SlideShare une entreprise Scribd logo
1
Mindoo Management © 2019
D a t a e t d é c i s i o n s
Pilotage de gestion, Data et Machine Learning
Juin 2019.
2
Mindoo Management © 2019
A propos
Mindoo Management réalise des missions d’accompagnement
opérationnel et de conseil en stratégie, performance et data
management, principalement dans l’univers des
télécommunications, média et e-banking, ainsi que sur les
thèmes de la création de valeur et de l’optimisation des
processus digitaux pour des entreprises de services B2B.
En complément de cette approche diagnostic métier, pour
renforcer la pertinence des données de bout en bout et
améliorer l’explicabilité des modèles, Mindoo peut intervenir
avec un ou plusieurs partenaire(s) Data Scientist et startup
spécialisés en Analyse Prédictive (Machine Learning). Ces
partenaires sont mobilisés pour « outiller » le processus
d’analyse prédictive. Ils fournissent un accès en mode SaaS à
une solution d’Analyse Prédictive déjà construite et éprouvée.
Selon l’ambition des clients, l’objectif final peut alors aller jusqu’à
automatiser et déployer rapidement des applications métiers
basées sur l’Intelligence Artificielle.
3
Mindoo Management © 2019
Allez au bout de votre projet data!
COMMENCER VOTRE PROJET D’ANALYSE PREDICTIVE
Comment passer des besoins à l’intention, de l’intention à un
projet data pour une application concrète dans les métiers de
l’entreprise?
ANALYSES PREDICTIVES
Pourquoi utiliser une solution SaaS de Machine Learning
pour structurer la chaîne de valeur de la donnée (et réduire le
time-to-market des applications, pour déploiement).
DEUX EXEMPLES D’APPLICATION
#1. Banque. Scoring crédit et Dashboard d’aide
à la décision pour les conseillers recouvrement.
#2. Energie. Modélisation et aide à l’optimisation
de la consommation clients, détection des anomalies.
5
6
4
APPROCHE
Descriptions des étapes clés d’un projet
d’analyse prédictive (« Machine Learning »),
étendu à l’automatisation d’applications métier.
ALIGNEMENT DE L’INTENTION…
« Make Data the New Oil ».
CAS DE GESTION
De multiples cas de gestion sont concernés,
pour différentes applications métiers.
2
3
1
4
Mindoo Management © 2019
Si vous torturez vos données assez longtemps,
elles finiront par avouer quelque chose…
—Ronald Coarse, Prix Nobel
Ce biais conduit a des surajustements d’information qui finalement altèrent la pertinence des modèles et des décisions…
… Un projet d’amélioration de l’efficience opérationnelle et/ou financière basé sur les data, nécessite donc par
construction, une approche qui permette un alignement de bout en bout de l’intention stratégique, de la structuration des
données, du choix du modèle d’analyse et de la fiabilisation des données et résultats générés pour un usage opérationnel.
L’entreprise reste maître de la création et du déploiement d’applications digitales afin d’automatiser les cas d’usage.
Risque & Enjeu
5
Mindoo Management © 2019
CREATION ET DEPLOIEMENT D’APPLICATIONS (au cas par cas)
Généraliser les résultats de ces modèles dans des applications
permettant l’automatisation des analyses et des tâches récurrentes,
et l’amélioration des décisions clés aux relations banque-clients.
ANALYSE PREDICTIVE
Exploiter les méthodes d’analyses prédictives pour faire émerger et
qualifier des modèles descriptifs et prédictifs sous-jacents aux données
analysées pour chaque besoin métier.
STRUCTURATION ET PREPARATION DES DONNEES
Identifier et enrichir les données pertinentes à l’analyse de ces
besoins, en vue d’une modélisation prédictive (Machine Learning).
VOS BESOINS
Exploiter les données générées par la multitude d’évènements et
d’informations des processus de l’entreprise pour, in fine, saisir de
nouvelles opportunités et mitiger les risques opérationnels et financiers.
Alignement entre l’intention et l’usage des données
« Make Data the New Oil », 4 étapes clé applicables à toutes entreprises et cas de gestion (après qualification du projet data)
6
Mindoo Management © 2019
Vous êtes
ici…
De nombreux cas de gestion applicables
FRAUDE:
Chèque
Obligations
contractuelle
Déclarations
Etc.
Diagnostic
ad hoc
Clustering
augmenté
(Profiling
Clients)
SCORING:
-Octroi crédit avec
édition de règles
-Investissement
locatif, crédit bail,
identification
CSP,…
CLIENT
-Recommandations
-Churn
-Up sell/Cross sell
- Score d’appétence
Gestion des flux:
-Affluence en call
center
- Cours des
matières
premières
RECOUVREMENT:
-Scoring contentieux
-Scoring plan
d’apurement
-Plan d’apurement
optimal
- Scoring en amont des
clients qui vont tomber
en recouvrement
Maintenance
Des ROI important
selon les cas de gestion
L’Analyse Prédictive est applicable à de
nombreux cas de gestion caractérisés
par une récurrence et/ou une forte
volumétrie d’événements ainsi qu’à des
coûts unitaires de traitement élevés et
non compressibles, sauf à être
automatisés (à qualifier selon
l’entreprise)
7
Mindoo Management © 2019
Par quel(s) cas de gestion commencer?
ORGANISATION ET EVOLUTIONS VERS DES TÂCHES A VALEUR AJOUTEE
Appuyer le travail d’organisation et l’effort de management par une analyse des déterminants expliquant la variation d’activité
d’une entité ou d’une activité (ex. Centre d’appel). Proposer des évolutions de la répartition du travail vers des tâches à plus
forte valeur ajoutée
SUIVI DES FLUX RELATIFS A UN PROCESSUS OPERATIONNEL CLIENT
Modéliser les flux, détecter des anomalies afin de proposer une offre et une tarification mieux adaptées au profil de
consommations des clients. Proposer des solutions préventives et apporter une assistance à la résolution des anomalies.
OPPORTUNITES DE VENTES ADDITIONNELLES ET SYSTEME DE “RECOMMANDATIONS”
Comprendre le profil de consommation des clients et identifier des opportunités d’offres complémentaires. Concevoir et
donner accès à un système proactif de « recommandations ».
QUALIFICATION DES RISQUES RELATIFS AUX CONTRATS ET AU RECOUVREMENT
Modéliser les principaux termes contractuels pour détecter des « signaux faibles » pouvant induire une détérioration du
respect des obligations contractuelles par une partie prenante et plus généralement anticiper les risques financiers liés au
recouvrement de créances.
8
Mindoo Management © 2019
Approche : modulaire ou « de bout en bout »*
Description générale d’un projet de data de bout en bout pour créer des applications métier améliorant la gestion au quotidien
Un pilotage de projet et des compétences à agréger : Cadrage stratégique | Data engineering & structuration | Visualisation des travaux | AMOA d’intégration aux SI métier
Plateforme Machine Learning
en Saas, ou modélisations
internes
* Construction et déploiement selon décisions client
Co-construction
et management de projet
Product Owner /
Equipe IT client
Choix du déploiement,
planification
Choix de la solution
de Machine Learning
Adhérences
avec Programme
de
transformation
digitale
Cadrage
Détection du besoin client;
Cadrage du cas de gestion
Analyse données
Identification des données
Data structuration
Construction du jeu de
données (« dataset »)
Analyse Prédictive
Modélisation; Création des
modèles prédictifs
Intégration
* Création d’application
intégrée aux outils métiers et
mise en production via API
