SlideShare une entreprise Scribd logo
1  sur  64
Télécharger pour lire hors ligne
© Soft Computing – www.softcomputing.com
Objets connectés et Data Science
Usages marketing ?
03/11/2016
© 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
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
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
Carte d’identité
© 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
Compétences : un mix unique de compétences pointues
Digital
Marketing
Data
Science
Project
Management
Information
Technologies
© 8
A la carte
Think Build Run
Délégation Projet Centre de services
Digital-Marketing IT AMOA
Offre
Delivery
Clients
© 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
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
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
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
Capteurs
Objet
Connecté
Serveur
Stocke
Analyse
Commande
Alimenta-
tion
© 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
© 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
B2C : 33%
© 18
5 fois plus d’objets
2015 : 10 Md - 1,5 / humain
2020 : 50 Md - 8 / humain
objets *5
© 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
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
IoT 2025 : entre 4 et 10 % du PNB mondial
4% =
10% = +
© 22
IoT 2025
Σ ≈ [4,000 – 10,000 Md€] : usages
2/3 B2B
© 23
IoT 2025
Σ ≈ [4,000 – 10,000 Md€] : leviers
© 24
Périmètre considéré
B2C (33%) Ventes et marketing (7%)
Collecte et analyse
© 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
Toujours la même histoire ?
Marketing
Data ScienceProgrammation
 Définit les produits & services
 Exprime les fonctionnalités
 Monétise la donnée
 Explore
 Transforme
 Modélise
 Collecte
 Nettoie
 Industrialise
© 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
Haute volumétrie
25 Go/heure
© 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
Auto-apprentissage
© 31
Données non structurées
© 32
Interopérabilité
© 33
Impact sur l’architecture
Serveur
Stocke
Analyse
Stockage et calcul
Big data
Stream
Processing
Algorithmes
Deep ML
Traitement du
signal
API Interopérables
© 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
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
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
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
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
MONTRE CONNECTEE
DOMAINE SPORT
2
1. Introduction
2. Enjeux
3. Masse de données comportementales
4. Services proposés par la montre connectée
© 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
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
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
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
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
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
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
Cas d’usage # 2 Montre connectée - Service Quantified Self
Tableau de bord : Indicateurs agrégés
Activité :
RUN
© 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
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
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
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
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
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
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
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
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
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
Agilité internet et rigueur industrielle
Design
Prototype testable
3 mois 1 semaine
© 59
Ventilation des coûts
© 60
Facteurs clés de succès
80 % simplicité20 % puissance
© 61
Plébiscite du cloud
© 62
Un jeu à 3 5
Leadership
© 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
IOT &
Data
science
Spécificités : projet,
organisation et méthodes
Algorithmes : facteur clé
de différenciation
Questions à venir : vie privée,
propriété, responsabilité…
Freins : règlementation,
interopérabilité

Contenu connexe

Tendances

L’optimisation par essaims de particules
L’optimisation par essaims de particulesL’optimisation par essaims de particules
L’optimisation par essaims de particuleschagra bassem
 
Intelligence Artificielle : Introduction à l'intelligence artificielle
Intelligence Artificielle : Introduction à l'intelligence artificielleIntelligence Artificielle : Introduction à l'intelligence artificielle
Intelligence Artificielle : Introduction à l'intelligence artificielleECAM Brussels Engineering School
 
présentation soutenance PFE.ppt
présentation soutenance PFE.pptprésentation soutenance PFE.ppt
présentation soutenance PFE.pptMohamed Ben Bouzid
 
Programmation de systèmes embarqués : Introduction aux systèmes embarqués
Programmation de systèmes embarqués : Introduction aux systèmes embarquésProgrammation de systèmes embarqués : Introduction aux systèmes embarqués
Programmation de systèmes embarqués : Introduction aux systèmes embarquésECAM Brussels Engineering School
 
