Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Atelier Data&Musée au Salon Museum Connections - 16/01/19

193 views

Published on

L'atelier "Valoriser les données des institutions culturelles" avait pour objectif d'aborder la valorisation à grand échelle des données pour les institutions culturelles : de la collecte de données - incluant des problématiques de respect de la RGPD, de la normalisation des données - à des cas concrets d’analyse de données, pour finir sur des questions stratégiques, financières et organisationnelles.
--
www.datamusee.fr
@DataMusee

Contact :
Sandra Davené, coordinatrice Data&Musée
sandra@orpheo.fr
01 86 27 51 89

Published in: Data & Analytics
  • Be the first to comment

  • Be the first to like this

Atelier Data&Musée au Salon Museum Connections - 16/01/19

  1. 1. VALORISER LES DONNÉES DES INSTITUTIONS CULTURELLES Museum Connections - 16.01.2019
  2. 2. 10h30 - 10h45 INTRODUCTION 10h45 - 11h05 1. QUEL USAGE DES DONNÉES POUR LE MUSÉE ? 11h05 - 11h45 2. COLLECTER ET AGRÉGER LES DONNÉES 11h45 - 12h15 3. EXPÉRIMENTATIONS 12h15 - 12h45 4. OUVERTURE DES DONNÉES ET ÉVOLUTION DES PRATIQUES 12h45 - 13h CONCLUSION
  3. 3. INTRODUCTION Sandra Davené, coordinatrice Data&Musée / Orpheo Jean-Claude Moissinac, Maître de conférences / Institut Mines-Telecom, Telecom Paristech
  4. 4. Introduction PB: LA PLUPART DES TECHNOLOGIES SONT BASÉES SUR DES DONNÉES STRUCTURÉES
  5. 5. DATA SOURCES Data storage Real time messaging computing Static Data Processing Data Flow Processing Machine learning Analysis Reporting KPI generation BIG DATA PROCESSING INTRODUCTION
  6. 6. PÔLE SUR LES DONNÉES MASSIVES EN CULTURE (CANADA) www.quartierdesspectacles.com ● Initiative menée au sein du quartier des spectacles à Montréal : 80 lieux culturels, 40 festivals, +100 spectacles par mois ● Mettre en commun les données pour mieux définir les besoins et les attentes des publics : créer une culture du partage ● Hackaton : mars 2017 : 20 structures / 120 Data scientist > sur 48h rendre des données de billetterie interopérables ● Juin 2018 : création d’une structure pérenne “Le Pôle sur les données massives en culture” INTRODUCTION
  7. 7. THE AUDIENCE AGENCY (ROYAUME-UNI) www.theaudienceagency.org ● Depuis 2012 : mandatée et financée par l’organisme public Art Council England pour aider les acteurs culturels dans la connaissance et le développement des publics. ● The Audience Finder, un outil d’analyse des publics à l’échelle du Royaume-Uni (patrimoine et spectacle vivant) >> Chiffres clés : 800 organisations culturelles ~ 170 millions de billets ~ 280 000 études des publics traitées INTRODUCTION
  8. 8. KULTURMONITORING (ALLEMAGNE) https://about.visitberlin.de/en/cultural-monitoring-visitor-research-and-evaluation ● Projet lancé à Berlin en 2008 Piloté par l’Office du Tourisme de Berlin VisitBerlin et soutenu par une administration publique - équivalent Ministère de la Culture ● Financé en partie par des fonds européens, centralise les études des publics d‘institutions culturelles (musées, théâtres, opéras) ● Chiffres : 250 000 questionnaires menés auprès des visiteurs des musées in situ et d’habitants à Berlin ● Expérimentation sur le territoire de Berlin avec 7 institutions majeures (Deutsche Oper, Neues Museum, Alte Nationalgalerie…) INTRODUCTION
  9. 9. DATATOURISME (FRANCE) http://www.datatourisme.fr INTRODUCTION
  10. 10. De plus en plus d’initiatives de collecte et d’exploitation de données en rapport avec la culture ● Open Agenda un agenda partagé des événements, dont les expositions, les performances... ● City Moove “accéder aux données d’un territoire pour sa promotion” ● Base Joconde données sur plus de 600000 oeuvres du patrimoine français INTRODUCTION
  11. 11. INTRODUCTION ● Création d’une plateforme interopérable d’agrégation de données des musées ● Développement d’indicateurs de pilotage pour les musées ● Construction d’outils de personnalisation de l’expérience visiteur
