Enviar pesquisa
Carregar
Livre blanc "Big Data" de l'EBG
âą
8 gostaram
âą
5,509 visualizaçÔes
Margarita Zlatkova
Seguir
D'ici 2020, le marché du Big Data
Leia menos
Leia mais
Internet
Denunciar
Compartilhar
Denunciar
Compartilhar
1 de 48
Baixar agora
Baixar para ler offline
Recomendados
Etude sur le Big Data
Etude sur le Big Data
Nexialog Consulting
Â
Introduction au BIG DATA
Introduction au BIG DATA
Zakariyaa AIT ELMOUDEN
Â
Big Data... Big Analytics Ă travers les Ăąges, les industries et les technologies
Big Data... Big Analytics Ă travers les Ăąges, les industries et les technologies
Hassan LĂąasri
Â
Cours Big Data Chap1
Cours Big Data Chap1
Amal Abid
Â
Technologies pour le Big Data
Technologies pour le Big Data
Minyar Sassi Hidri
Â
Présentation pfe Big Data Hachem SELMI et Ahmed DRIDI
Présentation pfe Big Data Hachem SELMI et Ahmed DRIDI
HaShem Selmi
Â
Les enjeux du Big Data pour l'Entreprise - These professionnelle -Touria Engo...
Les enjeux du Big Data pour l'Entreprise - These professionnelle -Touria Engo...
Touria Engohan
Â
Analyse spatiale en Big data
Analyse spatiale en Big data
Soufiane ElATEFâïž
Â
Mais conteĂșdo relacionado
Mais procurados
Formation professionnelle "Big data : concepts et enjeux"
Formation professionnelle "Big data : concepts et enjeux"
Philippe METAYER
Â
Présentation Big Data DFCG
Présentation Big Data DFCG
Micropole Group
Â
Valtech - Du BI au Big Data, une rĂ©volution dans lâentreprise
Valtech - Du BI au Big Data, une rĂ©volution dans lâentreprise
Valtech
Â
Datasio - Big Data Congress Paris 2012
Datasio - Big Data Congress Paris 2012
datasio
Â
Big data analytics focus technique et nouvelles perspectives pour les actuaires
Big data analytics focus technique et nouvelles perspectives pour les actuaires
Kezhan SHI
Â
Conférence big data
Conférence big data
Stéphane Traumat
Â
Big data
Big data
Marwoua Ben Salem
Â
Big data : quels enjeux et opportunités pour l'entreprise - livre blanc - Blu...
Big data : quels enjeux et opportunités pour l'entreprise - livre blanc - Blu...
Romain Fonnier
Â
La valeur des Big Data sera dans leurs usages
La valeur des Big Data sera dans leurs usages
SAS FRANCE
Â
Point de Vue Sopra Consulting sur le Big Data
Point de Vue Sopra Consulting sur le Big Data
Nicolas Peene
Â
2014 Présentation pour la soutenance du probatoire "Big Data"de galsungen
2014 Présentation pour la soutenance du probatoire "Big Data"de galsungen
Galsungen
Â
Big data - Cours d'introduction l Data-business
Big data - Cours d'introduction l Data-business
Vincent de Stoecklin
Â
Le Big Data transforme en profondeur le monde de la Banque et de lâAssurance
Le Big Data transforme en profondeur le monde de la Banque et de lâAssurance
Abdessatar Hammedi
Â
Atelier 2AM / BIG DATA LAB by Groupe CARTEGIE
Atelier 2AM / BIG DATA LAB by Groupe CARTEGIE
Groupe IDAIA
Â
Business & Decision - Big Data : Retours d'expériences concrets - CongrÚs Big...
Business & Decision - Big Data : Retours d'expériences concrets - CongrÚs Big...
Business & Decision
Â
Matinée 01 Big Data
Matinée 01 Big Data
Evenements01
Â
BIG DATA - Les données au service de la business intelligence
BIG DATA - Les données au service de la business intelligence
Julien DEMAUGĂ-BOST
Â
Programme Big Data
Programme Big Data
Les Brigades du Marketing - www.lesbrigadesdumarketing.com
Â
Big Data, Charles Huot, Aproged,février 2013
Big Data, Charles Huot, Aproged,février 2013
ADBS
Â
Big Data Des méandres des outils au potentiel business
Big Data Des méandres des outils au potentiel business
Mouhsine LAKHDISSI
Â
Mais procurados
(20)
Formation professionnelle "Big data : concepts et enjeux"
Formation professionnelle "Big data : concepts et enjeux"
Â
Présentation Big Data DFCG
Présentation Big Data DFCG
Â
Valtech - Du BI au Big Data, une rĂ©volution dans lâentreprise
Valtech - Du BI au Big Data, une rĂ©volution dans lâentreprise
Â
Datasio - Big Data Congress Paris 2012
Datasio - Big Data Congress Paris 2012
Â
Big data analytics focus technique et nouvelles perspectives pour les actuaires
Big data analytics focus technique et nouvelles perspectives pour les actuaires
Â
Conférence big data
Conférence big data
Â
Big data
Big data
Â
Big data : quels enjeux et opportunités pour l'entreprise - livre blanc - Blu...
Big data : quels enjeux et opportunités pour l'entreprise - livre blanc - Blu...
Â
La valeur des Big Data sera dans leurs usages
La valeur des Big Data sera dans leurs usages
Â
Point de Vue Sopra Consulting sur le Big Data
Point de Vue Sopra Consulting sur le Big Data
Â
2014 Présentation pour la soutenance du probatoire "Big Data"de galsungen
2014 Présentation pour la soutenance du probatoire "Big Data"de galsungen
Â
Big data - Cours d'introduction l Data-business
Big data - Cours d'introduction l Data-business
Â
Le Big Data transforme en profondeur le monde de la Banque et de lâAssurance
Le Big Data transforme en profondeur le monde de la Banque et de lâAssurance
Â
Atelier 2AM / BIG DATA LAB by Groupe CARTEGIE
Atelier 2AM / BIG DATA LAB by Groupe CARTEGIE
Â
Business & Decision - Big Data : Retours d'expériences concrets - CongrÚs Big...
Business & Decision - Big Data : Retours d'expériences concrets - CongrÚs Big...
Â
Matinée 01 Big Data
Matinée 01 Big Data
Â
BIG DATA - Les données au service de la business intelligence
BIG DATA - Les données au service de la business intelligence
Â
Programme Big Data
Programme Big Data
Â
Big Data, Charles Huot, Aproged,février 2013
Big Data, Charles Huot, Aproged,février 2013
Â
Big Data Des méandres des outils au potentiel business
Big Data Des méandres des outils au potentiel business
Â
Semelhante a Livre blanc "Big Data" de l'EBG
Etude AKOYA Big Data
Etude AKOYA Big Data
Jocelyn Muret
Â
Le Big Data
Le Big Data
BigDataJDA
Â
Big data : Défi, enjeux et impacts métiers
Big data : Défi, enjeux et impacts métiers
Bruno Patin
Â
Matinée Découverte Big Data & Data Science - 24012017
Matinée Découverte Big Data & Data Science - 24012017
Micropole Group
Â
2014-12-16-G9plus-LB-Big-Data
2014-12-16-G9plus-LB-Big-Data
Mehdi Chouiten PhD
Â
Big data, l'accélération d'innovation
Big data, l'accélération d'innovation
Lionel Martins
Â
Livre blanc #G9plus : Big Data - l'accélérateur d'innovation
Livre blanc #G9plus : Big Data - l'accélérateur d'innovation
Institut G9+
Â
Livre Blanc Big Data : fin ou renouveau du Marketing ?
Livre Blanc Big Data : fin ou renouveau du Marketing ?
Aproged
Â
1-2-Economie-Georgios Fradelos Big Data et Ă©volution des Big Data-3
1-2-Economie-Georgios Fradelos Big Data et Ă©volution des Big Data-3
Georgios Fradelos
Â
Big Data RenaissanceNumerique
Big Data RenaissanceNumerique
Fanny Despouys
Â
Big data : avis d'Experts
Big data : avis d'Experts
Linda Bor
Â
MAGCOM n°4
MAGCOM n°4
Master 2 AGCOM
Â
PdfHandler
PdfHandler
David Jonglez
Â
Big data-2-170220212621
Big data-2-170220212621
Haifa Akermi
Â
MaĂźtriser concrĂštement le Big Data
MaĂźtriser concrĂštement le Big Data
Soft Concept
Â
L'Encyclopédie des Big Data 2016
L'Encyclopédie des Big Data 2016
55 | fifty-five
Â
Central634_Dossier_completDV_001
Central634_Dossier_completDV_001
Bruno CAMBOUNET
Â
LIVRE BLANC - Les vrais chiffres du Big Data
LIVRE BLANC - Les vrais chiffres du Big Data
Inetum
Â
Gfi News - Numéro 4 - Mars 2015
Gfi News - Numéro 4 - Mars 2015
Inetum
Â
Le rĂŽle du DSI dans la transition Big Data - Big Knowledge
Le rĂŽle du DSI dans la transition Big Data - Big Knowledge
NRC
Â
Semelhante a Livre blanc "Big Data" de l'EBG
(20)
Etude AKOYA Big Data
Etude AKOYA Big Data
Â
Le Big Data
Le Big Data
Â
Big data : Défi, enjeux et impacts métiers
Big data : Défi, enjeux et impacts métiers
Â
Matinée Découverte Big Data & Data Science - 24012017
Matinée Découverte Big Data & Data Science - 24012017
Â
2014-12-16-G9plus-LB-Big-Data
2014-12-16-G9plus-LB-Big-Data
Â
Big data, l'accélération d'innovation
Big data, l'accélération d'innovation
Â
Livre blanc #G9plus : Big Data - l'accélérateur d'innovation
Livre blanc #G9plus : Big Data - l'accélérateur d'innovation
Â
Livre Blanc Big Data : fin ou renouveau du Marketing ?
Livre Blanc Big Data : fin ou renouveau du Marketing ?
Â
1-2-Economie-Georgios Fradelos Big Data et Ă©volution des Big Data-3
1-2-Economie-Georgios Fradelos Big Data et Ă©volution des Big Data-3
Â
Big Data RenaissanceNumerique
Big Data RenaissanceNumerique
Â
Big data : avis d'Experts
Big data : avis d'Experts
Â
MAGCOM n°4
MAGCOM n°4
Â
PdfHandler
PdfHandler
Â
Big data-2-170220212621
Big data-2-170220212621
Â
MaĂźtriser concrĂštement le Big Data
MaĂźtriser concrĂštement le Big Data
Â
L'Encyclopédie des Big Data 2016
L'Encyclopédie des Big Data 2016
Â
Central634_Dossier_completDV_001
Central634_Dossier_completDV_001
Â
LIVRE BLANC - Les vrais chiffres du Big Data
LIVRE BLANC - Les vrais chiffres du Big Data
Â
Gfi News - Numéro 4 - Mars 2015
Gfi News - Numéro 4 - Mars 2015
Â
Le rĂŽle du DSI dans la transition Big Data - Big Knowledge
Le rĂŽle du DSI dans la transition Big Data - Big Knowledge
Â
Mais de Margarita Zlatkova
Classement des entreprises de la French Tech - FW 500 - Edition 2018
Classement des entreprises de la French Tech - FW 500 - Edition 2018
Margarita Zlatkova
Â
Chiffres-clés du E-commerce en France 2016-2017 - Fevad
Chiffres-clés du E-commerce en France 2016-2017 - Fevad
Margarita Zlatkova
Â
Mobile - BaromĂštre des tendances1er-trimestre-2016
Mobile - BaromĂštre des tendances1er-trimestre-2016
Margarita Zlatkova
Â
16Ăšme Observatoire de l'e-pub SRI Udecam 1er semestre 2016
16Ăšme Observatoire de l'e-pub SRI Udecam 1er semestre 2016
Margarita Zlatkova
Â
15Ăšme Observatoire de l'e-pub SRI
15Ăšme Observatoire de l'e-pub SRI
Margarita Zlatkova
Â
Adblockers: pouquoi les internautes utilisent les systĂšmes d'adblocking
Adblockers: pouquoi les internautes utilisent les systĂšmes d'adblocking
Margarita Zlatkova
Â
2015 Report on the cost of ad blocking by PageFair
2015 Report on the cost of ad blocking by PageFair
Margarita Zlatkova
Â
Mobile Marketing Association France Barometer - 10th edition - June 2015
Mobile Marketing Association France Barometer - 10th edition - June 2015
Margarita Zlatkova
Â
Performance Marketing Guide 2015: Display Marketing
Performance Marketing Guide 2015: Display Marketing
Margarita Zlatkova
Â
IAB Internet Advertising Revenue report 2014 - April 2015
IAB Internet Advertising Revenue report 2014 - April 2015
Margarita Zlatkova
Â
Mobile Marketing Association France Barometer - 9th edition - March 2015
Mobile Marketing Association France Barometer - 9th edition - March 2015
Margarita Zlatkova
Â
Barometer - Mobile Marketing Association France 4eme trimestre 2014
Barometer - Mobile Marketing Association France 4eme trimestre 2014
Margarita Zlatkova
Â
Fraud in Digital Advertising (ANA study)
Fraud in Digital Advertising (ANA study)
Margarita Zlatkova
Â
BaromĂštre Mobile Marketing Association France: 2Ăšme trimestre 2014
BaromĂštre Mobile Marketing Association France: 2Ăšme trimestre 2014
Margarita Zlatkova
Â
Apple Launch Event on September 9th, 2014
Apple Launch Event on September 9th, 2014
Margarita Zlatkova
Â
Programmatic Audience Development - July 2014
Programmatic Audience Development - July 2014
Margarita Zlatkova
Â
Mobile Advertising - Marin Software Report 2014
Mobile Advertising - Marin Software Report 2014
Margarita Zlatkova
Â
Observatoire E-pub SRI & UDECAM
Observatoire E-pub SRI & UDECAM
Margarita Zlatkova
Â
Infographie: La mutation digitale des forces de vente (Oracle)
Infographie: La mutation digitale des forces de vente (Oracle)
Margarita Zlatkova
Â
BaromĂštre "Annonceurs mobile SRI-Harris Interactive" (Juin 2014)
BaromĂštre "Annonceurs mobile SRI-Harris Interactive" (Juin 2014)
Margarita Zlatkova
Â
Mais de Margarita Zlatkova
(20)
Classement des entreprises de la French Tech - FW 500 - Edition 2018
Classement des entreprises de la French Tech - FW 500 - Edition 2018
Â
Chiffres-clés du E-commerce en France 2016-2017 - Fevad
Chiffres-clés du E-commerce en France 2016-2017 - Fevad
Â
Mobile - BaromĂštre des tendances1er-trimestre-2016
Mobile - BaromĂštre des tendances1er-trimestre-2016
Â
16Ăšme Observatoire de l'e-pub SRI Udecam 1er semestre 2016
16Ăšme Observatoire de l'e-pub SRI Udecam 1er semestre 2016
Â
15Ăšme Observatoire de l'e-pub SRI
15Ăšme Observatoire de l'e-pub SRI
Â
Adblockers: pouquoi les internautes utilisent les systĂšmes d'adblocking
Adblockers: pouquoi les internautes utilisent les systĂšmes d'adblocking
Â
2015 Report on the cost of ad blocking by PageFair
2015 Report on the cost of ad blocking by PageFair
Â
Mobile Marketing Association France Barometer - 10th edition - June 2015
Mobile Marketing Association France Barometer - 10th edition - June 2015
Â
Performance Marketing Guide 2015: Display Marketing
Performance Marketing Guide 2015: Display Marketing
Â
IAB Internet Advertising Revenue report 2014 - April 2015
IAB Internet Advertising Revenue report 2014 - April 2015
Â
Mobile Marketing Association France Barometer - 9th edition - March 2015
Mobile Marketing Association France Barometer - 9th edition - March 2015
Â
Barometer - Mobile Marketing Association France 4eme trimestre 2014
Barometer - Mobile Marketing Association France 4eme trimestre 2014
Â
Fraud in Digital Advertising (ANA study)
Fraud in Digital Advertising (ANA study)
Â
BaromĂštre Mobile Marketing Association France: 2Ăšme trimestre 2014
BaromĂštre Mobile Marketing Association France: 2Ăšme trimestre 2014
Â
Apple Launch Event on September 9th, 2014
Apple Launch Event on September 9th, 2014
Â
Programmatic Audience Development - July 2014
Programmatic Audience Development - July 2014
Â
Mobile Advertising - Marin Software Report 2014
Mobile Advertising - Marin Software Report 2014
Â
Observatoire E-pub SRI & UDECAM
Observatoire E-pub SRI & UDECAM
Â
Infographie: La mutation digitale des forces de vente (Oracle)
Infographie: La mutation digitale des forces de vente (Oracle)
Â
BaromĂštre "Annonceurs mobile SRI-Harris Interactive" (Juin 2014)
BaromĂštre "Annonceurs mobile SRI-Harris Interactive" (Juin 2014)
Â
Livre blanc "Big Data" de l'EBG
1.
