Big Data Analytics

Soft Computing – 55, quai de Grenelle – 75015 Paris – tél. +33 (0)1 73 00 55 00 – www.softcomputing.com

Big Data Analytics avec

Paris, le 17 octobre 2012

http://www.sas.com/offices/europe/france/

www.softcomputing.com Reproduction interdite sans l’accord écrit de Soft Computing 11/04/2013 2

SOMMAIRE

1. Présentation de Soft Computing

2. Quelle place pour l'analytique dans les nouveaux SI décisionnels ?

3. Les enjeux de la gouvernance d’une plate-forme analytique

4. Illustration 1 :Industrialiser le cycle de vie des modèles :

présentation de SAS Business Analytics V9© pour une grande

banque de détail

5. Conclusion


Carte d’identité de Soft Computing

« Soft Computing est une

société spécialisée en CRM,

Big Data et Digital, délivrant

des prestations de Conseil, de

Technologie et de Marketing

Services »

Employés

400

R&D/CA

9 %

Référent

Citoyen

Capitaux

16 M€

Innovant

Qualité

Pérenne

CA 2012

36 M€


Ambition : spécialiste CRM, Big Data et Digital

Big Data

CRM

Génétiquement Net

Digital

Différenciateur client

Accélérateur de décision


Services

Continuum de services

Concevoir, développer et déployer des solutions CRM, BI et Web performantes, pragmatiques et adaptées

Cadrage et Business Case Refonte de processus et conception de systèmes d’informations Architecture et urbanisation Gestion de programmes et de projets Développement et intégration Recette Change management et formation Centres de services Tierce Maintenance Applicative

Imaginer, bâtir et opérer des programmes de conquête et de fidélisation cross-canaux, rentables et innovants Conception de programmes relationnels de conquête et de fidélisation Exploitation de base et de programmes marketing Conseil fichier et enrichissement Gestion de la qualité et des référentiels de données Analyse de données et connaissance client Conception et exécution de campagnes cross-canaux Mesure de la performance


Big Data, ils en parlent, nous le faisons

Nous travaillons sur toutes les architectures

Big Data


SOMMAIRE


2. Quelle place pour l'analytique dans les nouveaux SI

décisionnels ?


4. Illustration 1 - Industrialiser le cycle de vie des modèles :


banque de détail

5. Conclusion


Des tendances de consommation drivées par un contexte de crise et par les nouvelles technologies…

COMPORTEMENTS USAGES

ATTENTES

. Faire la bonne affaire

. Contribuer, participer . Re commerce

. Acheter groupé . Louer

. Comparer, reporter

. Screen culture . Sans espèce

. Accès temps réel à l’information

. Transparence . Honnêteté . Simplicité

. Engagement


…qui redéfinit la relation consommateur/marque-entreprise

23%

Un quart des consommateurs ayant eu une mauvaise expérience ont publié un commentaire négatif

86%

Près de 9 français sur 10 lisent « toujours » ou « parfois » les avis consommateurs sur Internet

15 personnes Après une mauvaise expérience, 64% des consommateurs déclarent en discuter systématiquement avec « environ 15 personnes »

3 fois plus

On accorde trois fois plus sa confiance aux recommandations de ses amis, sa famille, ses proches qu’à la publicité des marques

15% Seuls 15% des consommateurs se déclarent «tout à fait fidèles aux marques»

NE FAIT PLUS CONFIANCE AUX DISCOURS DES MARQUES

A UN POUVOIR DE NUISANCE

EST VOLAGE

(Source INIT pour la journée de la fidélité).

http://www.init-marketing.fr/

http://journeedelafidelite.blogspot.com/


...ce qui nécessite de redéfinir la relation en mixant messages transactionnels et services

58% désirent retrouver les dernières nouveautés d’une

marque

73 % sont intéressés par l’obtention des

coordonnées du point de vente le plus proche

69% d’entre eux souhaitent bénéficier d’offres promotionnelles

55% veulent obtenir des informations sur les marques en exclusivité

41% aimeraient recevoir des conseils personnalisés

Source: SMSEnvoi.com, les attentes du consommateur mobile

79% souhaiteraient pouvoir télécharger des coupons de

réduction directement sur leur téléphone

39% souhaitent avoir la possibilité d’acheter directement des produits à partir de leur mobile


