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.
© Soft Computing – www.softcomputing.com
Objets connectés et Data Science
Usages marketing ?
03/11/2016
© 2
DIRECTION COMMERCIALE ET MARKETING
Sandra GOMES CLARION
Directrice Commerciale et Marketing
E-mail : contact@softcompu...
© 3
Objets connectés et data science, quels usages marketing ?
Séminaire le 3 novembre 2016
Les objets connectés provoquen...
© 4
Sommaire
1. Introduction
2. IOT : définitions
3. IOT : plus qu'un buzz
4. IOT : les spécificités
5. IOT : 2 exemples
6...
© 5
Carte d’identité
© 6
Exploiter tout le potentiel de la data
Créer des expériences Client sans couture
Démultiplier la performance du market...
© 7
Compétences : un mix unique de compétences pointues
Digital
Marketing
Data
Science
Project
Management
Information
Tech...
© 8
A la carte
Think Build Run
Délégation Projet Centre de services
Digital-Marketing IT AMOA
Offre
Delivery
Clients
© 9
Extraits de références
Digital Marketing Big Data
Aviva
CRM Onboarding et campagnes
marketing anonymes – identifiés.
D...
© 10
Experts reconnus
blog.softcomputing.com/
fr.slideshare.net/softcomputing
twitter.com/#!/SoftComputing
linkedin.com/co...
© 11
Recruteur de talents
Datascience Projet
TechnologiesDigital
Marketing
CRM
Big Data
100 CDI à pourvoir cette année
Con...
© 12
Sommaire
1. Introduction
2. IOT : définitions
3. IOT : plus qu'un buzz
4. IOT : les spécificités
5. IOT : 2 exemples
...
© 13
Capteurs
Objet
Connecté
Serveur
Stocke
Analyse
Commande
Alimenta-
tion
© 14
2006-2016 : ce qui a changé
Capteurs
€ : -50%
Objet
Adresses : *1029
Connecté
€ : -98,5%
Couverture +40%
Serveur
Stoc...
© 15
© 16
Sommaire
1. Introduction
2. IOT : définitions
3. IOT : plus qu'un buzz
4. IOT : les spécificités
5. IOT : 2 exemples
...
© 17
B2C : 33%
© 18
5 fois plus d’objets
2015 : 10 Md - 1,5 / humain
2020 : 50 Md - 8 / humain
objets *5
© 19
8 fois plus de données : 1,6 Zeta-octets en 2020
2016 : 200 Exa-octets produits par IoT
2020 : 1,600 Exa-octets
donné...
© 20
280 fois plus de données analysées
2016 : 200 Exa-octets produits par IoT dont 1% analysé
2020 : 1,600 Exa-octets don...
© 21
IoT 2025 : entre 4 et 10 % du PNB mondial
4% =
10% = +
© 22
IoT 2025
Σ ≈ [4,000 – 10,000 Md€] : usages
2/3 B2B
© 23
IoT 2025
Σ ≈ [4,000 – 10,000 Md€] : leviers
© 24
Périmètre considéré
B2C (33%) Ventes et marketing (7%)
Collecte et analyse
© 25
Sommaire
1. Introduction
2. IOT : définitions
3. IOT : plus qu'un buzz
4. IOT : les spécificités
5. IOT : 2 exemples
...
© 26
Toujours la même histoire ?
Marketing
Data ScienceProgrammation
 Définit les produits & services
 Exprime les fonct...
© 27
Temps réel : exemple retail
Check-out automatique
Le beacon capte les produits et débite le
client lorsqu’il passe la...
© 28
Haute volumétrie
25 Go/heure
© 29
Séries continues
2014 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 ...
© 30
Auto-apprentissage
© 31
Données non structurées
© 32
Interopérabilité
© 33
Impact sur l’architecture
Serveur
Stocke
Analyse
Stockage et calcul
Big data
Stream
Processing
Algorithmes
Deep ML
Tr...
© 34
Sommaire
1. Introduction
2. IOT : définitions
3. IOT : plus qu'un buzz
4. IOT : les spécificités
5. IOT : 2 exemples
...
© 35
Deux Objets connectés
Capteurs
• scan ean, voix
• GPS, température,
accéléromètre…
Objet
• scanette
• montre
Home Pag...