30projets concrets
2.
30projets concrets
3.
32 Vp. 59 8 Ă©tudes
de cas pour mieux comprendre lâimpact concret des Big Data sur le business 1. Maintenance prĂ©dictive des machines intelligentes pour anticiper les pannes p. 60 2. Industrie une amĂ©lioration radicale du tri du courrier chez la Poste p. 61 3. Retail deviner trends et tendances avant leur Ă©mergence p. 62 4. Objets connectĂ©s des textiles intelligents pour booster les performances sportives p. 64 5. B2B amĂ©liorer la qualitĂ© des Ă©tudes de marchĂ© p. 65 6. Marketing de nouveaux usages pour les donnĂ©es clients p. 66 7. Open data ouvrir ses donnĂ©es pour favoriser lâinnovation p. 67 8. Formation : Un mastĂšre pour pallier le manque de data scientists p. 68 VIp. 70 conclusion contributEurs p. 72 partenaires p. 86 IVp. 40 Inventaire des bonnes pratiques pour tirer parti au mieux des Big Data 1. Commencer petit et rester agile p. 42 2. investir prudemment, mais parier sur lâavenir p. 44 3. Travailler en mode crĂ©atif pour stimuler la crĂ©ativitĂ© autour de la donnĂ©e p. 46 4. Sâefforcer de communiquer le plus possible en interne p. 48 5. Trouver des solutions pour pallier le manque de compĂ©tences p. 50 6. Gouvernance : sâefforcer de soutenir au mieux les mĂ©tiers p. 52 7. Bien choisir ses solutions techniques p. 55 8. Aller au plus simple p. 58 SOMMAIRE IIIp. 25 Lâentreprise face au challenge du Big Dataâ: 1. attention Ă ne pas se perdre dans le foisonnement de la donnĂ©e p. 27 2. LâĂ©pineux problĂšme des compĂ©tences p. 29 3. les risques dâune transition ratĂ©e vers la culture de la donnĂ©e p. 31 4. SĂ©curitĂ© et confidentialitĂ© des donnĂ©es : des risques qui sâentremĂȘlent p. 33 5. Le dilemme de la monĂ©tisation des donnĂ©es p. 38 IIp. 7 Que recouvre vraiment la notion de Big Data? 1. Les Big Data en question p. 9 2. Lâapproche des â3Vâ reste pertinente p. 14 3. Petite typologie des donnĂ©es p. 20 Ip. 4 introduction SOM MAI RE
4.
54 U n livre
blanc sur les Big Data, en 2014 ? Tout n'a-t- il pas dĂ©jĂ Ă©tĂ© dit sur ce sujet qui a Ă©tĂ© au coeur de toutes les attentions - voire de toutes les fiĂšvres - et fait l'objet de toutes les analyses ces der- niĂšres annĂ©es ? VoilĂ ce qu'on est en droit de se demander avant d'entamer la lecture de cet ouvrage. Les perspectives offertes par ce nouveau sec- teur sont en effet dĂ©jĂ connues de tous. Alors que le poids des technologies et des services liĂ©s Ă l'analyse et Ă l'exploi- tation de volumes massifs de donnĂ©es reprĂ©sentait 3,2 milliards de dollars en 2010, il pourrait atteindre 16,9 mil- liards d'ici l'annĂ©e prochaine1 . D'ici 2020, le marchĂ© des Big Data reprĂ©senterait 8% du PIB europĂ©en. Inscrit parmi les 34 plans de reconquĂȘte pour la «âNouvelle France indus- trielleâ» lancĂ©s en septembre dernier par Arnaud Mon- tebourg, le secteur connaĂźt, dans notre pays, une crois- sance insolente de 40% par an. Mais si les bases thĂ©oriques sur lesquelles repose le phĂ©- nomĂšne des Big Data sont solidement implantĂ©es, le passage Ă la pratique et l'acti- vation de solutions pour lui permettre de se dĂ©ployer effi- cacement, sont, quant Ă eux, loin d'ĂȘtre acquis. Ă peine un tiers des entreprises mon- diales2 ont, Ă ce jour, dĂ©jĂ fait appel Ă des technologies de traitement massif de la don- nĂ©e pour les assister dans leur business. Dans la plupart des cas, il s'agit de projets Ă pĂ©ri- mĂštre d'application rĂ©duit, en phase de test, et qui n'ont pas encore Ă©tĂ© pĂ©rennisĂ©s. ParallĂšlement, une Ă©tude eu- ropĂ©enne3 montrait que, bien que consciente de l'intĂ©rĂȘt que recouvrait pour elles ce domaine, la trĂšs grande majo- ritĂ© des DSI considĂ©raient que les conditions prĂ©liminaires Ă l'exploitation massive des donnĂ©es n'Ă©taient pas encore rĂ©unies au sein de leur entre- prise, et qu'elles hĂ©sitaient encore Ă se lancer. Convertir les attentes im- menses qu'a fait naĂźtre l'Ă©mer- gence de ce nouveau secteur en rĂ©alisations tangibles, et rĂ©ussir le passage d'une ambi- tion abstraite Ă la concrĂ©tude d'un premier projet ancrĂ© dans le rĂ©el, voilĂ le vĂ©ritable challenge auquel les Big Data soumettent les entreprises. Afin d'en prendre la mesure, nous avons fait le choix d'in- i. introduction 1. IDC Big Data Predictions 2014 2 - Application Landscape Report 2013, Capgemini 3 - Business Intelligence Maturity Audit (biMA), Steria introduction I Tirer de la valeur des monceaux de donnĂ©es s'accumulant de façon exponentielle dans nos systĂšmes d'information constitue un dĂ©fi majeur pour l'entreprise de demain. Ce constat a pris la force d'une Ă©vidence, les solutions Big Data apparaissant comme une rĂ©volution nĂ©cessaire, un cap Ă franchir sur le chemin de la croissance. Mais comment faire route vers ce nouveau monde sans s'Ă©garer parmi les illusions qu'il gĂ©nĂšre ? Le mieux est d'interroger ceux qui ont dĂ©jĂ entrepris le voyage.
5.
76 Ii. que recouvre
vraiment la notion de big dataâ? Que recouvre vraiment la notion de «âBig Dataâ»â? ProtĂ©iforme, le phĂ©nomĂšne Big Data ne se laisse pas aisĂ©ment circonscrire. Tenter dâen dĂ©limiter dâemblĂ©e le pĂ©rimĂštre rĂ©el dâapplication, au-delĂ des apparences et de lâeffet de mode, est une nĂ©cessitĂ© si lâon ne veut pas que notre sujet finisse par nous filer entre les doigts. II terroger trente d'entre elles. Certaines ont dĂ©jĂ commencĂ© Ă tirer de la valeur des projets qu'elles ont animĂ©s autour du traitement massif de la don- nĂ©e. D'autres en sont encore au stade des prototypes. Leur retour d'expĂ©rience nous ser- vira de fil rouge pour mieux apprĂ©hender les spĂ©cificitĂ©s du phĂ©nomĂšne Big Data. La premiĂšre partie de cet ou- vrage tentera de dĂ©limiter, le plus prĂ©cisĂ©ment possible, le pĂ©rimĂštre d'application des Big Data. Nous verrons que tenter de donner une dĂ©fini- tion claire de ce sujet peut dĂ©jĂ constituer un dĂ©fi. Dans une deuxiĂšme partie, nous dĂ©busquerons les prin- cipaux piĂšges et obstacles auxquels toute entreprise qui se lance dans un projet de Big Data risque de se voir con- frontĂ©e Ă un moment ou Ă un autre. L'objectif Ă©tant d'ĂȘtre Ă mĂȘme de les identifier ra- pidement pour pouvoir les surmonter au mieux. La troisiĂšme partie listera un ensemble de bonnes pratiques pour tirer parti au mieux des Big Data et commencer Ă en tirer de la valeur. Il s'agira de tenir compte des particu- laritĂ©s de tout projet autour du traitement massif de la donnĂ©e pour l'intĂ©grer le plus harmonieusement possible au sein de l'entreprise. Enfin, nous nous pencherons plus prĂ©cisĂ©ment sur huit cas concrets de projets Big Data mis en place dans huit domaines diffĂ©rents, avec un maĂźtre mot : rĂ©pondre au ca- ractĂšre ardu de ce secteur par la simplicitĂ© de l'exemple.
6.
9 1. Les Big
Data en question Le premier conseil donnĂ© par celles que nous avons interrogĂ©es prend la forme dâune mise en garde. Comme le Cloud, comme la Dataviz, ou comme, dans un tout autre registre, lâimpression 3D, le Big Data fait parti de ces concepts nĂ©buleux et fourre-tout qui suscitent la fascination dĂšs quâon prononce leur nom, mais dont on est bien en peine ensuite de donner une dĂ©finition prĂ©cise. On ne sâĂ©tonnera pas que le Global Language Monitor, sociĂ©tĂ© qui analyse le contenu des mĂ©dias et piste les tendances dans le monde entier, ait Ă©lu le mot «âBig Dataâ» buzzword de lâannĂ©e 2013, dans la catĂ©gorie des noms «âque tout le monde utilise sans vraiment les comprendreâ»5 . 5 - Top Tech Buzzword everyone uses but donât quite understandâ, Global language monitor, 2013 ii. 1. les Big Dataâen question âčâčChaque jour, nous gĂ©nĂ©rons 2,5 trillions dâoctets de donnĂ©es. Ă tel point que 90% des donnĂ©es dans le monde ont Ă©tĂ© crĂ©Ă©es au cours des deux derniĂšres annĂ©es seulement. Ces donnĂ©es proviennent de partout : de capteurs utilisĂ©s pour collecter les informations climatiques, de messages sur les sites de mĂ©dias sociaux, d'images numĂ©riques et de vidĂ©os publiĂ©es en ligne, d'enregistrements transactionnels d'achats en ligne et de signaux GPS de tĂ©lĂ©phones mobiles, pour ne citer que quelques sources. 80% de ces donnĂ©es ne sont pas structurĂ©es. » Laurent Sergueenkoff Big Data Sales Team Leader IBM AVIS DâEXPERT 8 4 - Business Intelligence Maturity Audit (biMA),Steria, septembre 2013 T out le monde en parle, beaucoup rĂȘveraient de sây mettre, mais rares sont ceux qui les manient au quotidien. Une Ă©tude parue fin 20134 montrait ainsi que, mĂȘme si plus dâun tiers des entreprises françaises considĂšrent que les Big Data sont susceptibles dâamĂ©liorer la connaissance et la maĂźtrise de leur business, celles-ci ne sont une rĂ©alitĂ© que pour 10% dâentre elles. Pour tenter de sây retrouver, lâavis de ces entreprises sâavĂšre donc salutaire.
7.
1110 Et ce qui
reste justement sur la grĂšve, une fois la dĂ©ferlante passĂ©e, câest, dâabord, la notion de challenge technologique. Câest sous cette apparence que les Big Data, qui sâinscrivent dans le mouvement plus large de la digitalisation, viennent frapper Ă la porte des entreprises : «Le web, le mobile, les objets connectĂ©s gĂ©nĂšrent un volume de donnĂ©es qui devient phĂ©nomĂ©nal, et face auquel les techniques dâanalyse classiques, celles du BI traditionnel notamment, sont devenues soit impuissantes, soit dĂ©passĂ©es, soit trop coĂ»teuses, soit les trois Ă la fois. LâĂ©mergence dâapproches nouvelles (nouveaux algorithmes, nouvelles technologies...) permettent de prendre la main sur ces monceaux de donnĂ©es de maniĂšre diffĂ©rente, qui ouvre tout un champ de possibilitĂ©s inexploitĂ©es jusquâalors. »Jean-François Paccini Directeur Technique Internet Pages Jaunes - Solocal Group ii. 1. les Big Dataâen question «RĂ©sultante de la convergence numĂ©rique, les Big Data regroupent un ensemble de technologies qui apportent des solutions efficaces Ă une complexitĂ© rĂ©sultant de lâempilement dâannĂ©es de processus analogiques. Elles promettent de rĂ©concilier, dâharmoniser, dâunifier, dâinterconnecter, et de fluidifier la masse immense des donnĂ©es digitales, dans un monde oĂč tout est dĂ©sormais numĂ©risĂ©.â» Fabrice Benaut DSI et expert Big Data Groupe GFK Pour Claude Fauconnet, Chef de Projet au sein du dĂ©partement eNovation de la DSI de Total, comme pour Julien Zakoian, Directeur Marketing & Communication chez vente-privee.com, il sâagit donc dâabord de se mĂ©fier du mot, et de chercher Ă comprendre ce qui se cache derriĂšre. «âAttention au buzzword!ââ» «Les Big Data, câest comme le bug de lâan 2000, ça nâexiste pasâ! Ou plutĂŽt, câest une appellation marketing plaquĂ©e sur un phĂ©nomĂšne dont lâexistence remonte aux premiers pas de lâinformatique⊠et pour lequel un certain nombre dâacteurs, SS2I, ou boĂźtes de Business Intelligence en tĂȘte, ont inventĂ© un sobriquet, Ă des fins commerciales. »Julien Zakoian Directeur Marketing & Communication vente-privee.com «Le terme est apparu dâabord comme un buzzword, une sorte de vague mĂ©diatique qui a tout emportĂ© sur son passage. Il a fallu attendre que cette vague se retire, avant de dĂ©terminer ce quâelle avait laissĂ© de concret sur la plage. »Claude Fauconnet Chef de Projet au sein du dĂ©partement Innovation de la DSI Total âčâčLâexpression âBig Dataâ existe depuis plusieurs annĂ©es et dĂ©crit la masse de donnĂ©es gĂ©nĂ©rĂ©es partout dans le monde depuis des sources aussi variĂ©es que les dossiers mĂ©dicaux ou les processus de fabrication. Dans un contexte plus spĂ©cifique comme celui du marketing, il peut inclure des Ă©lĂ©ments comme le flux de clientĂšle (virtuel ou physique), les mesures dâinteraction de la newsletter client jusquâĂ la performance publicitaire. » Jean-Claude Muratore EMEA Sales Director - Data Management Solutions TurnTurn AVIS DâEXPERT VidĂ©o Comment les Big Data vont transformer notre approche du business ? Ted talk de Philip Evans, senior partner chez Boston Consulting Group, novembre 2013
8.