… en lui proposant une expérience différenciée qui contribuera à créer de la valeur…

SOCIAL . Social shopping (avis)

. Communauté . E-réputation MOBILE

. Internet everywhere

. Réalité augmentée

. E coupon

. Check-in

INTERACTIVITE . Synergie cross canal . Identification / reconnaissance

LUDIQUE . Client=acteur

. Expérience immersive de la marque

. Relation affective et positive

BRAND CONTENT . Contenu utile vs produit

. Valeur ajoutée / services

1

2

3 4

5

http://images.e-marketing.fr/Images/Breves/breve38827-0.JPG


De nouvelles exigences opérationnelles pour les équipes métier

• Pour s’adapter, les équipes métiers évoluent, s’organisent et souhaitent industrialiser/déployer les processus experts. Les enjeux du pilotage et du CRM analytiques vont en s’accentuant jusqu’à devenir critiques dans un contexte très compétitif.


De forts enjeux se profilent

• Industrialiser la fabrication de l’information, et la mettre à disposition aux bons acteurs,

• Disposer d’une persistance élargie pour apprendre et/ou auditer

Disposer d’organisations

études et décisionnelles agiles

et productives

• Etre en mesure de mettre en œuvre des outils analytiques

• S’appuyer sur des modèles experts

• Les mettre à jour de manière plus

réactive

• Administrer les données ET les

modèles

Industrialiser l’apport

d’intelligence dans les systèmes

Mieux gérer la collecte et

la persistance

Déployer de nombreux processus complexes


Big Data…

• Une expression utilisée pour désigner des ensembles de données qui deviennent tellement volumineux qu'ils en deviennent difficiles à travailler avec des outils classiques de gestion de base de données.

• Dans ces nouveaux ordres de grandeur, la capture, le stockage, la recherche, le partage, l'analyse et la visualisation des données doivent être redéfinis.

• La typologie même des données ne se cantonne plus aux données structurées classiques : texte libre, vidéos, sons,…


L’opportunité « Big Data »…

• Chaque jour, nous créons plus de données – (90% des données dans le monde d'aujourd'hui ont été créées dans les deux dernières années).

• Ces données proviennent : des capteurs utilisés pour recueillir des informations sur le climat, des messages sites de médias sociaux, photos et vidéos numériques, enregistrements de transactions d'achat et téléphonie cellulaire, de signaux GPS pour n'en nommer que quelques-uns. Ces données sont des Big Data.

• Big Data est plus qu’une simple question de taille, c'est une occasion d’identifier et de faire émerger de nouveaux types de données et de contenu, pour rendre votre entreprise plus agile, et à répondre aux questions qui étaient auparavant considérés comme hors de votre portée.


Big data implique trois dimensions : Volume, Vitesse, Variété plus la notion de Valeur

• Volume : les entreprises sont inondées d’un nombre croissant de données de tous types, avec des volumes mesurables en téraoctets voire même en pétaoctets .

– Exploiter 12 téraoctets de Tweets chaque jour pour améliorer l'analyse de la perception produit

– Convertir 350 milliards de relevés de compteurs en prédiction de consommation d'énergie

• Vitesse : A quelques minute près, il peut être trop tard. Les processus actuels, tels que l’identification de la fraude, sont tellement sensibles au temps que ces big data doivent être utilisées en flux continu pour créer un maximum de valeur pour l’entreprise.