06032019 Intelligence Artificielle
06032019 Intelligence Artificielle06032019 Intelligence Artificielle
06032019 Intelligence ArtificielleJordanBrl
 
Rapport de pfe format doc 2013
Rapport de pfe format doc 2013Rapport de pfe format doc 2013
Rapport de pfe format doc 2013Addi Ait-Mlouk
 
Introduction au traitement d'images
Introduction au traitement d'imagesIntroduction au traitement d'images
Introduction au traitement d'imagesAbdelouahed Abdou
 
Presentaion fpga µc µp quelles est la solution
Presentaion  fpga µc µp quelles est la solutionPresentaion  fpga µc µp quelles est la solution
Presentaion fpga µc µp quelles est la solutionCynapsys It Hotspot
 
Rapport de stage de perfectionnement - Mahmoudi Mohamed Amine
Rapport de stage de perfectionnement - Mahmoudi Mohamed AmineRapport de stage de perfectionnement - Mahmoudi Mohamed Amine
Rapport de stage de perfectionnement - Mahmoudi Mohamed AmineMohamed Amine Mahmoudi
 
Algorithme génétique
Algorithme génétiqueAlgorithme génétique
Algorithme génétiqueIlhem Daoudi
 
Rapport (Mémoire de Master) de stage PFE pour l’obtention du Diplôme Nationa...
Rapport (Mémoire de Master) de stage PFE pour  l’obtention du Diplôme Nationa...Rapport (Mémoire de Master) de stage PFE pour  l’obtention du Diplôme Nationa...
Rapport (Mémoire de Master) de stage PFE pour l’obtention du Diplôme Nationa...Mohamed Amine Mahmoudi
 
Présentation FADEL Wiam sur le nlp et machine learning
Présentation FADEL Wiam sur le nlp et machine learningPrésentation FADEL Wiam sur le nlp et machine learning
Présentation FADEL Wiam sur le nlp et machine learningWiamFADEL
 
Rapport de projet de conception et de développement
Rapport de projet de conception et de développementRapport de projet de conception et de développement
Rapport de projet de conception et de développementDonia Hammami
 
Lapalettisation
LapalettisationLapalettisation
Lapalettisationadeloo21
 
Mémoire sur les chatbots
Mémoire sur les chatbotsMémoire sur les chatbots
Mémoire sur les chatbotsJustine Doret
 

Tendances (20)

L’optimisation par essaims de particules
L’optimisation par essaims de particulesL’optimisation par essaims de particules
L’optimisation par essaims de particules
 
Intelligence Artificielle : Introduction à l'intelligence artificielle
Intelligence Artificielle : Introduction à l'intelligence artificielleIntelligence Artificielle : Introduction à l'intelligence artificielle
Intelligence Artificielle : Introduction à l'intelligence artificielle
 
présentation soutenance PFE.ppt
présentation soutenance PFE.pptprésentation soutenance PFE.ppt
présentation soutenance PFE.ppt
 
Programmation de systèmes embarqués : Introduction aux systèmes embarqués
Programmation de systèmes embarqués : Introduction aux systèmes embarquésProgrammation de systèmes embarqués : Introduction aux systèmes embarqués
Programmation de systèmes embarqués : Introduction aux systèmes embarqués
 
06032019 Intelligence Artificielle
06032019 Intelligence Artificielle06032019 Intelligence Artificielle
06032019 Intelligence Artificielle
 
Rapport de pfe format doc 2013
Rapport de pfe format doc 2013Rapport de pfe format doc 2013
Rapport de pfe format doc 2013
 
Introduction au traitement d'images
Introduction au traitement d'imagesIntroduction au traitement d'images
Introduction au traitement d'images
 
Presentaion fpga µc µp quelles est la solution
Presentaion  fpga µc µp quelles est la solutionPresentaion  fpga µc µp quelles est la solution
Presentaion fpga µc µp quelles est la solution
 
