Téléchargé parJoseph Glorieux
Une Data driven company à l'heure de la digitalisation
Le document explore le concept de 'data driven company', soulignant son importance dans la digitalisation et la nécessité d'améliorer les processus par l'utilisation de données. Il aborde les méthodologies, la culture organisationnelle, ainsi que l'utilisation de technologies modernes pour optimiser la prise de décisions. Enfin, il met en évidence l'évolution des profils requis pour tirer parti de l'analyse des données dans divers domaines d'activité.
![HUBREPORT - Future of Data & CRM [EXTRAIT]](https://cdn.slidesharecdn.com/ss_thumbnails/futureofdataextraitpdf1-171109105712-thumbnail.jpg?width=640&height=640&fit=bounds)
![[DAF 2015] Nouveautes Produits 2015 AT Internet](https://cdn.slidesharecdn.com/ss_thumbnails/nouveautesproduits2015-150618150855-lva1-app6892-thumbnail.jpg?width=640&height=640&fit=bounds)
Une Data driven company à l'heure de la digitalisation
- 1. 1 © OCTO 2015©OCTO 2015 Qu'est-ce qu'une « Data Driven Company » à l'heure de la digitalisation ? #SITB15 Conférence Swiss IT Business 22 avril 2015
- 2. 2 © OCTO 2015 JosephGlorieux Directeur général OCTO Suisse jglorieux@octo.com Cyril Picat Consultant senior OCTO Suisse cpicat@octo.com
- 3. 3 © OCTO 2015 L’ITau service de l’entreprise Data Driven Suis-je déjà Data Driven ? Introduction Conclusion : J’y vais demain Agenda : Nouveaux champs d’application
- 4. 4 © OCTO 2015 L’ITau service de l’entreprise Data Driven Suis-je déjà Data Driven ? Introduction Conclusion : J’y vais demain Agenda : Nouveaux champs d’application
- 5. 5 © OCTO 20155 Unenouvelle révolution industrielle
- 6. 6 © OCTO 2015 S’ouvriraux possibilités Crowd Sourcing Réseaux Sociaux Internet Des Objets Mobile Big Data OpenAPI OpenData Cloud USAGES TECHNOLOGIES Internet Des Objets = NEW BUSINESS MODELS DATA
- 7. 7 © OCTO 2015 Pourquoiparler de Data Driven ? Data Driven Company répond aux échecs de la BI et anticipe la désillusion du Big Data en réconciliant architectures, changement organisationnel et méthodologies Big Data
- 8. 8 © OCTO 2015 DataDriven - Une définition ? Continuellement améliorer l’ensemble des processus de l’entreprise par l’utilisation quantitative et qualitative de données tout le temps, partout et pour tout.
- 9. 9 © OCTO 2015 Unevision d’ensemble essentielle Méthodologies Stratégie Culture Organisation Métier RH Technologies
- 10. 10 © OCTO 2015 Culture- L’intuition ou les faits ?
- 11. 11 © OCTO 2015 W.Edwards Deming
- 12.