  12. 12. ENJEUX DE LA VALORISATION DES DATAS POUR LE SECTEUR CULTUREL ● Les Datas déjà largement exploitées dans de nombreux domaines industriels (énergie, transports, santé) >> Ex : Santander in spain, 16000 captors reduce the number of ways to optimize the collect of waste ● Initiatives de collectes individuelles dans le secteur culturel Data&Musée >> Initiative pour agréger et analyser l’ensemble des données des institutions culturelles INTRODUCTION
  13. 13. ENJEUX DE LA VALORISATION DES DATAS POUR LE SECTEUR CULTUREL ● Intérêts pour les institutions comme pour les visiteurs : ○ analyser la consommation du bien culturel en France ○ fournir des indicateurs aux institutions pour améliorer leurs performances ○ proposer aux visiteurs des recommandations pertinentes de visites de musées et de monuments ● Freins à la mutualisation des données des institutions: ○ “mes données ont de la valeur et je souhaite les monétiser” ○ “mes données mutualisées avec les données extérieures d’autres musées pourront être identifiées dans les résultats d’analyse” ○ respect des données personnelles / consentement du visiteur à ce qu’on utilise ses données INTRODUCTION
  14. 14. 10h30 - 10h45 INTRODUCTION 10h45 - 11h05 1. QUEL USAGE DES DONNÉES POUR LE MUSÉE ? 11h05 - 11h45 2. COLLECTER ET AGRÉGER LES DONNÉES 11h45 - 12h15 3. EXPÉRIMENTATIONS 12h15 - 12h45 4. OUVERTURE DES DONNÉES ET ÉVOLUTION DES PRATIQUES 12h45 - 13h CONCLUSION
  15. 15. 1. QUEL USAGE DES DONNÉES POUR LE MUSÉE ? 1.1 La data comme support au pilotage d’un lieu culturel Ludovic Bordes, co-fondateur / Arenametrix Clément Rousset, account manager / Arenametrix _ 1.2 Mutualisation des données : attentes des institutions culturelles et présentation du projet Data&Musée Philippe Rivière, Chef du service numérique / Paris Musées
  16. 16. 1. QUEL USAGE DES DONNÉES POUR LE MUSÉE ? 1.1 La data comme support au pilotage d’un lieu culturel Ludovic Bordes, co-fondateur / Arenametrix Clément Rousset, account manager / Arenametrix _ 1.2 Mutualisation des données : attentes des institutions culturelles et présentation du projet Data&Musée Philippe Rivière, Chef du service numérique / Paris Musées
  17. 17. 1.1 La data comme support au pilotage d’un lieu culturel La data comme aide à la prise de décision (analyse de la fréquentation) ● Objectifs : ○ Centraliser toutes vos données liées à vos transactions, quelles que soient les sources de connexion ○ Analyser votre fréquentation pour piloter vos choix d’exposition et vos décisions marketing ○ Mettre en place un système de reporting automatisé pour une meilleure allocation de votre temps à la prise de décision ○ Communiquer très facilement auprès de vos partenaires et financeurs Améliorer l’expérience après, pendant et après la visite
  18. 18. La data comme aide à la communication ciblée (analyse de votre public) ● Objectifs : ○ Centraliser toutes vos données liées à votre public, quelles que soient les sources d’interaction ○ Analyser les comportements transactionnels : billetterie, boutique physique et en ligne ○ Segmenter en quelques clics sur des critères démographiques ou comportementaux ○ Acquérir de nouveaux publics (ex : publics touristiques, jeunes de la zone de chalandise…) 1.1 La data comme support au pilotage d’un lieu culturel Améliorer l’expérience après, pendant et après la visite
  19. 19. La data à l’origine des modèles de prévision ● Modèle : ○ Prise en compte de vos données historiques ○ Prise en compte de données exogènes (calendrier scolaire, météo etc.) ● Objectifs : ○ Aider au choix d’une exposition en prédisant son succès ○ Mieux allouer les ressources humaines du musée en fonction des prévisions d’affluence ○ Dynamiser son offre pour optimiser sa fréquentation et améliorer l’accessibilité à certaines catégories de publics 1.1 La data comme support au pilotage d’un lieu culturel
  20. 20. 1. QUEL USAGE DES DONNÉES POUR LE MUSÉE ? 1.1 La data comme support au pilotage d’un lieu culturel Ludovic Bordes, co-fondateur / Arenametrix Clément Rousset, account manager / Arenametrix _ 1.2 Mutualisation des données : attentes des institutions culturelles et présentation du projet Data&Musée Philippe Rivière, Chef du service numérique / Paris Musées