© 36
MONTRE CONNECTEE
DOMAINE SPORT
2
1. Introduction
o concept
o objet
2. Enjeux
3. Masse de données comportementales
4. ...
© 37
Objet # 2. Montre connectée - Le concept
Constat
user
 Engouement pour les sports individuels
 Plébiscite d’applica...
© 38
Objet # 2. Montre connectée - L’objet
Objet « wearable » grand public dans la mouvance du Quantified Self
(mesure de ...
© 39
MONTRE CONNECTEE
DOMAINE SPORT
2
1. Introduction
2. Enjeux
3. Masse de données comportementales
4. Services proposés ...
© 40
Objet # 2. Montre connectée - La promesse user
 échange d’informations
 compétition : se mesurer aux autres
Partage...
© 41
Sous forme de signaux avec un pas de temps de 1 s
Objet # 2 Montre connectée - Les données
Volumétrie très importante...
© 42
Données supplémentaires renseignées par le user sur sa home page
Objet # 2 Montre connectée - Les données
Volumétrie ...
© 43
Objet # 2 Montre connectée - Récupération données
Distributeur
spécialisé
sport
• Proposer des nouveaux services
• Ac...
© 44
MONTRE CONNECTEE
DOMAINE SPORT
2
1. Introduction
2. Enjeux
3. Masse de données comportementales
4. Services proposées...
© 45
Objet # 2 Montre connectée - Le service Quantified Self
Données récoltées le 03 juillet 2016
Reporting
• Extraire de ...
© 46
Objet # 2 Montre connectée - Le service Quantified Self
Données avec infographie
Signaux de vitesse et altitude avec ...
© 47
Cas d’usage # 2 Montre connectée - Service Quantified Self
Tableau de bord : Indicateurs agrégés
Activité :
RUN
© 48
Objet # 2 Montre connectée - Le service Quantified Self
La vitesse
est calculée à partir du capteur « accéléromètre »...
© 49
Objet # 2 Montre connectée - Service Coach
une voix dans les écouteurs qui motive le runner en temps réel
coaching en...
© 50
Objet # 2 Montre connectée - Service Coach. Comparaison de signaux
Période des exercices de «fractionné»
90s 60s 73s
...
© 51
Objet # 2 Montre connectée - Service Coach. Algorithme
Input :
ID, GPS, date, altitude, durée
Michel , (48.840 2.59),...
© 52
Objet # 2 Montre connectée - Travail sur les signaux
Description
données
 Pour chaque move - ticket
 Plusieurs sign...
© 53
Analyse de Fourier classique
• Pour étudier les phénomènes cycliques
• Passer du domaine TEMPS au domaine FREQUENCE
O...
© 54
Objet # 2 Montre connectée. Analyse signal
 Avantage : détecte l’existence de cycles et leur longueur
 Inconvénient...
© 55
Objet # 2 Montre connectée. Analyse signal
Détails
Niveau 1
Détails
Niveau 6
Détails
Niveau 5
Détails
Niveau 4
Détail...
© 56
Conclusion. Data Mining pour les objets connectés
 Nature de la Data : signaux
 Machine Learning : théorie du signa...
© 57
Sommaire
1. Introduction
2. IOT : définitions
3. IOT : plus qu'un buzz
4. IOT : les spécificités
5. IOT : 2 exemples
...
© 58
Agilité internet et rigueur industrielle
Design
Prototype testable
3 mois 1 semaine
© 59
Ventilation des coûts
© 60
Facteurs clés de succès
80 % simplicité20 % puissance
© 61
Plébiscite du cloud
© 62
Un jeu à 3 5
Leadership
© 63
Sommaire
1. Introduction
2. IOT : définitions
3. IOT : plus qu'un buzz
4. IOT : les spécificités
5. IOT : 2 exemples
...
© 64
IOT &
Data
science
Spécificités : projet,
organisation et méthodes
Algorithmes : facteur clé
de différenciation
Quest...
Upcoming SlideShare
Loading in …5
×

Objets Connectés (IoT) et Data Science

1,964 views

Published on

Objets connectés et Data Science, quels usages marketing ?