Change Management
* Alignement
de l’organisation
9
Mindoo Management © 2019
Approche : les questions clés à aborder
Principaux points clés pour qualifier un cas de gestion et une résolution dans une optique « data-driven »
Cadrage
Compréhension du
problème
Data sourcing
Identifier et préparer les
données
Modélisation
Réaliser l’Analyse
Prédictive
Déploiement
Evaluer les résultats
avant le déploiement
dans l’organisation
01
02
03
04
Quel est le problème métier? Comment peut-on le décomposer?
Quelle est la valeur cible à évaluer/définir?
Le problème est-il supervisé (Valeur cible à déterminer?) Quel est le processus d’analyse si le problème est « non supervisé »?
A quoi correspondent les instances de données (« lignes »)?
Quels sont les attributs (dimension, colonne)? Quels sont ceux les plus pertinents pour ce problème?
Les sources de données et leurs attributs sont-ils accessibles, bien définis et formatés pour les besoins du modèle d’analyse?
Quels traitements complémentaires sont nécessaires?
Quelles mesures métiers doivent être estimées hors modèle? (ex. approche coûts/bénéfices)
Les biais de sélections sont-ils évalués entre les données d’entrainement, de test et les données d’instances à prédire?
Le choix du modèle prédictif est-il cohérent avec le type de problème et la valeur cible à déterminer?
Les contraintes de modélisation sont-elles bien prises en compte (quantité de données, préparation, notamment pour les
données non numériques, tests)
Quels est le protocole de tests? Quels sont les modèles à comparer (si pertinent)?
Pour les résolutions de type Clustering, la mesure de similarité est-elle appropriée au problème étudié?...
Quelles validations sont attendues par les experts métiers? Quelles étaient les hypothèses métier initialement identifiées?
Quels sont les contrôle de cohérence vs. Expression du problème (pertinence d’une régression, seuil de classification,
estimations des coûts/bénéfices, etc.)
Quelles comparaisons à partir de Baseline de référence sont prévus? La Baseline est-elle pertinente pour le problème et les
données?
Les estimations de probabilité sont-elles à usage direct ou pur un ranking? Quelles sont les vérifications?
Comment envisager un déploiement qui permette de répondre durablement au problème identifié? Comment suivre le rapport
coûts/gain dans le temps et entre partie-prenantes?
10
Mindoo Management © 2019
Exploiter les data par la création de services basés sur l’Analyse Prédictive
Par design, il s’agit de créer un modèle d’intégration de données pour renforcer le fiabilité et l’explicabilité de bout en bout
MARKETING
PROVIDING THE BEST SOLUTIONS
Choix, entrainement des algorithmes de Machine Learning
et vérification de la fiabilité des résultats.
Analyses Prédictives (Machine Learning)2
Deux options de déploiement : restitution sous forme de
Tableaux de bord et reporting; Automatisation des processus
par le déploiement de « Smart Applications ».
Data Analytics & Déploiement d’applications3
Compréhension détaillée du cas de gestion et sélection
des données pertinentes, préparation et croisement des
données pour mettre en évidence les informations clés
Du besoin à la sélection des données1
Systèmes d’Information internes
Données structurées (ERP)
Données consolidées par Data Preparation
ETL
Dataset unique
Données de l’écosystème Entreprise
IoT
Web & Mobile
Images
…
Notebooks
Travail avec les outils de programmation déjà en
place au sein de l’entreprise (coding, interfaces,…).
Devops mode (Python, R DSK) peut être mis en
œuvre via API ou via une élaboration à partir des
Notebooks de programmation tenus en interne
Portail de Smart Apps (si automatisation)
Construire un portail utilisateurs pour couvrir les cas d’usage
correspondant aux problématiques les plus « récurrentes » et./ou à
plus fort enjeux de ROI
Création d’applications intuitives pour les collaborateurs et partagées
Faciliter le réapprentissage et la fiabilisation des modèles de
Machine Learning
BI, Csv, MS Excel,…
Data structuration sur-mesure pour permettre la
visualisation des résultat, construire des modèles et des
Dashboards complémentaires
APIs
Faciliter le déploiement via diverses solutions proposées par
des Tierces Parties
Moteur
d’Analyse Prédictive
(Modélisation Interne
ou Plateformes SaaS)
Pilotage
Assurer la traçabilité de chaque
étape de traitement des données
et en assurer la pertinence et la
fiabilité des résultats
Reporting & Visualisation
Créer, analyser et visualiser les
données avec une large gamme
de moyens de restitution et un
choix des modalités de partages
11
Mindoo Management © 2019
Ex #1. Banque Création d’une application de scoring crédit et d’automatisation et d’enrichissement de l’aide à la décision
des conseillers recouvrement (à commenter – Source : partenaire)
DETECTION DES PRIORITES
Identification et qualification
automatisée des cas client nécessitant
une action
ROI
VISION CLIENT A 360°
Permettre au collaborateur une
appropriation simple, complète et
rapide de chaque dossier client
AIDE A LA DECISION
Fournir des mesures fiabilisées
(« probabilités de… ») et contextualisées
en fonction des décisions requises
Convertir ces actions automatisées et
ces décisions assistées, en gains
financiers et de productivité de travail
12
Mindoo Management © 2019
Ex #2. Energie Création d’une application pour la modélisation du suivi et la détection des anomalies de consommation
d’énergie (à commenter – Source : partenaire)
SUIVI DE LA CONSOMMATION
Modélisation des pics et des creux de
consommation.
ROI
EVOLUTION DU BUSINESS MODEL
Détection des anomalies et proposition
d’aide à l’optimisation des coûts d’énergie
AIDE A LA DECISION
Qualifier les cas d’anomalie pour engager
une maintenance sur le parc d’utilisation
et faire évoluer les modalités d’achat
Création d’un nouveau service d’aide à la
résolution d’anomalies et à l’optimisation de
la consommation. Augmentation du taux de
satisfaction clients et réduction de l’attrition.
Classification par
arborescence des
évènements de
consommations
13
Mindoo Management © 2019
Comment commencer votre projet d’Analyses Prédictives?
De l’intention à la création-mise en œuvre d’une application métier
Ex. de planning, pour un cas de gestion
TEST & EVALUATION
~ A dét. selon complexité
et sensibilité du cas (1…3 mois)
Définition précise du problème
Atelier Métiers / Data
INDUSTRIALISATION
~ 3 mois…
Déploiement des modèles
Structuration de l’alimentation
des données métier
Change Management
DEPLOIEMENT
1 mois…
Mise à disposition de l’application
INTENTION(S)
~ 1-4 Sem
Formuler le problème à
résoudre / l’opportunité à saisir
et décrire les scénarios
possibles de mise en oeuvre
Identifier les cas de gestion
à fort enjeu de ROI
Qualifier les besoins d’analyse
prédictive et d’automatisation
d’activités
Amorçage / Entrainement
des modèlesElaboration des modèles
Validation de la performance
Restitutions Déploiement de l’App
Recette
Amélioration continue
de la performance
14
Mindoo Management © 2019
CONTACT
15
Mindoo Management © 2019
CONTACT
www.linkedin.com/in/cyrillagrange
5 rue Saulnier, 75009 Paris
cla@mindoo-management.com
+33 (0)6 61 64 06 49
Cyril Lagrange
Business & Data Consulting