Rapport de stage de perfectionnement - Mahmoudi Mohamed Amine
Rapport de stage de perfectionnement - Mahmoudi Mohamed AmineRapport de stage de perfectionnement - Mahmoudi Mohamed Amine
Rapport de stage de perfectionnement - Mahmoudi Mohamed Amine
 
Algorithme génétique
Algorithme génétiqueAlgorithme génétique
Algorithme génétique
 
Rapport (Mémoire de Master) de stage PFE pour l’obtention du Diplôme Nationa...
Rapport (Mémoire de Master) de stage PFE pour  l’obtention du Diplôme Nationa...Rapport (Mémoire de Master) de stage PFE pour  l’obtention du Diplôme Nationa...
Rapport (Mémoire de Master) de stage PFE pour l’obtention du Diplôme Nationa...
 
L'algorithme du Recuit simule
L'algorithme du Recuit simuleL'algorithme du Recuit simule
L'algorithme du Recuit simule
 
Systeme embarque
Systeme embarqueSysteme embarque
Systeme embarque
 
Etude de marché
Etude de marchéEtude de marché
Etude de marché
 
Présentation FADEL Wiam sur le nlp et machine learning
Présentation FADEL Wiam sur le nlp et machine learningPrésentation FADEL Wiam sur le nlp et machine learning
Présentation FADEL Wiam sur le nlp et machine learning
 
Présentation PFE
Présentation PFEPrésentation PFE
Présentation PFE
 
Rapport de projet de conception et de développement
Rapport de projet de conception et de développementRapport de projet de conception et de développement
Rapport de projet de conception et de développement
 
Presentation,PFE
Presentation,PFEPresentation,PFE
Presentation,PFE
 
Lapalettisation
LapalettisationLapalettisation
Lapalettisation
 
Mémoire sur les chatbots
Mémoire sur les chatbotsMémoire sur les chatbots
Mémoire sur les chatbots
 

Similaire à Objets Connectés (IoT) et Data Science

Qu'est qu'une Data Driven Company à l'heure de la digitalisation ?
Qu'est qu'une Data Driven Company à l'heure de la digitalisation ?Qu'est qu'une Data Driven Company à l'heure de la digitalisation ?
Qu'est qu'une Data Driven Company à l'heure de la digitalisation ?OCTO Technology Suisse
 
05/10/17 Matinale Qlik Sense
05/10/17 Matinale Qlik Sense05/10/17 Matinale Qlik Sense
05/10/17 Matinale Qlik SenseSoft Computing
 
Digitalisation de la societe et impact sur l'informatique d'entreprise
Digitalisation de la societe et impact sur l'informatique d'entrepriseDigitalisation de la societe et impact sur l'informatique d'entreprise
Digitalisation de la societe et impact sur l'informatique d'entrepriseCharlets Jean-Philippe
 
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 ScienceSoft Computing
 
OCTO Technology - Data Driven Company - SITB15
OCTO Technology - Data Driven Company - SITB15OCTO Technology - Data Driven Company - SITB15
OCTO Technology - Data Driven Company - SITB15OCTO Technology Suisse
 
29/06/17 Matinale Python
29/06/17 Matinale Python29/06/17 Matinale Python
29/06/17 Matinale PythonSoft Computing
 
SITB15 - Qu'est qu'une Data Driven Company à l'heure de la digitalisation ?
SITB15 - Qu'est qu'une Data Driven Company à l'heure de la digitalisation ?SITB15 - Qu'est qu'une Data Driven Company à l'heure de la digitalisation ?
SITB15 - Qu'est qu'une Data Driven Company à l'heure de la digitalisation ?cyrilpicat
 
Formation M2i - Automatisation d'un reporting avec la solution Microsoft Powe...
Formation M2i - Automatisation d'un reporting avec la solution Microsoft Powe...Formation M2i - Automatisation d'un reporting avec la solution Microsoft Powe...
Formation M2i - Automatisation d'un reporting avec la solution Microsoft Powe...M2i Formation
 
