Télécharger en tant que PDF, PPTX
Téléchargé parSoft Computing
Du Data Mining à la Data Science
Le séminaire organisé par Soft Computing aborde la transition du data mining traditionnel vers la data science, en soulignant les compétences requises et les nouvelles perspectives d'analyse offertes par le big data. Il explore les enjeux, méthodologies et retours d'expérience relatifs à cette évolution. Des experts partageront des stratégies pour gérer les défis de l'analyse de données et optimiser le retour sur investissement.
![[Infographie] Le métier de Data scientist](https://cdn.slidesharecdn.com/ss_thumbnails/mptechinfographiemetierdatascientist-220921160407-864ec0fc-thumbnail.jpg?width=640&height=640&fit=bounds)
![[Infographie] comment passer des big data aux smart data](https://cdn.slidesharecdn.com/ss_thumbnails/infographiecommentpasserdesbigdataauxsmartdata-140331101453-phpapp01-thumbnail.jpg?width=640&height=640&fit=bounds)
Du Data Mining à la Data Science
- 1. © Soft Computing– www.softcomputing.com Du Data Mining à la Data Science : Comment passer du Data Mining traditionnel à la Data Science ? 24/09/2015
- 2. © 2 Du DataMining 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 desintervenants Eric Fischmeister Président efr@softcomputing.com 01 73 00 57 59 Hélène Hamon Directrice adjointe du pôle Marketing Services 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.L’écosystème : Le décor et quoi de neuf ? 3. Data Miner vs Data Scientist : quelles compétences, quelles différences ? 4. Les nouvelles possibilités d’analyses et les méthodologies associées : quels cas d’utilisation ? 5. Les retours d’expériences : quelle démarche, le délai, les coûts ? 6. Conclusion
- 5.
- 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-deviceset 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.
- 11. © 11 SOMMAIRESommaire 1. Introduction 2.L’écosystème : Le décor et quoi de neuf ? 3. Data Miner vs Data Scientist : quelles compétences, quelles différences ? 4. Les nouvelles possibilités d’analyses et les méthodologies associées : quels cas d’utilisation ? 5. Les retours d’expériences : quelle démarche, le délai, les coûts ? 6. Conclusion
- 12.
- 13. © 13 Big Data: ça reste à la mode
- 14. © 14 Oui, maison aborde la vallée des désillusions Big Data
- 15. © 15 Malgré touten France, 2 ans d’expérimentation et de maturation
- 16. © 16 Notre visionsur les grands segments de marché Expérimentation Industrialisation Transport Retail GSA Retail GSS Banque & Assurance Utilities (yc Telco)
- 17. © 17 SOMMAIRESommaire Les réponsesdans les utilisations marketing
- 18.
- 19. © 19 Enjeu #1 : Rendre tangible et lisible l’expérience omnicanal
- 20. © 20 Enjeu #2 : Opérer et exécuter autrement les processus marketing
- 21. © 21 Enjeu #3 : Optimisation et analyse de la contribution des différents leviers d’acquisition et de fidélisation
- 22.
- 23. © 23 Données : DigitalesCRM Réponse# 1 : Une 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
- 24. © 24 Réponse #2 : Des REX sur un segment (sur) peuplé qui émergent Xaas Hardware Projets Open SourceDistributions Données AnalyseVisualisation Application EMR Bigquery Professionnal services (tec & biz)
- 25. © 25 Réponse #3 : Baissent des coûts 5 nœuds 1 namenode, 20 cœurs, 192 Go ram 4 datanodes, 64 cœurs, 64 Gb ram, 10 To DD
- 26. © 26 Réponse #4 : Autonome
- 27. © 27 Réponse #5 : Des compétences qui crantent et qui (commencent) à travailler ensemble Marketing Datascience Programmation
- 28.
- 29. © 29 SOMMAIRESommaire 1. Introduction 2.L’écosystème : Le décor et quoi de neuf ? 3. Data Miner vs Data Scientist : quelles compétences, quelles différences ? 4. Les nouvelles possibilités d’analyses et les méthodologies associées : quels cas d’utilisation ? 5. Les retours d’expériences : quelle démarche, le délai, les coûts ? 6. Conclusion
- 30. © 30 DATAMINING VSDATA SCIENCE : BIG BANG ?
- 31. © 31 Les donnéesanalysées AVANT Univers de données Format et stockage Historique Important sur les données agrégées Faible sur les données unitaires
- 32. © 32 Les analyses SegmentationRFM, valeur… Etude d’impact de lancement d’offre, programme de fidélisation Score d’appétence, de rétention… Géomarketing : typologies de zone d’implantation, optimisation de réseau de points de vente… Prévision des ventes, des résiliations… Mesure de dispositif de marketing relationnel AVANT
- 33. © 33 Les méthodologies Régressionlogistique Modèle ARIMA/SARIMA Analyse des correspondances multiples Analyse Factorielle Analyse en composantes principales … AVANT
- 34. © 34 Les outils Accèsaux données Manipulation de données Analytic Restitution AVANT
- 35. © 35 L’organisation desprojets AVANT Marketing Data Miner Définit le besoin Exploite les résultats et met en œuvre les actions Définit l’approche méthodologique Réalise les analyses
- 36. © 36 Les charges Définitionde la démarche et des indicateurs Extraction des données Construction de la matrice d’études Analyse/ Modélisation Présentation des résultats 2 jours 5 jours 10 jours 15 jours 10 jours Exemple pour la mise en place d’une segmentation : = 42 jours + aléa AVANT
- 37. © 37 Les compétencesattendues pour un Datamininer Maitrise des outils Maitrise des méthodes Sens Business AVANT
- 38. © 38 Quelles évolutions/Quels impacts avec l’arrivée du Big Data ?