– Examiner 5 millions d'événements commerciaux/jour pour identifier d'éventuelles fraudes

– Analyser 50 millions d’enregistrements d’appels en temps réel pour prédire le taux de désabonnement plus rapidement

• Variété : les Big Data sont constituées de tout type de données - des données structurées et non structurées comme du texte, les données audio, vidéo, flux de clic, les fichiers log... L'analyse de ces types de données offre de nouvelles perspectives :

– Exploiter en direct les flux vidéo des caméras de surveillance situées aux points clés d'intérêt

– Interpréter les données issues des images, vidéo et documents pour améliorer la satisfaction client


L’opportunité « Big Data »…

• Les perspectives du traitement des big data sont notamment pour l'analyse d'opinions, de comportement clients, de météo, ou même de tendances…

• Parmi les domaines de données qui réservent des opportunités :

– Le suivi des parcours physiques des clients (en centre commercial, magasin, sur le territoire,…)

– L’analyse des comportements et des usages sur le web,

– La compréhension des usages mobiles,

– La corrélation avec des facteurs externes (météo, contextes économiques, concurrence…),

– L’extension de la relation sur les réseaux sociaux,

– L’analyse des flux de consommation de service (internet, télévision…)

Services financiers –Gestion des risques de fraude

–Analyse de la clientèle

Transport –Optimisation logistique

–Analyse de la congestion du trafic

Santé / Sciences de la Vie –Analyse de texte médicaux

–Analyse génomique

Télécommunications –Traitement de détail des enregistrements d’appels

–Monétisation du profil du client

Energie and Utilities –Analyse de compteurs intelligents

–La gestion d'actifs

Digital Media –Ciblage en temps rée des annonces

–Analyse de site Web

Vente au détail –Omni-canal de marketing

–Analyse des flux de clic

Application de la loi –Surveillance multimodal en temps réel

–La cybersécurité


Le concept Décisionnel 2.0

Toutes les données ont une valeur

Les besoins d’aujourd’hui ne présument pas ceux de demain

De nouvelles données apparaissent régulièrement

La forme, l’origine ou la localisation ne sont pas des limites (SID, SI, Partenaires, Web …)

La donnée doit produire de l’information

Stratégique

Tactique

Pilotage

Opérationnel

Un capital en

constante évolution

…

… apport de valeur dans

tous les processus de l’entreprise

La donnée récente, même non certifiée, La donnée non structurée, De l’information média (associée ou non), Des photos datées, des indicateurs et des informations calculées, La très haute volumétrie Différents niveaux de service Le besoin de flexibilité

Gérer :


Le concept Décisionnel 2.0 : point de vue fonctionnel

Services d’intégration

Services de persistance

Services d’accessibilité

Gouvernance

• Référencement, intégration, gestion de la qualité, transformation, …

• Organisation, mise en relation, ajout de valeur, historisation, stockage, …

• Exposition, mise à disposition, mise en forme, analyse, interprétation, sécurité, …

• Des données, des usages, des processus, des modèles…

Des services de base appuyés sur une gouvernance orientée métier


Décisionnel 2.0 : les grandes différences

• Pas de recherche d’intégration maximale des données au sein d’un même SGBD, ni même dans les SI internes, mais plutôt une approche par référencement et syndication de données

• Tolérance à la réplication de données

• Conservation de toutes les données (ou un maximum!)

• Mise en place systématique de dictionnaires de métadonnées indépendants

• Gestion des évolutions plutôt par ajout de nouveaux domaines de données, reliés par les référentiels communs plutôt que par évolution des modèles/systèmes existants

• Gestion de la performance par les concepts systèmes (appliances, big data), plus que par les développements ou l’optimisation récurrente

• Déploiement de solutions spécialisées pour les fonctions complexes : textmining, gestion des médias, recherches complexes, …

• Mise en œuvre de solutions orientées services

• Décloisonnement du reporting de production du décisionnel d’entreprise traditionnel, notamment en déployant des processus d’aide à la décision basés sur des modèles décisionnels

• Systématisation des solutions de restitution multi sources, avec une logique d’accès de type moteur de recherche

• Intégration de moteur de création de valeur (plate-forme analytique, outils experts)…


Big Data : un vocable, plusieurs réalités pour la plate-forme analytique

FLUX

SQL NoSQL

Analytique


Et au bout de tout ça ? Quelques exemples de résultats

Connaitre sa part d’audience et sa réputation sur le Web

Partager avec ses clients les informations clés les concernant et enrichir ces données avec celles qu’ils acceptent de partager (réseaux sociaux)