1312 «Les Big Data
impliquent le dĂ©ploiement de nouvelles compĂ©tences Ă la frontiĂšre entre technologies et business analytics. Pourvoir cette charniĂšre va constituer lâun des dĂ©fis majeurs du digital dans les annĂ©es Ă venir. »Emmanuelle Turlotte, Directrice de la StratĂ©gie et de la Vision Client, Voyages-sncf.com «Le Big Data libĂšre notre rapport Ă la donnĂ©e, nous permet- tant de nous comporter vis-Ă -vis dâelle dans un mode exploratoire permanent. » StĂ©phane PĂšre, Chief Data Officer The Economist «Les Big Data ne sont pas une fin en soi, mais un ensemble de technologies qui doit sâefforcer de rencontrer des usages. Et ceux-ci ne sâimposent pas de mĂȘme. »Georges Sawaya, Directeur de lâOrganisation et des SystĂšmes dâInformation, lâArgus de la presse «Les technologies Big Data ne sont que des outils, qui Ă©voluent certes rapidement, mais qui ne reprĂ©sen- tent au final quâune succession de caps Ă franchir. Le vĂ©ritable enjeu se trouve du cĂŽtĂ© des mĂ©tiers. »Jean-Paul Leroux , Responsable Marketing Big&Fast Data, Orange Business Services «Les Big Data font prendre conscience de lâimportance que recouvrent, au sein dâune entreprise, les donnĂ©es. Cela stimule la crĂ©ativitĂ© autour de celles-ci, tout en dĂ©gageant de nouvelles opportunitĂ©s. »Carole Vial, Responsable Innovation NumĂ©rique, Total «Le Big Data constitue une promesse permettant dâadresser des problĂ©matiques que lâon nâa jamais eu lâoccasion dâadresser jusquâalors dans lâentreprise tant dâun point de vue business quâen ce qui concerne lâarchitecture des systĂšmes dâinformation. » HervĂ© Thoumyre , Directeur des SystĂšmes dâInformation Groupe & France, Carrefour Ces bases Ă©tant posĂ©es, il nous paraĂźt utile de nous livrer Ă un petit tour dâhorizon des dĂ©finitions que donnent nos diffĂ©rents intervenants des Big Data. On va le voir, elles sont aussi variĂ©es que peut lâĂȘtre la notion elle-mĂȘme : ii. 1. les Big Dataâen question petit florilĂšge de dĂ©finitions âčâčNous sommes parvenus au point oĂč les donnĂ©es peuvent, et mĂȘme devraient, servir de base aux stratĂ©gies marketing, Ă la crĂ©ation de contenu ainsi quâĂ lâĂ©laboration des campagnes en temps rĂ©el. De plus, il est extrĂȘmement performant dâutiliser ces donnĂ©es pour rĂ©aliser ces objectifs. On prĂ©voit de grands changements dans le digital au niveau de lâengagement des consommateurs ; les responsables de la publicitĂ© ont ainsi une belle occasion dâoptimiser leur stratĂ©gie marketing et leur achat dâespace grĂące Ă cette capacitĂ© Ă cibler la bonne audience avec des niveaux granulaires. Lâobjectif gĂ©nĂ©ral est de susciter lâengagement du public ciblĂ© et dâavoir davantage confiance dans la production des rĂ©sultats appropriĂ©s. Il est temps que les annonceurs exploitent la valeur des donnĂ©es recueillies et sâen servent pour crĂ©er des messages marketing qui toucheront les consommateurs. Nous sommes arrivĂ©s au moment de passer Ă lâaction. » Jean-Claude Muratore EMEA Sales Director - Data Management Solutions, Turn Un nouveau paradigme, en somme, mais dont lâorigine nâest pas liĂ©e Ă une avancĂ©e technologique brutale et unique qui aurait dâun seul coup bouleversĂ© la donne. Si lâon parle autant de Big Data aujourdâhui, câest que de plus en plus dâentreprises se sentent prĂȘtes Ă investir dans des solutions qui leur ont jusquâalors paru inaccessibles. La vraie rĂ©volution est culturelle «On prĂ©sente souvent les Big Data comme un phĂ©nomĂšne de rupture, mais tout nâest pas nouveau dans cette notion. Cela fait ainsi plus de dix ans que lâon parle de data mining et de montĂ©e en puissance du volume des donnĂ©es. DerriĂšre le terme Big Data, il y a surtout une Ă©volution des mentalitĂ©s, qui pousse de plus en plus les entreprises Ă faire de la donnĂ©e un atout principal.â» StĂ©fan GalissiĂ©, Chief Data Officer, OgilvyOne «Plus que lâĂ©mergence de nouvelles technologies, câest la dĂ©mocratisation et la baisse des coĂ»ts de celles dĂ©jĂ existantes qui constituent un changement. Mais lâĂ©lĂ©ment de bascule reste essentiellement dâordre culturel. Il provient de la capacitĂ© dâun groupe Ă se projeter sur un nouveau marchĂ© et un nouveau modĂšle Ă©conomique.â» StĂ©phan Minard, Directeur de la Centrale des marchĂ©s Precom, Groupe Ouest France AVIS DâEXPERT Infographie : les Big Data dâaprĂšs IBM
9.
1514 âčâčvolumeâ: les entreprises
sont submergĂ©es de volumes de donnĂ©es croissants de tous types, qui se comptent en tĂ©raoctets, voire en pĂ©taoctets. Une volumĂ©trie massive qui, maĂźtrisĂ©e, peut gĂ©nĂ©rer de nouveaux usages, par exemple : âą Transformer les tĂ©raoctets de Tweets crĂ©Ă©s quotidien- nement en analyse poussĂ©e des opinions sur un produit âą Convertir les 350 milliards de relevĂ©s annuels de comp- teurs afin de mieux prĂ©dire la consommation dâĂ©nergie VĂ©locitĂ©â: parfois, 2 minutes câest trop. Pour les processus «âchronosensiblesâ» tels que la dĂ©tection de fraudes, le Big Data doit ĂȘtre utilisĂ© au fil de lâeau, Ă mesure que les donnĂ©es sont collectĂ©es par votre entreprise afin dâen tirer le maximum de valeur, par exemple : âą Scruter les masses volumineuses dâĂ©vĂ©nements commerciaux par jour afin dâidentifier les fraudes potentielles âą Analyser en temps rĂ©el les enregistrements dĂ©taillĂ©s dâappels quotidiens âą Analyser les conversations des call centers pour aider le tĂ©lĂ©conseiller Ă proposer les meilleures solutions Ă son client VariĂ©tĂ©â: le Big Data se prĂ©sente sous la forme de donnĂ©es structurĂ©es ou non structurĂ©es (texte, donnĂ©es de capteurs, son, vidĂ©o, donnĂ©es sur le parcours, fichiers journaux, etc.). De nouvelles connaissances sont issues de lâanalyse collective de ces donnĂ©es. âą Utiliser les flux vidĂ©o des camĂ©ras de surveillance pour contrĂŽler les points dâintĂ©rĂȘt âą Tirer parti de la croissance du volume de donnĂ©es image, vidĂ©o et documentaires pour amĂ©liorer la satisfaction client . Il nous semble important de rajouter un quatriĂšme V, la VĂ©racitĂ© : en effet, les 3V nâont de sens que si la donnĂ©e traitĂ©e est fiable. Les outils traditionnels de gouvernance doivent ĂȘtre « bigdata-isĂ©s » pour satisfaire aux contraintes de qualitĂ©s des donnĂ©es. Câest un prĂ©alable absolument incontournable Ă tout projet Big Data. » Laurent Sergueenkoff Big Data Sales Team Leader IBM AVIS DâEXPERT ii. 2. l'approche des 3V reste pertinente 2. Lâapproche des «â3Vâ» reste pertinente Volume, VĂ©locitĂ©, VariĂ©tĂ©. Lâanalyse des Big Data au prisme de ces trois aspects principaux date dĂ©jĂ de 20016 . Et pourtant, elle sâavĂšre toujours aussi prĂ©cieuse dĂšs quâil sâagit dâentrer dans le concret. Si certains sont tentĂ©s de lui ajouter deux autres V (la VĂ©racitĂ© et la Valeur), nos intervenants ont quant Ă eux prĂ©fĂ©rĂ© se concentrer sur les 3V historiques, les plus rĂ©vĂ©lateurs Ă leurs yeux. Ils ne leur ont pas toutefois tous accordĂ© le mĂȘme degrĂ© dâimportance. 6. Rapport de META Group devenu depuis Gartner âčâčLe Big Data est en rĂ©alitĂ© un nouveau mode de connaissance de lâenvironnement dâune entreprise ou dâun individu : âą dâune part parce que le Big Data ne cherche pas toujours Ă identifier des causes explicatives aux constats observĂ©s - on sort de lâapproche classique hypothĂ©tico-dĂ©ductive oĂč on pose une hypothĂšse de travail que lâon cherche Ă valider par les donnĂ©es empiriques disponibles. Le Big Data peut faire Ă©merger une connaissance, des corrĂ©lations significatives, sans quâil soit nĂ©cessaire de poser des hypothĂšses de dĂ©part. âą dâautre part parce que le Big Data est en mesure de fournir un Ă©chantillonnage, une discrĂ©tisation fine permettant dâaboutir Ă une vision «360°» dâun client, dâune entreprise, dâun environnement... » Gilbert GreniĂ© AssociĂ© Consulting PwC AVIS DâEXPERT
10.
1716 Encore faut-il que
cette quĂȘte de vitesse rencontre des usages prĂ©cis. Ce qui est loin dâĂȘtre toujours le cas. Directeur BI & Analytique chez Orange Business Services, IsmaĂŻl RebaĂŻ expose ainsi le cas dâun projet de «âmultimedia trackingâ», pour lequel le temps rĂ©el est loin de sâimposer comme une Ă©vidence. s'efforcer de tendre vers le temps rĂ©el «Ce nâest pas la volumĂ©trie qui fait la complexitĂ© des Big Data, mais le dĂ©bit (câest Ă dire la volumĂ©trie multipliĂ©e par le laps de temps dans lequel les donnĂ©es bougent). Lâanalyse de donnĂ©es - mĂȘme dans des volumes considĂ©rables - tant quâelle se fait en mode asynchrone, reste assimilable Ă du BI traditionnel. Le vrai Big Data, câest le calcul temps rĂ©el. Et cela nĂ©cessite des calculateurs puissants, et lâapplication de dashboards performants Ă mĂȘme de restituer instantanĂ©ment les infos rĂ©coltĂ©es. »Stefan-Eldon Recher, Vice-PrĂ©sident Groupe, Projets StratĂ©giques et Offres Globales Bull En matiĂšre de Big Data, le volume ne fait pas tout. Il faut ĂȘtre aussi capable dâanalyser le flux de donnĂ©es le plus rapidement possible... et idĂ©alement, de façon instantanĂ©e. Cette Ă©volution vers le Fast Data (ou RTDM pour RealTimeDataManagement) pourrait constituer un des enjeux majeurs du secteur de la donnĂ©e dans les annĂ©es Ă venir, comme le souligne Stefan- Eldon Recher, chez Bull. VĂLOCITĂ ii. 2.l'approche des 3V reste pertinente «Si lâon regarde les volumĂ©tries gigantesques que nous adressons dans ce projet, nous faisons bien du Big Data. Mais nous nous contentons pour lâinstant dâagrĂ©ger ces donnĂ©es sur des pĂ©riodes dĂ©terminĂ©es en accord avec le client. Si un ROI finit par ĂȘtre prouvĂ©, on pourra exploiter Ă©ventuellement le gisement Ă lâĂ©tat brut, en temps rĂ©el. Mais ce nâest pour lâinstant pas Ă lâordre du jour. »IsmaĂŻl RebaĂŻ Directeur BI & Analytique Orange Business Service adresser des volumĂ©tries de plus en plus massives «Chaque jour, il nous faut hĂ©berger en moyenne cinq teraoctets supplĂ©mentaires sur nos serveurs. La baisse du prix du teraoctet revĂȘt donc un intĂ©rĂȘt stratĂ©gique pour nous. Les Big Data, câest donc dâabord, dans notre cas, la transition vers une nouvelle gĂ©nĂ©ration dâoutils qui vont nous permettre dâĂȘtre plus performants, en stockant plus efficacement, et pour des coĂ»ts moindres, nos donnĂ©es. »Georges Sawaya, Directeur de lâOrganisation et des SystĂšmes dâInformation, lâArgus de la Presse «Les capteurs qui Ă©quipent nos vĂȘtements intelligents gĂ©nĂšrent 400 000 points de mesure en deux heures. Alors, quâĂ titre de comparaison, lâactivitĂ© bancaire moyenne dâune personne reprĂ©sente moins de 2 000 opĂ©rations par anâ! Ce gigantisme de la volumĂ©trie nĂ©cessite des systĂšmes capables dâingĂ©rer ces donnĂ©es lĂ , mais aussi de les historiser et de les manipuler. »Mathias Herberts, Co-fondateur, Cityzen Data «Sans les technologies Big Data, nous nâĂ©tions pas en mesure de traiter lâintĂ©gralitĂ© des centaines de millions de lignes gĂ©nĂ©rĂ©es tous les mois par les principales plateformes de diffusion de musique en ligne. DĂ©sormais, nous sommes aussi capables dâadresser les volumes de la long tail, ce qui nous permet dâĂȘtre beaucoup plus complets... et parfois mĂȘme exhaustifs. »VĂ©ronique Sinclair, Directrice des SystĂšmes dâInformation SACEM «Sur un site industriel, nos machines (turbines, compres- seurs, pompes...) produisent en moyenne 100â000 points de donnĂ©es chaque seconde, que nous devons stocker sur trois Ă cinq annĂ©es dâhistorique. Cela reprĂ©sente quatre milliards de points de donnĂ©es par an pour chaque machine ! Sans les technologies Big Data, le champs de la maintenance prĂ©dictive nous serait restĂ© inaccessible. »Baptiste Jouffroy, Directeur EMEA-Industrial Data Intelligence General Electric Intelligent Platforms 7 - Ătude IDC-EMC «âExtracting value from chaosâ» 2011 Dans Big Data, il y a big. La possibilitĂ© de stocker et de traiter des volumes considĂ©rables de donnĂ©es dans un monde qui produit celles-ci de façon exponentielle (1,8 zettaoctets en 2011, contre 40 zettaoctets prĂ©vus pour 20207 ) revĂȘt, on sâen doute, une importance cruciale. Et c'est cet aspect qui incite la plupart du temps les entreprises Ă se lancer dans un projet Big Data. Volume
11.
1918 LâhĂ©tĂ©rogĂ©nĂ©itĂ© des donnĂ©es,
qui peuvent provenir de sources trĂšs diverses, ainsi que leur caractĂšre non-structurĂ© constituent un dĂ©fi important pour les entreprises qui se lancent dans des projets liĂ©s au Big Data, surtout lorsque ceux-ci font appel Ă des donnĂ©es externes. Câest pourtant bien souvent de la mise en corrĂ©lation de cette variĂ©tĂ© que naĂźt la valeur. TIrer parti de la diversitĂ© des donnĂ©es «Nos donnĂ©es clients traditionnelles, dĂ©jĂ porteuses dâune grande richesse (numĂ©ro de sĂ©curitĂ© sociale, mutuelle, adresse postale, mail..), sont complĂ©tĂ©es par des informations extĂ©rieures que nous allons chercher via du data mining. Ces diffĂ©rents types de donnĂ©es ne pouvant pas ĂȘtre exploitĂ©es de la mĂȘme maniĂšre, il nous faut mettre en place des solutions Big Data afin dâĂȘtre en mesure de les analyser de concert. » Pierre-Marie Desbazeille Directeur CRM et Digital GrandVision «Nous sommes en train de crĂ©er un service de veille dans le secteur des marchĂ©s publics. Le point crucial pour nous, câest donc de trouver un moyen de produire des donnĂ©es exploitables Ă partir de sources trĂšs hĂ©tĂ©rogĂšnes, qui peuvent ĂȘtre structurĂ©es ou non (en fichiers word, en pdf, en html). Pour ce faire, nous les homogĂ©nĂ©isons via un format pivot, les dĂ©dupliquons, et les augmentons (par traitement sĂ©mantiques et algorithmiques). » StĂ©phan Minard Directeur de la Centrale des marchĂ©s Precom Groupe Ouest France VariĂ©tĂ© ii. 2.l'approche des 3V reste pertinente âčâčLe temps rĂ©el au sens Big Data est relatif, le dĂ©fi rĂ©side plutĂŽt dans le fait de dĂ©livrer un rĂ©sultat, une action dans un temps valorisable par le business : proposer un script Ă un tĂ©lĂ©conseiller au fur et Ă mesure dâune conversation doit se faire dans le dixiĂšme de seconde, lever une alerte si un client a un comportement laissant penser quâil part Ă la concurrence peut se faire dans la minute⊠Le temps rĂ©el rĂ©pond directement Ă lâattente ultime : et si vous aviez la possibilitĂ© de rentrer en contact en direct avec votre client, quelque soit le mĂ©dia utilisĂ©, sauriez-vous lui adresser la meilleure offre dans le dĂ©lai idĂ©al via le bon canal ? En effet, il est Ă©tabli que le dĂ©lai acceptable est descendu Ă 8 secondes : passĂ© ce dĂ©lai, la grande majoritĂ© des clients se sont dĂ©jĂ tournĂ©s vers la concurrence, et ce, tous mĂ©dias confondus. La nĂ©cessitĂ© dâanalyser en temps rĂ©el les mĂ©dias sociaux vient Ă©galement alimenter les capacitĂ©s prĂ©dictives mises Ă disposition des marques pour identifier «âthe Next Best Actionâ» dâun individu ou dâun groupe dâindividus. La capacitĂ© Ă adresser alors cette cible dans les dĂ©lais les plus rĂ©duits sera alors un Ă©lĂ©ment-clĂ© de rĂ©ussite et la possibilitĂ© dâautomatiser ces dĂ©cisions est indispensable via les algorithmes dâanalyse sĂ©mantiques appropriĂ©s. » Laurent Sergueenkoff Big Data Sales Team Leader IBM AVIS DâEXPERT
12.