Integration Summit 16 : IoT, Service Fabric et Logic App
Integration Summit 16 : IoT, Service Fabric et Logic AppIntegration Summit 16 : IoT, Service Fabric et Logic App
Integration Summit 16 : IoT, Service Fabric et Logic AppCellenza
 
Une Data driven company à l'heure de la digitalisation
Une Data driven company à l'heure de la digitalisationUne Data driven company à l'heure de la digitalisation
Une Data driven company à l'heure de la digitalisationJoseph Glorieux
 
Une révolution technologique à nos portes ; nos organisations sont-elles prêtes?
Une révolution technologique à nos portes ; nos organisations sont-elles prêtes?Une révolution technologique à nos portes ; nos organisations sont-elles prêtes?
Une révolution technologique à nos portes ; nos organisations sont-elles prêtes?IRSST
 
Keynote Valerie Cussac – IoT for Business n°2
Keynote Valerie Cussac – IoT for Business n°2Keynote Valerie Cussac – IoT for Business n°2
Keynote Valerie Cussac – IoT for Business n°2Orange Dev
 
L'Internet des Objets : Les priorités des entreprises Françaises
L'Internet des Objets : Les priorités des entreprises FrançaisesL'Internet des Objets : Les priorités des entreprises Françaises
L'Internet des Objets : Les priorités des entreprises FrançaisesJean-Marc Hui Bon Hoa
 
Bluemix Paris Meetup : Big data et Analytics - 15 avril 2015
Bluemix Paris Meetup :  Big data et Analytics - 15 avril 2015Bluemix Paris Meetup :  Big data et Analytics - 15 avril 2015
Bluemix Paris Meetup : Big data et Analytics - 15 avril 2015IBM France Lab
 

Similaire à Objets Connectés (IoT) et Data Science (20)

Phygital
PhygitalPhygital
Phygital
 
Qu'est qu'une Data Driven Company à l'heure de la digitalisation ?
Qu'est qu'une Data Driven Company à l'heure de la digitalisation ?Qu'est qu'une Data Driven Company à l'heure de la digitalisation ?
Qu'est qu'une Data Driven Company à l'heure de la digitalisation ?
 
05/10/17 Matinale Qlik Sense
05/10/17 Matinale Qlik Sense05/10/17 Matinale Qlik Sense
05/10/17 Matinale Qlik Sense
 
Digitalisation de la societe et impact sur l'informatique d'entreprise
Digitalisation de la societe et impact sur l'informatique d'entrepriseDigitalisation de la societe et impact sur l'informatique d'entreprise
Digitalisation de la societe et impact sur l'informatique d'entreprise
 
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
 
Data Lake
Data LakeData Lake
Data Lake
 
OCTO Technology - Data Driven Company - SITB15
OCTO Technology - Data Driven Company - SITB15OCTO Technology - Data Driven Company - SITB15
OCTO Technology - Data Driven Company - SITB15
 
Données Personnelles
Données PersonnellesDonnées Personnelles
Données Personnelles
 
Data Science
Data ScienceData Science
Data Science
 
29/06/17 Matinale Python
29/06/17 Matinale Python29/06/17 Matinale Python
29/06/17 Matinale Python
 
SITB15 - Qu'est qu'une Data Driven Company à l'heure de la digitalisation ?
SITB15 - Qu'est qu'une Data Driven Company à l'heure de la digitalisation ?SITB15 - Qu'est qu'une Data Driven Company à l'heure de la digitalisation ?
SITB15 - Qu'est qu'une Data Driven Company à l'heure de la digitalisation ?
 