- 13. 13 © OCTO 2015 “It’s not about being the best. It’s about being better than you were yesterday ” Culture - L’amélioration continue
- 14. 14 © OCTO 2015 L’ITau service de l’entreprise Data Driven Suis-je déjà Data Driven ? Introduction Conclusion : J’y vais demain Agenda : Nouveaux champs d’application
- 15. 15 © OCTO 2015 Visiond’une entreprise ACTIVITÉS DE SUPPORT Système d’informationRH Stratégie Production Contrôle, risque management Pilotage financier ACTIVITÉS COEUR DE MÉTIER R&D Vente, distribution ACTIVITÉS DE PILOTAGE … Administration … Appros Planification Marke- ting SAV … Achat
- 16. 16 © OCTO 2015 Desmétriques au service de…
- 17. 17 © OCTO 2015 Garbagein, Garbage out
- 18. 18 © OCTO 2015 Laproduction de métriques
- 19. 19 © OCTO 2015 Datavizet storytelling
- 20. 20 © OCTO 2015 Allerjusqu’au bout Valeur Ad-hoc, Drill downOù est le problème précisément? Combien de fois? Qu’est-ce qui s’est passé? Alerts, monitoring Qu’est de qu’il se passe? PrévisionQuel budget? Mode- lisation predictive Optimi- sation Pourquoi ça s’est passé comme ça? Machine learning Temps Qu’est qu’il pourrait arriver? Quels seraient les impacts ? Quels sont les signaux faibles? Quelles sont les tendances? Quel est le meilleur qui puisse arriver? Analyse statistique Reporting
- 21. 21 © OCTO 2015 Vérifierl’usage et la qualité, automatiser la production de métriques Vérifier l’utilisabilité (utilisation & production) Aller au bout de la promesse sur l’utilisation de la donnée avec la datascience notamment Sur le Data Driven actuel
- 22. 22 © OCTO 2015 L’ITau service de l’entreprise Data Driven Suis-je déjà Data Driven ? Introduction Conclusion : J’y vais demain Agenda : Nouveaux champs d’application
- 23. 23 © OCTO 2015 Conceptionde produit SUPPORT IT ACTIVITÉS COEUR DE MÉTIER ACTIVITÉS DE PILOTAGE
- 24. 24 © OCTO 2015 Découvrir simultanément lesclients et le produit Produit Client
- 25. 25 © OCTO 2015 LearningFast Build MeasureLearn Idea Data Product
- 26. 26 © OCTO 2015 LearningFast Build MeasureLearn Idea Data Product Vous êtes tous une startup ! THE LEAN STARTUP
- 27. 27 © OCTO 2015 LeMinimum Viable Product (MVP) Validation du client Le MVP est la réalisation minimale qui permet à une équipe de collecter sur les clients le maximum d’enseignements validés, et ce avec un minimum d’effort.
- 28. 28 © OCTO 2015 LeMVP Zappos Validation du client
- 29. 29 © OCTO 2015 L’obsessionde la mesure Découverte du produit Objectif : apprendre de l’usage et de l’impact de chaque fonctionnalité Hypothèse : Le mobile va générer des usages supérieurs à ceux du web Apprentissage : > 60% des lectures : on investi sur les fonctionnalités de la version mobile <= 60% des lectures : on continue à se concentrer sur la version web Objectif chiffré : • Le mobile génère 60% des lectures sur la plateforme • Les utilisateurs sont enthousiastes sur le mobile http://elCurator.net
- 30. 30 © OCTO 2015 Améliorationde la connaissance clients SUPPORT ACTIVITÉS COEUR DE MÉTIER ACTIVITÉS DE PILOTAGE Marke- ting
- 31. 31 © OCTO 2015 Lemarketing client - 2 évolutions majeures Le modèle de définition du client majoritairement identitaire n’est plus suffisant Identité Usage ? Relation ? Nom, prénom, adresse, CSP, etc. Comment utilise-t-il mes produits et services ? Quel est son parcours digital ? Avec qui est-il en contact ? Qu’est-ce qui l’influence ? Qui influence-t-il ? Les utilisateurs ont un comportement multicanal Comment enrichir la donnée client identitaire par une vision comportementale multicanale ?
- 32. 32 © OCTO 2015 Deuxexemples classiques Base des logs web et mobile – Parcours client Analyse prédictives – Potentiel d’achat, risque de désinscription Offres, réductions, publicité Réagir commercialement en temps réel Analyse des centres d’intérêts et des parcours clients
- 33. 33 © OCTO 2015 Analysede « signaux faibles » SUPPORT ACTIVITÉS COEUR DE MÉTIER ACTIVITÉS DE PILOTAGE
- 34. 34 © OCTO 2015 Exemplede prédiction des dépenses de santé Analyse sémantique du domaine de la santé, et exploitation des données web: Google trends, forums spécialisés Prédiction des dépenses en optique grâce aux séries temporelles des signaux faibles sur la toile: nombre de requêtes, nombre de messages Croisement des données client et exogènes
- 35. 35 © OCTO 2015 Chacunde vos domaines métier où vous estimez que les actes d’achats de vos clients sont influencés par la sphère digitale est candidat à ce type d’étude
- 36. 36 © OCTO 2015 Ressourceshumaines SUPPORT RH ACTIVITÉS COEUR DE MÉTIER ACTIVITÉS DE PILOTAGE
- 37. 37 © OCTO 2015 ProjetOxygen @Google Analyse de l’impact du management, et des qualités d’un bon manager Étude d’un an basé sur les évaluations, des sondages et les promotions. Plus de 10,000 observations des comportements de managers au total.