Les objets connectés provoquent un véritable déluge de données. Les techniques de Machine Learning et de Data Science combinées aux technologies Big Data permettent de transformer ces données en connaissance actionnable pour améliorer l’expérience utilisateur, la qualité des produits ou l’efficacité des processus. Quelles données remontent de l’IoT ? quelles techniques permettent d’en extraire de la connaissance utile ? comment cette connaissance peut-elle créer de la valeur ?

Que ce soit dans le domaine de la santé, de la domotique, des véhicules, des réseaux de distribution, la quantité d’objets connectés croît de manière exponentielle. Dans le même temps, les innovations technologiques concourent à augmenter la fréquence et la quantité d’informations captée et exploitable.
Les services rendus à son utilisateur par chaque objet connecté reposent sur la donnée collectée et son analyse. Mais l’accumulation de données que rendent possible les technologies Big Data et la puissance d’analyse qu’offrent les techniques de Deep Machine Learning et de Data Science ouvrent de nouveaux horizons à l’utilisation marketing des données de l’IoT : primes d’assurances tarifées à l’usage, prévisions des ventes de produits frais ou des consommations d’énergie, anticipation des files d’attente en caisse, yield management et pricing dynamique, ...
Ce séminaire prospectif vise à présenter au travers de quelques exemples, les données, les technologies et les techniques sous-jacentes à l’analyse de données massives produites par les objets connectés ainsi que des conseils sur les modalités pratiques de mise en œuvre.

Published in: Technology

Objets Connectés (IoT) et Data Science

  1. 1. © Soft Computing – www.softcomputing.com Objets connectés et Data Science Usages marketing ? 03/11/2016
  2. 2. © 2 DIRECTION COMMERCIALE ET MARKETING Sandra GOMES CLARION Directrice Commerciale et Marketing E-mail : contact@softcomputing.com Tel : +33 (0)1 73 00 55 00
  3. 3. © 3 Objets connectés et data science, quels usages marketing ? Séminaire le 3 novembre 2016 Les objets connectés provoquent un véritable déluge de données. Les techniques de Machine Learning et de Data Science combinées au technologies Big Data permettent de transformer ces données en connaissance actionnable pour améliorer l’expérience utilisateur, la qualité des produits ou l’efficacité des processus. Quelles données remontent de l’IoT ? Quelles techniques permettent d’en extraire de la connaissance utile ? … Que ce soit dans le domaine de la santé, de la domotique, des véhicules, des réseaux de distribution, la quantité d’objets connectés croît de manière exponentielle. Dans le même temps, les innovations technologiques concourent à augmenter la fréquence et la quantité d’informations captée et exploitable. Ce séminaire prospectif vise à présenter au travers de quelques exemples, les données, les technologies et les techniques sous-jacentes à l’analyse de données massives produites par les objets connectés ainsi que des conseils sur les modalités pratiques de mise en œuvre. A propos Soft Computing est le spécialiste du marketing digital data-driven. Ses 400 consultants, experts en sciences de la donnée, en marketing digital et en technologies big data, aident au quotidien plus de 150 entreprises à travers le monde à exploiter tout le potentiel de la donnée pour améliorer l’expérience de leurs clients et le ROI de leur marketing digital. Soft Computing est côté à Paris sur NYSE Euronext (ISIN : FR0000075517, Symbole : SFT). Cet événement est réservé aux clients et prospects Soft Computing. Pour tout autre profil, l'inscription sera soumise à validation. Soft Computing |55 quai de Grenelle|75015 Paris|01 73 00 55 00 | www.softcomputing.com Modalités : Ce séminaire aura lieu dans les locaux de Soft Computing. Ou via notre site: www.softcomputing.com Agenda : 08h45 – 11h00  Objets connectés et données collectées  Big Data : révolution dans le stockage et l’analyse de données  Data Science : théorie du signal, stochastique et autres techniques d’analyse de l’IoT  Cas d’usage marketing de l’analyse de données de l’IoT  Organisation, compétences et gouvernance pour la mise en œuvre  Conclusion