2120 «à lâexception de
quelques donnĂ©es externes de qualifi- cation (comme les numĂ©ros SIRET), nous nâexploitons pour lâinstant que des donnĂ©es endogĂšnes. Et il y a dĂ©jĂ beaucoup Ă faire. Celles-ci Ă©taient Ă©parpillĂ©es dans notre systĂšme dâinformation (CRM, Back-office, Extranets, etc...). Il a fallu les repĂ©rer avant des les centraliser au sein dâun data warehouse. Câest Ă partir de lĂ que nous avons pu lancer notre projet de marketing automation. »Simon Charles Responsable dĂ©partement MOA et BI Edenred ii. 3.petite typologie des donnĂ©es âčâčLes annonceurs sont de plus en plus conscients des possibilitĂ©s quâouvrira lâexploitation efficace des donnĂ©es internes, dont lâanalyse des sites Internet, du marketing direct, de la tĂ©lĂ©vision, des publications etc. En combinant des sĂ©ries de donnĂ©es au sein dâune plateforme de gestion de donnĂ©es centralisĂ©e (Data Management Platform), les annonceurs peuvent rechercher les meilleurs clients et comment change leur comportement au cours du cycle de vente. »Jean-Claude Muratore EMEA Sales Director - Data Management Solutions Turn AVIS DâEXPERT Denis Weiss, Directeur du SystĂšme dâInformation Industriel du Courrier Ă la Poste, insiste quant Ă lui sur un aspect des Big Data particuliĂšrement bĂ©nĂ©fique lorsquâil est appliquĂ© Ă des informations en interne : leur capacitĂ© Ă tirer de la valeur a posteriori de donnĂ©es qui nâavaient pas Ă©tĂ© initialement stockĂ©es pour ces usages. «Dans le cadre dâun projet plus large visant Ă rendre plus intelligentes nos machines de tri, nous avons cherchĂ© Ă tirer de la valeur des donnĂ©es internes gĂ©nĂ©rĂ©es par le tri du courrier (soit environ 100 millions dâopĂ©rations par jour). Un des intĂ©rĂȘts majeurs des technologies Big Data Ă ce titre, câest quâelles nous ont permis de nous pencher rĂ©trospectivement sur ces donnĂ©es, pour les interroger dans leur granularitĂ© la plus fine, en les soumettant Ă des analyses auxquelles nous nâavions pas pensĂ© dans un premier temps. »Denis Weiss Directeur du SystĂšme dâInformation Industriel du Courrier La Poste 3. Petite typologie des donnĂ©es Avant dâachever ce tour dâhorizon des Big Data, et de nous lancer dans lâĂ©tude des cas concrets et des bonnes pratiques, il nous paraĂźt utile de faire un distinguo entre trois types de donnĂ©es, dont le degrĂ© de maturation nâest pas tout Ă fait le mĂȘme, et qui mobilisent, chacune, des problĂ©matiques spĂ©cifiques. Les donnĂ©es internes Ă lâentreprise, dâabord, qui sont souvent la cible privilĂ©giĂ©e dâun premier projet de Big Data visant Ă dĂ©gager une valeur immĂ©diate. Les donnĂ©es externes, ensuite, qui peuvent considĂ©rablement enrichir un projet, mais dont la profusion nĂ©cessite une vision claire en amont. Et les donnĂ©es issues des rĂ©seaux sociaux, enfin, qui, si elles peuvent apparaĂźtre comme un Graal pour beaucoup, sont loin dâĂȘtre, pour lâinstant du moins, dâun usage Ă©vident. Mobiliser la masse dâinformation inexploitĂ©e qui sommeille dans les silos dâune entreprise, câest dĂ©jĂ faire un usage efficace des technologies Big Data. VoilĂ ce quâexplique en substance Geoffrey Zbinden, Vice-PrĂ©sident Big Data et Business Intelligence pour le groupe Orange. Et ce quâillustre un projet de « marketing automation » mis en place par Simon Charles, Responsable dĂ©partement MOA et BI chez Edenred. DonnĂ©es internes : une mine dâor juste sous ses pieds «La Business Intelligence classique a souvent Ă©tĂ© lâapanage de lâIT. Les interfaces mĂ©tier quâelle a pu dĂ©velopper par le passĂ© se sont donc la plupart du temps avĂ©rĂ©es faiblement interactives, utilisant peu de reprĂ©sentations graphiques, prĂ©sentant une ergonomie compliquĂ©e, et ne rĂ©pondant pas, au final, aux besoins des mĂ©tiers (que ce soit le marketing, la relation client, la vente...). Ces mĂ©tiers ont donc continuĂ© Ă travailler comme ils le faisaient avant, câest Ă dire sans utiliser la masse colossale de donnĂ©es qui dormait dans les systĂšmes dâinformation. Or câest justement ce trĂ©sor que viennent rĂ©vĂ©ler aujourdâhui les Big Data. » Geoffrey Zbinden Vice-PrĂ©sident Big Data & Business Intelligence Orange
13.
2322 âčâčLâutilisation dâune DMP
pour identifier les meilleurs clients permet de savoir si les visiteurs dâun site ont fait un achat ou ont converti, et en se servant des donnĂ©es tierces, analyser si des questions de niveau de vie, dâĂąge ou de mode de vie ont pu avoir une influence sur leur conversion. Par exemple, il est possible de dĂ©couvrir que la majoritĂ© de ceux qui ont ouvert un compte de trading en ligne chez une sociĂ©tĂ© de services financiers spĂ©cifique ont aussi tendance Ă possĂ©der un SUV. La combinaison des donnĂ©es internes et tierces rĂ©vĂ©lera des tendances dans les cibles initiales de la marque quâelle nâaura pas pu dĂ©couvrir auparavant sans ces donnĂ©es et les outils correspondants. Les tendances peuvent se dĂ©voiler et constituent une base solide pour tester de nouvelles stratĂ©gies. Par exemple, une marque grand-public mondiale qui utilise la plateforme marketing de Turn considĂšre quâelle attribue 80% de sa croissance sur les trois derniĂšres annĂ©es Ă cette approche intĂ©grĂ©e. » Jean-Claude Muratore EMEA Sales Director - Data Management Solutions Turn AVIS DâEXPERT ii. 3.petite typologie des donnĂ©es Capter les donnĂ©es qui sâĂ©changent sur les rĂ©seaux sociaux pour les mettre ensuite au service de projets Big Data : la pente semble naturelle pour beaucoup de nos intervenants. Certains mettent toutefois en garde contre des attentes trop Ă©levĂ©es dans ce domaine, aux applications concrĂštes pour lâinstant limitĂ©es. Le recours Ă des donnĂ©es externes pour enrichir ses propres bases de donnĂ©es via des procĂ©dĂ©s de data mining peut non seulement gĂ©nĂ©rer de la valeur, mais aussi faire apparaĂźtre de nouveaux usages. Encore faut-il avoir une idĂ©e bien prĂ©cise des informations que lâon souhaite acquĂ©rir. DonnĂ©es externes : le champ des possibles «Nous complĂ©tons les donnĂ©es produites par les capteurs prĂ©sents sur nos vĂȘtements par des donnĂ©es extĂ©rieures : donnĂ©es environnementales, mĂ©tĂ©orologiques, relatives Ă la pollution de lâair, par exemple. Au final, la donnĂ©e initiale, dĂ©jĂ dense en soi, se retrouve dix fois plus riche quand on y ajoute un traitement exogĂšne. Un rĂ©sultat auquel on ne peut parvenir sans solutions Big Data efficaces. » Jean-Luc Errant PrĂ©sident Fondateur Cityzen Sciences «Chez celio, nous nâexploitions jusquâĂ maintenant que des donnĂ©es endogĂšnes⊠Mais lâintĂ©rĂȘt des Big Data, câest aussi de sâouvrir sur le monde en allant chercher des informations Ă lâextĂ©rieur. Nous avons donc commencĂ© Ă rĂ©colter des donnĂ©es pour mieux comprendre nos zones de chalandise : flux de piĂ©tons, concurrents, qualitĂ©s dâhabitats⊠bref, toutes informations potentiellement discriminantes sur la consommation de vĂȘtements. Il faut dans ces cas lĂ garder en tĂȘte quâaccumuler des donnĂ©es externes ne sert Ă rien, si on nâest pas capable dâen tirer derriĂšre des applications concrĂštes. » Laurent Thoumine Vice PrĂ©sident Supply Chain, Informations Systems & Processes celio «Indices socio-dĂ©mographiques rapportĂ©s Ă lâindividu ou Ă son mode de vie, comportement dâachat, attitude⊠Il existe une multitude de donnĂ©es externes qui peuvent apporter des Ă©clairages intĂ©ressants, et enrichir la connaissance client traditionnelle. Mais faute dâavoir une vision claire de lâusage que nous pourrions en faire, nous nâexploitons pour lâinstant que nos donnĂ©es internes. »Pascale Dulac Responsable Connaissance Clients France Loisirs Infographie : le Big Data en quelques chiffres (source : lâUsine nouvelle, avril 2014)
14.
2524 Iii. l'entreprise face
au challenge du big data Lâentreprise face au challenge du Big Dataâ: Le chemin qui mĂšne aux Big Data est jalonnĂ© dâopportunitĂ©s⊠mais il est aussi pavĂ© de dĂ©fis ! Petit tour dâhorizon des difficultĂ©s principales auxquelles il faut sâattendre lorsque lâon dĂ©cide de se lancer dans un projet de traitement massif de la donnĂ©e. III DonnĂ©es sociales : des promesses qui ne sont pas toujours mĂ»res «Nous nous penchons de plus en plus sur la question des rĂ©seaux sociaux et des donnĂ©es que ceux-ci accumulent (Ăąge, catĂ©gorie socio-professionnelle, intĂ©rĂȘts,...). Cela pourrait ĂȘtre une opportunitĂ© dâaugmenter notre connaissance client. Dans lâattente dâune clarification des enjeux technologiques et lĂ©gaux des solutions qui permettent dâimporter les donnĂ©es CRM sociales, nous nous contentons toutefois de travailler avec des professionnels de la collecte de donnĂ©es tierces (online et offline) tels que BlueKai ou Experian. »StĂ©phane PĂšre Chief Data Officer The Economist «Les rĂ©seaux sociaux constituent une piste de travail Ă©vidente, et nous aimerions pouvoir y Ă©tudier le comportement de leurs utilisateurs. Nous nâavons cependant pas encore dĂ©cidĂ© dâĂȘtre alimentĂ©s par les rĂ©seaux sociaux, les outils actuels sur le marchĂ© ne permettant pas de rĂ©cu- pĂ©rer tout le brouillard de donnĂ©es qui y est gĂ©nĂ©rĂ©, et qui permettrait des analyses vraiment pertinentes. »Marco Seca Directeur des SystĂšmes dâInformation Givenchy «Chez OgilvyOne, nous travaillons les donnĂ©es sociales pour venir alimenter la connaissance sur les consommateurs dâun produit ou dâune thĂ©matique particuliers. Lâentreprise va ainsi pouvoir utiliser cette connaissance pour alimenter le contenu de son site internet, de ses communications, et ĂȘtre plus facilement repĂ©rable des utilisateurs. Pour ce faire nous avons recours Ă des technologies Big Data qui permettent de rĂ©cupĂ©rer la donnĂ©e sur Twitter, Facebook, YoutubeâŠÂ »StĂ©fan GalissiĂ© Chief Data Officer OgilvyOne
15.
27 1. Attention Ă
ne pas se perdre dans le foisonnement de la donnĂ©e Analyse prĂ©dictive, amĂ©lioration de la connaissance client, marketing automation, rationalisation de la logistique, crowd sourcing⊠On peut tout faire ou presque avec les Big Data. Et câest bien lĂ le problĂšme. Si lâimpression dâaccĂ©der Ă un champ infini de possibilitĂ©s a quelque chose dâexcitant et de stimulant, elle va de pair avec la peur de se noyer dans la masse des donnĂ©es, et de finir, Ă force par ne plus savoir oĂč donner de la tĂȘte, comme lâĂąne de Buridan. Responsable Marketing Innovations CRM chez SFR, France- AmĂ©lie de Leusse invite ainsi Ă la prudence : « Le principal Ă©cueil, câest de perdre de vue son objectif en sâĂ©parpillant dans la masse dâinformation que ces technologies mettent soudain Ă notre disposition. Le Big Data ressemble Ă une pelote de laine, et on ne peut pas profiter de toute sa richesse en tirant simplement sur un fil. »France-AmĂ©lie de Leusse Responsable Marketing Innovations CRM SFR MĂȘme son de cloche chez France Loisirs, et chez Givenchy oĂč lâon prĂ©fĂšre attendre de voir des usages Ă©merger plutĂŽt que de se prĂ©cipiter la tĂȘte la premiĂšre dans lâinconnu. Garder la tĂȘte froide «Ce qui est capital, câest dâavoir des objectifs prĂ©cis, et une vision claire de ce quâon attend de lâanalyse des donnĂ©es afin de ne pas se disperser. Se lancer dans ce secteur unique- ment parce quâil est Ă la mode ne serait pas raisonnable. »Marco Seca, Directeur des SystĂšmes dâInformation, Givenchy «Nous avons des ambitions du cĂŽtĂ© du web, et des rĂ©seaux sociaux, afin de mieux comprendre notre consommateur. Mais sur tous ces sujets, nous avons une conviction : on peut facilement se perdre en chemin dĂšs quâon touche aux problĂ©matiques Big Data. Et il est plus prudent dâavancer petit pas par petit pas. »Pascale Dulac, Responsable Connaissance Clients France Loisirs Iii. 1. le foisonnement des donnĂ©es 26 A u-delĂ de lâĂ©vident challenge technique, qui procĂšde de la mĂȘme logique que la transformation digitale, la mise en place de solutions Big Data confronte lâentreprise Ă des problĂšmes de natures trĂšs diverses. Certains relĂšvent de lâorientation stratĂ©gique (comment me positionner et vers oĂč me diriger dans un univers aussi vaste et changeantâ?), tandis que dâautres sont dâordre culturel ou organisationnel (quel impact peut avoir lâintĂ©gration de ces nouvelles solutions sur lâĂ©cosystĂšme de mon entrepriseâ?). Dâautres enfin, comme la monĂ©tisation des donnĂ©es, ou leur confidentialitĂ©, sont plus circonstanciĂ©s, mais nĂ©cessitent prudence et circonspection. Nos intervenants, qui ont en commun dâavoir tous dĂ» relever certains de ces dĂ©fis, vont nous aider Ă identifier les principaux dangers quâil faut sâattendre Ă voir surgir sur sa route.
16.
