Conférence 31 aout 2012 Université d'été GS1

1. Big data, small decisions and
smart organizations
Christophe Benavent – Université Paris Ouest - @benavent
Pour la 7ème université d'été GS1 – 31 Aout 2012

2. La promesse de Leclerc
Quels flux?
- mails et message direct..
- réseaux sociaux
- interactions géolocalisées
- interactions caisses
- reconnaissance faciale (?)
-…
=> 10 millions de clients, 25 achats par clients, 1000 interaction annuelles ????

3. Avertissement

Plus de données ≠ meilleure connaissance

Aucune connaissance se se construit à partir des
données, seule la théorie donne sens au données.

Inutile d'avoir beaucoup de données, de bons
échantillons suffisent (la barre des 10 000).

Plus de données ≠ meilleure prédiction

Ne pas ignorer les auto-prophéties : le risque de
l'instabilité. Prédire c'est modifier ce qu'on prédit

Le volume des données est sans rapport avec leur
qualité : 1/3 des données du net sont sans doute
mensongères. Une très grande fraction est redondante.
La quasi totalité est partielles.

6. 1850 : Navier-stokes
WAVEWATCH III™ (Tolman
1997, 1999a, 2009)
Based on
of the model WAVEWATCH,
as developed at Delft
University of Technology
(Tolman 1989, 1991a)

7. Des 3V au 3S

Volume : 
Granularité :

tera, peta 
Finesse de
zeta,,hexa.. non l'espace-temps
structurées (POS/j).

Vélocité : 
Sémantique :

pas de latence 
RDF et linked data
entre acquisition et le sémantique ?
et exploitation 
Singularité :

Variété : 
une chance pour

de tout sur tout... 10000 est une
régularité.

8. Une nouvelle granularité

Les vertus du grand nombre

Fournir des éléments pour une connaissance locale

L'exception qui devient une règle : le fait probable à
1 pour 10 000 devient une régularité

L'instantanéité

Accroissement de la réflexivité : les effets de
l'action peuvent être immédiatement répercutée
auprès de son auteur

Ubiquité :

La connaissance générale peut être particularisée

Les modèles généraux peuvent être localisés.

9. Granularité : un dimensionnement

Télécom : coordonnées et activités toutes les
minutes : 10 millions de client génèrent 1500
infos par jour ; 15 To/j.

Banques : 1 entretien tous les deux mois, 1
relevé mensuel, 4 coups de tel, 8
consultations : 600 millions de contacts mois
(1ko/1Mo). (6 à 600To/an).

Distribution : 1 achat semaine, 100 items par
tickets, 20 millions de clients. 100 milliards
d'actes d'achats (1ko->100To/an).

10.  190 000 000 nuités – 45000 hotels

11. sat=a1*Merch+a2*Off+a3*Pers+a4*Com

12. La qualité et la quantité
Faible : →
Information Etudes & recherche
structurelle
(connaissance)
Panels et baromètres
Degré de
CRM
Spécificité
De l'exploitation de
l'information Big data
Forte : →
Information
Factuelle
(intelligence)
Opinion BB Interactions Experience
Volume des données

13. Les champs des études (retail)

Quelques domaines :

Optimisation des assortiments et linéaires

Optimisation des Prix

Crossselling

Microsegmentation

Analyse du parcours client

Comportement cross-canal

Promotion

Fidélisation

Les nouveautés : l'omniprésence et le faible coût des
capteurs

Modéliser au niveau du point de vente, du rayon...

Réajustement des modèles en temps réels...

14. L'enjeu n'est pas dans les études

La granularité conduit à des décisions locales
et fréquentes qui risquent de dépasser les
capacités humaines des managers

→ Conception d'outils pour les agents :

Systèmes d'alerte

Visualisation

Indicateurs et tableaux de bords

→ Automatisation de la décision :

Les gains se réalisent dans la somme de micro-
décisions automatisée (exemple du pricing, du
filtrage collaboratif)

15. La nécessité de compétences
nouvelles

Rapport McKinsey 2011 : 190 000 emplois aux US pour
2018. près de 2 millions de cadres concernés

Intégration dans l'organisation.

Formation des agents opérationnels aux interfaces

Culture générale (quantitative) des managers

Des grands domaines techniques:

Maîtrise des modèles de données (MapReduce, Hadoop
etc)

Modélisation massive (économétrie, RO,...)

Simulation (des tactiques) et méthode de monte carlo

Intelligence artificielle pour l'automatisation de la décision

Design des interfaces et modes de représentations

16. Conclusion

Big n'est pas smart

Big ne produit pas de décision stratégique,
c'est une stratégie de la micro-décision.

Le goulet d'étranglement est celui de l'analyse
et de l'exploitation

L'art de distribuer l'information dans
l'organisation est la clé du succès

Le big problème : quelle source de
compétence : interne ou externe ?