  21. 21. ● Les data d’une institution culturelle ○ Multiples canaux de production ○ Exploitation minimum ● Découvrir la valeur de nos data ● Améliorer l’expérience visiteur ○ en connaissant mieux ses visiteurs ○ en répondant à leurs attentes ➔ Le projet Data&Musée 1.2 Attentes des institutions culturelles et présentation du projet Data & Musée
  22. 22. ● Le projet Data&Musée ○ FUI23 (Fonds unique interministériel) ○ Labellisation par Cap Digital et Imaginove ● Le but Réunir sur une plateforme unique et ouverte les données des institutions culturelles, afin de développer des outils d’analyses et de prédiction pour les guider dans l’élaboration de stratégies et le développement de leurs activités 1.2 Attentes des institutions culturelles et présentation du projet Data & Musée
  23. 23. ● Les acteurs ○ Orphéo ○ Arenametrix ○ Kernix ○ MyOrphéo ○ Guestviews ○ Institut Mines-Télécom ○ Centre des Monuments Nationaux ○ Paris Musées ○ Réciproque ○ Chaire UNESCO ITEN ● D’autres structures sont invitées à rejoindre le projet 1.2 Attentes des institutions culturelles et présentation du projet Data & Musée
  24. 24. 1.2 Attentes des institutions culturelles et présentation du projet Data & Musée ● Calendrier prévisionnel : de septembre 2017 à août 2020 Cas d’usages et spécifications de la plateforme Collecte de données Développements Méthodes et analyse de données Services Dissémination Organisation Expérimentations
  25. 25. 10h30 - 10h45 INTRODUCTION 10h45 - 11h05 1. QUEL USAGE DES DONNÉES POUR LE MUSÉE ? 11h05 - 11h45 2. COLLECTER ET AGRÉGER LES DONNÉES 11h45 - 12h15 3. EXPÉRIMENTATIONS 12h15 - 12h45 4. OUVERTURE DES DONNÉES ET ÉVOLUTION DES PRATIQUES 12h45 - 13h CONCLUSION
  26. 26. 2. COLLECTER ET AGRÉGER LES DONNÉES 2.1 Identifier les données à recueillir Ludovic Bordes, co-fondateur / Arenametrix Clémentine Lamendin, chargée des partenariats / Affluences Camille Caubriere, co-fondatrice / GuestViews François-Xavier Bois, co-fondateur / Kernix Jean-Claude Moissinac, Maître de conférences / Institut Mines-Telecom, Telecom Paristech 2.2 Agrégation et traitement des données Jean-Claude Moissinac, Maître de conférences / Institut Mines-Telecom, Telecom Paristech
  27. 27. 2. COLLECTER ET AGRÉGER LES DONNÉES 2.1 Identifier les données à recueillir Ludovic Bordes, co-fondateur / Arenametrix Clémentine Lamendin, chargée des partenariats / Affluences Camille Caubriere, co-fondatrice / GuestViews François-Xavier Bois, co-fondateur / Kernix Jean-Claude Moissinac, Maître de conférences / Institut Mines-Telecom, Telecom Paristech 2.2 Agrégation et traitement des données Jean-Claude Moissinac, Maître de conférences / Institut Mines-Telecom, Telecom Paristech
  28. 28. APRÈSAVANT PENDANT CHOISIR SA VISITE ORGANISER SA VENUE ACCÉDER ETRE ACCUEILLI VISITER S’INFORMER S’ORIENTER PARTAGER MEMORISER PROLONGER REVENIR TRACES DU VISITEUR 2.1 Identifier les données à recueillir DONNÉES DE BILLETTERIE CONSULTATION AUDIOGUIDE MESURE D’AFFLUENCE GEOLOCA -LISATION LIVRE D’OR DONNÉES DE VENTE EN BOUTIQUE DONNÉES DE VENTE EN LIGNE MÉCÉNAT ENQUÊTES DE PUBLIC RÉSEAUX SOCIAUXDONNÉES WEB
  29. 29. DONNÉES DE BILLETTERIE CONSULTATION AUDIOGUIDE MESURE D’AFFLUENCE GEOLOCA -LISATION LIVRE D’OR DONNÉES DE VENTE EN BOUTIQUE DONNÉES DE VENTE EN LIGNE MÉCÉNAT ENQUÊTES DE PUBLIC RÉSEAUX SOCIAUX CHOISIR SA VISITE ORGANISER SA VENUE ACCÉDER ETRE ACCUEILLI VISITER S’INFORMER S’ORIENTER PARTAGER MEMORISER PROLONGER REVENIR DONNÉES WEB TRACES DU VISITEUR APRÈSAVANT PENDANT 2.1 Identifier les données à recueillir
  30. 30. 2.1 Identifier les données à recueillir Arenametrix : les données transactionnelles (billetterie, boutique…) ■ Société dont l’objectif est d’aider les structures culturelles et sportives à fidéliser et conquérir de nouveaux publics. ■ Plateforme qui centralise l’ensemble de vos données billetterie, boutique... dans un unique outil et qui offre la possibilité de segmenter vos contacts en un seul clic sur des critères démographiques ou comportementaux. ■ Fonctionnement : synchronisation quotidienne avec votre logiciel de billetterie, de gestion de boutique en ligne...