29 «Lâun des principaux
risques avec la data est de partir dans tous les sens sans suivre de stratĂ©gie claire. Il est donc trĂšs important de focaliser son Ă©nergie sur des Ă©lĂ©ments clairement identifiĂ©s. Pour rĂ©sumer, lâenjeu est : que souhaite-t-on apprendre par la data, comment mon activitĂ© core business peut-elle tirer bĂ©nĂ©fice de la data et quels nouveaux business puis-je adresser et avec quels Ă©cosystĂšmes ? Comme le dit Kenneth Cukier du magazine britannique The Economist "La collecte dâinformations est essentielle mais pas suffisante, du fait que la plus grande partie de la valeur des donnĂ©es se trouve dans leur utilisation et non dans leur simple possession". » Jean-Paul Leroux Responsable Marketing Big&Fast Data Orange Business Services 2. LâĂ©pineux problĂšme des compĂ©tences DerriĂšre lâenjeu technologique, les Big Data constituent pour les entreprises un vrai dĂ©fi humain. Sans les compĂ©tences capables de faire parler la donnĂ©e en y appliquant des outils statistiques et algorithmiques pertinents, impossible, en effet, de tirer de la valeur, en interne, de lâinformation que lâon stocke. Dans ce contexte, la figure du spĂ©cialiste de lâanalyse de donnĂ©es (quâon pense au data miner, data cruncher, ou data scientist) devient donc incontournable. Or, sur le marchĂ© de lâemploi, ce profil est dâautant plus rare quâil requiert des compĂ©tences Ă la croisĂ©e de plusieurs univers, comme le soulignent Stefan-Eldon Recher et StĂ©fan GalissiĂ©. Ă la recherche du mouton Ă cinq pattes «Les compĂ©tences nĂ©cessaires aux mĂ©tiers liĂ©s aux Big Data sont particuliĂšrement rares. Il faut Ă la fois des personnes qui ont un sens du business, qui connaissent les tendances du marchĂ©, les tendances du secteur, et qui ont en mĂȘme temps une culture informatique (bases de donnĂ©es, algorithmique, statistiques, calcul d'agrĂ©gation, langages de dĂ©veloppement) ainsi qu'un bon niveau de mathĂ©matiques. »Stefan-Eldon Recher Vice-PrĂ©sident Groupe, Projets StratĂ©giques et Offres Globales Bull III. 2. l'Ă©pineux problĂšme des compĂ©tences 28 âčâčNous nous trouvons Ă lâĂ©poque de lâart et de la science du marketing, oĂč les donnĂ©es ne peuvent contribuer aux rĂ©sultats quâen binĂŽme avec lâintelligence et lâintuition. Certains outils permettent aux responsables marketing de prendre en main le processus de collecte des donnĂ©es et la prise de dĂ©cision, et ils sont dĂ©sormais en mesure de sĂ©lectionner quelles donnĂ©es ils veulent recueillir de leur site, plutĂŽt que de prendre en compte toutes les donnĂ©es disponibles. Il faut garder Ă lâesprit les objectifs, qui permettent de dĂ©terminer quelles sont les donnĂ©es pertinentes et ainsi dâĂ©viter de perdre du temps et des ressources dans la collecte dâinformations inutiles. » Jean-Claude Muratore EMEA Sales Director - Data Management Solutions Turn AVIS DâEXPERT Pour rĂ©duire ces risques il est important de tenter dâidentifier en amont des poches de valeur susceptibles de profiter dâune approche Big Data, afin de fixer un cap Ă ses ambitions. Cela ne veut pas dire fermer la porte Ă lâinnovation et Ă lâinattendu (on verra plus loin quâavancer en mode «âexploratoireâ» peut ĂȘtre trĂšs profitable), mais plutĂŽt dĂ©finir des cas dâapplication concrets sur lesquels faire porter ses efforts⊠RĂ©flĂ©chir en termes d'use case et de business case «La difficultĂ©, avec les Big Data, câest quâelles ne constituent pas une liste exhaustive dâoffres prĂ©- packagĂ©es, Ă pĂ©rimĂštre prĂ©dĂ©fini. Pour contrer ce problĂšme, le mieux est de faire partir ses projets dâune rĂ©flexion sur le business case et les usages secteur par secteur. Câest Ă partir de cette rĂ©flexion que les entreprises vont chercher Ă tirer les meilleurs composants (savoir-faire, plateformes logicielles, infrastructures adaptĂ©es) pour opĂ©rer cette transformation vis-Ă -vis des usages du consommateur final. »Stefan-Eldon Recher, Vice-PrĂ©sident Groupe, Projets StratĂ©giques et Offres Globales Bull Infographie Le parcours du combattant du Data Scientist
17.
30 31 3. Les risques
dâune transition ratĂ©e vers la culture de la donnĂ©e On lâa vu, le fossĂ© creusĂ© par les Big Data est au moins autant culturel que technique. Et câest souvent sur ce premier aspect que viennent achopper les tentatives pour construire des projets autour de la donnĂ©e. En interne, les Big Data peuvent ainsi ĂȘtre accueillies avec une certaine forme dâincomprĂ©hension ou dâindiffĂ©rence, comme on le constate chez Givenchy. «Nos Ă©quipes ne sont pas, Ă l'heure actuelle, tout Ă fait mĂ»res pour certaines transformations, ne percevant pas encore les bĂ©nĂ©fices qu'elles pourront tirer des Big Data. Cela va ĂȘtre aux mĂ©tiers de l'informatique d'amener les Ă©quipes mĂ©tier Ă avoir une vision prĂ©cise des intĂ©rĂȘts que peuvent leur apporter ces nouveaux outils. » Marco Seca Directeur des SystĂšmes dâInformation Givenchy Dans dâautres cas, lâarrivĂ©e des Big Data au sein de lâentreprise suscite carrĂ©ment une forme de mĂ©fiance, voire de dĂ©fiance de la part des Ă©quipes. Une rĂ©sistance au changement quâil peut ĂȘtre parfoiscompliquĂ©dâendiguer,etquiralentitlamiseenplacedâun projet, comme le reconnaissent VĂ©ronique Sinclair (SACEM) et StĂ©phane PĂšre (The Economist). Les rĂ©sistances au changement «Le passage Ă certaines solutions Big Data que nous cherchons Ă mettre en place depuis plus dâun an nâest pas encore complet chez nous. Nous rencontrons encore des rĂ©ticences chez certains de nos collaborateurs, qui prĂ©fĂ©reraient se contenter des bases relationnelles dont les technologies sont connues et maitrisĂ©es par eux. Certains ont du mal Ă se projeter dans le futur qu'implique le passage aux Big Data, Ă se voir inclus dans les projets liĂ©s Ă ce virage technologique. C'est une lutte de tous les jours. »VĂ©ronique Sinclair Directrice des SystĂšmes dâInformation SACEM III. 3. les risques d'une transition ratĂ©e «On va requĂ©rir du data scientist quâil soit Ă la fois trĂšs proche du business, tout en ayant une approche mĂ©tier. Pour autant, il va devoir avoir des capacitĂ©s techniques importantes : background statistique, maĂźtrise de lâIT et de la manipulation des donnĂ©es, background de programmationâŠÂ »StĂ©fan GalissiĂ© Chief Data Officer OgilvyOne Des postes mais pas de candidats «Le gros problĂšme Ă l'heure actuelle c'est dâarriver Ă trouver le bon profil de data miner. Nous avons eu un poste ouvert pendant un an⊠sans jamais rĂ©ussir Ă le pourvoirâ! » Pierre-Marie Desbazeille Directeur CRM et Digital GrandVision «Le virage vers les Big Data nous oblige Ă trouver des talents et des compĂ©tences qui nâĂ©taient pas obligatoirement prĂ©sentes chez nous. Or en France, les filiĂšres qui forment ce type de profil sont encore trop peu nombreuses et les gens qui ont lâexpĂ©rience sont tout aussi difficiles Ă dĂ©nicher⊠»Damien Bourgeois Directeur CRM et Connaissance Clients AXA France «Trouver des mathĂ©maticiens et des statisticiens capables d'aider les entreprises dans une dĂ©marche de Big Data et de modĂ©lisation de la complexitĂ©, cela relĂšve de la gageure. Tout simplement car on n'en forme quasiment plus en France, ce qui est, selon moi, une catastrophe industrielle. Pour l'instant nous devons donc faire appel Ă des universitĂ©s bulgares ou roumaines, qui forment elles des statisticiens dignes de ce nom. L'un des enjeux dans le secteur des Big Data sera incontestablement la maĂźtrise de ces ressources humaines, pour l'instant trĂšs dĂ©ficitaires. »Laurent Thoumine, Vice-PrĂ©sident Supply Chain Informations Systems & Processes celio Pour les entreprises, consĂ©quence directe de la raretĂ© du profil, la quĂȘte du data scientist relĂšve bien souvent du parcours du combattant. Pour la plupart des intervenants de ce livre, elle constitue mĂȘme le principal challenge dâune approche Big Data.
18.
3332 III. 4. Confidentialité
et sĂ©curitĂ© des donnĂ©es Pas tous Ă©gaux face Ă la data «Comme toutes les entreprises, l'Argus, Ă mesure qu'elle s'agrandissait, a vu ses silos grossir. L'un des objectifs est de supprimer ces silos, ce qui va entraĂźner nĂ©cessairement des modifications dans les processus de travail. On a la chance, ce qui n'est pas le cas dans toutes les entreprises oĂč un fossĂ© culturel se creuse souvent lorsqu'il s'agit de passer aux Big Data, que la direction gĂ©nĂ©rale soit en plein accord avec la nĂ©cessitĂ© d'une Ă©volution. Elle n'est pas en train de dĂ©couvrir sur le tard les systĂšmes d'information et le digital. Il y a une maturitĂ© sur le sujet qui nous facilite la tĂąche. Et il y a sutout beaucoup d'impatience. » Georges Sawaya Directeur de lâOrganisation et des SystĂšmes dâInformation lâArgus de la presse «Nous sommes un pure player digital, et c'est un facteur clĂ© de rĂ©ussite dans un projet Big Data. Nous n'avons donc pas rencontrĂ© de difficultĂ© majeure pour mettre en place le nĂŽtre. Mais c'est je pense une particularitĂ© propre Ă la culture des pure players, qui pĂątissent moins de l'effet de silo qui peut ĂȘtre prĂ©sent dans des entreprises traditionnelles. »Emmanuelle Turlotte Directrice de la StratĂ©gie et de la Vision Client Voyages-sncf.com 4. ConfidentialitĂ© et sĂ©curitĂ© des donnĂ©es : des risques qui sâentremĂȘlent Lâune a trait Ă la protection de la vie privĂ©e et Ă la confiance de lâusager. Lâautre Ă lâintĂ©gritĂ© du systĂšme dâinformation dans son ensemble. Et pourtant, ces deux problĂ©matiques que sont la confidentialitĂ© et la sĂ©curitĂ© des donnĂ©es sont intimement liĂ©es dans lâunivers des Big Data, le respect de la premiĂšre ne pouvant ĂȘtre garanti sans une parfaite maĂźtrise de la seconde. CĂŽtĂ© confidentialitĂ©, tous nos intervenants sâaccordent sur le fait que le principal danger - en dehors, bien sĂ»r, dâune enfreinte Ă la rĂ©glementationenvigueur-seraitdenepasafficherunepolitique suffisamment claire en la matiĂšre. En France notamment, oĂč lâon ne transige pas avec la vie privĂ©e, une position floue sur le sujet peut ĂȘtre grandement prĂ©judiciable Ă un projet Big Data. «La diffusion de certains projets relatifs au Big Data peut Ă©galement entraĂźner des dĂ©parts, car câest un mode de pensĂ©e diffĂ©rent⊠auquel tout le monde nâest pas prĂȘt, et que tout le monde nâa pas forcĂ©ment envie de suivre. » StĂ©phane PĂšre Chief Data Officer The Economist Ă cet accueil parfois mitigĂ© des Ă©quipes, il faut ajouter dâautres risques de nature structurelle. Jean-Paul Leroux, Responsable Marketing Big&Fast Data chez Orange Business Services, fait ainsi Ă©tat dâun double danger : dâune part lâincapacitĂ© des projets Big Data Ă se dĂ©ployer efficacement en raison de lâorganisation mĂȘmedelâentreprise.Delâautre,lerisquedesefairecannibaliser sur ce secteur par des entreprises plus adaptables. «La difficultĂ© principale est dâordre culturel. Les silos organisationnels existants au sein des entreprises rendent la transformation numĂ©rique complexe et lente car les ressources et budgets sont gĂ©nĂ©ralement Ă©clatĂ©s. Ces mĂȘmes entreprises doivent mettre en place une stratĂ©gie unifiĂ©e numĂ©rique pour faire face Ă la concurrence mais aussi rĂ©pondre dâune maniĂšre optimum Ă leurs clients. Dâautre part, beaucoup dâentreprises françaises ont une attitude conservatrice Ă lâĂ©gard de la data. Lâenjeu pour les entreprises ayant un legacy trĂšs important et requĂ©rant de nouveaux investissements est dâĂ©viter de se faire «âintermĂ©dierâ» par des acteurs plus agiles car cĂąblĂ©s par de la data. Le risque est grand qu'une part croissante de la valeur crĂ©Ă©e dans des secteurs Ă©conomiques Ă©tablis soit alors captĂ©e par des intermĂ©diaires. »Jean-Paul Leroux Responsable Marketing Big&Fast Data Orange Business Services Les risques de dĂ©stabilisation culturelle liĂ©e au passage aux Big Data nâont toutefois pas la mĂȘme urgence en fonction du type dâentreprise dans lesquels se dĂ©roule cette transition. Celles qui sont habituĂ©es depuis longtemps Ă manier la donnĂ©e (Ă commencer par les pure players) sont ainsi moins sujettes Ă ĂȘtre les victimes dâun faux-pas en avant. Leur regard sur ce danger, sâil ne vaut pas forcĂ©ment pour eux-mĂȘmes, est toutefois symptomatique.
19.
3534 III. 4. Confidentialité
et sĂ©curitĂ© des donnĂ©es «Nous avons deux types de clients. Dâune part, ceux qui souhaitent nous confier leur donnĂ©e pour que nous lâhĂ©bergions ensuite sur un Cloud. Dâautre part ceux qui souhaitent conserver la donnĂ©e sur leur propre rĂ©seau. Outre les restrictions dâordre purement rĂ©glementaire (dans le domaine du nuclĂ©aire, par exemple) la plupart dâentre eux sont souvent animĂ©s par une certaine rĂ©ticence Ă lâidĂ©e de partager leurs donnĂ©es, notamment en Europe. Il faut dans ces cas lĂ parvenir Ă convaincre le client que le fait de mettre ses propres donnĂ©es Ă disposition, lui permettra de bĂ©nĂ©ficier de retour dâexpĂ©rience plus large, et un service de diagnostic encore plus performant. La valeur de la donnĂ©e est dans le partage, câest ce quâon essaie de dĂ©montrer. »Baptiste Jouffroy Directeur EMEA-Industrial Data Intelligence General Electric Intelligent Platforms «Nous estimons quâil est important de recueillir Ă chaque fois le consentement de lâutilisateur au moment de l'interaction. Mais il faut aussi que ce consentement soit Ă©clairĂ©. Et surtout que le client comprenne l'intĂ©rĂȘt qu'il peut avoir Ă nous cĂ©der certaines de ses donnĂ©es. »Max Valejo Responsable e-CRM Air France «La seule chose susceptible de faire accĂ©lĂ©rer les initiatives liĂ©es aux Big Data, c'est la capacitĂ© de fournir des offres gagnant-gagnant pour lâopĂ©rateur de tĂ©lĂ©communication et pour le client, dans le respect strict de la confidentialitĂ©. Si on est convaincu qu'en allant dans cette direction on va pouvoir marquer des points, personne ne pourra arrĂȘter le mouvement. »IsmaĂŻl RebaĂŻ Directeur BI & Analytique Orange Business Services Toujours montrer patte blanche «Notre politique de Data privacy est trĂšs rigoureuse. Notre correspondant informatique et libertĂ© dialogue avec la CNIL de façon quotidienne, tout simplement parce que chaque nouvelle possibilitĂ© ouvre aussi un champ de questions sur les traitements que nous pouvons faire ou faire faire. Nous balisons le terrain avant de nous y engager. La technologie permet des Ă©volutions rapides dans le calcul et la collecte de donnĂ©es, mais notre politique est que la confiance dans la relation construite avec les clients prime. Nous nous sommes dotĂ©s au sein du groupe dâune structure dĂ©diĂ©e, le Data Innovation Lab, qui nous apporte un savoir faire, des moyens et des compĂ©tences fortes sur tous les traitements et calculs liĂ©s aux Big Data, et dont la ligne de conduite est que la protection des donnĂ©es personnelles est un secteur sur lequel on ne peut transiger. Pour le reste, nous agissons en transparence avec les clients, ce doit ĂȘtre une exigence du commerce en gĂ©nĂ©ral et de notre mĂ©tier en particulier. »Damien Bourgeois Directeur CRM et Connaissance Clients Axa France «C'est un domaine dans lequel il est capital d'avoir une position claire, si l'on ne veut pas faire tout et n'importe quoi. Certains prestataires spĂ©cialisĂ©s dans lâĂ©coute de la voix du client nâhĂ©sitent pas Ă passer outre la demande de la levĂ©e de lâanonymat pour fournir de la donnĂ©e. Dans notre cas, la levĂ©e de lâanonymat est hors de question sans lâaccord explicite du client, du rĂ©pondant Ă une Ă©tude marketing par exemple. La CNIL Ă©tablit des rĂšgles et il est hors de question pour nous dây dĂ©roger. »Pascale Dulac Responsable Connaissance Clients France Loisirs Seule cette transparence sur la confidentialitĂ© des donnĂ©es est susceptible de faire Ă©merger un Ă©cosystĂšme propice Ă la circulation de lâinformation. Or, la fluiditĂ© de celle-ci est gĂ©nĂ©ratrice de valeur supplĂ©mentaire, comme on le constate aussi bien dans le domaine industriel, que dans celui des tĂ©lĂ©communications ou du transport aĂ©rien.