- 38. 38 © OCTO 2015 Recrutement@OCTO Facematch crowdsourcés sur les profils LinkedIn du réseau des OCTOs Scoring des profils et détection de leads de recrutement
- 39. 39 © OCTO 2015 Gestiondu patrimoine SUPPORT IT ACTIVITÉS COEUR DE MÉTIER ACTIVITÉS DE PILOTAGE
- 40. 40 © OCTO 2015 Leproblème Features and functions used in a typical system
- 41. 41 © OCTO 2015 Application Valeur DetteTCO Valorisationde patrimoine : Valeur – TCO - Dette
- 42. 42 © OCTO 2015 Surquelle application continuer à investir? Valeur/Dette Quelle application rationaliser? Valeur/TCO Comment réduire les coûts du SI? TCO/Dette Pour répondre à ces questions :
- 43. 43 © OCTO 2015 Contact Channel FactoriesElectronicChannel Operation and Contract Management CRM Referentials Deliver y Enterprise Management & Control xxx XXXXXX xxx xxx XXX xxx XXX XXX XXX XXX XXX xxx xxxxxx xxxxxx xxx XXX XXX xxx xxx xxx xxx xxx xxx xxx xxx xxx xxx XXXXXX xxx XXX XXX) XXX Valeur TCO Dette Neutre Conséquent Peu endetté Très endetté Marginal
- 44. 44 © OCTO 2015 PrédictifIT SUPPORT IT ACTIVITÉS COEUR DE MÉTIER ACTIVITÉS DE PILOTAGE
- 45. 45 © OCTO 2015 Prévisionde panne Provisionning Identification de comportements anormaux Identification des root causes d’incident… Je le fais déjà non? Oui mais limité par : Hétérogénéité des plateformes de supervision Volume de données (pas d’historique) Mieux piloter mon infrastructure
- 46. 46 © OCTO 2015 Utilisationdes ressources (CPU) – ce que je sais faire Batch processing breakdown
- 47. 47 © OCTO 2015 Prévision: utilisation du hardware selon des scénarios business (1) Réalisation d’un modèle Yt^ ≈ 68.6X1,t + 39.8X2,t + 0.31X3,t – 823.9XWE,t + μ^t with μ^t = 0.57μ^t-1 + et, et N(0,σ²) Modèle expliquant la consommation CPU en fonction du volume d’activité de production manuelle, automatique, le débit de l’usine et les saisonnalités liées au weekend (2) Contrôle de la stabilité structurelle du modèle au fil des nouvelles observations (3) Utilisation du modèle pour simuler l’impact de différents scénarios sur le système IT
- 48. 48 © OCTO 2015 Processusde contrôle : detection de comportements anormaux sur des series Détection dynamique de points atypiques dans l’évolution d’une série temporelle (pics d’activité, changements de tendance, de saisonnalités) Méthode déployée sur des variables IT (CPU use, DBtime, temps de réponse…), puis portée à un niveau fonctionnel (activité business)
- 49. 49 © OCTO 2015 L’ITau service de l’entreprise Data Driven Suis-je déjà Data Driven ? Introduction Conclusion : J’y vais demain Agenda : Nouveaux champs d’application
- 50. 50 © OCTO 2015 Architectureet technologies
- 51. 51 © OCTO 2015 Unerévolution technologique en marche Application orientée Flux évènementiel (streaming) Application orientée Transaction (TPS) Application orientée Stockage (IO bound) Application orientée Calculs (CPU bound) NoSQL In- memory Grid - GPU Streaming
- 52.