  31. 31. Arenametrix : les données transactionnelles (billetterie, boutique…) ■ Données de vente : ✓ Fréquentation de vos différents événements ✓ Fréquentation de vos différents lieux ✓ Répartition de vos différentes catégories ou formules de prix ✓ Analyse des canaux d’acquisition ✓ Connaître les moments d’achat ■ Données personnelles des contacts : ✓ Nom et prénom ✓ Âge ✓ Adresse postale ✓ Téléphone ✓ Email ✓ Consentement (optin / optout) ✓ Historique d’achat 2.1 Identifier les données à recueillir
  32. 32. Arenametrix : les données transactionnelles (billetterie, boutique…) ■ Mesurer et analyser grâce à différents tableaux de bord et outils d’analyse qui permettent de suivre ses ventes sans effort ■ Anticiper sa demande et adapter ses actions grâce aux prévisions 2.1 Identifier les données à recueillir
  33. 33. Arenametrix : les données transactionnelles (billetterie, boutique…) 2.1 Identifier les données à recueillir ■ Avoir une vision à 360° de ses publics en centralisant toutes leurs informations personnelles, leur historique d’achat et les campagnes de communication qui leur ont été envoyées
  34. 34. Arenametrix : les données transactionnelles (billetterie, boutique…) ■ Segmenter en fonction de critères démographiques, des habitudes d’achat, de la fidélité ou encore des campagnes marketing reçues. ■ Communiquer à chaque cible avec des messages personnalisés et créer une meilleure expérience client 2.1 Identifier les données à recueillir
  35. 35. Arenametrix : les données transactionnelles (billetterie, boutique…) ■ Valoriser vos meilleurs profils de visiteurs pour atteindre des personnes similaires sur les réseaux sociaux et ainsi acquérir de nouveaux publics 2.1 Identifier les données à recueillir
  36. 36. Arenametrix : les données transactionnelles (billetterie, boutique…) ■ Cas d’usage ○ Campagnes marketing ciblées pour fidéliser son public ○ Conquérir de nouveaux publics ○ Reporting et aide à la décision ○ Prévisions des ventes ■ Bénéfices ○ Pour le visiteur : être tenu informé des événements qui l’intéressent et recevoir des offres personnalisées ○ Pour les responsables communication : amélioration de la communication auprès de son public en personnalisant le discours ○ Pour les responsables billetterie et la direction : outil d’analyse des ventes et augmentation de la fréquentation 2.1 Identifier les données à recueillir
  37. 37. DONNÉES DE BILLETTERIE CONSULTATION AUDIOGUIDE DONNÉES D’AFFLUENCE GEOLOCA -LISATION LIVRE D’OR DONNÉES DE VENTE EN BOUTIQUE DONNÉES DE VENTE EN LIGNE MÉCÉNAT ENQUÊTES DE PUBLIC RÉSEAUX SOCIAUX CHOISIR SA VISITE ORGANISER SA VENUE ACCÉDER ETRE ACCUEILLI VISITER S’INFORMER S’ORIENTER PARTAGER MÉMORISER PROLONGER REVENIR DONNÉES WEB TRACES DU VISITEUR 2.1 Identifier les données à recueillir APRÈSAVANT PENDANT
  38. 38. Affluences : les données de fréquentation et de temps d’attente ■ Startup dont l’objectif est d’améliorer l’accueil et la communication des sites culturels et touristiques ■ Nous concevons et maintenons des capteurs de mesure de l’affluence (taux d’occupation, temps d’attente) mais aussi les outils de gestion associés ■ Affluences est aussi une application mobile gratuite, permettant de préparer ses visites. 2.1 Identifier les données à recueillir
  39. 39. Affluences : les données de fréquentation et de temps d’attente ■ Mesure du temps d’attente ■ Mesure du taux d’occupation ■ Analyse prédictive ■ Données quantitatives : ✓ Temps d’attente à l’entrée, en billetterie, etc. ✓ Entrées, sorties, nombre de visiteurs en temps réel ✓ Taux d’occupation des espaces ✓ Prévisions 2.1 Identifier les données à recueillir
  40. 40. Affluences : les données de fréquentation et de temps d’attente ■ Portail d'administration ○ Tableau de bord ✓ Jauge en temps réel ✓ Segmentation par sous-espace ✓ Pilotage des flux de visiteurs 2.1 Identifier les données à recueillir
  41. 41. Affluences : les données de fréquentation et de temps d’attente ■ Portail d'administration ○ Tableau de bord ○ Statistiques ✓ Principaux indicateurs d’affluence (temps d’attente, visiteurs présents…) ✓ Format brut ou graphique ✓ Comparaison par espace/période ✓ Rapports automatiques 2.1 Identifier les données à recueillir
  42. 42. Affluences : les données de fréquentation et de temps d’attente ■ Cas d’usage ○ Connaissance et supervision de la fréquentation en temps réel (FMI) ○ Lissage des flux ○ Organisation des horaires et du personnel ○ etc. ■ Bénéfices ○ Pour le visiteur : augmentation de la satisfaction ○ Pour l’établissement : amélioration du confort d’accueil, hausse de la fréquentation aux heures creuses ○ Pour la direction : outils de business intelligence, amélioration de la qualité de service 2.1 Identifier les données à recueillir
