1. Un document APROGED avec les contributions de :
Ever Team , IBM, Intellique, Novadys ,
Normier, Banctec, Proxem, Magillem
Christian Dubourg
Groupe de travail piloté par Ever-Team 01 / 2013

2. Toujours plus de contenu
Croissance de la volumétrie quotidienne des données
15 petabytes (1015) par jour
90% des contenus datent de moins de 2 ans
80% de l’information est disponible sour une forme
non structurée

3. Cohabitation des types de contenu
Pas de séparation stricte entre le contenu structuré et non
structuré. Constante cohabitation
Contenu structuré:
Reference article (une tablette IPAD)
Contenu non structuré mais lié
Mode opératoire
Texte réglementaire ou/et normatif associé
Avis d’un consommateur dans un forum
J’aime sur Facebook ou Linkedin, …

4. La gestion des contenus

5. Les 3V de l’ECM
 Gérer l’augmentation des volumes (Volume)
 Surplus des coûts de stockage
 Difficultés accrues pour les sécuriser (sauvegardes, PRA, PCA)
 Gérer la diversité des contenus (Variété)
 Documents techniques, documents bureautiques,
 Email, vidéos, enregistrements,
 Documents multilingues
 Valoriser et maîtriser les contenus (Valeur)
 Indexation , catégorisation, classement
 Recherche structurée et non structurée
 Archivage

6. La valorisation des contenus

7. Les 4 V de la Big Data économie
Localiser les contenus produit sur une période courte
Volume : Gérer l’accroissement des volumes
Variété : Détecter les relations entre les contenus
Valeur : Valoriser les données extraites
Vélocité : Détecter les tendances, les exceptions et
signaux faibles et surveiller les évolutions.

8. Sources de contenu
et réseaux sociaux
Type de média:
 Contenu d’entreprise (ECM, GED, …)
 Fil d’information : twitter
 Classiques : Facebook, Linkedin, Google +
 Youtube
Type de contenu
 Classiques : Articles, photos, vidéos, …
 Commentaires : pauvres (kdo), riches, …
 Tags : classification, catégorisation
 Opinion : Like, ou aucun  deux indicateurs

9. Analyse niveau 1
Time line, population , géolocalisation, fréquentation
Google Analystic
Youtube Insight
…
Des information sur :
 les contenus
 L’intérêt associé
 Les catégories de contenu
 La fréquentation

10. Analyse niveau 2 : Text mining
Le Text Mining, base du Content Analytics, repose sur
des contenus textuels
Extraction
Web : du formulaire Web au métadonnées textuelles
Speach2Text : De la parole au texte
Image2Text : OCR, ICR, Barcode, Qr code, …
Video2Text : VCA = Speach2Text+ Image2Text++…

11. Du texte au sens
Extraction des entités nommées
 Entités connus (listes d’autorité de produits, sociétés, …)
Extraction des thématiques
 Entités découvertes (par analyse)
 Identifier les entités qui ne sont pas des entités nommées
Extraction des opinions
 Analyse des avis,
 opinion mining,
 sentiment analysis

12. Analyse des sentiments
Analyse globale
 Un texte dégage une tonalité positive ou négative
 Ex. Le beaujolais Nouveau est bon cette année
Analyse fine
 Difficultés lorsque plusieurs opinions sont exprimées:
 Ex. Un avis sur un restaurant peut avoir une tonalité globalement positive
sur la carte, l’accueil mais des réserves peuvent être négatives sur le prix

13. Analyse des tendances
Natural Language Processing
chaque mot à une tonalité intrinsèque :
 « aimer », « satisfait », « soulagement » sont positifs
 « Craindre », « mécontent » « douleur » sont négatifs
Cependant
 Ce médicament me donne des douleurs  négatif
 Ce médicament calme mes douleurs  positif
 Ce médicament ne calme pas mes douleurs  négatif
 J’espérais que ce médicament calmerait mes douleurs  négatif
 Est-ce que cela a calmé tes douleurs?  pas de tonalité
 Ce médicament est indiqué pour calmer les douleurs  pas de
tonalité

