Your SlideShare is downloading. ×
0
Bigdata, small decision and smart organisation
Bigdata, small decision and smart organisation
Bigdata, small decision and smart organisation
Bigdata, small decision and smart organisation
Bigdata, small decision and smart organisation
Bigdata, small decision and smart organisation
Bigdata, small decision and smart organisation
Bigdata, small decision and smart organisation
Bigdata, small decision and smart organisation
Bigdata, small decision and smart organisation
Bigdata, small decision and smart organisation
Bigdata, small decision and smart organisation
Bigdata, small decision and smart organisation
Bigdata, small decision and smart organisation
Bigdata, small decision and smart organisation
Bigdata, small decision and smart organisation
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×
Saving this for later? Get the SlideShare app to save on your phone or tablet. Read anywhere, anytime – even offline.
Text the download link to your phone
Standard text messaging rates apply

Bigdata, small decision and smart organisation

2,486

Published on

Conférence 31 aout 2012 …

Conférence 31 aout 2012
Université d'été GS1

Published in: Business
0 Comments
6 Likes
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total Views
2,486
On Slideshare
0
From Embeds
0
Number of Embeds
2
Actions
Shares
0
Downloads
0
Comments
0
Likes
6
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide

Transcript

  • 1. Big data, small decisions and smart organizations Christophe Benavent – Université Paris Ouest - @benavent Pour la 7ème université dété GS1 – 31 Aout 2012
  • 2. La promesse de LeclercQuels 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 davoir 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 linstabilité. Prédire cest modifier ce quon 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.
  • 4. 1850 : Navier-stokesWAVEWATCH III™ (Tolman1997, 1999a, 2009)Based onof the model WAVEWATCH,as developed at DelftUniversity of Technology(Tolman 1989, 1991a)
  • 5. Des 3V au 3S Volume :  Granularité :  tera, peta  Finesse de zeta,,hexa.. non lespace-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.
  • 6. Une nouvelle granularité Les vertus du grand nombre  Fournir des éléments pour une connaissance locale  Lexception qui devient une règle : le fait probable à 1 pour 10 000 devient une régularité Linstantanéité  Accroissement de la réflexivité : les effets de laction peuvent être immédiatement répercutée auprès de son auteur Ubiquité :  La connaissance générale peut être particularisée  Les modèles généraux peuvent être localisés.
  • 7. 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 dactes dachats (1ko->100To/an).
  • 8.  190 000 000 nuités – 45000 hotels
  • 9. sat=a1*Merch+a2*Off+a3*Pers+a4*Com
  • 10. La qualité et la quantité Faible : → Information Etudes & recherche structurelle (connaissance) Panels et baromètresDegré de CRMSpécificitéDe lexploitation delinformation Big data Forte : → Information Factuelle (intelligence) Opinion BB Interactions Experience Volume des données
  • 11. 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 : lomniprésence et le faible coût des capteurs  Modéliser au niveau du point de vente, du rayon...  Réajustement des modèles en temps réels...
  • 12. Lenjeu nest pas dans les études La granularité conduit à des décisions locales et fréquentes qui risquent de dépasser les capacités humaines des managers → Conception doutils pour les agents :  Systèmes dalerte  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)
  • 13. La nécessité de compétences nouvelles Rapport McKinsey 2011 : 190 000 emplois aux US pour 2018. près de 2 millions de cadres concernés Intégration dans lorganisation.  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 lautomatisation de la décision  Design des interfaces et modes de représentations
  • 14. Conclusion Big nest pas smart Big ne produit pas de décision stratégique, cest une stratégie de la micro-décision. Le goulet détranglement est celui de lanalyse et de lexploitation Lart de distribuer linformation dans lorganisation est la clé du succès Le big problème : quelle source de compétence : interne ou externe ?

×