- 53. 53 © OCTO 2015 Ledata lake Stockage non structuré Stockage semi-structuré (NoSQL) Stockage structuré (ex. relationnel) Requêtage interactif Traitements analytiques Traitements de flux Machine Learning Base de données Fichiers bruts Logs applicatifs Données externes, OpenAPI Messages & Evénements DW d’entreprise Système opérationnel Reporting, requêtes Données externes, OpenAPI Messages & Evénements DATALAKE INGESTION PUBLICATION
- 54. 54 © OCTO 2015 BigData VS Small Data Etre Datadriven ce n’est pas processer des Pétas de données Vous n’imaginez pas tout ce que l’on peut faire avec un pc portable et excel
- 55.
- 56. 56 © OCTO 2015 Denombreuses librairies, de mieux en mieux intégrées, puissantes, et faciles d’utilisation Une démocratisation de l’analytics et de la dataviz
- 57. 57 © OCTO 2015 Processuset méthodologie
- 58.
- 59. 59 © OCTO 2015 Organisationet capital humain
- 60.
- 61. 61 © OCTO 2015 Desnouveaux profils? EDW Hadoop Datalake Dev Hadoop et intégration de données Data Scientists et Data Engineers Devops et archis transverses Applications
- 62. 62 © OCTO 2015 Ledata scientist
- 63. 63 © OCTO 2015 “By2018, the United States alone could face a shortage of 140,000 to 190,000 people with deep analytical skills As well as 1.5 million managers and analysts with the know-how to use the analysis of big data to make effective decisions.” McKinsey Global Institute – Mai 2011 Big data: The next frontier for innovation, competition, and productivity
- 64. 64 © OCTO 2015 L’ITau service de l’entreprise Data Driven Suis-je déjà Data Driven ? Introduction Conclusion : J’y vais demain Agenda : Nouveaux champs d’application
- 65. 65 © OCTO 2015 Bâtirune DSI « data-ready » à l'ère digitale… …C’est travailler sa capacité d’exécution DSI
- 66. 66 © OCTO 2015 “Softwareis eating the world” Marc Andreessen Merci
Notes de l'éditeur
- #2 Bonjour & bienvenue Titre
- #3 Qui sommes-nous ? Cabinet de Conseil IT : 200 pers Accompagne : architecture et management des SI et accompagnement méthodologique sur les nouvelles façon de faire Exemples : ses clients sur le digital, les problématiques big data et le déploiement de l’agile à large échelle Valeurs plaisir et partage Speakers
- #4 Ensemble pour 50 minutes Définir de quoi on parle, au-delà des buzzwords Que faire de vos mesures/indicateurs actuels ? Ce qu ia changé, exemples de ce qu’il faut faire ou ont fait fait pour être data driven Pure IT : comment vous préparez ? 5 min Q/A à la fin mais interruptions
- #6 Vague d’effervescence technologique Vous la connaissez : digitalisation Il faut bien comprendre que cette vague est d’une ampleur considérable Comparaison vague internet : limitée en terme d’audience et d’impact (startup) Qq exemples pour vous donner le tourni : Plus d’accès internet que accès à l’eau potable http://www.businessinsider.com/chart-of-the-day-putting-global-mobile-in-context-2012-4?IR=T Smartphone 150 fois par jour IA evolution : prediction that kids born today will never have to drive a car Plus importante, touche tout le monde et toutes les entreprise, pas juste les startups. Vague amplifiée par crise éco qui poussent les entreprises à chercher de nouveau biz model pour survivre.