  43. 43. DONNÉES DE BILLETTERIE CONSULTATION AUDIOGUIDE MESURE D’AFFLUENCE GEOLOCA -LISATION LIVRE D’OR DONNÉES DE VENTE EN BOUTIQUE DONNÉES DE VENTE EN LIGNE MÉCÉNAT ENQUÊTES DE PUBLIC RÉSEAUX SOCIAUX CHOISIR SA VISITE ORGANISER SA VENUE ACCÉDER ETRE ACCUEILLI VISITER S’INFORMER S’ORIENTER PARTAGER MÉMORISER PROLONGER REVENIR DONNÉES WEB TRACES DU VISITEUR 2.1 Identifier les données à recueillir APRÈSAVANT PENDANT
  44. 44. GuestViews : Les données de livres d’or numériques ■ Startup qui donne la parole aux visiteurs des institutions culturelles pour mieux les connaître et mieux les fidéliser ■ Solution permettant de collecter à chaud, d'analyser et de valoriser des données visiteurs à forte valeur ajoutée ○ Données quali : commentaires ○ Données quanti : infos de profil, niveau de satisfaction, QCM/QCU ○ Données personnelles : prénom, nom, email, consentement (opt-in) 2.1 Identifier les données à recueillir
  45. 45. GuestViews : Les données de livres d’or numériques ■ Application intégrée en fin de parcours ■ Données collectées en continu Maison Victor Hugo Château de Vincennes Panthéon Musée Cognacq-Jay 2.1 Identifier les données à recueillir
  46. 46. GuestViews : Les données de livres d’or numériques ■ Tableau de bord qui centralise les informations collectées ■ Données accessibles et analysées en temps réel 2.1 Identifier les données à recueillir
  47. 47. GuestViews : Les données de livres d’or numériques ■ Tableau de bord qui centralise les informations collectées ■ Données accessibles et analysées en temps réel 2.1 Identifier les données à recueillir
  48. 48. GuestViews : Les données de livres d’or numériques ■ Tableau de bord qui centralise les informations collectées ■ Données accessibles et analysées en temps réel 2.1 Identifier les données à recueillir
  49. 49. GuestViews : Les données de livres d’or numériques ■ Tableau de bord qui centralise les informations collectées ■ Données accessibles et analysées en temps réel 2.1 Identifier les données à recueillir
  50. 50. GuestViews : Les données de livres d’or numériques ■ Cas d’usage ○ Communication externe et interne ○ Gestion du mécontentement ○ Campagne d’emailing ciblé ■ Bénéfices ○ Pour le visiteur : ■ Parole vraiment prise en compte ■ Amélioration de ses conditions de visite et donc de sa satisfaction ○ Pour l’institution : ■ Mise en place des standards internes en matière d’accueil des publics ■ Augmentation de la fréquentation ■ Diversification des publics ■ Aide à la décision 2.1 Identifier les données à recueillir
  51. 51. DONNÉES DE BILLETTERIE CONSULTATION AUDIOGUIDE MESURE D’AFFLUENCE GEOLOCA -LISATION LIVRE D’OR DONNÉES DE VENTE EN BOUTIQUE DONNÉES DE VENTE EN LIGNE MÉCÉNAT ENQUÊTES DE PUBLIC RÉSEAUX SOCIAUX CHOISIR SA VISITE ORGANISER SA VENUE ACCÉDER ETRE ACCUEILLI VISITER S’INFORMER S’ORIENTER PARTAGER MÉMORISER PROLONGER REVENIR DONNÉES WEB TRACES DU VISITEUR 2.1 Identifier les données à recueillir APRÈSAVANT PENDANT
  52. 52. Kernix : Les données provenant du web ■ Cabinet d’expertise en technologies intégrant à la fois une Agence Digitale et un Data Lab ■ Créé en 2001, 40 collaborateurs ■ Développement de plateformes digitales → intervention de bout en bout : gestion de projet, design, développement, hébergement, SEO, maintenance ■ Expertises : collecte de données en ligne, traitements d’analyse sémantique, modélisation de données sous forme de graphes 2.1 Identifier les données à recueillir
  53. 53. Kernix : Collecte de Données Web ■ Parcours : ✓ Identification de visiteurs ✓ Suivi des pages consultées ■ Réseaux sociaux : ✓ Collecte des tweets mentionnant l’institution 2.1 Identifier les données à recueillir
  54. 54. DONNÉES DE BILLETTERIE CONSULTATION AUDIOGUIDE MESURE D’AFFLUENCE GEOLOCA -LISATION LIVRE D’OR DONNÉES DE VENTE EN BOUTIQUE DONNÉES DE VENTE EN LIGNE MÉCÉNAT ENQUÊTES DE PUBLIC RÉSEAUX SOCIAUX CHOISIR SA VISITE ORGANISER SA VENUE ACCÉDER ETRE ACCUEILLI VISITER S’INFORMER S’ORIENTER PARTAGER MÉMORISER PROLONGER REVENIR DONNÉES WEB TRACES DU VISITEUR 2.1 Identifier les données à recueillir APRÈSAVANT PENDANT
  55. 55. DONNÉES DE L’OPEN DATA TRACES DU VISITEUR 2.1 Identifier les données à recueillir
  56. 56. Données de l’Open Data De nombreux jeux de données sont disponibles sur le Web et peuvent contribuer à nos analyses ● Données encyclopédiques ○ DBPedia, Wikidata, Yago ● Données géographiques et de transport ○ Geonames, OpenStreetMap, IGN ● Données culturelles ○ Europeana, Base Joconde ● Données démographiques ○ INSEE ● Données touristiques et de transport ○ DataTourisme, RATP, SNCF 2.1 Identifier les données à recueillir