  4. 4. © 4 Sommaire 1. Introduction 2. IOT : définitions 3. IOT : plus qu'un buzz 4. IOT : les spécificités 5. IOT : 2 exemples 6. IOT : retours d'expérience 7. IOT : Conclusions
  5. 5. © 5 Carte d’identité
  6. 6. © 6 Exploiter tout le potentiel de la data Créer des expériences Client sans couture Démultiplier la performance du marketing digital Mission Marketing Intelligence Big Data Driven Digital Experience
  7. 7. © 7 Compétences : un mix unique de compétences pointues Digital Marketing Data Science Project Management Information Technologies
  8. 8. © 8 A la carte Think Build Run Délégation Projet Centre de services Digital-Marketing IT AMOA Offre Delivery Clients
  9. 9. © 9 Extraits de références Digital Marketing Big Data Aviva CRM Onboarding et campagnes marketing anonymes – identifiés. Danone Programme relationnel multi- devices et remarketing. Engie Data Management Platform, CRM, Identity Management et web analytics. Fnac Convergence des pratiques et outils marketing offline et in store avec le digital. Les Echos Migration technique et organisationnelle d’une DMP et d’une SSP. BPCE Centre de services de gestion des campagnes marketing multicanal. L'Oréal Déploiement et exploitation d’une plate-forme CRM multi-marques multi-pays. Système U Centre de services gestion de campagnes marketing et connaissance clients. vente-privee.com Mise en place de campagnes automatisées et optimisées par des tests. Vivarte Gestion et activation d’un référentiel client unique multimarques. La Banque Postale Conception de l’architecture décisionnelle hybride big data – datawarehouse. LCL Accompagnement à la conception et la mise en place d’un datalake. Orange Formation de compétences et de méthodes en data science sur les filiales Afrique et Moyen-Orient. PSA Définition de la gouvernance d’un MDM client multi-activité et international. RCI Banque Elaboration d’une stratégie de connaissance client et valorisation des big data.
  10. 10. © 10 Experts reconnus blog.softcomputing.com/ fr.slideshare.net/softcomputing twitter.com/#!/SoftComputing linkedin.com/company/soft-computing facebook.com/softcomputing softcomputing.com/news/ InformerEcrire Enseigner
  11. 11. © 11 Recruteur de talents Datascience Projet TechnologiesDigital Marketing CRM Big Data 100 CDI à pourvoir cette année Contact : recrutement@softcomputing.com – http://www.softcomputing.com/offres-d-emploi
  12. 12. © 12 Sommaire 1. Introduction 2. IOT : définitions 3. IOT : plus qu'un buzz 4. IOT : les spécificités 5. IOT : 2 exemples 6. IOT : retours d'expérience 7. IOT : Conclusions
  13. 13. © 13 Capteurs Objet Connecté Serveur Stocke Analyse Commande Alimenta- tion
  14. 14. © 14 2006-2016 : ce qui a changé Capteurs € : -50% Objet Adresses : *1029 Connecté € : -98,5% Couverture +40% Serveur Stocke € : -99% Analyse Tflop : *103 Commande Alimentation Durée : *1,000
  15. 15. © 15
  16. 16. © 16 Sommaire 1. Introduction 2. IOT : définitions 3. IOT : plus qu'un buzz 4. IOT : les spécificités 5. IOT : 2 exemples 6. IOT : retours d'expérience 7. IOT : Conclusions
  17. 17. © 17 B2C : 33%
  18. 18. © 18 5 fois plus d’objets 2015 : 10 Md - 1,5 / humain 2020 : 50 Md - 8 / humain objets *5
  19. 19. © 19 8 fois plus de données : 1,6 Zeta-octets en 2020 2016 : 200 Exa-octets produits par IoT 2020 : 1,600 Exa-octets données*8