- #7 Plus concrétement, digitalisation combinaison Usages Technologies Tout ça créé de nouveaux business models Le trait commun à tout ça : data. Beaucoup de données : Explosion données : 10 min > -> 2003
- #8 Notre conviction : tirer parti de ces opportunités est plus qu’un problème technologique Évidemment Big Data au centre mais pas que
- #9 Plus concrétement Qualitative <> qualité (nécessaire dans les 2 cas) data <> Big Data
- #10 Data driven est plus que l’introduction d’une nouvelle technologie Culture condition nécessaire
- #11 Prevailing decision making model is the “HiPPO” (Highest Paid Person Opinion). In other words, the opinion of the highest paid person at the table prevails. Or, to use another well known expression :”since we have no data, let’s go with my opinion”. Défiance vis-à-vis de la data 85% to 97% professionals rely on their intuitions to hire someone
- #12 On ne dit plus « Je pense que » mais « Je vais mesurer que » Bémol : prise de décision reste un processus humain, mais dans ces entreprises au moins un critère de succès, un chiffre
- #13 Effet de bord : comportement qu’on observe du coup Ex géant du Web
- #14 Dernier point sur la culture Cf définition : améliorer en continu. Pas anodin, presque le plus grand défi. La plupart des organisations ont une approche top-down et chaotique de l’amélioration et de la résolution de problèmes Les changements sont souvent opérés par des changements drastiques d’organisation ou de système Ré-écriture d’un système in-maintenable Changement de fournisseur etc. Conséquences Perte de productivité Non-qualité Démotivation des collaborateurs Lean, Kaizen. Outil PDCA.
- #15 Temps = 8’
- #16 Voilà à quoi ressemble une entreprise Chacune de ces briques est défini par différents process et des données qu’elles génère ou utilise BSC/ABC au niveau pilotage, Framwork - SCOR supply chain – kpi , COBIT pour l’IT Bref finalement en terme de Kpi, vous me direz que vous êtes déjà bien fournis, ne sommes nous pas des entreprise data driven qui s’ignore? Vous proposez quelques axes d’améliration
- #17 1. Des métriques au services de quelquechose processus d’amélioration / de décision Exemple assureur avec 600 indicateurs Trop, il faut rationaliser, s’améliorer en continue sur ces indicateur Mesurer la mesure?
- #18 Combien d’histoire connaissez-vous de reporting executif avec des chiffres contradictoires ou faux Assurez-vous que vos processus remontent de la donnée juste On sait gérer les données manquantes mais pas les données frelatées Si la data est un asset clé de l’entreprise, merci d’en prendre soin en la gérant sur son cycle complet et ce n’est pas un leadership IT
- #19 Les questions sous-jacentes : Processus automatisé cas banque privée 3j chaque semaine pour produire des métriques + risque d’erreur Temps de calcul plus de 24h de traitements architecture distribué Lead time acceptable chaine BI Agile pas trois mois pour mettre en place un nouvelle indicateur
- #20 Le dilemme de l’ingénieur : avoir fait une brillante découverte et ne pas pouvoir transmettre/convaincre ce message La façon de représenter les données de les mettre en valeur Camembert que personne ne vaut allez voir ou indicateur trop complexe et abscond
- #22 L’utilisabilité : il faut mettre en valeur les informations clés et les rendre intelligibles pour les différents niveau d’interlocuteur de l’entreprise Performance sur la production et l’intéraction
- #24 9 produits sur 10 échouent car ils n’ont pas trouvé leur client
- #25 Lean Startup englobe beaucoup de principes Va pas parler de tous, seulement 1 intéressant très data-driven
- #26 Principle build-measure-learn On tourne cette boucle le plus rapidement possible
- #27 Création d’un produit avec un niveau d’incertitude élevé
- #28 Je vais vous présenter 2 principes du Lean Startup. Premier principe
- #29 Vente de chaussures en ligne, Nick Swinmurn, 1999 Hypothèse : valider que les gens étaient prêt à le faire “Partenariat” avec commerce locaux. Prise de photos + site eCommerce basique. Achat chez le commerçant quand commande.
- #30 Deuxième principe
- #32 Deuxième principe
- #35 Restet en blanc
- #38 “We set out to prove that managers don’t matter” 1/ good maanagers increased job satisfaction, retention and employment within their groups and the organization as a whole 2/ then try to understand how
- #39 Et on est 200 sur un marché difficile. pas 10 000.