  57. 57. 2. COLLECTER ET AGRÉGER LES DONNÉES 2.1 Identifier les données à recueillir Ludovic Bordes, co-fondateur / Arenametrix Clémentine Lamendin, chargée des partenariats / Affluences Camille Caubriere, co-fondatrice / GuestViews François-Xavier Bois, co-fondateur / Kernix Jean-Claude Moissinac, Maître de conférences / Institut Mines-Telecom, Telecom Paristech 2.2 Agrégation et traitement des données Jean-Claude Moissinac, Maître de conférences / Institut Mines-Telecom, Telecom Paristech
  58. 58. Réunir les données des institutions ● Collecter les données en respectant la vie privée et la confidentialité ● Adopter des représentations homogènes pour rendre les données comparables (normalisation des données) ● Choix d’un modèle qui permet de représenter des liens entre les données 2.2 Agrégation et traitement des données
  59. 59. Prise en compte du RGPD ● Donnée partagée: quelles données pour quels usages? ● Solution mise en oeuvre dans Data&Musée ○ pseudonymisation à la source ● Solutions à l’étude ○ faciliter la prise en compte de la RGPD par les institutions, en particulier pour les petites: questions juridiques, méthodologiques et techniques 2.2 Agrégation et traitement des données
  60. 60. 2.2 Agrégation et traitement des données
  61. 61. 10h30 - 10h45 INTRODUCTION 10h45 - 11h05 1. QUEL USAGE DES DONNÉES POUR LE MUSÉE ? 11h05 - 11h45 2. COLLECTER ET AGRÉGER LES DONNÉES 11h45 - 12h15 3. EXPÉRIMENTATIONS 12h15 - 12h45 4. OUVERTURE DES DONNÉES ET ÉVOLUTION DES PRATIQUES 12h45 - 13h CONCLUSION
  62. 62. 3. EXPÉRIMENTATIONS EN COURS 3.1 Analyse des pratiques de visite : recueil des données de géolocalisation au musée Cognacq-Jay Philippe Rivière, Chef du service numérique / Paris Musées Nel Samama, Enseignant-chercheur / Institut Mines-Telecom, Telecom SudParis _ 3.2 Recommandation de contenus culturels sur le web François-Xavier Bois, co-fondateur / Kernix _ 3.3 Analyse des publics : croisement de données de billetterie & livre d’or Ludovic Bordes, co-fondateur / Arenametrix Camille Caubrière, co-fondatrice / GuestViews
  63. 63. 3. EXPÉRIMENTATIONS EN COURS 3.1 Analyse des pratiques de visite : recueil des données de géolocalisation au musée Cognacq-Jay Philippe Rivière, Chef du service numérique / Paris Musées Nel Samama, Enseignant-chercheur / Institut Mines-Telecom, Telecom SudParis _ 3.2 Recommandation de contenus culturels sur le web François-Xavier Bois, co-fondateur / Kernix _ 3.3 Analyse des publics : croisement de données de billetterie & livre d’or Ludovic Bordes, co-fondateur / Arenametrix Camille Caubrière, co-fondatrice / GuestViews
  64. 64. 3.1 Analyse des pratiques de visite : recueil des données de géolocalisation au musée Cognacq-Jay ● Le musée Cognacq-Jay ○ musée du 18e siècle ○ dans un hôtel particulier du Marais ○ surface restreinte mais complexe ● Les objectifs ○ Analyser les déplacements des visiteurs ■ Où vont-ils / Dans quelles zones se trouvent-ils ■ Où restent-ils / Où ils ne s’arrêtent pas ■ Quels sont leurs parcours ■ Combien de temps restent-ils au musée
  65. 65. 3.1 Analyse des pratiques de visite : recueil des données de géolocalisation au musée Cognacq-Jay ● La mise en place technologique ○ Création des plans ○ Installation des balises ○ Visioguide d’Orphéo
  66. 66. ● Les géodonnées brutes disponibles ○ Zone et durée de présence d’un visioguide ○ Suivi temps réel et replay ○ Statistiques de détection des balises 3.1 Analyse des pratiques de visite : recueil des données de géolocalisation au musée Cognacq-Jay
  67. 67. ● Les données actuelles du visioguide ○ Informations générales concernant l'utilisateur : ville, langue, ... ○ Actions réalisées par le visiteur durant la visite : lecture du POI 4, arrêt de la lecture du POI 5, ... ○ Position du visiteur : entrée dans la salle 2, sortie de la salle 1, … ● Tous les événements sont horodatés 3.1 Analyse des pratiques de visite : recueil des données de géolocalisation au musée Cognacq-Jay
  68. 68. ● L’utilisation des géodonnées ○ Taux d’occupation d’une salle ○ Temps passé dans une salle / dans une zone du musée / Temps moyen de visite ○ Parcours suivis ● L’implémentation sur le visioguide ○ Comparaison temps de lecture / temps passé dans une salle ○ Cohérence spatiale d’utilisation des contenus culturels ● Le planning ○ automne 2018 : installation du système et premiers tests ○ janvier 2019 : intégration au visioguide ○ printemps 2019 : production de données opérationnelles lors de l’exposition temporaire « Génération en Révolution - Dessins français du musée Fabre, 1770-1815 » du 16 mars au 14 juillet 2019 3.1 Analyse des pratiques de visite : recueil des données de géolocalisation au musée Cognacq-Jay
  69. 69. 3. EXPÉRIMENTATIONS EN COURS 3.1 Analyse des pratiques de visite : recueil des données de géolocalisation au musée Cognacq-Jay Philippe Rivière, Chef du service numérique / Paris Musées Nel Samama, Enseignant-chercheur / Institut Mines-Telecom, Telecom SudParis _ 3.2 Recommandation de contenus culturels sur le web François-Xavier Bois, co-fondateur / Kernix _ 3.3 Analyse des publics : croisement de données de billetterie & livre d’or Ludovic Bordes, co-fondateur / Arenametrix Camille Caubrière, co-fondatrice / GuestViews