  20. 20. © 20 280 fois plus de données analysées 2016 : 200 Exa-octets produits par IoT dont 1% analysé 2020 : 1,600 Exa-octets dont 35% analysé  calcul*280
  21. 21. © 21 IoT 2025 : entre 4 et 10 % du PNB mondial 4% = 10% = +
  22. 22. © 22 IoT 2025 Σ ≈ [4,000 – 10,000 Md€] : usages 2/3 B2B
  23. 23. © 23 IoT 2025 Σ ≈ [4,000 – 10,000 Md€] : leviers
  24. 24. © 24 Périmètre considéré B2C (33%) Ventes et marketing (7%) Collecte et analyse
  25. 25. © 25 Sommaire 1. Introduction 2. IOT : définitions 3. IOT : plus qu'un buzz 4. IOT : les spécificités 5. IOT : 2 exemples 6. IOT : retours d'expérience 7. IOT : Conclusions
  26. 26. © 26 Toujours la même histoire ? Marketing Data ScienceProgrammation  Définit les produits & services  Exprime les fonctionnalités  Monétise la donnée  Explore  Transforme  Modélise  Collecte  Nettoie  Industrialise
  27. 27. © 27 Temps réel : exemple retail Check-out automatique Le beacon capte les produits et débite le client lorsqu’il passe la porte Promotion personnalisée La localisation en magasin est croisée avec l’historique d’achat et les pages vues en ligne pour choisir les promos Optimisation des stocks Les ventes en caisse sont remontées en temps réel pour une modélisation prédictive des stocks Réappro des rayons Les images des rayons filmés par des drones sont analysées pour identifier les besoins de réappro
  28. 28. © 28 Haute volumétrie 25 Go/heure
  29. 29. © 29 Séries continues 2014 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 1 12 12 12 11 11 11 11 10 10 9 9 9 9 9 8 8 7 7 7 7 7 6 6 5 4 3 3 2 2 CD_PRDEAN LB_PRDEAN_TICKET 24 28 20 11 30 21 16 2 19 5 27 17 14 11 7 9 3 29 27 13 11 2 15 3 10 6 23 6 12 9 8002270014901 SAN PELLEGR. 4030 KIWIS 8000430133035 MOZZAREL.125 3179732348913 PERRIER 1L 5410228102762 LEFFE BL.75C 3248830690610 PATE FEUILL. 3700311801361 MOUCH 15X10 5411681014050 DUVEL 75CL 3700311812985 DISQUE DEMAQ 3274080001005 EAU CRISTALI 3222475116865 EAU 5L 3222474212681 PH X24 BLANC 3222473347094 ETUI 24X9 3468570116601 EAU ROZANA 3222471020036 CAMEMB.CASIN 3057640135408 VOLVIC 6X1L5 3176571625007 LAIT ST.50CL 4593 CONCOMBRE 5410228158424 BIERE 75CL 3222473274482 PJ CLEMTINE 5410908000074 CHIMAY 3360410000104 AMI CHABERTI 3046920044691 CHOCOLAT 3123340002811 PJ ORANGE 3179732324818 EAU GAZEUSE 3302552414739 CAILLE FRAIS 3222471319390 EAU CO 6X1L5 3600550226980 COLORATION 3222474897857 SAVON MARS.
  30. 30. © 30 Auto-apprentissage
  31. 31. © 31 Données non structurées
  32. 32. © 32 Interopérabilité
  33. 33. © 33 Impact sur l’architecture Serveur Stocke Analyse Stockage et calcul Big data Stream Processing Algorithmes Deep ML Traitement du signal API Interopérables
  34. 34. © 34 Sommaire 1. Introduction 2. IOT : définitions 3. IOT : plus qu'un buzz 4. IOT : les spécificités 5. IOT : 2 exemples 6. IOT : retours d'expérience 7. IOT : Conclusions
  35. 35. © 35 Deux Objets connectés Capteurs • scan ean, voix • GPS, température, accéléromètre… Objet • scanette • montre Home Page Connecté Serveur Stocke • données externes • historiques • données HomePage Analyse • matrice de substitution • données structurées • données non structurées Restitue • recommandations • tableaux de bord ID ID ID ID
  36. 36. © 36 MONTRE CONNECTEE DOMAINE SPORT 2 1. Introduction o concept o objet 2. Enjeux 3. Masse de données comportementales 4. Services proposés par la montre connectée
  37. 37. © 37 Objet # 2. Montre connectée - Le concept Constat user  Engouement pour les sports individuels  Plébiscite d’applications/réseaux communautaires mettant en avant • l’expérience sportive - blog, photo, commentaires • les analyses sous forme de stat, infographie Constat métier  A la croisée des deux secteurs les plus porteurs  sport  santé / bien être - premier segment marketing des objets connectés