20.
3736 «Lorsque l'on croise
des segments de donnĂ©es internes et externes Ă l'entreprise, on introduit de nouveaux types de risques auxquels une gestion classique de la sĂ©curitĂ© n'est pas habituellement prĂ©parĂ©e. Il est donc nĂ©cessaire de gĂ©rer la sĂ©curitĂ© de maniĂšre diffĂ©rente. En plus des principes de gouvernance de sĂ©curitĂ© classique (sĂ©curitĂ© pĂ©rimĂ©trique, en profondeur) il faut dâune part pour certains segments de donnĂ©es aller jusqu'Ă leur chiffrement, et dâautre part il est nĂ©cessaire dâappliquer des systĂšmes de surveillance de la sĂ©curitĂ©, notamment sur les Ă©vĂ©nements susceptibles de trahir des failles. On va donc utiliser les Big Data au service de la sĂ©curitĂ© en identifiant des masses d'Ă©vĂ©nements importantes, Ă©vĂ©nements qui pris individuellement peuvent paraĂźtre anodins, mais qui dans la masse indiquent une brĂšche de sĂ©curitĂ© (par exemple, l'ouverture ou la fermeture d'un port sur une Ă©chelle de temps rĂ©duite, ou bien un flux de donnĂ©es vers des serveurs «âexotiques »). Pour analyser cette masse dâĂ©vĂ©nements on utilise des mĂ©caniques de type Big Data, notamment des algorithmes que lâon applique sur de donnĂ©es pour analyser les signaux faibles. Les Big Data permettent une vue holistique de l'ensemble des Ă©vĂ©nements. » Dominique Grelet Directeur Groupe Projets StratĂ©giques et Offres Globales Bull III. 4. ConfidentialitĂ© et sĂ©curitĂ© des donnĂ©es La mise en place de ce partenariat gagnant-gagnant entre la source de la data et celui qui en tire de la valeur est inenvisageable sans la garantie dâune sĂ©curitĂ© absoluedessystĂšmesdâinformationauseindesquelsles donnĂ©es sâĂ©changent. Il est donc capital de neutraliser les risques dâintrusion ou de corruption de ces systĂšmes. Or, comme on tient Ă le rappeler chez Bull, la sĂ©curisation des infrastructures et des rĂ©seaux liĂ©es aux Big Data pose des problĂšmes dâune nature bien particuliĂšreâŠ. Et que seules dâautres technologies Big Data permettent de rĂ©soudre ! âčâčAu plan juridique il importe que les entreprises se saisissent au plus tĂŽt de la question du respect des obligations de protection des donnĂ©es Ă caractĂšre personnel, non seulement pour sĂ©curiser juridiquement leur projet et Ă©viter les risques de recours ou les problĂšmes d'image, mais aussi parce que cette dĂ©marche au plus tĂŽt de mise en conformitĂ© CNIL leur assurera une meilleure valeur d'actif "Big Data". Au plan Ă©thique, il est aussi nĂ©cessaire que l'entreprise rĂ©flĂ©chisse Ă la meilleure maniĂšre d'inscrire l'usage des informations Ă caractĂšre individuel dans un schĂ©ma clair "gagnant / gagnant" avec leurs clients finaux, afin de permettre de prĂ©server la confiance voire de renforcer l'adhĂ©sion Ă la marque si la contrepartie reçue par le client est clairement perçue par lui comme fortement  positive.â»Gilbert GreniĂ© AssociĂ© Consulting PwC AVIS DâEXPERT Infographie les quatre voies de la sĂ©curisation des donnĂ©es selon IBM
21.
3938 III. 5. Le
dilemme de la monĂ©tisation des donnĂ©es Donner ses donnĂ©es «Vendre des donnĂ©es de transport ne rapporte pas grand chose en soi, ce type de donnĂ©es ayant surtout de la valeur dans l'intelligence des croisements de plusieurs sources de donnĂ©es. En revanche, le fait d'ouvrir des donnĂ©es peut ĂȘtre un puissant levier de transformation interne pour lâentreprise. Le gain qu'on en tire ne rĂ©side pas tant dans la valeur directe des data, mais dans lâĂ©volution des modĂšles organisationnels, notamment en silo. Cette transformation est un levier de performance interne et de qualitĂ© de service pour les clients. »Romain Lalanne Responsable Open Data SNCF Un autre positionnement sur cette question consiste non pas Ă chercher un moyen de monĂ©tiser Ă tout prix ses donnĂ©es, mais plutĂŽt Ă les ouvrir gratuitement vers lâextĂ©rieur. Un choix de lâopen data qui est parfois le meilleur moyen de gĂ©nĂ©rer de la valeur, comme lâexplique Romain Lalanne (SNCF) . âčâčValoriser et monĂ©tiser les donnĂ©es de gĂ©olocalisation Dans ce domaine, la Big Data permet d'aller au-delĂ de la notion de localisation d'un groupe, d'un individu ou d'un objet, elle met en exergue des comportements, des tendances ou des prĂ©visions. Les domaines d'application sont nombreux : mĂ©decine, vente, marketing, mĂ©tĂ©o, sĂ©curitĂ©... La puissance des Big Data permet, en plus, de corrĂ©ler et donc d'ajouter de la valeur aux donnĂ©es exploitĂ©es ou commercialisĂ©es. Stocker et analyser des donnĂ©es nâest pas nouveau. Par contre, ĂȘtre capable de corrĂ©ler des informations diverses est le principal apport du Big Data. Câest un ensemble de signaux «âfaiblesâ» qui permet de valoriser la donnĂ©e : un Ă©vĂ©nement qui se produit Ă un endroit et Ă un moment donnĂ© nâa pas forcement de signification, ce mĂȘme Ă©vĂ©nement qui se reproduit des centaines ou des milliers de fois au mĂȘme moment et au mĂȘme endroit devient une information valorisable. » Laurent Sergueenkoff Big Data Sales Team Leader IBM AVIS DâEXPERT 5. Le dilemme de la monĂ©tisation des donnĂ©es GĂ©olocalisation, parcours de navigation, donnĂ©es socio- dĂ©mographiques⊠Les entreprises accumulent, au fil du temps, des informations prĂ©cieuses dont il sâagit de tirer profit. Mais que faire de cette matiĂšre premiĂšre ? La vente brute peut sembler une solution simple pour gĂ©nĂ©rer immĂ©diatement de la valeur. Mais il faut ĂȘtre conscient que cette tentation est porteuse dâun risque : celui de se priver de bĂ©nĂ©fices Ă©conomiques bien plus important pour lâentreprise que pourrait apporter une exploitation en interne de la donnĂ©e). vendre ou ne pas vendre «Une autre erreur dâanalyse communĂ©ment rĂ©pandue concernant le Big Data est de croire que lâessentiel des bĂ©nĂ©fices viendra de la monĂ©tisation Ă des entreprises tierces des donnĂ©es des clients. En rĂ©alitĂ© lâimpact vient principalement de lâamĂ©lioration des processus internes du traitement des clients, ainsi que dâune capacitĂ© accrue dâajuster les offres grĂące Ă une vision Ă 360° des comportements des clients. »Geoffrey Zbinden Vice-PrĂ©sident Big Data et Business Intelligence Orange «La monĂ©tisation des donnĂ©es, c'est un sujet un peu tabou. Rien sur la roadmap pour l'instant chez nous. Mais vendre nos donnĂ©es Ă des acteurs tels que eXelate, Eyeota, ça nous paraĂźt pour lâheure exclu ; dâautant plus que cela semble Ă©conomiquement peu intĂ©ressant. Toutefois, dans une logique de dĂ©veloppement de notre gamme de services marketing, si l'on a une vue pleine et complĂšte de nos consommateurs, nous serons sans doute amenĂ©s Ă faire plus de choses (baromĂštre de tendances, analytics plus poussĂ©s sur des segments Ă©troits). Plus que de la vente de donnĂ©es telles quelles, ce qui nous intĂ©resse c'est de vendre des services liĂ©es au traitement de nos donnĂ©es. »StĂ©phane PĂšre Chief Data Officer The Economist
22.
40 41 C omment donner
Ă un projet de traitement massif de la donnĂ©e l'impulsion nĂ©cessaire pour qu'il atteigne son but ? La rĂ©ponse, on s'en doute est loin dâĂȘtre univoque. Cela tient au fait que les Big Data ne peuvent livrer tous leurs bĂ©nĂ©fices dans un environnement en vase clos, et en se contentant de viser un objectif unique, dĂ©tachĂ© d'une stratĂ©gie globale. Un projet Big Data, mĂȘme circonscrit, va au contraire devoir s'intĂ©grer au mieux dans l'Ă©cosystĂšme de l'entreprise, pour in fine, l'irriguer dans son ensemble. Pour parvenir Ă ce rĂ©sultat, il est nĂ©cessaire de suivre sinon des rĂšgles prĂ©-dĂ©finies et clairement identifiĂ©es, du moins une disposition d'esprit et des attitudes compatibles avec les spĂ©cificitĂ©s de ce nouveau paradigme. Certaines relĂšvent du domaine stratĂ©gique pur, d'autres des ressources humaines, de la culture d'entreprise, ou encore de l'arbitrage technique. Les voici formulĂ©es par nos intervenants, sous la forme de conseils issus de leur propre expĂ©rience. IV. Inventaire des bonnes pratiques pour tirer parti au mieux des Big Data 40 Inventaire des bonnes pratiques pour tirer parti au mieux des Big Data Il nâexiste pas de formule magique pour sâassurer, Ă coup sĂ»r, de la rĂ©ussite dâun projet Big Data. La mise en place de certaines pratiques permet toutefois de maximiser les chances de succĂšs, en favorisant lâĂ©mergence dâune spirale positive autour de la data. Iv
23.
4342 C'est justement cette
dĂ©marche que l'on a adoptĂ©e, avec succĂšs, chez Pages Jaunes, Voyages-sncf.com, et La Poste : Trois coups d'essais dĂ©jĂ convertis «Il peut ĂȘtre intĂ©ressant de dĂ©marrer par un projet technique qui permet de montrer ce que l'on peut faire avec les data. On met en place une grappe de serveurs qu'on alimente en donnĂ©es, qu'on fait cruncher, et dont on sort des premiĂšres dĂ©monstrations, qui ensuite permettent Ă nos partenaires mĂ©tiers de rĂ©agir, et de saisir quel est l'intĂ©rĂȘt, pour eux, de ce type d'outil. » Jean-François Paccini Directeur Technique Internet Pages Jaunes â Solocal Group «Nous avons lancĂ© notre projet comme un proof of concept, un premier pas, afin de valider d'abord notre capacitĂ© technique Ă rĂ©aliser ce type d'analyses. En travaillant ainsi de maniĂšre circonscrite et en se donnant des objectifs pragmatiques, avec des rĂ©alisations en cycle court, on obtient rapidement des bĂ©nĂ©fices. »Emmanuelle Turlotte Directrice de la StratĂ©gie et de la Vision Client Voyages-sncf.com IV. 1. commencer petit et rester agile «Notre volontĂ© Ă©tait de travailler trĂšs rapidement sur des donnĂ©es de production, pour les mettre ensuite Ă disposition d'un certain nombre de centres de tri pilotes. Durant cette pĂ©riode, notre mot d'ordre Ă©tait : une rĂ©alisation concrĂšte, Ă petit Ă©chelle, et en co-construction avec les Ă©quipes SI. Le tout en suivant une logique agile, en itĂ©rations courtes de 3 Ă 4 semaines, puis instanciation et mise en production trĂšs rĂ©guliĂšre (1 Ă 3 mois) en apportant de nouvelles fonctionnalitĂ©s. »Denis Weiss Directeur du SystĂšme dâInformation Industriel du Courrier La Poste 1. Commencer petit et rester agile Rome ne s'est pas faite en un jour. Et la pose d'une premiĂšre pierre, mĂȘme modeste, revĂȘt dĂ©jĂ une importance cruciale pour qui aspire Ă de plus grandes ambitions en matiĂšre de Big Data. Un projet bien dĂ©fini, mis rapidement Ă exĂ©cution, va permettre Ă l'entreprise de tirer les premiers bĂ©nĂ©fices de cette nouvelle approche... bĂ©nĂ©fices qui pourront alors faire tĂąche d'huile. Deux concepts clĂ©s Ă garder en tĂȘte Ă ce stade : test & learn, et mode agile. L'effet boule de neige «Il faut avoir de l'humilitĂ© face au Big Data, et adopter une dĂ©marche de "test & learn". Il arrive que l'on soit rempli de bonnes idĂ©es, mais il faut garder Ă l'esprit que tant qu'elles ne sont pas testĂ©es et validĂ©es sur le terrain, elles ne servent Ă rien. Chez Orange, nous procĂ©dons donc pas Ă pas, en mode "start small and grow". »Geoffrey Zbinden Vice-PrĂ©sident Big Data et Business Intelligence Orange «Pour dĂ©livrer rapidement les premiers bĂ©nĂ©fices de l'approche Big Data, il faut beaucoup d'agilitĂ© de la part du marketing et de la DSI. On commence par se concentrer sur un pan de l'information stockĂ©e. Exemple : si on part sur la notion de valeur client, on va chercher Ă mieux identifier, au travers du comportement de ces clients, ceux qui ont le plus de valeur. »StĂ©fan GalissiĂ© Chief Data Officer OgilvyOne « L'objectif est de passer d'une culture "en cascade", avec cahier des charges et PV de recette, Ă une culture alliant "agile" et "lean management". L'entreprise capitalise alors en faisant du test & learn, en ayant des boucles de feedback rapides de la part de ses clients. Le time to market et la pertinence des services proposĂ©s sont optimisĂ©s. »Jean-Paul Leroux Responsable Marketing Big&Fast Data Orange Business Services
24.