Contenu connexe

Tendances

Système d'information décisionnel : à quoi cela sert-il ?
Système d'information décisionnel : à quoi cela sert-il ?Système d'information décisionnel : à quoi cela sert-il ?
Système d'information décisionnel : à quoi cela sert-il ?
Michel Bruley
 
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
 
Implémentation d’une solution E-CRM
Implémentation d’une solution E-CRMImplémentation d’une solution E-CRM
Implémentation d’une solution E-CRM
Nassim Bahri
 
Exploitez le Big Data dans le cadre de votre stratégie MDM
Exploitez le Big Data dans le cadre de votre stratégie MDMExploitez le Big Data dans le cadre de votre stratégie MDM
Exploitez le Big Data dans le cadre de votre stratégie MDM
Jean-Michel Franco
 
Méthodologie D’Intelligence D’Affaires
Méthodologie D’Intelligence D’AffairesMéthodologie D’Intelligence D’Affaires
Méthodologie D’Intelligence D’Affaires
Alain Charpentier
 
Information Management : de l’excellence opérationnelle à l’excellence inform...
Information Management : de l’excellence opérationnelle à l’excellence inform...Information Management : de l’excellence opérationnelle à l’excellence inform...
Information Management : de l’excellence opérationnelle à l’excellence inform...
Jean-Michel Franco
 