  38. 38. © 38 Objet # 2. Montre connectée - L’objet Objet « wearable » grand public dans la mouvance du Quantified Self (mesure de données personnelles) • On-Off pour chaque « move » (comme un chrono) • Approvisionnant en data le compte personnel du user à la fin du move par cable ou WiFi Remarque : Identifiant unique [Objet = Compte = User ]
  39. 39. © 39 MONTRE CONNECTEE DOMAINE SPORT 2 1. Introduction 2. Enjeux 3. Masse de données comportementales 4. Services proposés par la montre connectée
  40. 40. © 40 Objet # 2. Montre connectée - La promesse user  échange d’informations  compétition : se mesurer aux autres Partager avec sa communauté  choisir/suivre un programme d’entraînement adapté à ses envies  planifier ses itinéraires Planifier ses entraînements  profiter de ses performances  améliorer sa condition physique Suivre sa progression
  41. 41. © 41 Sous forme de signaux avec un pas de temps de 1 s Objet # 2 Montre connectée - Les données Volumétrie très importante GPS (latitude-longitude) >> Distance Capteur Pression >> Altitude Température Accéléromètre >> Vitesse Signaux récoltés à chaque « move » run/cyclo/plongée .. de chaque user Cardiomètre >> BPM
  42. 42. © 42 Données supplémentaires renseignées par le user sur sa home page Objet # 2 Montre connectée - Les données Volumétrie très importante + Données non structurées Commentaires Photos Données récoltées au fil de l’eau pour chaque user
  43. 43. © 43 Objet # 2 Montre connectée - Récupération données Distributeur spécialisé sport • Proposer des nouveaux services • Acquérir de la connaissance client sans intrusion - pas de questionnaire  données CRM  données achats  données produits  données Montre Connectée o données structurées : signaux o données non structurées : commentaires, photos
  44. 44. © 44 MONTRE CONNECTEE DOMAINE SPORT 2 1. Introduction 2. Enjeux 3. Masse de données comportementales 4. Services proposées par la montre o Services Quantified Self o Services Coach
  45. 45. © 45 Objet # 2 Montre connectée - Le service Quantified Self Données récoltées le 03 juillet 2016 Reporting • Extraire de la data les indicateurs descriptifs • Proposer de l’information « agréable » Exemples : kca, temps de récup • Restituer l’information de manière attractive • Faire une restitution en temps réel sur l’objet connectéActivité : RUN
  46. 46. © 46 Objet # 2 Montre connectée - Le service Quantified Self Données avec infographie Signaux de vitesse et altitude avec informations complémentaires: moyenne, maximum et statistiques intermédiairesActivité : RUN
  47. 47. © 47 Cas d’usage # 2 Montre connectée - Service Quantified Self Tableau de bord : Indicateurs agrégés Activité : RUN
  48. 48. © 48 Objet # 2 Montre connectée - Le service Quantified Self La vitesse est calculée à partir du capteur « accéléromètre » (m/s^2) • En intégrant sur le temps • En intégrant deux fois >> distance parcourue Le temps de récupération est calculé à partir de règles a priori dépendant de la durée, de la vitesse, du dénivelé L’altitude est calculée à partir du capteur « pression » (pas à partir des données GPS) • Problématique de précision du GPS – surtout en terrain à fort gradient • Problématique de mémoire et temps d’accèsActivité : RUN
  49. 49. © 49 Objet # 2 Montre connectée - Service Coach une voix dans les écouteurs qui motive le runner en temps réel coaching en live Technologies Data Sciences : Algorithme de recommandation Apprentissage sur les historiques moves, personnel ou collaboratif Traitement du signal – extraction de features Activité : RUN
  50. 50. © 50 Objet # 2 Montre connectée - Service Coach. Comparaison de signaux Période des exercices de «fractionné» 90s 60s 73s Début des exercices de «fractionné» + 23.5 min + 28 min + 26.5 min Vitesse moyenne en « run » 2.54 m/s 2.78m/s 2.77 m/s Dates des moves 2014-09-04 11:14:17 2014-09-08 19:13:09 2014-09-11 18:37:38 2014-09-26 11:05:44 Coordonnées GPS 48.839 2.58 48.840 2.58 48.838 2.58 48.840 2.58 ID Pascal Michel Michel Michel En base En base En base En direct Speed m/s (ordonnées) fonction du temps (abscisses)
