Ce séminaire aborde les opportunités offertes par les objets connectés et le big data dans le marketing, en mettant l'accent sur l'application de la data science pour analyser et utiliser efficacement les données générées. Il présente des techniques et des conseils pratiques pour transformer ces données en connaissances actionnables, ainsi que des exemples d'applications dans divers secteurs tels que la santé et la domotique. Soft Computing, organisateur de l'événement, est spécialisé dans le marketing digital orienté données et accompagne de nombreuses entreprises dans l'exploitation de ces technologies.

1. © Soft Computing – www.softcomputing.com
Objets connectés et Data Science
Usages marketing ?
03/11/2016

2. © 2
DIRECTION COMMERCIALE ET MARKETING
Sandra GOMES CLARION
Directrice Commerciale et Marketing
E-mail : contact@softcomputing.com
Tel : +33 (0)1 73 00 55 00

3. © 3
Objets connectés et data science, quels usages marketing ?
Séminaire le 3 novembre 2016
Les objets connectés provoquent un véritable déluge de données. Les techniques de Machine Learning et de Data
Science combinées au technologies Big Data permettent de transformer ces données en connaissance actionnable pour
améliorer l’expérience utilisateur, la qualité des produits ou l’efficacité des processus. Quelles données remontent de
l’IoT ? Quelles techniques permettent d’en extraire de la connaissance utile ? …
Que ce soit dans le domaine de la santé, de la domotique, des véhicules, des réseaux de distribution,
la quantité d’objets connectés croît de manière exponentielle. Dans le même temps, les innovations
technologiques concourent à augmenter la fréquence et la quantité d’informations captée et
exploitable.
Ce séminaire prospectif vise à présenter au travers de quelques exemples, les données, les
technologies et les techniques sous-jacentes à l’analyse de données massives produites par les objets
connectés ainsi que des conseils sur les modalités pratiques de mise en œuvre.
A propos
Soft Computing est le spécialiste du marketing digital data-driven. Ses 400 consultants, experts en sciences de la donnée, en marketing digital et en technologies big data,
aident au quotidien plus de 150 entreprises à travers le monde à exploiter tout le potentiel de la donnée pour améliorer l’expérience de leurs clients et le ROI de leur
marketing digital. Soft Computing est côté à Paris sur NYSE Euronext (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
Modalités :
Ce séminaire aura lieu dans les
locaux de Soft Computing.
Ou via notre site:
www.softcomputing.com
Agenda : 08h45 – 11h00
 Objets connectés et données collectées
 Big Data : révolution dans le stockage et l’analyse de données
 Data Science : théorie du signal, stochastique et autres techniques
d’analyse de l’IoT
 Cas d’usage marketing de l’analyse de données de l’IoT
 Organisation, compétences et gouvernance pour la mise en œuvre
 Conclusion

4. © 4
Sommaire
1. Introduction
2. IOT : définitions
3. IOT : plus qu'un buzz
4. IOT : les spécificités
5. IOT : 2 exemples
6. IOT : retours d'expérience
7. IOT : Conclusions

5. © 5
Carte d’identité

6. © 6
Exploiter tout le potentiel de la data
Créer des expériences Client sans couture
Démultiplier la performance du marketing digital
Mission
Marketing
Intelligence
Big Data
Driven
Digital
Experience

7. © 7
Compétences : un mix unique de compétences pointues
Digital
Marketing
Data
Science
Project
Management
Information
Technologies

8. © 8
A la carte
Think Build Run
Délégation Projet Centre de services
Digital-Marketing IT AMOA
Offre
Delivery
Clients