KPI et pilotage de performance et webanalytics - Conférence AT Internet au sa...
KPI et pilotage de performance et webanalytics - Conférence AT Internet au sa...KPI et pilotage de performance et webanalytics - Conférence AT Internet au sa...
KPI et pilotage de performance et webanalytics - Conférence AT Internet au sa...
AT Internet
 
Offre onepoint - Data science et big data
Offre onepoint  - Data science et big data Offre onepoint  - Data science et big data
Offre onepoint - Data science et big data
GroupeONEPOINT
 
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
 
Les 4 piliers de l’intelligence d’affaires.03.10
Les 4 piliers de l’intelligence d’affaires.03.10Les 4 piliers de l’intelligence d’affaires.03.10
Les 4 piliers de l’intelligence d’affaires.03.10
Quotient Management
 
Matinale MDM 2013 Business & Decision
Matinale MDM 2013 Business & DecisionMatinale MDM 2013 Business & Decision
Matinale MDM 2013 Business & Decision
Jean-Michel Franco
 
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
 
Séminaire Business Intelligence Agile
Séminaire Business Intelligence AgileSéminaire Business Intelligence Agile
Séminaire Business Intelligence Agile
Soft Computing
 
Gouvernance des données - Pourquoi démarrer une gouvernance des données agile ?
Gouvernance des données - Pourquoi démarrer une gouvernance des données agile ?Gouvernance des données - Pourquoi démarrer une gouvernance des données agile ?
Gouvernance des données - Pourquoi démarrer une gouvernance des données agile ?
Zeenea
 
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
 
Atelier Semarchy : comment faire adhérer l'entreprise au projet mdm
Atelier Semarchy :  comment faire adhérer l'entreprise au projet mdmAtelier Semarchy :  comment faire adhérer l'entreprise au projet mdm
Atelier Semarchy : comment faire adhérer l'entreprise au projet mdm
Micropole Group
 
Presentation Matinée Gouvernance des donnees
Presentation Matinée Gouvernance des donneesPresentation Matinée Gouvernance des donnees
Presentation Matinée Gouvernance des donnees
Micropole Group
 
[French] Une Vision à 360° de vos clients grâce au Master Data Management et ...
[French] Une Vision à 360° de vos clients grâce au Master Data Management et ...[French] Une Vision à 360° de vos clients grâce au Master Data Management et ...
[French] Une Vision à 360° de vos clients grâce au Master Data Management et ...
Jean-Michel Franco
 
Introduction au datamining, concepts et techniques
Introduction au datamining, concepts et techniquesIntroduction au datamining, concepts et techniques
Introduction au datamining, concepts et techniques
Ismail CHAIB
 

Tendances (20)

Système d'information décisionnel : à quoi cela sert-il ?
Système d'information décisionnel : à quoi cela sert-il ?Système d'information décisionnel : à quoi cela sert-il ?
Système d'information décisionnel : à quoi cela sert-il ?
 
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
 
Implémentation d’une solution E-CRM
Implémentation d’une solution E-CRMImplémentation d’une solution E-CRM
Implémentation d’une solution E-CRM
 
Exploitez le Big Data dans le cadre de votre stratégie MDM
Exploitez le Big Data dans le cadre de votre stratégie MDMExploitez le Big Data dans le cadre de votre stratégie MDM
Exploitez le Big Data dans le cadre de votre stratégie MDM
 
Méthodologie D’Intelligence D’Affaires
Méthodologie D’Intelligence D’AffairesMéthodologie D’Intelligence D’Affaires
Méthodologie D’Intelligence D’Affaires
 
Information Management : de l’excellence opérationnelle à l’excellence inform...
Information Management : de l’excellence opérationnelle à l’excellence inform...Information Management : de l’excellence opérationnelle à l’excellence inform...
Information Management : de l’excellence opérationnelle à l’excellence inform...
 
KPI et pilotage de performance et webanalytics - Conférence AT Internet au sa...
KPI et pilotage de performance et webanalytics - Conférence AT Internet au sa...KPI et pilotage de performance et webanalytics - Conférence AT Internet au sa...
KPI et pilotage de performance et webanalytics - Conférence AT Internet au sa...
 
Offre onepoint - Data science et big data
Offre onepoint  - Data science et big data Offre onepoint  - Data science et big data
Offre onepoint - Data science et big data
 
Objets Connectés (IoT) et Data Science
Objets Connectés (IoT) et Data ScienceObjets Connectés (IoT) et Data Science
Objets Connectés (IoT) et Data Science
 
Les 4 piliers de l’intelligence d’affaires.03.10
Les 4 piliers de l’intelligence d’affaires.03.10Les 4 piliers de l’intelligence d’affaires.03.10
Les 4 piliers de l’intelligence d’affaires.03.10
 
Présentation bi 1.0
Présentation bi 1.0Présentation bi 1.0
Présentation bi 1.0
 
Matinale MDM 2013 Business & Decision
Matinale MDM 2013 Business & DecisionMatinale MDM 2013 Business & Decision
Matinale MDM 2013 Business & Decision
 
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
 
Séminaire Business Intelligence Agile
Séminaire Business Intelligence AgileSéminaire Business Intelligence Agile
Séminaire Business Intelligence Agile
 
Gouvernance des données - Pourquoi démarrer une gouvernance des données agile ?
Gouvernance des données - Pourquoi démarrer une gouvernance des données agile ?Gouvernance des données - Pourquoi démarrer une gouvernance des données agile ?
Gouvernance des données - Pourquoi démarrer une gouvernance des données agile ?
 