  51. 51. © 51 Objet # 2 Montre connectée - Service Coach. Algorithme Input : ID, GPS, date, altitude, durée Michel , (48.840 2.59), 2014-09-26 11:05:44, 62, t=0 Identification de l’activité Run Apprentissage personnalisé: dans l’historique Michel • recherche des runs avec signaux sur [0,t] similaires o parcours déjà vu - GPS o parcours nouveau - altitude Apprentissage collaboratif: dans l’historique des users de la communauté de Michel • recherche des runs similaires (règles a priori puis knn : GPS, dénivelé, durée) Comparaison des données instantanées : vitesse, bpm Comparaison des indicateurs : T début du fractionné, période du fractionné Prévision de durée – parcours déjà vu - Ouput : messages • trop lent, accélère • bpm trop rapide, repos • si tu tiens le rythme, tu exploses ton record • si tu tiens le rythme, tu prends 2 minutes à Pascal Identifications des caractéristiques de ces runs : o durée, vitesse (moyenne/accidents), altitude, bpm Pré-traité Caractéristiques Niveau 1 Caractéristiques Niveau 2
  52. 52. © 52 Objet # 2 Montre connectée - Travail sur les signaux Description données  Pour chaque move - ticket  Plusieurs signaux - plus complexe qu’une variable >> agréger l’information apportée par chaque signal Agrégateurs usuels Non spécifiques « séries temporelles »  longueur, min, max, moyenne Agrégateurs complexes Spécifiques « théorie du signal »  cycles, longueurs de cycles  tendances, accidents
  53. 53. © 53 Analyse de Fourier classique • Pour étudier les phénomènes cycliques • Passer du domaine TEMPS au domaine FREQUENCE Objet # 2 Montre connectée. Analyse signal Temps en s (57 min) Fréquence Vitesse en m/s Amplitude Longueur du cycle le plus important = 1/Freq*. Ici 72 s = périodes accélération/décélération (usuel 30+30) Fractionné (exercice cardio) FFT
  54. 54. © 54 Objet # 2 Montre connectée. Analyse signal  Avantage : détecte l’existence de cycles et leur longueur  Inconvénients : o pas de localisation temporelle des cycles o ne voit pas les « accidents » du signal Analyse de Fourier Ecrit le signal comme une somme  d’une tendance >> comportement moyen  de détails donnés à plusieurs échelles >> accidents localisés Analyse en ondelette - Très utilisée pour le Deep Learning
  55. 55. © 55 Objet # 2 Montre connectée. Analyse signal Détails Niveau 1 Détails Niveau 6 Détails Niveau 5 Détails Niveau 4 Détails Niveau 3 Détails Niveau 2 Tendance Niveau 1
  56. 56. © 56 Conclusion. Data Mining pour les objets connectés  Nature de la Data : signaux  Machine Learning : théorie du signal + recommandation  Services offerts : orientés vers la satisfaction  Lien direct avec le client via des outputs délivrés en instantané  analyses sur la data  restitutions client
  57. 57. © 57 Sommaire 1. Introduction 2. IOT : définitions 3. IOT : plus qu'un buzz 4. IOT : les spécificités 5. IOT : 2 exemples 6. IOT : retours d'expérience 7. IOT : Conclusions
  58. 58. © 58 Agilité internet et rigueur industrielle Design Prototype testable 3 mois 1 semaine
  59. 59. © 59 Ventilation des coûts
  60. 60. © 60 Facteurs clés de succès 80 % simplicité20 % puissance
  61. 61. © 61 Plébiscite du cloud
  62. 62. © 62 Un jeu à 3 5 Leadership
  63. 63. © 63 Sommaire 1. Introduction 2. IOT : définitions 3. IOT : plus qu'un buzz 4. IOT : les spécificités 5. IOT : 2 exemples 6. IOT : retours d'expérience 7. IOT : Conclusions
  64. 64. © 64 IOT & Data science Spécificités : projet, organisation et méthodes Algorithmes : facteur clé de différenciation Questions à venir : vie privée, propriété, responsabilité… Freins : règlementation, interopérabilité

×