompagner le changement et la formation Marketing Datascience Data Manager
  • 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. © 55