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
 
Atelier Semarchy : comment faire adhérer l'entreprise au projet mdm
Atelier Semarchy :  comment faire adhérer l'entreprise au projet mdmAtelier Semarchy :  comment faire adhérer l'entreprise au projet mdm
Atelier Semarchy : comment faire adhérer l'entreprise au projet mdm
 
Presentation Matinée Gouvernance des donnees
Presentation Matinée Gouvernance des donneesPresentation Matinée Gouvernance des donnees
Presentation Matinée Gouvernance des donnees
 
[French] Une Vision à 360° de vos clients grâce au Master Data Management et ...
[French] Une Vision à 360° de vos clients grâce au Master Data Management et ...[French] Une Vision à 360° de vos clients grâce au Master Data Management et ...
[French] Une Vision à 360° de vos clients grâce au Master Data Management et ...
 
Introduction au datamining, concepts et techniques
Introduction au datamining, concepts et techniquesIntroduction au datamining, concepts et techniques
Introduction au datamining, concepts et techniques
 

Similaire à Pilotage de gestion, data et machine learning by Mindoo Management

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
 
Data Science
Data ScienceData Science
Data Science
Soft Computing
 
Séminaire RCU
Séminaire RCUSéminaire RCU
Séminaire RCU
Soft Computing
 
Présentation HEC - Cloud Computing En France - Cédric Mora
Présentation HEC - Cloud Computing En France - Cédric MoraPrésentation HEC - Cloud Computing En France - Cédric Mora
Présentation HEC - Cloud Computing En France - Cédric Mora
Cédric Mora
 
7 points clés à retenir pour aborder le data management de données clients...
7 points clés à retenir pour aborder le data management de données clients...7 points clés à retenir pour aborder le data management de données clients...
7 points clés à retenir pour aborder le data management de données clients...
dibs-conseil
 
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
 
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
 
La datavisualisation
La datavisualisationLa datavisualisation
La datavisualisation
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
 
Note sectorielle - Enjeux DSI - février 2018 - Sextant Expertise
Note sectorielle - Enjeux DSI - février 2018 - Sextant ExpertiseNote sectorielle - Enjeux DSI - février 2018 - Sextant Expertise
Note sectorielle - Enjeux DSI - février 2018 - Sextant Expertise
FrdricANGER
 
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
 
Les défis commerciaux de la PME en 2013
Les défis commerciaux de la PME en 2013Les défis commerciaux de la PME en 2013
Les défis commerciaux de la PME en 2013
Sage france
 
Bank insight n°7 - La valorisation de la donnée
Bank insight n°7 - La valorisation de la donnéeBank insight n°7 - La valorisation de la donnée
Bank insight n°7 - La valorisation de la donnée
Wavestone
 
Offre onepoint - Referentiels et business intelligence
Offre onepoint - Referentiels et business intelligenceOffre onepoint - Referentiels et business intelligence
Offre onepoint - Referentiels et business intelligence
GroupeONEPOINT
 
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
 
Tendances et état de l\'art CRM 2010
Tendances et état de l\'art CRM 2010Tendances et état de l\'art CRM 2010
Tendances et état de l\'art CRM 2010
Jean-Michel Franco
 
Search Based Application: Facilitez vous le MDM !
Search Based Application: Facilitez vous le MDM !Search Based Application: Facilitez vous le MDM !
Search Based Application: Facilitez vous le MDM !
Jean-François Caenen
 
Informatica Day 2011 - présentation sur le MDM
Informatica Day 2011 - présentation sur le MDMInformatica Day 2011 - présentation sur le MDM
Informatica Day 2011 - présentation sur le MDM
Business & Decision
 
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
 
2010.11.26 - Avancée du SaaS dans le Secteur Banque Finance - Vi Lang - IBM -...
2010.11.26 - Avancée du SaaS dans le Secteur Banque Finance - Vi Lang - IBM -...2010.11.26 - Avancée du SaaS dans le Secteur Banque Finance - Vi Lang - IBM -...
2010.11.26 - Avancée du SaaS dans le Secteur Banque Finance - Vi Lang - IBM -...
Club Alliances
 

Similaire à Pilotage de gestion, data et machine learning by Mindoo Management (20)

Décisionnel Agile : les conditions du succès
Décisionnel Agile : les conditions du succèsDécisionnel Agile : les conditions du succès
Décisionnel Agile : les conditions du succès
 
Data Science
Data ScienceData Science
Data Science
 
Séminaire RCU
Séminaire RCUSéminaire RCU
Séminaire RCU
 
Présentation HEC - Cloud Computing En France - Cédric Mora
Présentation HEC - Cloud Computing En France - Cédric MoraPrésentation HEC - Cloud Computing En France - Cédric Mora
Présentation HEC - Cloud Computing En France - Cédric Mora
 
7 points clés à retenir pour aborder le data management de données clients...
7 points clés à retenir pour aborder le data management de données clients...7 points clés à retenir pour aborder le data management de données clients...
7 points clés à retenir pour aborder le data management de données clients...
 
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
 
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
 
La datavisualisation
La datavisualisationLa datavisualisation
La datavisualisation
 
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...
 
Note sectorielle - Enjeux DSI - février 2018 - Sextant Expertise
Note sectorielle - Enjeux DSI - février 2018 - Sextant ExpertiseNote sectorielle - Enjeux DSI - février 2018 - Sextant Expertise
Note sectorielle - Enjeux DSI - février 2018 - Sextant Expertise
 
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 ...
 