Séminaire RCU
Séminaire RCUSéminaire RCU
Séminaire RCU
 
Pulse Mag juin 2013
Pulse Mag juin 2013Pulse Mag juin 2013
Pulse Mag juin 2013
 
Formation M2i - Automatisation d'un reporting avec la solution Microsoft Powe...
Formation M2i - Automatisation d'un reporting avec la solution Microsoft Powe...Formation M2i - Automatisation d'un reporting avec la solution Microsoft Powe...
Formation M2i - Automatisation d'un reporting avec la solution Microsoft Powe...
 
Integration Summit 16 : IoT, Service Fabric et Logic App
Integration Summit 16 : IoT, Service Fabric et Logic AppIntegration Summit 16 : IoT, Service Fabric et Logic App
Integration Summit 16 : IoT, Service Fabric et Logic App
 
Une Data driven company à l'heure de la digitalisation
Une Data driven company à l'heure de la digitalisationUne Data driven company à l'heure de la digitalisation
Une Data driven company à l'heure de la digitalisation
 
Une révolution technologique à nos portes ; nos organisations sont-elles prêtes?
Une révolution technologique à nos portes ; nos organisations sont-elles prêtes?Une révolution technologique à nos portes ; nos organisations sont-elles prêtes?
Une révolution technologique à nos portes ; nos organisations sont-elles prêtes?
 
Keynote Valerie Cussac – IoT for Business n°2
Keynote Valerie Cussac – IoT for Business n°2Keynote Valerie Cussac – IoT for Business n°2
Keynote Valerie Cussac – IoT for Business n°2
 
L'Internet des Objets : Les priorités des entreprises Françaises
L'Internet des Objets : Les priorités des entreprises FrançaisesL'Internet des Objets : Les priorités des entreprises Françaises
L'Internet des Objets : Les priorités des entreprises Françaises
 
Bluemix Paris Meetup : Big data et Analytics - 15 avril 2015
Bluemix Paris Meetup :  Big data et Analytics - 15 avril 2015Bluemix Paris Meetup :  Big data et Analytics - 15 avril 2015
Bluemix Paris Meetup : Big data et Analytics - 15 avril 2015
 

Plus de Soft Computing

16/04/19 Matinale Experts Marketing Omnicanal
16/04/19 Matinale Experts Marketing Omnicanal16/04/19 Matinale Experts Marketing Omnicanal
16/04/19 Matinale Experts Marketing OmnicanalSoft Computing
 
17/05/18 Matinale Usages Activation Omnicanal
17/05/18 Matinale Usages Activation Omnicanal17/05/18 Matinale Usages Activation Omnicanal
17/05/18 Matinale Usages Activation OmnicanalSoft Computing
 
25/01/18 Matinale Data Science
25/01/18 Matinale Data Science25/01/18 Matinale Data Science
25/01/18 Matinale Data ScienceSoft Computing
 
07/12/17 Séminaire Expérience Client
07/12/17 Séminaire Expérience Client07/12/17 Séminaire Expérience Client
07/12/17 Séminaire Expérience ClientSoft Computing
 
23/11/17 Matinale Usages Réactivation et SMS Enrichi
23/11/17 Matinale Usages Réactivation et SMS Enrichi23/11/17 Matinale Usages Réactivation et SMS Enrichi
23/11/17 Matinale Usages Réactivation et SMS EnrichiSoft Computing
 
19/10/17 Séminaire Référentiel Client Unique
19/10/17 Séminaire Référentiel Client Unique19/10/17 Séminaire Référentiel Client Unique
19/10/17 Séminaire Référentiel Client UniqueSoft Computing
 
28/09/2017 Séminaire Data & Activation Client
28/09/2017 Séminaire Data & Activation Client28/09/2017 Séminaire Data & Activation Client
28/09/2017 Séminaire Data & Activation ClientSoft Computing
 
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 ProgramSoft Computing
 
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 DélivrabilitéSoft Computing
 
27/04/17 Séminaire Données Personnelles
27/04/17 Séminaire Données Personnelles27/04/17 Séminaire Données Personnelles
27/04/17 Séminaire Données PersonnellesSoft Computing
 
