Soft Computing propose un séminaire pour aider les entreprises à passer du data mining à la data science, en abordant les compétences nécessaires et les impacts de cette transition. Des sessions incluront des retours d'expérience, des méthodologies nouvelles, et des techniques d'analyse liées au big data. L'événement s'adresse principalement aux clients et prospects de l'entreprise, visant à transformer les équipes de data miners en data scientists.

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

5. © 5
Carte d’identité

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

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
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

44. © 44
Les méthodes

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