Les défis commerciaux de la PME en 2013
Les défis commerciaux de la PME en 2013Les défis commerciaux de la PME en 2013
Les défis commerciaux de la PME en 2013
 
Bank insight n°7 - La valorisation de la donnée
Bank insight n°7 - La valorisation de la donnéeBank insight n°7 - La valorisation de la donnée
Bank insight n°7 - La valorisation de la donnée
 
Offre onepoint - Referentiels et business intelligence
Offre onepoint - Referentiels et business intelligenceOffre onepoint - Referentiels et business intelligence
Offre onepoint - Referentiels et business intelligence
 
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
 
Tendances et état de l\'art CRM 2010
Tendances et état de l\'art CRM 2010Tendances et état de l\'art CRM 2010
Tendances et état de l\'art CRM 2010
 
Search Based Application: Facilitez vous le MDM !
Search Based Application: Facilitez vous le MDM !Search Based Application: Facilitez vous le MDM !
Search Based Application: Facilitez vous le MDM !
 
Informatica Day 2011 - présentation sur le MDM
Informatica Day 2011 - présentation sur le MDMInformatica Day 2011 - présentation sur le MDM
Informatica Day 2011 - présentation sur le MDM
 
Réseaux Sociaux, CRM/PRM et Digital
Réseaux Sociaux, CRM/PRM et DigitalRéseaux Sociaux, CRM/PRM et Digital
Réseaux Sociaux, CRM/PRM et Digital
 
2010.11.26 - Avancée du SaaS dans le Secteur Banque Finance - Vi Lang - IBM -...
2010.11.26 - Avancée du SaaS dans le Secteur Banque Finance - Vi Lang - IBM -...2010.11.26 - Avancée du SaaS dans le Secteur Banque Finance - Vi Lang - IBM -...
2010.11.26 - Avancée du SaaS dans le Secteur Banque Finance - Vi Lang - IBM -...
 

