XebiCon'16 : PMU et le Big Data - d'une approche mono projet à une démarche entreprise. Par Arnaud Etevenard, Responsable division projets - Domaine Client chez PMU

@xebiconfr #xebiconfr
PMU et Big Data :
D’une approche mono
projet à une démarche
d’entreprise
Arnaud
Etevenard
&
Ludovic Perot

Arnaud ETEVENARD
Arnaud.etevenard@pmu.fr
Responsable IT
du programme Client
chez PMU
Ludovic PEROT
lperot@xebia.fr
Studio Delivery Manager
chez Xebia

PMU : N°2 mondial du pari hippique
Opérateur global du jeux en ligne Opérateur hippique en point de vente
pmu.fr
1er site de pari / 3ème site marchand français
12 800 points de vente
9,8 MDS € D’ENJEUX EN 2015

Une heure au PMU
100
200 000 300 000
30 000
25 000
400 000700
2 000
Paris hippiques
Transactions élémentaires SIC
Mouvements de compte
Mains poker
Tags Web
Flux d’info mutuelle
Paris sportifs
Contacts entrants au Service Client
Une heure
au PMU

Big Data – Les motivations
Internalisation des campagnes marketing prospect et le
parrainage
• Augmenter la qualité des communications
• Améliorer les ciblages
• Optimiser la réactivité
• … et réduire nos coûts de sous-traitance
Lancement du projet Big Data en octobre 2015

Big Data – Le projet
Comment diminuer le risque associé à la mise en œuvre ?
Les risques
• Big Data : beaucoup de
tentatives, peu de succès
Décision : changer nos habitudes
• Architecture technique reposant sur des
serveurs banalisés HP
• Une solution logiciel proche de l’opensource
(Cloudera)
• Une démarche AGILE avec un budget capé
avec XEBIA

Big Data – Où en sommes nous ?
Août 2016
(11 mois post lancement) :
• Internalisation de l’animation des
prospects effective
Septembre 2016
• Lancement du Big Data Lab
 Explorer des pistes de potentiels
business
 Réaliser des pilotes pour valider
le potentiel
 Industrialiser les usages / lancer
des nouveaux projets

Big Data – Facteurs clés de succès
• Préparation en amont de l’inventaire des flux de données
• Une plateforme technologique adaptée
• Une petite équipe pluri compétences (data ingénieur, data scientist,
devops)
• Un premier usage défini avec une échéance fixe
• Des premières tentatives exploratoires sans enjeu business

Organisation
et
changement de conduite

Une approche collaborative
La conduite du changement s’organise autour de groupes transversaux
et de travaux en binôme
1 macro usage = 1 groupe de travail
Montée en compétence mutuelle (métier et outil) avec rapprochement géographique
Data Owner Data Scientist
LEAD / CONTRIBUTEUR
CONTRIBUTEUR/LEAD

Besoins
et
priorisation

Des besoins récoltés au sein des différentes
directions du PMU…
• Développer l’usage en Point de
Vente
• Chantier monétique
• Optimisation des équipements
Réseaux commerciaux
• BI international
International
• Rentabilité
• BI financier
• Faciliter le pilotage de la
performance
Finance
• Jeu responsable
• Fraude
Règlementaire
• Croiser les données navigation
et transactionnelles
• Communiquer en temps réel
• Mieux connaître les clients dans
le réseau
Marketing Client
• Exploiter les traces
• Alerting sur des équipements
transactionnels
• Indicateurs anticipant l’arrêt
d’une borne
Informatique
… pour un DataLake d’entreprise

Une trajectoire validée avec une approche de type
P&L
Agir sur
le revenu
Agir sur
les charges
Réseau
Online
International
Colonne1

Mieux connaître le
comportement permet
d’améliorer les usages
Les sujets d’exploration
Développer la
disponibilité des
équipement en agissant
en pro actif
Identification
des usages
Développer
le taux de disponibilité
des équipements
Jeu
responsable
Détecter en pro actif les
comportements de jeu
responsable

Les sujets autonomes
Construction de
dashboard pour les
Titulaires
Analyse de l’utilisation
des moyens de paiement
en Point de Vente
Reporting
titulaires
Chantier monétique BI international
Construction d’un BI
international

Illustration
sur la disponibilité
des équipements

Le taux de disponibilité des équipements impactant
le chiffre d’affaires du PMU
Valoriser en terme de CA
la disponibilité des
équipements
Terminaux
Bornes
 Agir sur les équipements transactionnels en priorité

Une meilleure connaissance de nos équipements
La Modélisation permet de détecter les facteurs discriminants sur les équipements
Les analyses sur les bornes
font ressortir les
indicateurs de
fonctionnement nominal.
La modélisation permet
d’anticiper les pannes en
détectant des signaux
faibles
1M€ enjeux (*)
31 j d’activité
4 Bobines
(*) : valeur fictive

Passer du réactif au pro-actif
Créer un système d’alerting auprès des équipes de Support pour anticiper les pannes
0,9M€ enjeux(*)
29 j d’activité
3 Bobines
Une borne dans un PDV remonte les indicateurs de panne
Envoi d’un e-mail au
Support avec les
données du PDV et le
risque de pannes lié
aux indicateurs
Alerting envoyé au Support
(*) : valeur fictive

Passer du réactif au pro actif
Les bornes
X sont les
plus
fiables
100 000€ mensuel
(*) sur les bornes
1 M€ mensuel (*)
sur les bornes
Les bornes
Y sont les
moins
fiables
Déterminer les équipements les plus fiables
et les installer dans les PDV les plus critiques en terme de CA (réactif)

Prochaines étapes : les autres équipements des PDV
(Equidia, EIPDV, etc.)
Extension aux équipements non transactionnels
Affiner la modélisation et la criticité des interventions pour optimiser la maintenance

Des
questions
?

XebiCon'16 : PMU et le Big Data - d'une approche mono projet à une démarche entreprise. Par Arnaud Etevenard, Responsable division projets - Domaine Client chez PMU

Contenu connexe

Tendances

En vedette

Similaire à XebiCon'16 : PMU et le Big Data - d'une approche mono projet à une démarche entreprise. Par Arnaud Etevenard, Responsable division projets - Domaine Client chez PMU

Plus de Publicis Sapient Engineering

XebiCon'16 : PMU et le Big Data - d'une approche mono projet à une démarche entreprise. Par Arnaud Etevenard, Responsable division projets - Domaine Client chez PMU