- #40 Temps = 7 minutes
- #41 Sur une feature lean startup, moyen de négocier la prochaine demande urgente Ce qui est vrai d’une features, peut l’être du application Application critique jamais utilisé, sur quelle application investir, application avec un TCO jugé prohibitif Comment piloter mon patrimoine : par la mesure
- #42 Le Total Cost of Ownership désigne le coût récurrent de possession annuel, incluant les efforts de build, les coûts amortissables, les efforts de run associé, la formation, … Dette : La dette désigne les investissements futurs (court, moyen et long terme) nécessaire au maintien en fonctionnement du système d’information. Risque technologique, métier, reglementaire Valeur : La valeur désigne la contribution de l’application à la chaîne de création de valeur. Valuer precu/satisfaction cout remplacement
- #43 Complémentaire au PPM Vision faible de la dimension data et exchange
- #45 Essayer de prévoir l’état de mon infrastructure
- #46 Volume de donénes : 1 TO par jour de log
- #47 En input
- #50 Temps = 10 minutes
- #53 Promesse technologique, une révolution de l’infrastruture qui n’est pas en reste Stock first analyse second,
- #54 Le data lake est un concept hérité du décisionnel : il généralise le datawarehouse d’entreprise Selon les éditeurs, on rencontre aussi le nom data hub ou gisement de données Stockage de données brut flux temps réele ou batch ou event Mise à disposition de données au sens polyglotte schéma on read Utilisation des données pour différents usages (machine learning, reporting)
- #56 Si la data est un asset clé de l’entreprise, je dois la gérer sur tout son cycle de vie et il y a une vie avant le datalake/datawarehouse/whatever…, y’a aussi une vie dedans S’assurer du cycle de vie de la donnée
- #59 Lean, agile, lean startup, SCRUM L’histoire n’est pas complète si on introduit pas les nouvelles méthodes de travail dans l’informatique Pendant longtemps, automatisé et industrialisé des processus existant / connu Depuis 5 ans, le bouleau c’est de créer, de découvrir de construire de nouveau processus jamais fait avant Remise en question des méthoides : limites, en essoufflement, besoin de changer de paradigme Lean startup, agiles… Cycle court feedback rapide, limiter les investissement, limiter les risques Mesure systèmatique au service du data driven Capacité à apprendre, capacité à s’améliorer
- #61 Desiloté la data par forcément l’organisation plutôt une approche verticale des équipes
- #62 Détailler les postes, dire que le marché est encore faible mais que ca va arriver surtout sur la tech pure. Que faire de l’existant -> shift vers le monde JAVA (Hadoop) Data engginers & Data scientist Équipe feature/ oriénté produit, polyvalence
- #63 On obtient aussi la verticalité pour sortir des apps de bout en bout, de l’acquistion de data, à la viz, l’ux, la mise en prod…des apps qui répondent à des besoins métiers en RT.
- #64 Autonomie et responsabilité
- #65 Temps + 2 minutes
- #66 Expliquer par le prisme de ce que l’on en tire ! Ai-je les bons profils ? Dois-je me renforcer en data scientist ou community manager ? Est-ce que je dispose des technologies adéquates ? Mes méthodes de travail sont-elles adaptées aux enjeux de temps et avec la garantie de qualité…
- #67 Amazon, is a software company—its core capability is its amazing software engine for selling virtually everything online, no retail stores necessary. Amazon rearranged its web site to promote its Kindle digital books over physical books for the first time. Now even the books themselves are software. Today's largest video service by number of subscribers is a software company: Netflix. Today's dominant music companies are software companies, too: Apple's iTunes, Spotify and Pandora. Education is becoming a software industry with MOOC platform. Best Movie producer : pixar , a sofware company ... Healthcare ? software, defense ? software Financial services Software companies ... The silicon valley companies are missing developpers. They acquire small companies because they have skilled teams able to produce software as a team.