Ce salon créé l’année dernière se veut très large sur tous les sujets qui ont un lien avec la donnée : gouvernance, sécurisation des, data science, big data, machine learning, IoT, et dans petit coin il y avait aussi un peu de Business Intelligence !!
Donc cela a été beaucoup de découverte sur des thèmes qui sont finalement assez loin de notre métier de consultant décisionnel !
Voici un petit résumé des conférences que Pauline et Michael ont pu suivre :
Pourquoi et comment se mettre dans une posture « data » ?
Intérêt : ★★★★★
La plus intéressante de la journée, puisque très bien présentée et les animateurs ont su rendre passionnant leur sujet.
Qui la présente :
Cette conférence a été présentée par un collectif nantais qui s’appelle les datamaniaques, il s’agit d’un groupe de 250 personnes qui « vise à fédérer les énergies autour de la Data pour échanger les meilleures pratiques et sensibiliser les décideurs ». Ils organisent des évènements et se réunissent autour de ce thème. Ce mouvement est ouvert à tous, libre à nous de nous y inscrire !
Allez voir leur site, ils ont réalisé des petites vidéo assez décalées et déjantées :
Le sujet :
Le sujet de cette conférence a donc été amené par la société Seed, qui est un adhérent data maniaque et qui faisait une présentation de leur activité avec 3 cas concrets.
Cette société propose aux entreprises d’étudier leurs données autour d’une de leurs problématiques, de leur fournir un modèle statistique à partir de ces données et grâce à ce modèle statistique de proposer des outils d’aide à la décision qui leur permette d’optimiser leur activité. La dernière brique s’apparente à du décisionnel, la phase amont est mise en œuvre par des data scientist (statisticiens/mathématicien/expert métier/informaticien). Leurs clients ne sont pas des gros groupes, au contraire, leur service s’adresse à des PME, ETI.
Pour que ce soit plus concret, je vais vous présenter les 3 exemples qu’ils ont mis en avant :
# Exemple 1 : Une entreprise de transport routier qui fait de la messagerie
Le contexte :
Le client est donc une entreprise de transport routier qui propose de transporter de la marchandise d’un point A à un point B en s’appuyant sur un réseau de quais de messagerie partout en France pour optimiser ses trajets.
Leur problématique :
Leur métier est soumis à de fortes variations d’activité, pour pouvoir assurer le bon fonctionnement de tous les quais de messagerie il faut qu’ils aient assez de bras. Pour couvrir ces pics d’activité ils embauchent des intérimaires en fonction de leur prévision d’activité.
Ce client a donc fait appel à Seed pour optimiser cette prévision d’activité.
Leur méthode :
- Compréhension du métier du client :
Immersion avec les chauffeurs routiers pour comprendre comment se déroule les tournées sur les quais de messagerie avec la direction
- Récolte d’un jeu de données représentatif de leur activité
- Traitement / Mise en forme du jeu de données pour qu’il soit exploitable
- Analyse de ce jeu de données
- Modélisation statistique en plusieurs itérations avec le client pour valider le modèle.
Ce travail se déroule sur 9 mois suite à une phase préparatoire de faisabilité de 2 mois.
Le résultat :
Le résultat pour ce client a été la création d’un outil simple d’utilisation qui propose aux chefs de quai une prévision d’activité. Le chef de quai peut ainsi adapter ses embauches en intérim en fonction de cette prévision.
Le retour du client est que cet outil leur a permis d’économiser l’équivalent de 2 ETP par quai de messagerie. Le retour sur investissement est donc bien réel.
# Exemple 2 : grossiste en quincaillerie
Le contexte :
Il s’agit d’une entreprise qui propose du matériel à des sociétés dans le bâtiment.
Leur problématique :
Etre capable de déterminer le « Juste Prix » en fonction du client et du produit.
La solution :
En utilisant la même méthode que décrite plus haut, ils ont remarqué une forte disparité dans les prix pratiqués par les commerciaux sur le terrain.
L’outil propose un prix et une remise adaptés au type de client et au produit vendu.
Le résultat :
Le but de vendre au prix le plus juste pour s’assurer que le client achète et que le prix soit optimal pour maximiser la marge de l’entreprise.
# Exemple 3 : le poulet virtuel
Le contexte
Une entreprise qui vend de l’alimentation pour poulet.
Leur problématique :
Leur activité est fortement liée au cours des matières premières qui fluctue (ex : tourteau de soja, tournesol…) , ce qui impacte leur marge.