14. Analyse des tonalités
Les adverbes inverse souvent la tonalité
 Diminution des bénéfices  négatif
 Augmentation des bénéfices  positif
 Une augmentation scandaleuse des bénéfices du CAC40 
négatif
 Ce projet de loi devrait permettre e mettre un coup d’arrêt à
l’augmentation scandaleuse des bénéfices du CAC40 
Tonalité ???
L’analyse linguistique est indispensable pour résoudre ces
ambiguïtés (composants morphologique, syntaxiques,
sémantiques)

15. Composants d’analyse
Morphologique
La tokenisation : identification des mots et des
phrases d’un texte (découpage)
Le tagging: identification de la catégorie (verbe,
nom, adjectif, …)
La lemmatisation : identification de la forme
canonique des mots (ou lemme)

16. Composants « syntaxiques »
Analyse de surface d’une phrase (chuncking)
Identification des frontières majeures et/ou de relations
majeurs entre les mots.
Ex: Entité nommé
Les actionnaires d’Ever-Team ont décidé
 Ever-Team est une société

17. Composants « syntaxiques »
Analyse de surface d’une phrase (chuncking)
Ex . Règles pour reconnaitre un nom de personne:
 « Prénom non ambiguë » suivi de « mot inconnu »  nom de
personne. Ex. « Joseph Merheb »
 « Prénom ambiguë » « mot inconnu »  « nom de
personne ». Ex. Claire Merheb
 « Prénom ambiguë « nom commun »  « nom de
personne ». Ex. Claire Potier

18. Composants « syntaxiques »
Etiquetage fonctionnel (tagging)
 Affectation de fonction grammaticale à un groupe de mots
Analyse syntaxique (parsing)
 Construction d’un arbre représentant la structure de la
phrase complète
 Ex. La société Ever-Team a pris une participation de 90%
dans la société Creativ System
[Société X]  (actionnaire de)  [société Y]

19. Composants « sémantiques »
Sélection du sens (WSD pour Word Sense
Disambiguation)
 Déterminer le sens de chaque mot
Structuration logique : transformer la représentation
syntaxique de la phrase en une forme prédicative: un
prédicat et ses arguments (agent, but, lieu, …)
Résolution des anaphores
Ex. François Hollande à peine élu. Il a déjà rencontré
Obama, après avoir vu Angela, il lui a parlé.

20. Composants « sémantiques »
Extraction de thématiques
Le boucher propose du veau  thématique commerce
alimentaire
L’évier vient de se boucher  thématique plomberie
Limites de l’exercice
Les jumelles de ma voisine viennent de naître
Ma voisine a des jumelles… elle s’en sert peu

21. Catégorisation
Méthodes basées sur l’apprentissage
 Lors de l’arrivée d’un nouveau contenu, une ou plusieurs
catégories lui sont affectées.
 Nécessite l’existence d’un Corpus qui permet de construire
un référentiel statistique (ES-CTS)
Méthodes basées sur des profils linguistiques
associées aux catégories
 Définir des formules de recherche thématiques associées aux
catégories.
 Ex. Si recherche « mai 68 »  catégorie : manifestation

22. Exceptions et signaux faibles
Définition des Signaux faibles :
 Relève souvent de la sphère de la veille (technologie
concurrentielle, commerciale, environnementale, sociale, …)
 Elément peu visible, inattendu, perdu dans la masse
 Signal de faible fréquence, qu’un agent intérêt à détecter et à
exploiter au plus tôt  surveillance à mettre en oeuvre
Surveillance et détection
 Proposition de candidats (fréquence d’apparition est en
croissance)
 Analyse dans l’espace temps
 Pose de seuil d’alerte : passage du signal faible au signal fort

23. Exceptions et signaux faibles
Evolution du nombre de résultats de la recherche du buzz word "big data" via Google

24. Simplifier et représenter
Représentation des contenus
 Gérer le niveau de détail : Corrélation entre la taille des
données à analyser et le niveau de détail représenté 
représenter des statistiques sur 22 régions de France / sur
36700 communes.
 Définir le type de données à représenter:
 Données brutes, numériques
 Données calculées (comptage, somme, …)
 Données annotées
 Données habillées par du texte explicatif