9. © 9
Extraits de références
Digital Marketing Big Data
Aviva
CRM Onboarding et campagnes
marketing anonymes – identifiés.
Danone
Programme relationnel multi-
devices et remarketing.
Engie
Data Management Platform, CRM,
Identity Management et web
analytics.
Fnac
Convergence des pratiques et
outils marketing offline et in store
avec le digital.
Les Echos
Migration technique et
organisationnelle d’une DMP et
d’une SSP.
BPCE
Centre de services de gestion des
campagnes marketing multicanal.
L'Oréal
Déploiement et exploitation d’une
plate-forme CRM multi-marques
multi-pays.
Système U
Centre de services gestion de
campagnes marketing et
connaissance clients.
vente-privee.com
Mise en place de campagnes
automatisées et optimisées par des
tests.
Vivarte
Gestion et activation d’un
référentiel client unique
multimarques.
La Banque Postale
Conception de l’architecture
décisionnelle hybride big data –
datawarehouse.
LCL
Accompagnement à la conception
et la mise en place d’un datalake.
Orange
Formation de compétences et de
méthodes en data science sur les
filiales Afrique et Moyen-Orient.
PSA
Définition de la gouvernance d’un
MDM client multi-activité et
international.
RCI Banque
Elaboration d’une stratégie de
connaissance client et valorisation
des big data.

10. © 10
Experts reconnus
blog.softcomputing.com/
fr.slideshare.net/softcomputing
twitter.com/#!/SoftComputing
linkedin.com/company/soft-computing
facebook.com/softcomputing
softcomputing.com/news/
InformerEcrire Enseigner

11. © 11
Recruteur de talents
Datascience Projet
TechnologiesDigital
Marketing
CRM
Big Data
100 CDI à pourvoir cette année
Contact : recrutement@softcomputing.com –
http://www.softcomputing.com/offres-d-emploi

12. © 12
Sommaire
1. Introduction
2. IOT : définitions
3. IOT : plus qu'un buzz
4. IOT : les spécificités
5. IOT : 2 exemples
6. IOT : retours d'expérience
7. IOT : Conclusions

13. © 13
Capteurs
Objet
Connecté
Serveur
Stocke
Analyse
Commande
Alimenta-
tion

14. © 14
2006-2016 : ce qui a changé
Capteurs
€ : -50%
Objet
Adresses : *1029
Connecté
€ : -98,5%
Couverture +40%
Serveur
Stocke
€ : -99%
Analyse
Tflop : *103
Commande
Alimentation
Durée : *1,000

15. © 15

16. © 16
Sommaire
1. Introduction
2. IOT : définitions
3. IOT : plus qu'un buzz
4. IOT : les spécificités
5. IOT : 2 exemples
6. IOT : retours d'expérience
7. IOT : Conclusions

17. © 17
B2C : 33%

18. © 18
5 fois plus d’objets
2015 : 10 Md - 1,5 / humain
2020 : 50 Md - 8 / humain
objets *5

19. © 19
8 fois plus de données : 1,6 Zeta-octets en 2020
2016 : 200 Exa-octets produits par IoT
2020 : 1,600 Exa-octets
données*8

20. © 20
280 fois plus de données analysées
2016 : 200 Exa-octets produits par IoT dont 1% analysé
2020 : 1,600 Exa-octets dont 35% analysé

calcul*280

21. © 21
IoT 2025 : entre 4 et 10 % du PNB mondial
4% =
10% = +

22. © 22
IoT 2025
Σ ≈ [4,000 – 10,000 Md€] : usages
2/3 B2B

23. © 23
IoT 2025
Σ ≈ [4,000 – 10,000 Md€] : leviers

24. © 24
Périmètre considéré
B2C (33%) Ventes et marketing (7%)
Collecte et analyse

25. © 25
Sommaire
1. Introduction
2. IOT : définitions
3. IOT : plus qu'un buzz
4. IOT : les spécificités
5. IOT : 2 exemples
6. IOT : retours d'expérience
7. IOT : Conclusions

26. © 26
Toujours la même histoire ?
Marketing
Data ScienceProgrammation
 Définit les produits & services
 Exprime les fonctionnalités
 Monétise la donnée
 Explore
 Transforme
 Modélise
 Collecte
 Nettoie
 Industrialise