- 39.
- 40. © 40 Au démarragedu Big data • Des données brutes / non structurées • Accès/manipulation de données via Impala, Hive
- 41. © 41 Big data2014 Démocratisation Big data 2015 Démocratisation
- 42. © 42 Les donnéesanalysées 2015 Périmètre Format et stockage Historique Important sur les données agrégées Important sur les données unitaires
- 43. © 43 Les nouvellesanalyses Analyse de parcours omnicanal Analyse de sentiments Moteur de substitution Analyses multi fonctions : logistique, client, yield… Scores à la volée Moteur de recommandations 2015
- 44. © 44 Les nouvellesméthodologies utilisées Random Forest Boosting Gradient Machine Textmining Réseau Bayesien ACP avec rotation Sequential Pattern Analysis 2015
- 45. © 45 Les outils Accèsaux données Manipulation de données Analytic Restitution 2015
- 46. © 46 L’organisation desprojets 2015 Marketing Data ScienceProgrammation Définit le besoin Exploite Explore Transforme Modélise Nettoie Optimise Industrialise
- 47. © 47 Les charges Exemplepour la mise en place d’une segmentation : Définition de la démarche et des indicateurs Extraction 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 2015
- 48. © 48 Les compétencesattendues pour un Data Scientist Maitrise des outils Maitrise des nouvelles méthodes Sens Business GESTION DE PROJET 2015
- 49. © 49 SOMMAIRESommaire 1. Introduction 2.L’écosystème : Le décor et quoi de neuf ? 3. Data Miner vs Data Scientist : quelles compétences, quelles différences ? 4. Les nouvelles possibilités d’analyses et les méthodologies associées : quels cas d’utilisation ? 5. Les retours d’expériences : quelle démarche, le délai, les coûts ? 6. Conclusion
- 50. © 50 Données : DigitalesCRM Penserapplications opérationnelles et débuter simple R.O.I. Connaissance Productivité opérationnelle Analyses ad’hoc Vision produit Vision clients Technologies 1 2 3 4 ModélisationRéconciliation Externes
- 51. © 51 Une démarcheitérative et cocréative Une approche pour : – Identifier vos enjeux et vos besoins et les décliner en plan d’expérimentation, – Benchmarker, tester et valoriser la création de valeur – Préparer une éventuelle industrialisation Mettre en œuvre la plateforme2 Présentation, ajustement , validation de l’apport de valeur, plans test 3 Représentants métiers Définition des cas d’usages Réaliser les cas d’usage métiers et benchmark avt - après 4 1 Représentants métiers / SI Recueil de l’existant et des besoins métier et SI Représentants métiers Recommandation et plans d’actions en vu de l’industrialisation 5 2 Décile Lift
- 52. © 52 Aligner lescompétences Marketing Datascience Programmation
- 53. © 53 Imaginer desplannings de réalisation à moins de 6 mois et contributeurs associés Run Initialisation du centre de services Conception et réalisation « large » Maintenance Monitoring applications Administration Gestion des projets de setup Gestion du centre de servicesProgram Management Gestion des projets d’évolutions BusinessIT Gestiondeprojetet deservices Setup Sprints algorithme sur le « lab » Mise en place architecture Définition du SLA Conception et réalisation « fast » Tests Sprints d’amélioration algorithme sur le « lab » Surveillance de la santé de l’algorithme « lab » Infra Hard & soft Hébergement et monitoring Data exploration M1 M2 M3 M4 M5
- 54. © 54 Anticiper hybridedans l’industrialisationSystèmessources SystèmesbancairesdeproductionExternes ETL Appliance Entrepôt Vision unique du client Datamarts Sandbox Entrepôt Hadoop Usages Reporting Tableaux de bord Cubes OLAP Statistique (SAS...) Systèmes front-end Base métier Données de référence Synthèses transactions Données externes structurées Données externes peu structurées Données volumétrie importante Réintégration données après pré-traitement Sasde sécurité Accès Accès Accès Données externes à la demande Eléments de ciblage (dont scores) Extractions Métiers (dont scores, segmentations...) Base métier Base métier Base métier Base métier Base métier Web Services Services temps réel À destination des front-end
- 55. © 55 Combien çacoûte ? X * 100 K€ / an Batch As a service X * 1 M€ / an Industrialisation Temps réel Datawahouse+big data
- 56. © 56 Cibler desR.O.I. < 6 mois
- 57. © 57 SOMMAIRESommaire 1. Introduction 2.L’écosystème : Le décor et quoi de neuf ? 3. Data Miner vs Data Scientist : quelles compétences, quelles différences ? 4. Les nouvelles possibilités d’analyses et les méthodologies associées : quels cas d’utilisation ? 5. Les retours d’expériences : quelle démarche, le délai, les coûts ? 6. Conclusion
- 58. © 58 Offre deservices S ensibilisation tratégie andbox R oadmap ollout un
- 59.