Pilotage de gestion, data et machine learning by Mindoo Management

  • 1. 1 Mindoo Management © 2019 D a t a e t d é c i s i o n s Pilotage de gestion, Data et Machine Learning Juin 2019.
  • 2. 2 Mindoo Management © 2019 A propos Mindoo Management réalise des missions d’accompagnement opérationnel et de conseil en stratégie, performance et data management, principalement dans l’univers des télécommunications, média et e-banking, ainsi que sur les thèmes de la création de valeur et de l’optimisation des processus digitaux pour des entreprises de services B2B. En complément de cette approche diagnostic métier, pour renforcer la pertinence des données de bout en bout et améliorer l’explicabilité des modèles, Mindoo peut intervenir avec un ou plusieurs partenaire(s) Data Scientist et startup spécialisés en Analyse Prédictive (Machine Learning). Ces partenaires sont mobilisés pour « outiller » le processus d’analyse prédictive. Ils fournissent un accès en mode SaaS à une solution d’Analyse Prédictive déjà construite et éprouvée. Selon l’ambition des clients, l’objectif final peut alors aller jusqu’à automatiser et déployer rapidement des applications métiers basées sur l’Intelligence Artificielle.
  • 3. 3 Mindoo Management © 2019 Allez au bout de votre projet data! COMMENCER VOTRE PROJET D’ANALYSE PREDICTIVE Comment passer des besoins à l’intention, de l’intention à un projet data pour une application concrète dans les métiers de l’entreprise? ANALYSES PREDICTIVES Pourquoi utiliser une solution SaaS de Machine Learning pour structurer la chaîne de valeur de la donnée (et réduire le time-to-market des applications, pour déploiement). DEUX EXEMPLES D’APPLICATION #1. Banque. Scoring crédit et Dashboard d’aide à la décision pour les conseillers recouvrement. #2. Energie. Modélisation et aide à l’optimisation de la consommation clients, détection des anomalies. 5 6 4 APPROCHE Descriptions des étapes clés d’un projet d’analyse prédictive (« Machine Learning »), étendu à l’automatisation d’applications métier. ALIGNEMENT DE L’INTENTION… « Make Data the New Oil ». CAS DE GESTION De multiples cas de gestion sont concernés, pour différentes applications métiers. 2 3 1
  • 4. 4 Mindoo Management © 2019 Si vous torturez vos données assez longtemps, elles finiront par avouer quelque chose… —Ronald Coarse, Prix Nobel Ce biais conduit a des surajustements d’information qui finalement altèrent la pertinence des modèles et des décisions… … Un projet d’amélioration de l’efficience opérationnelle et/ou financière basé sur les data, nécessite donc par construction, une approche qui permette un alignement de bout en bout de l’intention stratégique, de la structuration des données, du choix du modèle d’analyse et de la fiabilisation des données et résultats générés pour un usage opérationnel. L’entreprise reste maître de la création et du déploiement d’applications digitales afin d’automatiser les cas d’usage. Risque & Enjeu
  • 5. 5 Mindoo Management © 2019 CREATION ET DEPLOIEMENT D’APPLICATIONS (au cas par cas) Généraliser les résultats de ces modèles dans des applications permettant l’automatisation des analyses et des tâches récurrentes, et l’amélioration des décisions clés aux relations banque-clients. ANALYSE PREDICTIVE Exploiter les méthodes d’analyses prédictives pour faire émerger et qualifier des modèles descriptifs et prédictifs sous-jacents aux données analysées pour chaque besoin métier. STRUCTURATION ET PREPARATION DES DONNEES Identifier et enrichir les données pertinentes à l’analyse de ces besoins, en vue d’une modélisation prédictive (Machine Learning). VOS BESOINS Exploiter les données générées par la multitude d’évènements et d’informations des processus de l’entreprise pour, in fine, saisir de nouvelles opportunités et mitiger les risques opérationnels et financiers. Alignement entre l’intention et l’usage des données « Make Data the New Oil », 4 étapes clé applicables à toutes entreprises et cas de gestion (après qualification du projet data)
  • 6. 6 Mindoo Management © 2019 Vous êtes ici… De nombreux cas de gestion applicables FRAUDE: Chèque Obligations contractuelle Déclarations Etc. Diagnostic ad hoc Clustering augmenté (Profiling Clients) SCORING: -Octroi crédit avec édition de règles -Investissement locatif, crédit bail, identification CSP,… CLIENT -Recommandations -Churn -Up sell/Cross sell - Score d’appétence Gestion des flux: -Affluence en call center - Cours des matières premières RECOUVREMENT: -Scoring contentieux -Scoring plan d’apurement -Plan d’apurement optimal - Scoring en amont des clients qui vont tomber en recouvrement Maintenance Des ROI important selon les cas de gestion L’Analyse Prédictive est applicable à de nombreux cas de gestion caractérisés par une récurrence et/ou une forte volumétrie d’événements ainsi qu’à des coûts unitaires de traitement élevés et non compressibles, sauf à être automatisés (à qualifier selon l’entreprise)
  • 7. 7 Mindoo Management © 2019 Par quel(s) cas de gestion commencer? ORGANISATION ET EVOLUTIONS VERS DES TÂCHES A VALEUR AJOUTEE Appuyer le travail d’organisation et l’effort de management par une analyse des déterminants expliquant la variation d’activité d’une entité ou d’une activité (ex. Centre d’appel). Proposer des évolutions de la répartition du travail vers des tâches à plus forte valeur ajoutée SUIVI DES FLUX RELATIFS A UN PROCESSUS OPERATIONNEL CLIENT Modéliser les flux, détecter des anomalies afin de proposer une offre et une tarification mieux adaptées au profil de consommations des clients. Proposer des solutions préventives et apporter une assistance à la résolution des anomalies. OPPORTUNITES DE VENTES ADDITIONNELLES ET SYSTEME DE “RECOMMANDATIONS” Comprendre le profil de consommation des clients et identifier des opportunités d’offres complémentaires. Concevoir et donner accès à un système proactif de « recommandations ». QUALIFICATION DES RISQUES RELATIFS AUX CONTRATS ET AU RECOUVREMENT Modéliser les principaux termes contractuels pour détecter des « signaux faibles » pouvant induire une détérioration du respect des obligations contractuelles par une partie prenante et plus généralement anticiper les risques financiers liés au recouvrement de créances.
  • 8. 8 Mindoo Management © 2019 Approche : modulaire ou « de bout en bout »* Description générale d’un projet de data de bout en bout pour créer des applications métier améliorant la gestion au quotidien Un pilotage de projet et des compétences à agréger : Cadrage stratégique | Data engineering & structuration | Visualisation des travaux | AMOA d’intégration aux SI métier Plateforme Machine Learning en Saas, ou modélisations internes * Construction et déploiement selon décisions client Co-construction et management de projet Product Owner / Equipe IT client Choix du déploiement, planification Choix de la solution de Machine Learning Adhérences avec Programme de transformation digitale Cadrage Détection du besoin client; Cadrage du cas de gestion Analyse données Identification des données Data structuration Construction du jeu de données (« dataset ») Analyse Prédictive Modélisation; Création des modèles prédictifs Intégration * Création d’application intégrée aux outils métiers et mise en production via API Change Management * Alignement de l’organisation