27. © 27
Temps réel : exemple retail
Check-out automatique
Le beacon capte les produits et débite le
client lorsqu’il passe la porte
Promotion personnalisée
La localisation en magasin est
croisée avec l’historique d’achat et
les pages vues en ligne pour choisir
les promos
Optimisation des stocks
Les ventes en caisse sont remontées
en temps réel pour une modélisation
prédictive des stocks
Réappro des rayons
Les images des rayons filmés par des drones
sont analysées pour identifier les besoins de
réappro

28. © 28
Haute volumétrie
25 Go/heure

29. © 29
Séries continues
2014 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013
1 12 12 12 11 11 11 11 10 10 9 9 9 9 9 8 8 7 7 7 7 7 6 6 5 4 3 3 2 2
CD_PRDEAN LB_PRDEAN_TICKET 24 28 20 11 30 21 16 2 19 5 27 17 14 11 7 9 3 29 27 13 11 2 15 3 10 6 23 6 12 9
8002270014901 SAN PELLEGR.
4030 KIWIS
8000430133035 MOZZAREL.125
3179732348913 PERRIER 1L
5410228102762 LEFFE BL.75C
3248830690610 PATE FEUILL.
3700311801361 MOUCH 15X10
5411681014050 DUVEL 75CL
3700311812985 DISQUE DEMAQ
3274080001005 EAU CRISTALI
3222475116865 EAU 5L
3222474212681 PH X24 BLANC
3222473347094 ETUI 24X9
3468570116601 EAU ROZANA
3222471020036 CAMEMB.CASIN
3057640135408 VOLVIC 6X1L5
3176571625007 LAIT ST.50CL
4593 CONCOMBRE
5410228158424 BIERE 75CL
3222473274482 PJ CLEMTINE
5410908000074 CHIMAY
3360410000104 AMI CHABERTI
3046920044691 CHOCOLAT
3123340002811 PJ ORANGE
3179732324818 EAU GAZEUSE
3302552414739 CAILLE FRAIS
3222471319390 EAU CO 6X1L5
3600550226980 COLORATION
3222474897857 SAVON MARS.

30. © 30
Auto-apprentissage

31. © 31
Données non structurées

32. © 32
Interopérabilité

33. © 33
Impact sur l’architecture
Serveur
Stocke
Analyse
Stockage et calcul
Big data
Stream
Processing
Algorithmes
Deep ML
Traitement du
signal
API Interopérables

34. © 34
Sommaire
1. Introduction
2. IOT : définitions
3. IOT : plus qu'un buzz
4. IOT : les spécificités
5. IOT : 2 exemples
6. IOT : retours d'expérience
7. IOT : Conclusions

35. © 35
Deux Objets connectés
Capteurs
• scan ean, voix
• GPS, température,
accéléromètre…
Objet
• scanette
• montre
Home Page
Connecté
Serveur
Stocke
• données externes
• historiques
• données HomePage
Analyse
• matrice de substitution
• données structurées
• données non structurées
Restitue
• recommandations
• tableaux de bord
ID
ID
ID
ID

36. © 36
MONTRE CONNECTEE
DOMAINE SPORT
2
1. Introduction
o concept
o objet
2. Enjeux
3. Masse de données comportementales
4. Services proposés par la montre connectée

37. © 37
Objet # 2. Montre connectée - Le concept
Constat
user
 Engouement pour les sports individuels
 Plébiscite d’applications/réseaux communautaires mettant
en avant
• l’expérience sportive - blog, photo, commentaires
• les analyses sous forme de stat, infographie
Constat
métier
 A la croisée des deux secteurs les plus porteurs
 sport
 santé / bien être - premier segment marketing des
objets connectés

38. © 38
Objet # 2. Montre connectée - L’objet
Objet « wearable » grand public dans la mouvance du Quantified Self
(mesure de données personnelles)
• On-Off pour chaque « move »
(comme un chrono)
• Approvisionnant en data le compte
personnel du user à la fin du move
par cable ou WiFi
Remarque : Identifiant unique [Objet = Compte = User ]

39. © 39
MONTRE CONNECTEE
DOMAINE SPORT
2
1. Introduction
2. Enjeux
3. Masse de données comportementales
4. Services proposés par la montre connectée