25. Simplifier et représenter
Possibilité d’interactivité
Dépendant du média : Zoomer, utiliser un curseur pour
naviguer, un slider, …
Possibilité d’utiliser des facettes
Affectation de facettes sur les contenus pour permettre
d’avoir une navigation synthétique et guidée

26. Exemples de représentation

27. Exemples de représentation

28. Exemple d’application
du Content Analytics
Réduction des risques dans une compagnie
d’assurance
Amélioration de l’efficacité des investigations
policières
Réduction du taux d’attrition clients dans une société
de telco
Application d’une taxe écologiste
e@reputation d’une personne, d’une marque, d’une
société

29. Réduction des risques dans une
compagnie d’assurance
 Les besoins
 Détection et prévention de la fraude.
 Meilleure analyse des risques.
 La solution
 Analyse des dossiers de traitement des dommages des 15 dernières années, plus
de 15 sources différentes.
 Détermination de profils et évolutions de comportements.
 Les bénéfices
 Proposition de catégorisation automatique des déclarations de sinistre selon
niveau de risque et probabilité de tentative de fraude.
 Traitement par exception et suivi des déclarations à risque.
 Rapidité du traitement des dossiers.
 Réduction des coûts.
 Expertise croissante.

30. Amélioration de l’efficacité des
investigations policières
 Les besoins
 La partie rédactionnelle des déclarations d’homicides, des rapports
d’investigations et d’expertises emploient des termes sans
standardisation dépendant de chaque individu. Il n’est pas possible
d’exploiter ces informations.
 La solution
 Analyse de l’ensemble de ces documents avec extraction
d’informations permettant une caractérisation des faits
indépendamment du mode de formulation de chaque auteur.
 Les bénéfices techniques
 Capacité de traiter une information volumineuse avec mise en
évidence de corrélations (homicides, auteurs, …) permettant la
résolution de dossiers, la détermination de profils et une approche
prédictive du comportement criminel

31. Réduction du taux d’attrition
clients dans une société de telco
 Les besoins
 Accroitre la satisfaction clients.
 Etre à l’écoute de la « Voix du client » pour identifier de nouvelles
opportunités, éviter des ruptures de contrat par une réponse plus efficace aux
incidents et la proposition de nouveaux services.
 La solution
 Analyse des rapports d’intervention du centre de support, des enquêtes de
satisfaction et des messages clients.
 Identification pour action des clients à risque de rupture.
 Meilleur traitement des incidents fréquents par un site d’information.
 Détermination de corrélations entre problèmes, comportements et offres
 Les bénéfices
 Diminution du taux d’attrition de 50 %.
 Définition de nouvelles offres.
 Amélioration du support.

32. Application d’une taxe écologiste
 Les besoins
 Mettre en œuvre une taxe écologiste pour les véhicules qui circulent sur les routes
nationales et les voies rapides françaises.
 Gérer la volumétrie engendrée par l’émission des points de collecte de passage des
usagers.
 Etablir une taxe liée aux relevés de passage.

 La solution
 Collecte des points de passage des usagers.
 Extraction des entités (lieux, point de passage, identité, …) pour établir la taxe.
 Analyse des données par les organismes habilités au contrôle.
 Archivage à valeur probatoire.

 Les bénéfices techniques
 Mise en place d’un mécanisme de calcul de la taxe basé sur l’utilisation du réseau routier.
 Analyse des données pour optimisation de la taxe
 Détection de la fraude.

33. e@reputation
e@reputation en B to C
l’individu au cœur de la Big Data
Ebay : notation des vendeurs
e@reputation en B to B
L’entreprise au cœur de la Big Data
Valorisation des marques et du savoir faire

34. APROGED
Association des professionnels pour l ’économie
numérique
Site de l’APROGED : http:/www.aproged.org
Courriel : contact@aproged.org
Autres Publications à télécharger sur le site de l’APROGED
DocuCloud
E-Reputation B2B
Ethique et Big Data
Video Content Analytics
Archivage sur le Cloud