  70. 70. 3.2 Recommandation de contenus culturels sur le web ● Objectifs ○ remonter des indicateurs communs aux institutions partenaires (ex. pourcentage de visiteurs communs) ○ permettre d’adapter les contenus (ex. mise en avant de blocs de contenus spécifiques sur la page d’accueil) ● Fonctionnement ○ installation d’un tracker JavaScript sur les sites des partenaires ○ analyse sémantique des pages visitées ○ association des visiteurs à différents “profils d’utilisateurs” : famille, exposition, art moderne, paris, contributeur, etc. ● Planning : Début collecte en février 2019
  71. 71. 3. EXPÉRIMENTATIONS EN COURS 3.1 Analyse des pratiques de visite : recueil des données de géolocalisation au musée Cognacq-Jay Philippe Rivière, Chef du service numérique / Paris Musées Nel Samama, Enseignant-chercheur / Institut Mines-Telecom, Telecom SudParis _ 3.2 Recommandation de contenus culturels sur le web François-Xavier Bois, co-fondateur / Kernix _ 3.3 Analyse des publics : croisement de données de billetterie & livre d’or Ludovic Bordes, co-fondateur / Arenametrix Camille Caubrière, co-fondatrice / GuestViews
  72. 72. 3.3 Croisement de données de billetterie & livre d’or ● Objectifs ○ Enrichir sa base de données avec des données qualitatives ○ Ajouter de nouveaux contacts dans sa base ○ Permettre de nouvelles actions marketing en fonction de ces données enrichies ● Fonctionnement ○ Récupération des données GuestViews qui sont envoyées via API vers Arenametrix ○ Analyse et croisement des données sur Arenametrix ○ Création de segments homogènes pour initier des actions marketing ○ Interfaçage déjà mis en place avec la Monnaie de Paris
  73. 73. 3.3 Croisement de données de billetterie & livre d’or
  74. 74. 3.3 Croisement de données de billetterie & livre d’or
  75. 75. 10h30 - 10h45 INTRODUCTION 10h45 - 11h05 1. QUEL USAGE DES DONNÉES POUR LE MUSÉE ? 11h05 - 11h45 2. COLLECTER ET AGRÉGER LES DONNÉES 11h45 - 12h15 3. EXPÉRIMENTATIONS 12h15 - 12h45 4. OUVERTURE DES DONNÉES ET ÉVOLUTION DES PRATIQUES 12h45 - 13h CONCLUSION
  76. 76. 4. OUVERTURE DES DONNÉES ET ÉVOLUTION DES PRATIQUES 4.1 Jusqu’où partager, quel retour sur investissement ? Sandra Davené, coordinatrice Data&Musée / Orpheo Jean-Claude Moissinac, Maître de conférences / Institut Mines-Telecom, Telecom Paristech _ 4.2 Quelle perception pour le visiteur de l’usage de ses données ? Gaëlle Lesaffre, Ingénieure de recherche / Chaire Unesco-ITEN
  77. 77. 4. OUVERTURE DES DONNÉES ET ÉVOLUTION DES PRATIQUES 4.1 Jusqu’où partager, quel retour sur investissement ? Sandra Davené, coordinatrice Data&Musée / Orpheo Jean-Claude Moissinac, Maître de conférences / Institut Mines-Telecom, Telecom Paristech _ 4.2 Quelle perception pour le visiteur de l’usage de ses données ? Gaëlle Lesaffre, Ingénieure de recherche / Chaire Unesco-ITEN
  78. 78. ● Freins à la mutualisation des données des institutions: ○ “mes données ont de la valeur et je souhaite les monétiser” ○ “mes données mutualisées avec les données extérieures d’autres musées pourront être identifiées dans les résultats d’analyse” ● Cas de D&M, un projet collaboratif R&D en cours d’élaboration ○ les données d’une structure sans mutualisation avec d’autres structures sont difficilement exploitables/non pertinentes ○ partage de vos données >> accès à des méthodes de traitement/analyse complexe de vos données et vous savez ce qu’elles valent ○ accès à une plateforme visant à offrir des services opérationnels issues de la mutualisation des données 4.1 Jusqu’où partager, quel retour sur investissement ?
  79. 79. 4.1 Jusqu’où partager, quel retour sur investissement ? Apports de la mutualisation ● Mutualisation de la collecte de sources de données externes ○ pour enrichir les données de chaque partenaire ● Enrichissement de l'exploitation des données de chaque partenaire ○ par la connaissance des données des autres partenaires ○ la multiplication des sources et des formats nécessite d’apprendre à connaître, à structurer, à hiérarchiser et à maîtriser les flux de données Plus-value stratégique et financière pour les institutions ● La mutualisation de vos données peut accompagner dans le pilotage de sa structure : ○ évaluer sa stratégie et bénéficier de prédictions ○ accès à des indicateurs de performance de son musée avec recommandations d’actions (fréquentation dans la région, segmentation des publics sur une institution proche dans la thématique, ...) : permettre d’adapter les contenus aux besoins des utilisateurs, d’améliorer la performance et de développer de nouveaux services.