  • 9. 9 Mindoo Management © 2019 Approche : les questions clés à aborder Principaux points clés pour qualifier un cas de gestion et une résolution dans une optique « data-driven » Cadrage Compréhension du problème Data sourcing Identifier et préparer les données Modélisation Réaliser l’Analyse Prédictive Déploiement Evaluer les résultats avant le déploiement dans l’organisation 01 02 03 04 Quel est le problème métier? Comment peut-on le décomposer? Quelle est la valeur cible à évaluer/définir? Le problème est-il supervisé (Valeur cible à déterminer?) Quel est le processus d’analyse si le problème est « non supervisé »? A quoi correspondent les instances de données (« lignes »)? Quels sont les attributs (dimension, colonne)? Quels sont ceux les plus pertinents pour ce problème? Les sources de données et leurs attributs sont-ils accessibles, bien définis et formatés pour les besoins du modèle d’analyse? Quels traitements complémentaires sont nécessaires? Quelles mesures métiers doivent être estimées hors modèle? (ex. approche coûts/bénéfices) Les biais de sélections sont-ils évalués entre les données d’entrainement, de test et les données d’instances à prédire? Le choix du modèle prédictif est-il cohérent avec le type de problème et la valeur cible à déterminer? Les contraintes de modélisation sont-elles bien prises en compte (quantité de données, préparation, notamment pour les données non numériques, tests) Quels est le protocole de tests? Quels sont les modèles à comparer (si pertinent)? Pour les résolutions de type Clustering, la mesure de similarité est-elle appropriée au problème étudié?... Quelles validations sont attendues par les experts métiers? Quelles étaient les hypothèses métier initialement identifiées? Quels sont les contrôle de cohérence vs. Expression du problème (pertinence d’une régression, seuil de classification, estimations des coûts/bénéfices, etc.) Quelles comparaisons à partir de Baseline de référence sont prévus? La Baseline est-elle pertinente pour le problème et les données? Les estimations de probabilité sont-elles à usage direct ou pur un ranking? Quelles sont les vérifications? Comment envisager un déploiement qui permette de répondre durablement au problème identifié? Comment suivre le rapport coûts/gain dans le temps et entre partie-prenantes?
  • 10. 10 Mindoo Management © 2019 Exploiter les data par la création de services basés sur l’Analyse Prédictive Par design, il s’agit de créer un modèle d’intégration de données pour renforcer le fiabilité et l’explicabilité de bout en bout MARKETING PROVIDING THE BEST SOLUTIONS Choix, entrainement des algorithmes de Machine Learning et vérification de la fiabilité des résultats. Analyses Prédictives (Machine Learning)2 Deux options de déploiement : restitution sous forme de Tableaux de bord et reporting; Automatisation des processus par le déploiement de « Smart Applications ». Data Analytics & Déploiement d’applications3 Compréhension détaillée du cas de gestion et sélection des données pertinentes, préparation et croisement des données pour mettre en évidence les informations clés Du besoin à la sélection des données1 Systèmes d’Information internes Données structurées (ERP) Données consolidées par Data Preparation ETL Dataset unique Données de l’écosystème Entreprise IoT Web & Mobile Images … Notebooks Travail avec les outils de programmation déjà en place au sein de l’entreprise (coding, interfaces,…). Devops mode (Python, R DSK) peut être mis en œuvre via API ou via une élaboration à partir des Notebooks de programmation tenus en interne Portail de Smart Apps (si automatisation) Construire un portail utilisateurs pour couvrir les cas d’usage correspondant aux problématiques les plus « récurrentes » et./ou à plus fort enjeux de ROI Création d’applications intuitives pour les collaborateurs et partagées Faciliter le réapprentissage et la fiabilisation des modèles de Machine Learning BI, Csv, MS Excel,… Data structuration sur-mesure pour permettre la visualisation des résultat, construire des modèles et des Dashboards complémentaires APIs Faciliter le déploiement via diverses solutions proposées par des Tierces Parties Moteur d’Analyse Prédictive (Modélisation Interne ou Plateformes SaaS) Pilotage Assurer la traçabilité de chaque étape de traitement des données et en assurer la pertinence et la fiabilité des résultats Reporting & Visualisation Créer, analyser et visualiser les données avec une large gamme de moyens de restitution et un choix des modalités de partages
  • 11. 11 Mindoo Management © 2019 Ex #1. Banque Création d’une application de scoring crédit et d’automatisation et d’enrichissement de l’aide à la décision des conseillers recouvrement (à commenter – Source : partenaire) DETECTION DES PRIORITES Identification et qualification automatisée des cas client nécessitant une action ROI VISION CLIENT A 360° Permettre au collaborateur une appropriation simple, complète et rapide de chaque dossier client AIDE A LA DECISION Fournir des mesures fiabilisées (« probabilités de… ») et contextualisées en fonction des décisions requises Convertir ces actions automatisées et ces décisions assistées, en gains financiers et de productivité de travail
  • 12. 12 Mindoo Management © 2019 Ex #2. Energie Création d’une application pour la modélisation du suivi et la détection des anomalies de consommation d’énergie (à commenter – Source : partenaire) SUIVI DE LA CONSOMMATION Modélisation des pics et des creux de consommation. ROI EVOLUTION DU BUSINESS MODEL Détection des anomalies et proposition d’aide à l’optimisation des coûts d’énergie AIDE A LA DECISION Qualifier les cas d’anomalie pour engager une maintenance sur le parc d’utilisation et faire évoluer les modalités d’achat Création d’un nouveau service d’aide à la résolution d’anomalies et à l’optimisation de la consommation. Augmentation du taux de satisfaction clients et réduction de l’attrition. Classification par arborescence des évènements de consommations
  • 13. 13 Mindoo Management © 2019 Comment commencer votre projet d’Analyses Prédictives? De l’intention à la création-mise en œuvre d’une application métier Ex. de planning, pour un cas de gestion TEST & EVALUATION ~ A dét. selon complexité et sensibilité du cas (1…3 mois) Définition précise du problème Atelier Métiers / Data INDUSTRIALISATION ~ 3 mois… Déploiement des modèles Structuration de l’alimentation des données métier Change Management DEPLOIEMENT 1 mois… Mise à disposition de l’application INTENTION(S) ~ 1-4 Sem Formuler le problème à résoudre / l’opportunité à saisir et décrire les scénarios possibles de mise en oeuvre Identifier les cas de gestion à fort enjeu de ROI Qualifier les besoins d’analyse prédictive et d’automatisation d’activités Amorçage / Entrainement des modèlesElaboration des modèles Validation de la performance Restitutions Déploiement de l’App Recette Amélioration continue de la performance
  • 14. 14 Mindoo Management © 2019 CONTACT
  • 15. 15 Mindoo Management © 2019 CONTACT www.linkedin.com/in/cyrillagrange 5 rue Saulnier, 75009 Paris cla@mindoo-management.com +33 (0)6 61 64 06 49 Cyril Lagrange Business & Data Consulting