Moteur de Recommandation
Moteur de RecommandationMoteur de Recommandation
Moteur de RecommandationSoft Computing
 
Séminaire Expérience Client
Séminaire Expérience ClientSéminaire Expérience Client
Séminaire Expérience ClientSoft 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
 
Machine Learning et Intelligence Artificielle
Machine Learning et Intelligence ArtificielleMachine Learning et Intelligence Artificielle
Machine Learning et Intelligence ArtificielleSoft Computing
 
La Gouvernance des Données
La Gouvernance des DonnéesLa Gouvernance des Données
La Gouvernance des DonnéesSoft Computing
 
Matinale Technologique Adobe Campaign
Matinale Technologique Adobe CampaignMatinale Technologique Adobe Campaign
Matinale Technologique Adobe CampaignSoft Computing
 
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 réelSoft Computing
 

Plus de Soft Computing (20)

16/04/19 Matinale Experts Marketing Omnicanal
16/04/19 Matinale Experts Marketing Omnicanal16/04/19 Matinale Experts Marketing Omnicanal
16/04/19 Matinale Experts Marketing Omnicanal
 
17/05/18 Matinale Usages Activation Omnicanal
17/05/18 Matinale Usages Activation Omnicanal17/05/18 Matinale Usages Activation Omnicanal
17/05/18 Matinale Usages Activation Omnicanal
 
25/01/18 Matinale Data Science
25/01/18 Matinale Data Science25/01/18 Matinale Data Science
25/01/18 Matinale Data Science
 
07/12/17 Séminaire Expérience Client
07/12/17 Séminaire Expérience Client07/12/17 Séminaire Expérience Client
07/12/17 Séminaire Expérience Client
 
23/11/17 Matinale Usages Réactivation et SMS Enrichi
23/11/17 Matinale Usages Réactivation et SMS Enrichi23/11/17 Matinale Usages Réactivation et SMS Enrichi
23/11/17 Matinale Usages Réactivation et SMS Enrichi
 
19/10/17 Séminaire Référentiel Client Unique
19/10/17 Séminaire Référentiel Client Unique19/10/17 Séminaire Référentiel Client Unique
19/10/17 Séminaire Référentiel Client Unique
 
28/09/2017 Séminaire Data & Activation Client
28/09/2017 Séminaire Data & Activation Client28/09/2017 Séminaire Data & Activation Client
28/09/2017 Séminaire Data & Activation Client
 
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
 
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
 
27/04/17 Séminaire Données Personnelles
27/04/17 Séminaire Données Personnelles27/04/17 Séminaire Données Personnelles
27/04/17 Séminaire Données Personnelles
 
Moteur de Recommandation
Moteur de RecommandationMoteur de Recommandation
Moteur de Recommandation
 
Séminaire Expérience Client
Séminaire Expérience ClientSéminaire Expérience Client
Séminaire Expérience Client
 
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...
 
Machine Learning et Intelligence Artificielle
Machine Learning et Intelligence ArtificielleMachine Learning et Intelligence Artificielle
Machine Learning et Intelligence Artificielle
 
Machine Learning
Machine LearningMachine Learning
Machine Learning
 
La Gouvernance des Données
La Gouvernance des DonnéesLa Gouvernance des Données
La Gouvernance des Données
 
Matinale Technologique Adobe Campaign
Matinale Technologique Adobe CampaignMatinale Technologique Adobe Campaign
Matinale Technologique Adobe Campaign
 
Expérience Client
Expérience ClientExpérience Client
Expérience Client
 
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
 
Digital In Store
Digital In StoreDigital In Store
Digital In Store
 

Objets Connectés (IoT) et Data Science

  • 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
  • 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.
  • 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
  • 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
  • 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.
  • 31. © 31 Données non structurées
  • 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
  • 60. © 60 Facteurs clés de succès 80 % simplicité20 % puissance
  • 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