  80. 80. Les résultats actuels de Data&Musée en matière de données ■ Grande quantité de données collectées et en cours d’unification ● Billetteries, livres d’or, utilisation des guides de visite ● Base Joconde, Données HDA, DBPedia ● DataTourisme, OpenAgenda ● et bien d’autres: geonames, liste des musées,... ■ Construction de modèles numériques en cours permettant de trouver des similarités (ex: entre expositions), des rapprochements (ex: entre un lieu et un événement comme un concert, une conférence…) 4.1 Jusqu’où partager, quel retour sur investissement ?
  81. 81. Visiteur 7d240ddbc2bfe3c3890e122dfbd 589f39e7e03641275fe1028a52 bac79491de1 vient de a acheté (en ligne) Livre d’Or a renseigné 26-2-2017 23-9-2018 Un exemple de liens dans les données actuelles 4.1 Jusqu’où partager, quel retour sur investissement ?
  82. 82. 4. OUVERTURE DES DONNÉES ET ÉVOLUTION DES PRATIQUES 4.1 Jusqu’où partager, quel retour sur investissement ? Sandra Davené, coordinatrice Data&Musée / Orpheo Jean-Claude Moissinac, Maître de conférences / Institut Mines-Telecom, Telecom Paristech _ 4.2 Quelle perception pour le visiteur de l’usage de ses données ? Gaëlle Lesaffre, Ingénieure de recherche / Chaire Unesco-ITEN
  83. 83. 4.2 Quelle perception pour le visiteur de l’usage de ses données ? Au départ : la confiance dans l’institution muséale ● Le numérique au service de la médiation : la confiance ébranlée par “capillarité” ? L’usage des données personnelles : un risque de rupture de confiance ? ● Dans quelle mesure les visiteurs peuvent-ils considérer l’utilisation de leurs données comme bénéfique pour eux-mêmes ? pour l’institution muséale ? Quelle compréhension les visiteurs ont-ils des données massives et de leur usage ? ● en général ? ● par les musées ? La recommandation : pour qui ? Comment ? Quelle forme d’éditorialisation ? => l’intérêt de la démarche Data&Musée pour le visiteur mérite d’être explicité et sa mise en oeuvre incarnée et accompagnée.
  84. 84. 10h30 - 10h45 INTRODUCTION 10h45 - 11h05 1. QUEL USAGE DES DONNÉES POUR LE MUSÉE ? 11h05 - 11h45 2. COLLECTER ET AGRÉGER LES DONNÉES 11h45 - 12h15 3. EXPÉRIMENTATIONS 12h15 - 12h45 4. OUVERTURE DES DONNÉES ET ÉVOLUTION DES PRATIQUES 12h45 - 13h CONCLUSION
  85. 85. CONCLUSION Sandra Davené, coordinatrice Data&Musée / Orpheo
  86. 86. CONCLUSION Nous sommes à la recherche d’institutions désireuses de suivre ce projet, d’être informés des différents résultats et de partager d’éventuelles données. Quels indicateurs ? Dans le cadre du projet Recherche & Développement Data&Musée, notre objectif est de démontrer que l’agrégation de données de diverses sources permet d’obtenir de nouveaux indicateurs de performance. Types de données transmises Déterminer les formats utilisés, organisation des données, transfert de fichiers ou APIs, périodicité des transferts Charte d’engagement Signer les modalités de collaboration entre le Musée extérieur et les Membres du consortium dans le cadre du Projet. Réunions avec les institutions extérieures Première réunion après la phase Collecte de données en juin 2019. Accès à la plateforme Dès disponibilité, vous pourrez accéder à une première visualisation des indicateurs issus du croisement des données.
  87. 87. CONCLUSION CHARTE D’ENGAGEMENT ● Fixer les modalités de collaboration entre la Structure extérieure fournisseuse de données et les Membres du consortium dans le cadre du Projet. ● Droits et obligations des Membres du consortium : ○ Produire des analyses qui ne permettent pas d’individualiser les résultats en fonction d’une structure fournisseur de Données ○ Produire des résultats communs issus des Données fournies par les structures fournisseurs de Données et des résultats propres à la Structure extérieure. ● Droits et obligations de la Structure extérieure : ○ Transmettre ses Données respectant le cadre légal relatif à la protection des Données à caractère personnel ; ○ Ne pas diffuser les résultats issus de ses propres Données ou des Données d’autres structures.
  88. 88. CONCLUSION CHARTE D’ENGAGEMENT ● Contreparties : ○ Un nettoyage et une structuration de ses Données transmises ; ○ Un accès à la plateforme pendant la durée du FUI ; ○ A des résultats issus des traitements effectués par Data&Musée ; ○ A un accès gracieux, pendant la durée du projet, à Arenametrix plateforme d’analyse des données de billetterie développée par Tech4Team, partenaire du projet ; ○ Une communication sur son implication dans le projet ; ○ Une participation aux réflexions sur les cas d’usages, les spécifications de la plateforme et sur la mise en forme des résultats intégrés sur la plateforme.
  89. 89. Merci à tous ! www.datamusee.fr @DataMusee
  90. 90. 4321 5 CALENDRIER PRÉVISIONNEL
  91. 91. Cas d’usages et spécifications de la plateforme Collecte de données Développements Méthodes et analyse de données Services Dissémination Organisation Expérimentations LOTS
  92. 92. CAS D’USAGES

×