40. © 40
Objet # 2. Montre connectée - La promesse user
 échange d’informations
 compétition : se mesurer aux autres
Partager avec sa communauté
 choisir/suivre un programme d’entraînement adapté à ses
envies
 planifier ses itinéraires
Planifier ses entraînements
 profiter de ses performances
 améliorer sa condition physique
Suivre sa progression

41. © 41
Sous forme de signaux avec un pas de temps de 1 s
Objet # 2 Montre connectée - Les données
Volumétrie très importante
GPS (latitude-longitude)
>> Distance
Capteur Pression
>> Altitude
Température
Accéléromètre
>> Vitesse
Signaux récoltés
à chaque « move »
run/cyclo/plongée ..
de chaque user
Cardiomètre
>> BPM

42. © 42
Données supplémentaires renseignées par le user sur sa home page
Objet # 2 Montre connectée - Les données
Volumétrie très importante
+
Données non structurées
Commentaires Photos
Données récoltées
au fil de l’eau
pour chaque user

43. © 43
Objet # 2 Montre connectée - Récupération données
Distributeur
spécialisé
sport
• Proposer des nouveaux services
• Acquérir de la connaissance client sans
intrusion - pas de questionnaire
 données CRM
 données achats
 données produits
 données Montre Connectée
o données structurées : signaux
o données non structurées : commentaires, photos

44. © 44
MONTRE CONNECTEE
DOMAINE SPORT
2
1. Introduction
2. Enjeux
3. Masse de données comportementales
4. Services proposées par la montre
o Services Quantified Self
o Services Coach

45. © 45
Objet # 2 Montre connectée - Le service Quantified Self
Données récoltées le 03 juillet 2016
Reporting
• Extraire de la data les
indicateurs descriptifs
• Proposer de l’information
« agréable »
Exemples : kca, temps de récup
• Restituer l’information de
manière attractive
• Faire une restitution en
temps réel sur l’objet connectéActivité :
RUN

46. © 46
Objet # 2 Montre connectée - Le service Quantified Self
Données avec infographie
Signaux de vitesse et altitude avec informations complémentaires:
moyenne, maximum et statistiques intermédiairesActivité :
RUN

47. © 47
Cas d’usage # 2 Montre connectée - Service Quantified Self
Tableau de bord : Indicateurs agrégés
Activité :
RUN

48. © 48
Objet # 2 Montre connectée - Le service Quantified Self
La vitesse
est calculée à partir du capteur « accéléromètre » (m/s^2)
• En intégrant sur le temps
• En intégrant deux fois >> distance parcourue
Le temps de
récupération
est calculé à partir de règles a priori dépendant de la durée, de
la vitesse, du dénivelé
L’altitude
est calculée à partir du capteur « pression »
(pas à partir des données GPS)
• Problématique de précision du GPS – surtout en terrain à fort
gradient
• Problématique de mémoire et temps d’accèsActivité :
RUN

49. © 49
Objet # 2 Montre connectée - Service Coach
une voix dans les écouteurs qui motive le runner en temps réel
coaching en live
Technologies Data Sciences :
Algorithme de recommandation
Apprentissage sur les historiques
moves, personnel ou collaboratif
Traitement du signal – extraction de features
Activité :
RUN

50. © 50
Objet # 2 Montre connectée - Service Coach. Comparaison de signaux
Période des exercices de «fractionné»
90s 60s 73s
Début des exercices de «fractionné»
+ 23.5 min + 28 min + 26.5 min
Vitesse moyenne en « run »
2.54 m/s 2.78m/s 2.77 m/s
Dates des moves
2014-09-04 11:14:17
2014-09-08 19:13:09
2014-09-11 18:37:38
2014-09-26 11:05:44
Coordonnées GPS
48.839 2.58
48.840 2.58
48.838 2.58
48.840 2.58
ID
Pascal
Michel
Michel
Michel
En base
En base
En base
En direct
Speed m/s (ordonnées) fonction du temps (abscisses)