Évaluer la performance d’un processus de bout en bout en prenant en compte le fonctionnement actuel (temps réel), récent et de référence

Adapter simplement le SI pour pouvoir réagir sur un évènement, (soupçon de fraude, franchissement de seuil, dégradation de score, …), initier les processus d’alerte puis de correction

Être en mesure d’utiliser tous les médias (images, texte, son, vidéo, …) dans les processus décisionnels, tant pour leur contenu, que pour faciliter l’exploitation des informations (image produit, parcours physique, texte d’un blog, …)

Pouvoir mettre en œuvre et alimenter en données des solutions d’arbitrage prédictif en production (Yield Management, Campagne auto-apprenante, moteur de règles, pricing dynamique)

Donner de l’autonomie aux équipes d’experts en matière d’accès aux données sans prendre le risque de dégrader les SLA pour tout le monde


SOMMAIRE






banque de détail

5. Conclusion


Périmètre de la gouvernance : Les fonctions de l’environnement décisionnel

Gouvernance et Organisation

Les outils

Les données

http://www.istockphoto.com/stock-photo-1741063-agreement.php

http://www.istockphoto.com/stock-photo-9896616-stack-of-papers-with-binary-code.php


Une vision de la gouvernance décisionnelle

• La mise en place d’une gouvernance décisionnelle trouve sa légitimité et sa valeur en donnant aux utilisateurs plus de liberté et d’autonomie tout en garantissant l’intégrité du système décisionnel et son aptitude à satisfaire rapidement les nouveaux besoins.

• La gouvernance décisionnelle permet d’une part d’assurer la qualité et la performance des processus et du SI, d’autre part de maîtriser les coûts. Elle doit garantir de mettre à disposition

des utilisateurs des données/informations/résultats cohérents et fiables.


Quelques axes pour la gouvernance décisionnelle des plates-formes analytiques

Gestion des modèles

Gestion des méthodes

Mesure de la performance

Knowledge management

Gestion des traces et de l’historique

Sécurité et confidentialité

Légalité


Segmentation marché

Segmentation Comportementale

TextMining

Réseaux Sociaux

Webmining

Segmentation Relationnelle

Durée de vie

PILOTAGE Constat

Distribution dynamique

Réaction Anticipation Action

Prévision

DATAM

ININ

G

Distribution statique

Etudes Profils Client

Valeur Client

Score d’attrition

Score d’appétence

Datamining - Temps Réel

Une plate-forme d’études 2.0 – Usages et Pilotage


SOMMAIRE





présentation de SAS Business Analytics V9© pour une

grande banque de détail

5. Conclusion


Présentation générale

d’une plate-forme

d’études 2.0

Les points de

vigilance La couche logique

pour l’accès aux

données

La gestion du cycle de

vie des modèles

Industrialiser le cycle de vie des modèles


Vision traditionnelle de l’implémentation de modèles datamining

Création de modèles de scores sur données stockées sur des serveurs de fichiers

Ecriture de spécification pour implémentation du modèle

1

2

Lecture de spécification pour implémentation du modèle

3

4

Recodage du modèle en langage cible des infrastructures IT

DWH

Ordonnancement 5

Environnement datamining

Environnement IT


Plate- forme d’études 2.0 – Cycle de vie des modèles, un processus automatisé et sécurisé

Analyses Datamining

Référentiel de Modèles/Etudes uniques et

centralisés

Droits et profils spécifiques

• Arborescence avec des droits accès règlementés et sécurisés : applicatif de type « clique bouton » pour l’écriture

• Bibliothèques : génériques, communes, privatives Stocker tous types de documentation (associée ou non au modèle)

• Tous types de documents (spécifications, bonnes pratiques, guides de formation,…)

• Tous types de format • Gérer le versionning des modèles en production

Création d’études

Pilotage des modèles - Rapport de performance

ou Backtesting - Construction des rapports de performance - Choix de type de Mise à jour :

--> Manuelle --> Automatique

Rapport de mise à jour - Envoi au DTM et BAL le rapport de mise à jour (contexte et note pour validation)