4544 IV. 2. Investir
prudemment, mais parier sur l'avenir Mais pour tirer rĂ©ellement profit des Big Data, cette nĂ©cessaire maĂźtrise des investissements doit ĂȘtre couplĂ©e Ă une certaine forme de prise de risque. Pour Claude Fauconnet (Total) et Emmanuelle Turlotte (Voyages-sncf.com), il faut ainsi ĂȘtre prĂȘt Ă parier sur des projets sans la garantie d'en retirer immĂ©diatement un bĂ©nĂ©fice. Savoir prendre des risques «Il y a une analogie Ă©vidente entre les projets Big Data et l'exploitation pĂ©troliĂšre : quand on fait de la prospection, on n'est jamais sĂ»r de tomber sur un gisement... Mais si on le trouve, les coĂ»ts engagĂ©s dans sa recherche sont immĂ©diatement rentabilisĂ©s. Dans le cadre des Big Data, il ne faut donc pas seulement envisager un ROI sur une probabilitĂ© de 100%. Car ce ROI peut aussi ĂȘtre trĂšs important sur une probabilitĂ© faible. Il faut ĂȘtre capable de jouer avec ça, de prendre des risques. » Claude Fauconnet Chef de Projet au sein du dĂ©partement eNovation de la DSI Total «Un des facteurs de succĂšs d'un projet Big Data, c'est de ne pas forcĂ©ment attendre un ROI directement Ă l'issue d'un travail de six mois. Dans la phase d'analyse, il est important d'ĂȘtre dans une logique de pari d'investissement, sans effet tunnel, pour laisser Ă©merger les idĂ©es. »Emmanuelle Turlotte Directrice de la StratĂ©gie et de la Vision Client Voyages-sncf.com âčâčUne des difficultĂ©s est que le Big Data ne s'inscrit pas dans une approche classique de dĂ©cision de projet : il faut explorer les cas d'usage et les donnĂ©es disponibles avant d'ĂȘtre en mesure d'Ă©valuer le retour d'investissement : il y a une part de pari Ă prendre, ce qui va Ă l'encontre d'une certaine frilositĂ© ambiante concernant l'investissement dans des Proofs of Concept Ă caractĂšre exploratoire. De plus, le processus de travail pour faire Ă©merger les bons cas d'usage nĂ©cessite un dĂ©cloisonnement entre les fonctions MĂ©tier, Data Analyst et IT, ce qui n'est pas toujours facile Ă mettre en place. »Gilbert GreniĂ© AssociĂ© Consulting PwC AVIS DâEXPERT 2. investir prudemment, mais parier sur l'avenir Cette approche en test & learn et en proof of concept, appliquĂ©e Ă des projets bien circonscrits, permet de cibler effi-cacement ses investissements... et d'en garder la maĂźtrise. Car, s'il n'est pas toujours aisĂ© de calculer un ROI pour ce genre de projets, Ă©valuer les bĂ©nĂ©fices qu'on est susceptible d'en attendre est un point capital. Attention aux investissements tous azimuts «Ce n'est pas toujours Ă©vident de calculer un ROI sur un projet de Big Data. Mais il faut tout mettre en oeuvre pour avoir une idĂ©e des gains possibles pour la sociĂ©tĂ©. »Marco Seca Directeur des SystĂšmes dâInformation Givenchy «Une problĂ©matique majeure des Big Data vient du fait que les investissements ont tendance Ă croĂźtre de façon exponentielle dĂšs que l'on cherche Ă obtenir une granularitĂ© plus fine dans le traitement des donnĂ©es. Il est donc nĂ©cessaire de procĂ©der Ă des arbitrages en amont. »StĂ©phan Minard Directeur de la Centrale des marchĂ©s Precom Groupe Ouest France «Les technologies Big Data nĂ©cessitent des investissements consĂ©quents, et il est exclu de s'en servir uniquement pour baisser les coĂ»ts. »Georges Sawaya Directeur de lâOrganisation et des SystĂšmes dâInformation lâArgus de la presse
25.
4746 IV. 3. Travailler
en mode collaboratif pour stimuler la crĂ©ativitĂ© autour de la donnĂ©e Faire jaillir la crĂ©ativitĂ© «Sur un projet Big Data, il est nĂ©cessaire de faire travailler des collaborateurs issus du business, du marketing, de la BI, du CRM, qui n'avaient pas l'habitude de ces technologies. Les Big Data forcent Ă avoir un nouveau mode de raisonnement. Il ne s'agit plus seulement de savoir ce que l'on cherche (c'est comme ça que sont habituellement cĂąblĂ©s tous les bons marketeux!), mais de laisser la place Ă une certaine crĂ©ativitĂ©, se laisser de la libertĂ© pour trouver et pour communiquer, de s'asseoir ensemble avec statisticiens et dĂ©veloppeurs. C'est d'abord une aventure d'organisation, un partage de connaissances, de nouveaux modes de coopĂ©ration et de pensĂ©e.â» Emmanuelle Turlotte Directrice de la StratĂ©gie et de la Vision Client Voyages-sncf.com «Toute la complexitĂ© est d'identifier les compĂ©tences internes qui travaillent autour de la data tant au sein des directions mĂ©tiers que de la DSI. Compter dans son organisation de trĂšs bons mathĂ©maticiens, ou de trĂšs bons data miners, est un point trĂšs positif mais non suffisant. Il faut mettre en oeuvre des maniĂšres plus agiles et rĂ©actives de travailler ensemble, de crĂ©er des jonctions entre les mĂ©tiers et compĂ©tences, Ă la maniĂšre d'une "pizza team".â»Jean-Paul Leroux Responsable Marketing Big&Fast Data Orange Business Services «Un des enjeux principaux est de mixer des gens qui savent analyser et « cruncher » la donnĂ©e, avec des gens du mĂ©tier, qui sauront orienter le travail de ces derniers en fonction de leur besoin.â»Marco Seca Directeur des SystĂšmes dâInformation Givenchy Un mode collaboratif qui suppose de mĂ©langer des Ă©quipes qui n'ont pas for- cĂ©ment l'habitude de travailler directement ensemble. VoilĂ ce que prĂ©conisent en tout cas Marco Seca (Givenchy), Emmanuelle Turlotte (Voyages-sncf.com) et Jean-Paul Leroux (Orange Business Services) : âčâčLa rĂ©alisation de projets Big Data dans une entreprise nĂ©cessite la mise en place de nouveaux schĂ©mas d'organisation transverses, mettant Ă contribution les MĂ©tiers et la fonction IT tout en apportant des compĂ©tences nouvelles en terme d'analyse de donnĂ©es; une telle organisation devant superposer un mode industriel de production pour les cas d'usage arrivĂ©s Ă maturitĂ©, et un mode "laboratoire" d'exploration pour les casd'usage encore en construction. »Gilbert GreniĂ© AssociĂ© Consulting PwC AVIS DâEXPERT 3. Travailler en mode collaboratif pour stimuler la crĂ©ativitĂ© autour de la donnĂ©e Commencer petit avec un investissement bien maĂźtrisĂ© ne veut pas pour autant dire faire fonctionner son projet en autarcie. La richesse des Big Data vient en effet de leur capacitĂ© Ă impacter tous les secteurs de l'entreprise... si tant est qu'on lui en laisse la libertĂ©. VoilĂ ce que rappelle Fabrice Benaut (Groupe GFK) : «Avec les Big Data, le propre de la crĂ©ation de valeur vient de la dimension collaborative, une approche 360° de tout la chaĂźne «âsourceâ>âvaleurâ». Pour faire Ă©merger de la valeur, il faut mĂ©langer les compĂ©tences, faire se croiser des prismes d'analyses diffĂ©rents. Il faut mettre autour de la donnĂ©e des expertises variĂ©es, respectueuses de celles des autres. En ce sens, il est essentiel de travailler en mode collaboratif, terreau des questions nouvelles. »Fabrice Benaut Directeur DSI et Expert Big Data Groupe GFK
26.
4948 IV. 4. S'efforcer
de communiquer le plus possible en interne «MĂȘme si l'outil que l'on parvient finalement Ă dĂ©ployer se rĂ©vĂšle simple d'utilisation, il est souvent nĂ©cessaire d'accompagner sa mise en service d'une formation Ă la nouveautĂ© autour de cas concrets.â»Geoffrey Zbinden Vice-PrĂ©sident Big Data et Business Intelligence Orange «Il y a tout un travail d'Ă©vangĂ©lisation Ă mener, en apportant des exemples de l'externe, en faisant la preuve en interne via des prototypes, en asseyant petit Ă petit sa lĂ©gitimitĂ©. Nous animons ainsi une communautĂ© "innovation numĂ©rique" qui se rĂ©unit rĂ©guliĂšrement pour Ă©changer sur les sujets Ă venir. Nous allons au contact de nos Ă©quipes IT, pour agiter les mĂ©tiers, mettre en avant les initiatives, promouvoir ce qui se fait dĂ©jĂ . Rançon de ce travail de longue haleine, nous commençons Ă avoir des demandes qui viennent spontanĂ©ment des mĂ©tiers.â»Carole Vial Responsable Innovation NumĂ©rique Total «à partir du moment oĂč l'on se place dans une approche "faisons-le et prouvons qu'il y a un apport", tout est trĂšs facile.â»Jean-François Paccini Directeur Technique Internet Pages Jaunes â Solocal Group 4. S'efforcer de communiquer le plus possible en interne Onl'avuprĂ©cĂ©demment,l'undesprincipauxrisquesquelesBig Data font planer sur l'entreprise, c'est celui de la dĂ©stabilisation culturelle. Pour permettre une transition la plus harmonieuse possible, il est donc crucial de procĂ©der Ă un important travail d'Ă©vangĂ©lisation auprĂšs des Ă©quipes. C'est du reste la seule maniĂšre de profiter Ă plein des bĂ©nĂ©fices recherchĂ©s en promouvant le mode agile et le test & learn. Formation, communication, Ă©vangĂ©lisation : les armes pour accompagner le changement «Nous avons dĂ» animer notre projet pour lui permettre de vivre, ce qui s'est fait grĂące Ă de la communication interne, et aussi lors de sĂ©ances de formation spĂ©cifiques. Nous nous sommes beaucoup appuyĂ©s sur le rĂ©seau, pour permettre aux bonnes pratiques de faire tĂąche d'huile, ce qui a Ă©tĂ© un rĂ©el succĂšs. »Denis Weiss Directeur du SystĂšme dâInformation Industriel du Courrier La Poste «Les nouvelles solutions techniques que nous avons mises en place n'ont pas requis d'investissement trop lourd. Mais elles ont nĂ©cessitĂ© un accompagnement au changement auprĂšs des Ă©quipes. »VĂ©ronique Sinclair Directrice des SystĂšmes dâInformation Sacem
27.
5150 IV. 5. Trouver
des solutions pour pallier le manque de compĂ©tences âčâčDans un contexte de transformation digitale de leurs opĂ©rations, les entreprises prennent conscience que leurs donnĂ©es propriĂ©taires peuvent constituer un actif stratĂ©gique, et leur bonne exploitation un atout concurrentiel dĂ©cisif. A terme, il est donc nĂ©cessaire quâelles dĂ©veloppent en interne les compĂ©tences nĂ©cessaires pour mener Ă bien des projets «âdataâ», quâelle soit «âbigâ» ou non. Mais dans lâimmĂ©diat, plusieurs facteurs rendent lâappel Ă des compĂ©tences externes gĂ©nĂ©ralement indispensable. Prenons le choix de lâoutil dĂ©terminant quâest une DMP (Data Management Platform). Les Ă©diteurs sont nombreux : Acxiom, Adobe, Aggregate Knowledge, Ezakus, Makazi, Turn, Weborama⊠Ce marchĂ© est en Ă©bullition et lâoffre est plĂ©thorique. Or, ces Ă©diteurs sont issus dâhorizons diffĂ©rents. Ils ont conçus leurs solutions avec des partis pris parfois divergents et servent donc des objectifs distincts. Une solution trĂšs pertinente pour une entreprise peut ĂȘtre totalement inadaptĂ©e dans un autre cas de figure. Il est souvent prĂ©fĂ©rable pour une entreprise de se tourner vers lâextĂ©rieur afin de trouver des profils compĂ©tents qui possĂšdent la connaissance de ces outils et lâexpĂ©rience de leur mise en oeuvre. » Pierre Harand Consulting and Business Development Director fifty-five AVIS DâEXPERT PrĂ©fĂ©rant garder la main sur tout ou partie du processus de traitement de la donnĂ©e, dâautres prĂ©fĂšrent se tourner vers des solutions ne faisant pas appel directement aux prestataires. Câest le cas de StĂ©phane PĂšre (The Economist) et Emmanuelle Turlotte (Voyages-sncf.com). Faire Ă©merger des alternatives «Les Big Data, c'est une autre maniĂšre de penser et il est nĂ©cessaire de recruter des compĂ©tences capables d'en tirer au mieux parti. Il faut faire entrer des juniors, qui vont permettre de sortir rapidement des rĂ©sultats, commencer Ă faire de l'insight, cruncher les donnĂ©es, mettre en place des routines. Puis des sĂ©niors qui vont apporter leur expertise, et leur connaissance des problĂ©matiques. Ce sont des profils trĂšs chers. Ensuite, il faut ĂȘtre capable d'attirer des talents dans ce domaine. »StĂ©phane PĂšre, Chief Data Officer, The Economist 5. Trouver des solutions pour pallier le manque de compĂ©tences Embaucher un data scientist n'est pas Ă la portĂ©e de toutes les entreprises. Pourtant, les compĂ©tences d'un spĂ©cialiste de l'analyse de donnĂ©es sont nĂ©cessaires Ă tout projet de Big Data qui se respecte. Pour combler ce vide, la plupart de nos intervenants ont fait le choix de dĂ©lĂ©guer le traitement de leurs donnĂ©es Ă des acteurs extĂ©rieurs. Au bonheur des prestataires «Le manque actuel de data miners sur le marchĂ© de l'emploi fait le bonheur des prestataires... mais c'est aussi le jeu. Comme nous avons la chance d'avoir chez nous des gens assez ouverts d'esprit, et capables de faire des essais avec des gens en extĂ©rieur, nous avons donc dĂ©cidĂ© de dĂ©lĂ©guer les usages de nos outils (Cognos et SAS principalement) Ă des prestataires, qui travaillent sur les donnĂ©es de leur cĂŽtĂ©, avant que nous les rĂ©intĂ©grions. Ils rĂ©cupĂšrent ainsi les data, les font scorer, puis nous les renvoient pour les injecter dans nos outils de gestion. »Pierre-Marie Desbazeille, Directeur CRM et Digital GrandVision «Nous souhaitions nous concentrer sur l'aspect mĂ©tier, la comprĂ©hension des datas, et l'orchestration de l'ensemble, plutĂŽt que de redĂ©velopper nous mĂȘmes toutes les briques technologiques. Nous avons donc travaillĂ© essentiellement avec des prestataires. Le problĂšme principal Ă©tant qu'il est difficile de trouver des acteurs travaillant sur la chaĂźne complĂšte du traitement de la donnĂ©e. En France, ils se comptent sur les doigts d'une main. Beaucoup sont spĂ©cialisĂ©s dans le traitement de donnĂ©es dĂ©jĂ structurĂ©es, et trĂšs peu sur la collecte et la qualification. »StĂ©phan Minard, Directeur de la Centrale des marchĂ©s Precom Groupe Ouest France «La difficultĂ© Ă identifier et Ă recruter des data scientists a poussĂ© une sociĂ©tĂ© comme Kaggle, aux Etats-Unis, Ă mettre en place une vĂ©ritable place de marchĂ© de la Data Science. Celle-ci rĂ©unit prĂšs de 100â000 data scientists pouvant intervenir sur n'importe quelle problĂ©matique data en mode crowdsourcing. »StĂ©fan GalissiĂ©e, Chief Data Officer, OgilvyOne
28.
53 IV. 6. gouvernance
: s'efforcer de soutenir au mieux les mĂ©tiers «L'Ă©quipe "innovation numĂ©rique" existe depuis 2007, et agit en transverse sur les diffĂ©rents mĂ©tiers du groupe, ce qui nous amĂšne Ă travailler sur des thĂ©matiques trĂšs variĂ©es. Nous pouvons Ă©galement nous appuyer sur un fort sponsorship de notre directeur informatique, qui a crĂ©Ă© cette cellule, et qui nous a donnĂ© les moyens, puisqu'on n'est pas facturĂ© au projet gĂ©rĂ©, mais qu'on intervient en rĂ©galien. Notre matiĂšre grise se retrouve ainsi Ă la disposition des mĂ©tiers. »Carole Vial Responsable Innovation NumĂ©rique Total «Le groupe AXA dans son ensemble a choisi d'accĂ©lĂ©rer sur le domaine des Big Data et investit fortement dans cette direction, en restant centrĂ© sur le dĂ©veloppement commercial et le service, et notamment tout ce que peut nous apporter le digital. La logique et les enjeux sont compris, et il n'y a aucun doute sur la stratĂ©gie. La difficultĂ© rĂ©side Ă©videmment dans l'exĂ©cution, car il y a beaucoup de dĂ©tails mĂ©tiers Ă prendre en compte pour fiabiliser les dispositifs et leur montĂ©e en charge. »Damien Bourgeois Directeur CRM et Connaissance Clients AXA France 52 «Nous avions besoin d'un profil mixte, celui souvent appelĂ© data scientist, pour mener Ă bien notre projet. Nous avons rĂ©solu ce dĂ©fi en faisant travailler cĂŽte-Ă -cĂŽte statisticiens et dĂ©veloppeurs java. CrĂ©er ainsi des binĂŽmes partageant le terrain d'un langage commun, cela peut constituer une prĂ©cieuse solution. »Emmanuelle Turlotte Directrice de la StratĂ©gie et de la Vision Client Voyages-sncf.com 6. Gouvernance : sâefforcer de soutenir au mieux les mĂ©tiers Les initiatives autour des Big Data sont de celles qui nĂ©cessitent un fort leadership pour pouvoir porter leur fruit. MalgrĂ© les disparitĂ©s de situation dâune entreprise Ă une autre, celui- ci doit sâefforcer de soutenir les mĂ©tiers au plus prĂšs, tout en portant fermement le projet. Câest ce que rĂ©sument Carole Vial (Total), StĂ©fan GalissiĂ© (OgilvyOne), Damien Bourgeois (AXA) et Pierre Harand (fifty-five). Laisser la main aux mĂ©tiers «Les problĂ©matiques de Big Data doivent rester Ă l'initiative du mĂ©tier. Il faut qu'elles soient poussĂ©es par une direction gĂ©nĂ©rale, car il s'agit de vrais projets de transformation d'entreprise. Le DSI va bien sĂ»r devoir faire de l'Ă©vangĂ©lisation, et porter le sujet. Mais la direction marketing ne va pas vouloir supporter un effet tunnel trop important. »StĂ©fan GalissiĂ©e Chief Data Officer OgilvyOne
29.