51. © 51
Objet # 2 Montre connectée - Service Coach. Algorithme
Input :
ID, GPS, date, altitude, durée
Michel , (48.840 2.59), 2014-09-26 11:05:44, 62, t=0
Identification de l’activité
Run
Apprentissage personnalisé:
dans l’historique Michel
• recherche des runs avec signaux sur [0,t]
similaires
o parcours déjà vu - GPS
o parcours nouveau - altitude
Apprentissage collaboratif:
dans l’historique des users de la
communauté de Michel
• recherche des runs similaires
(règles a priori puis knn : GPS, dénivelé, durée)
Comparaison des données instantanées : vitesse, bpm
Comparaison des indicateurs : T début du fractionné, période du fractionné
Prévision de durée – parcours déjà vu -
Ouput : messages
• trop lent, accélère
• bpm trop rapide, repos
• si tu tiens le rythme, tu exploses ton record
• si tu tiens le rythme, tu prends 2 minutes à Pascal
Identifications des caractéristiques de ces runs :
o durée, vitesse (moyenne/accidents), altitude, bpm
Pré-traité
Caractéristiques Niveau 1
Caractéristiques Niveau 2

52. © 52
Objet # 2 Montre connectée - Travail sur les signaux
Description
données
 Pour chaque move - ticket
 Plusieurs signaux - plus complexe qu’une variable
>> agréger l’information apportée par chaque signal
Agrégateurs
usuels
Non spécifiques « séries temporelles »
 longueur, min, max, moyenne
Agrégateurs
complexes
Spécifiques « théorie du signal »
 cycles, longueurs de cycles
 tendances, accidents

53. © 53
Analyse de Fourier classique
• Pour étudier les phénomènes cycliques
• Passer du domaine TEMPS au domaine FREQUENCE
Objet # 2 Montre connectée. Analyse signal
Temps en s (57 min) Fréquence
Vitesse en m/s Amplitude
Longueur du cycle le plus important = 1/Freq*.
Ici 72 s = périodes accélération/décélération (usuel 30+30)
Fractionné
(exercice cardio)
FFT

54. © 54
Objet # 2 Montre connectée. Analyse signal
 Avantage : détecte l’existence de cycles et leur longueur
 Inconvénients :
o pas de localisation temporelle des cycles
o ne voit pas les « accidents » du signal
Analyse de Fourier
Ecrit le signal comme une somme
 d’une tendance >> comportement moyen
 de détails donnés à plusieurs échelles >> accidents localisés
Analyse en ondelette
- Très utilisée pour le Deep Learning

55. © 55
Objet # 2 Montre connectée. Analyse signal
Détails
Niveau 1
Détails
Niveau 6
Détails
Niveau 5
Détails
Niveau 4
Détails
Niveau 3
Détails
Niveau 2
Tendance
Niveau 1

56. © 56
Conclusion. Data Mining pour les objets connectés
 Nature de la Data : signaux
 Machine Learning : théorie du signal + recommandation
 Services offerts : orientés vers la satisfaction
 Lien direct avec le client via des outputs délivrés en
instantané
 analyses sur la data
 restitutions client

57. © 57
Sommaire
1. Introduction
2. IOT : définitions
3. IOT : plus qu'un buzz
4. IOT : les spécificités
5. IOT : 2 exemples
6. IOT : retours d'expérience
7. IOT : Conclusions

58. © 58
Agilité internet et rigueur industrielle
Design
Prototype testable
3 mois 1 semaine

59. © 59
Ventilation des coûts

60. © 60
Facteurs clés de succès
80 % simplicité20 % puissance

61. © 61
Plébiscite du cloud

62. © 62
Un jeu à 3 5
Leadership

63. © 63
Sommaire
1. Introduction
2. IOT : définitions
3. IOT : plus qu'un buzz
4. IOT : les spécificités
5. IOT : 2 exemples
6. IOT : retours d'expérience
7. IOT : Conclusions

64. © 64
IOT &
Data
science
Spécificités : projet,
organisation et méthodes
Algorithmes : facteur clé
de différenciation
Questions à venir : vie privée,
propriété, responsabilité…
Freins : règlementation,
interopérabilité