Dans le même temps les formulations d’alimentation pour poulet doivent répondre à des exigences de qualité
Il ne leur ait pas possible d’expérimenter toutes les formulations avant la commercialisation, au risque de voir le cours des MP changer.
La solution :
Seed a croisé les données provenant des cours de bourses des différentes matières premières utilisées avec les résultats des différentes expérimentations sur ces dernières années (quantité mangée par les poulets / poids obtenu sur ces poulets)
L’outil permet, suivant le cours des matières premières de déterminer la formulation qui a la meilleure qualité nutritive pour les poulets.
En maîtrisant mieux ses coûts l’entreprise peut optimiser sa marge sans jouer sur la qualité de ses aliments.
Conclusion
En créant leur modèle de données statistiques, Seed arrive à créer de la valeur avec les données de ses clients et leur permettre de réaliser de réels gains.
Limite : Seed réalise une étude de faisabilité au préalable pour valider avec le client le potentiel de l’outil et ainsi estimé son retour sur investissement. Cette étude préalable dure 2 mois.
l’IoT sans data = un humain sans cerveau
Intérêt : ★★★★
Cette conférence était présentée par le responsable de l’innovation de Business et Decision
Le but de cette conférence est de prendre conscience que les objets connectés, au-delà de leur fonctionnalité première, sont des outils qui permettent de récolter de la donnée ; celles-ci peuvent avoir une seconde vie une fois rassemblées.
Plusieurs exemples ont été présentés, les deux les plus marquants sont :
- Nike : la marque a commercialisé une chaussure connectée qui capte un ensemble de données liés à l’activité de l’utilisateur. Au-delà de simplement présenter les statistiques via une application mobile, la marque a commercialisé un nouveau service qui est un coach sportif se basant sur ces données. Les données ainsi récoltées sont ainsi mises à profit via un nouveau service.
- Pirelli : marque de pneu, dans sa gamme pour les poids lourds. La marque commercialise des pneus connectés qui grâce à un ensemble de capteurs permet de suivre l’usure, le poids transporté, les temps d’utilisation… Pirelli a tiré profit de ces données de 3 façons :
- Un nouveau service pour optimiser le gonflage des pneus en fonction du poids transporté, ce qui permet de faire des économies à ses clients
- Personnalisation des contrats de maintenance en fonction de l’utilisation faite des pneus
- Revente des données à des compagnies d’assurances pour qu’elles puissent comprendre les usages et adapter leurs tarifs
Conclusion :
Dans un projet d’IoT toujours penser à la possibilité de rassembler et de valoriser les données.
Du data puking au data storelling
Intérêt : ★★★
Conférence donnée par une personne de la société Cenisis.
Cette conférence avait pour objectif de présenter l’importance dans le reporting de raconter une histoire plutôt que d’afficher simplement une série de chiffres pour réussir à faire passer un message au lecteur.
J’ai retenu plusieurs conclusions de son intervention :
- Un reporting doit répondre à un objectif / une stratégie préalablement défini
- Pour capter l’attention du lecteur il est nécessaire de suivre un schéma narratif :
- Avoir un pitch qui va capter l’attention du lecteur
- Développer l’idée pour lui faire comprendre
- Mener le lecteur à une conclusion
- Il est nécessaire de revoir le reporting a chaque fois et proposer un support plus court mais ciblant les éléments les plus important = éviter les rapports mensuels de 40 pages
Enfin il présentait des outils qui s’apparentent à la partie « Récit » de Qlik Sense où il est possible de faire des présentations à la demande en ajoutant des annotations dans les graphiques.
Autres conférences
- La plateforme DATA du groupe BPCE : conférence présentant la structure de la plateforme data du groupe Banque Populaire Caisse d’Epargne. Une structure complexe permettant de mutualiser les données de toutes les banques du groupe. Cette plateforme s’appuie sur un Data Lake récupérant toutes les données puis sont transformé vers des datamart plus ciblés, et enfin des applications métiers. La plateforme dispose de fonction plus transverses permettant d’assure la gouvernance des données, le respect de codes règlementaires complexe, du data management. Cette structure emploie 1000 personnes et traite environ 250 To de données.
- Data Visualisation : conférence assez light, vous apprendrez plus de choses avec le support de cours d’A5sys
- Table ronde sur les nouveaux métiers de la donnée