5554 7. Bien choisir ses
solutions techniques NousneprĂ©tendonspasprĂ©senterdanscetouvrageunpanorama complet des diffĂ©rentes offres technologiques (infrastructures ou software) qui se prĂ©sentent Ă une entreprise souhaitant se lancer dans les Big Data. Lâobjectif est plutĂŽt dâalerter sur lâaspect critique que revĂȘt tout choix dans ce domaine. Avant de faire un tour dâhorizon de ceux qui ont Ă©tĂ© faits par nos intervenants, un conseil sâimpose. «Il faut que l'entreprise soit capable d'identifier la bonne technologie parmi toutes celles qui Ă©mergent dans le secteur des Big Data, et cela peut vite s'avĂ©rer trĂšs problĂ©matique, et demande une veille complexe permanente. Le plus efficace est de se focaliser sur quelques briques, par grands domaines, afin de sĂ©lectionner Ă chaque fois les meilleurs composants technologiques, de vĂ©rifier leur interopĂ©rabilitĂ©, afin de s'assurer de l'efficacitĂ© finale de ce que l'on cherche Ă mettre en oeuvre. » Dominique Grelet Directeur Groupe Projets StratĂ©giques et Offres Globales Bull Iv. 7. Bien choisir ses solutions techniques âčâčLe Big Data est une opportunitĂ© de faire Ă©voluer stratĂ©giquement le positionnement d'une DSI vers de nouvelles zones de crĂ©ation de valeur mĂ©tier Ă destination de ses clients internes, pour autant que la DSI fasse Ă©voluer certaines de ses mĂ©thodes de travail et renforce ses compĂ©tences en matiĂšre d'extraction et de valorisation des donnĂ©es, dans une optique de crĂ©ation de nouveaux services de donnĂ©es Ă valeur ajoutĂ©e. »Gilbert GreniĂ© AssociĂ© Consulting PwC AVIS DâEXPERT âčâčLes projets Big Data sâarticulent habituellement autour dâun triangle qui relie trois Ă©quipes : dâabord lâĂ©quipe de Marketing Digital. Sa dĂ©nomination et sa place dans lâorganisation peuvent varier, mais lâĂ©quipe en charge de lâanimation des interfaces digitales (site web, mobile, applicationsâŠ) et des campagnes media digitales est au cĆur des problĂ©matiques Big Data. En effet, les supports quâelle gĂšre font partie des premiĂšres applications Big Data. Ensuite, lâĂ©quipe CRM : car il sâagit avant tout dâenrichir la connaissance client, et lâemailing est un canal privilĂ©giĂ© dâapplication de la Big Data. Enfin et Ă©videmment, les Ă©quipes techniques. Que les solutions retenues soient "on premise" ou "en SaaS", la dimension technique dâun projet Big Data est prĂ©pondĂ©rante. En fonction des entreprises, lâune ou lâautre de ces 3 Ă©quipes prend lâinitiative. Parfois une Ă©quipe transverse dĂ©diĂ©e Ă la donnĂ©e sây consacre. Mais dans tous les cas, un projet Big Data est un sujet Ă©minemment transverse qui, au sein des organisations, implique le concours de plusieurs parties. Un mandat clair et un "sponsoring" au niveau du comitĂ© de direction sâavĂšre souvent nĂ©cessaire.â»Pierre Harand Consulting and Business Development Director fifty-five âčâčEn rĂ©alitĂ©, le Big Data va aboutir Ă de nouvelles façons de concevoir les diffĂ©rents mĂ©tiers de l'entreprise : au lieu de que chaque acteur mĂ©tier, depuis le marketing Ă la production en passant par la relation client, l'innovation, le contrĂŽle interne et la maintenance, applique ses processus selon les critĂšres de bonne pratique en vigueur, il pourra (et il devra) tirer parti de l'information instantanĂ©e contextuelle disponible dans le "Big Data" qu'il se sera construit, pour rĂ©tro-agir efficacement et immĂ©diatement avec son environnement en vue d'amĂ©liorer la performance de l'entreprise. Les cycles de pilotage et de management en seront fonciĂšrement modifiĂ©s.â» Gilbert GreniĂ© AssociĂ© Consulting PwC AVIS DâEXPERT AVIS DâEXPERT Un panorama exhaustif des offres dans le secteur du BigData
30.
5756 «Nous avons commencĂ© Ă
relier entre elles les donnĂ©es de navigations Ă nos donnĂ©es clients dĂ©jĂ prĂ©sentes en interne. CrĂ©er ces ponts, c'est loin d'ĂȘtre une opĂ©ration anodine. Pour y parvenir nous avons utilisĂ© des solutions Neolane. »Pierre-Marie Desbazeille Directeur CRM et Digital GrandVision «Pour la partie hardware, nous avons investi dans la solution Isilon d'EMC, qui permet de baisser les coĂ»ts de stockage et de faire du Hadoop. Sur la partie indexation et moteur sĂ©mantique, nous nous sommes tournĂ©s vers les solutions Ever Team. »Georges Sawaya Directeur de l'Organisation et des SystĂšmes d'Information l'Argus de la presse /Un problĂšme, une solution/ Iv. 7. Bien choisir ses solutions techniques / Open source ou propriĂ©taireâ?/ âSur les aspects technologiques, c'est la lutte Ă©ternelle entre l'open source et le propriĂ©taire. Autour de l'open source, il y a une communautĂ© trĂšs importante, notamment sur Apache, qui va bien au-delĂ d'Hadoop. Il y a fort Ă parier que les entreprises les plus avancĂ©es voudront faire parties prenantes de l'open source. La composante open source sera un des fondamentaux pour la suite, notamment en terme de cost model. Les aspects propriĂ©taires, quant Ă eux, peuvent avoir du bon, mais cela dĂ©pend de l'agilitĂ© et du schĂ©ma dans lequel l'entreprise souhaite se mettre. Si je me mets dans une dynamique industrielle, et que je veux une vraie transformation, j'ai tout intĂ©rĂȘt Ă conserver l'agilitĂ©, et Ă challenger les composants propriĂ©taires. Les softwares doivent ĂȘtre agiles et facilement appropriables par les mĂ©tiers. La courbe d'apprentissage au dĂ©but coĂ»te certes cher, mais le passage Ă l'Ă©chelle est rentable et durable.â Jean-Paul Leroux Responsable Marketing Big&Fast Data Orange Business Services «On peut par exemple dans un premier temps mettre Ă disposition d'un data scientist des outils comme Python et mongoDB (voire une vĂ©ritable data sandbox si la volumĂ©trie des donnĂ©es l'exige) pour lui permettre de faire son travail dans un environnement clos, Ă sa charge ensuit e de faire des propositions d'utilisation ponctuelles dans le cadre de campagnes marketing. »StĂ©fan GalissiĂ©, Chief Data Officer OgilvyOne «Un de nos postulats architecturaux de base appliquĂ© dans nos systĂšmes opĂ©rationnels est d'utiliser des outils open-source, et de travailler en mode document dans des bases de donnĂ©es non relationnelles. L'objectif est ensuite de pousser cette information de façon simple vers des moteurs d'indexation ou des bases en colonne (infiniDB notamment). La restitution se fait sur des outils de prĂ©sentation web relativement simples. Pour nos outils opĂ©rant fortement sollicitĂ©s nous utilisons des bases noSQL (SGBD Cassandra par exemple). »Denis Weiss Directeur du SystĂšme dâInformation Industriel du Courrier La Poste «Chez nous la question des data et de l'architecture des donnĂ©es, c'est aux trois quarts un problĂšme de SI. Le framework hadoop, les mongoDB, tous ces progrĂšs specta- culaires sur la SI permettent de brasser un grand volume de donnĂ©es et de rĂ©duire drastiquement les temps de calcul. Mais cela pose surtout une question cruciale aux entreprises : est-ce qu'on a intĂ©rĂȘt Ă changer toutes ses infrastructures, ou Ă en externaliser une partieâ? »Max Vallejo e-CRM Manager Air France /DĂ©velopper les solutions qui nâexistent pas encore / âPour construire la plateforme dont on avait besoin pour nos tissus intelligents, nous n'avons pas achetĂ© de solutions dĂ©jĂ existantes, pour la simple raison qu'il n'en existait aucune correspondant Ă nos besoins. Nous nous sommes donc lancĂ©s dans de la R&D en mode innovation pure, sur un socle dĂ©jĂ existant basĂ© sur Hadoop. Au final, nous sommes parvenus Ă la crĂ©ation ab initio d'une solution dĂ©diĂ©e Ă un environnement particulier, ce qui nous permet dĂ©sormais d'avoir un positionnement de fournisseur de solutions.â Mathias Herberts, Co-fondateur Cityzen Data
31.
5958 V. Huit Ă©tudes
de cas pour mieux comprendre l'impact des Big Data sur le business Huit Ă©tudes de cas pour mieux comprendre l'impact des Big Data sur le business Entre la comprĂ©hension globale du phĂ©nomĂšne Big Data et le lancement effectif d'un projet mettant la donnĂ©e au centre, il y a un pas que beaucoup d'entreprises hĂ©sitent encore Ă faire. Voici, empruntĂ©s Ă des secteurs trĂšs divers, huit exemples concrets de rĂ©ussites en la matiĂšre. v 8. Aller au plus simple Dans de nombreux cas, chercher Ă tout prix Ă se lancer dans une dĂ©marche Big Data nâest pas la bonne solution. Georges Sawaya (lâArgus de la presse), IsmaĂŻl RebaĂŻ (Orange Business Services) et Geoffrey Zbinden (Orange), nous mettent en garde contre lâeffet gadget, et mettent en avant les vertus de la simplicitĂ©. «Il faut dans tous les cas s'efforcer de mettre en regard l'investissement qui permet d'arriver aux objectifs qu'on s'est fixĂ©s, et les gains qu'on peut espĂ©rer en obtenir, en se demandant si les mĂ©thodes traditionnelles des vendeurs et marketeurs sans Big Data (enquĂȘte par Ă©chantillonnage par exemple) ne suffisent pas. »IsmaĂŻl RebaĂŻ Directeur BI & Analytique Orange Business Services «Il ne faut jamais faire du Hadoop pour faire du Hadoop. Quand cela ne s'impose pas, il est inutile de rajouter de la complexitĂ©. »Georges Sawaya Directeur de l'Organisation et des SystĂšmes d'Information l'Argus de la presse «Il est intĂ©ressant de voir que les sociĂ©tĂ©s dĂ©veloppant des solutions de data visualisation ont recours Ă des infographistes venant du monde du jeu vidĂ©o... Il ne faut surtout pas que les utilisateurs perdent du temps Ă se demander comment lire le graphe. VoilĂ pourquoi il est important de garder Ă l'esprit que l'environnement geek poussĂ© dans ses extrĂȘmes peut ĂȘtre repoussoir pour le marketeur qui a besoin de choses simples. »Geoffrey Zbinden Vice-PrĂ©sident Big Data et Business Intelligence Orange
32.
6160 «La mise en
place de notre projet Big Data s'est faite dans le cadre d'un projet plus large de traitement automatisĂ© de l'enveloppe, et donc d'une amĂ©lioration globale de nos outils depuis 2009. L'idĂ©e Ă©tait de rendre plus intelligentes nos machines de tri, en les rendant capables d'injecter l'information qu'elles traitent directement dans nos SI. Notre moteur d'indexation Exalead permet de gĂ©rer trois semaines d'historiques de traitement, soit environ 3 milliards de lignes. Celles-ci sont mises Ă disposition des acteurs, sous une forme un peu similaire Ă ce qu'ils peuvent analyser sur une machine de tri. Au final, on arrive Ă avoir une visualisation complĂšte des objets triĂ©s sur trois semaines, ce qui permet d'opĂ©rer un pilotage opĂ©rationnel efficace, avec comme intĂ©rĂȘt principal la dĂ©tection de problĂšmes, et surtout â par lâexamen des cas concrets, illustrĂ©s par le systĂšme â la mise en place trĂšs rapide de solutions. Cet outil de restitution, Orest, capable de tracer toutes les informations sur un pli et tout au long de sa vie postale, nous permet de faire du suivi et des simulations en temps rĂ©el. Ceci permet de mettre les acteurs opĂ©rationnels au coeur de lâensemble du process, et les technologies Big Data permettent de masquer la complexitĂ© de lâopĂ©ration aux utilisateurs. Tous ces outils ont Ă©tĂ© mis Ă disposition de l'ensemble des acteurs qualitĂ©, mĂ©thode et production dans les centres de tri. Il s'agit donc d'une mise Ă disposition large, et pas rĂ©duite Ă des populations d'experts nationaux. Nous n'avons donc pas pu calculer de ROI direct, mais nous avons constatĂ© une amĂ©lioration de l'ensemble de nos indicateurs : les taux de lecture ont augmentĂ©, on trie dĂ©sormais 70% de nos objets dans l'ordre de la tournĂ©e du facteur alors qu'on Ă©tait auparavant plutĂŽt autour de 30%, et les actions manuelles ont fortement diminuĂ©. » 2 industrie Une amĂ©lioration Radicale du tri du courrier chez la Poste Denis Weiss, Directeur du SystĂšme dâInformation Industriel du Courrier La Poste V. Huit Ă©tudes de cas pour mieux comprendre l'impact des Big Data sur le business 1 Maintenance prĂ©dictive Des machines intelligentes pour anticiper les pannes «General Electric investit 1,5 milliards de dollars pour la mise en place dâun centre de recherche et dĂ©veloppement spĂ©cialisĂ© dans ce que nous appelons "lâinternet industriel". Nous sommes en effet convaincus que les Ă©quipementiers qui seront Ă mĂȘme de collecter et centraliser les donnĂ©es issues des machines industrielles auront lâavantage demain. Dans le cadre de General Electric, nous collectons des donnĂ©es industrielles en masse au niveau des Ă©quipements lourds (turbines, compresseurs, pompes, etc.) qui sont installĂ©s chez nos clients (GE et non-GE). Les solutions comme Hadoop notamment permettent dâatteindre un nouveau degrĂ© dâoptimisation. Aujourdâhui, nos clients nâachĂštent plus vĂ©ritable-ment un Ă©quipement, mais plutĂŽt la disponibilitĂ© de celui-ci. Notre ambition est donc dâutiliser les technologies Big Data pour rendre les Ă©quipements de plus en plus intelligents, ce qui permettra Ă nous et nos clients dâavoir une attitude pro-active Ă leur Ă©gard. La donnĂ©e a en ce sens un intĂ©rĂȘt stratĂ©gique car elle permet : 1 dâoptimiser la stratĂ©gie de maintenance, en anticipant et en prĂ©voyant mieux les pĂ©riodes de rĂ©paration/remplacement 2 dâĂ©viter de perdre des capacitĂ©s de production lors dâun Ă©pisode de maintenance en programmant mieux celui-ci (Ă©viter les interruptions non programmĂ©es) 3 dâamĂ©liorer la sĂ©curitĂ© des sites industriels en Ă©vitant les incidents catastrophiques sur des Ă©quipements lourds. » Baptiste Jouffroy Directeur EMEA-Industrial Data Intelligence General Electric Intelligent Platforms
Baixar agora