Industrialisation des modèles

Mettre le modèle en production - Sauvegarder les pré-requis du modèle (périodicité, type de lancement, chainage, périmètre des données,…) - Envoi pour validation : --> Script --> Fiche ordonnanceur --> Validation technique - Envoi MEP

Mise à jour automatique - Lancement de l’ordonnanceur - Rapport d’alerte : -> OK : Mise à jour dans le DWH -> KO : blocage des notes

Création de modèles


Plateforme d’études 2.0 : Le cycle de vie des modèles


Les exigences fonctionnelles du projet

Construire une base spécifique au datamining et aux études pour chaque entité

Construire une base spécifique au datamining et aux études pour des groupes d’entité

Créer des études (ex: comportementales) ou des modèles Datamining (scores …)

Généraliser des modèles sur l'ensemble des clients de toutes les entités

Backtester, mesurer la pertinence et modifier si nécessaire des modèles mis en production


Gouvernance des données (vue générale)

Clients SAS

Couche de données

Environnement d’études

Espace privatif

Echantillon à 1/10 ème

Echantillon à la

demande

Eléments de

contexte

Métadonnées SAS

SAS Entreprise Guide

SAS Entreprise Miner


Gouvernance des données (éléments de contexte)

Utilisateurs et groupes

Contextes applicatifs

Déclaration des librairies

DataMiner

Entité E1

Entité E2

Entité E3

Groupes d’entités G1

(E1,E2)

Groupes d’entités G2

(E1,E3)

Métadonnées SAS


Gouvernance des données (gestion des droits)

Environnement

d’études Echantillon à 1/10 ème

Echantillon à la

demande

Compte technique accès DWH

Espace de gestion des modèles

Espace privatif

Autorisations système

Métadonnées SAS

Content Server

SGBD


Gouvernance des modèles

Clients SAS

Espace de stockage des modèles

Espace privatif

Espace de partage des références aux

modèles (table utilisée,

transformation, …)

Métadonnées SAS

SAS Entreprise Guide

SAS Entreprise Miner

SAS Model Manager

Espace de gestion des

versions des

modèles


SAS Model Manager : plus qu’une bibliothèque de scores

Créer une nouvelle version Exécuter des tâches de scoring

Rapport de comparaison des modèles Rapport de performance détaillé


SAS Model Manager : Configuration du cycle de vie des modèles

SAS Model Manager


Mise en production d’un modèle

SAS Data Integration Studio

SAS Data Integration Studio

Déploiement du modèle en environnement de production

Transformation du programme SAS publié dans SAS Model Manager en un job SAS Data Integration Studio

SAS Management Console

Ordonnancement du modèle en environnement de production


Une plate-forme d’études 2.0 – Points de vigilance

•Configurer les outils en concordance avec les bonnes pratiques préconisées par l’éditeur

•Utiliser au maximum les outils par défaut fournis par la suite analytique

•Réaliser les développements spécifiques pour un besoin bien ciblé, avec une pré-analyse en amont

•Veiller à ne pas généraliser les développements spécifiques

Conception de la plate-

forme

•Etre en capacité d’adapter les compétences des utilisateurs aux spécificités de l’outil

•Identifier des profils adaptés à l’administration et à une utilisation optimale de la plate-forme.

•Mener des plans de formations adaptés aux profils des utilisateurs, à la maturité des groupes d’interlocuteurs

•Guide de bonnes pratiques

Organisation


SOMMAIRE

1. Présentation de Soft Computing et de SAS



4. Illustration 1 :Industrialiser le cycle de vie des modèles :


banque de détail

5. Conclusion


Conclusion : industrialiser pour saisir l’opportunité

Le mode « garage » n’est plus de mise : Il faut repenser l’urbanisation des données et la place de l’analytique

pour mettre en place des processus souples et industriels

Analytique : des processus à généraliser

Une condition sine qua non pour transformer le gisement en valeur

Big Data : une opportunité

De nouvelles données accessibles pour approfondir la connaissance client


Merci de votre attention

Big Data Analytics

Technology

reproduction interdite

laccord crit

soft computing2

soft computing11042013

architectures big

sas business analytics

connaissance client

fidlisation crosscanaux