LIVRE BLANC. Les données sociales : De nouvelles perspectives pour les systèmes d information décisionnels?

Transcription

1 LIVRE BLANC Les données sociales : De nouvelles perspectives pour les systèmes d information décisionnels?

2 Préambule A propos de Logica Business Consulting Le Groupe Logica est un acteur européen majeur des services informatiques qui réunit personnes dans 36 pays, dont collaborateurs en France. Son activité englobe le conseil en management, l intégration de systèmes et l outsourcing de processus métier et IT. Logica travaille en étroite collaboration avec ses clients afin de les aider à libérer leur potentiel pour devenir plus productifs, accélérer leur croissance et mieux gérer les risques. Logica s appuie sur ses connaissances approfondies des secteurs, son excellence en matière de technologie et de production ainsi que sur son expertise en matière de delivery pour aider ses clients à se positionner en tête de leurs marchés respectifs. Logica Business Consulting, quatrième acteur du conseil en France, se positionne avec une approche «catalyseur des idées et des énergies» pour accompagner les grandes entreprises et organisations dans l'amélioration de leurs performances opérationnelles. Ses consultants se différencient par l équilibre de leurs compétences sur les volets métiers, fonctionnels et technologiques. Au sein de cette entité, l équipe BI adopte une posture de conseil vis-à-vis du marché global de la Business Intelligence et n hésite pas à se positionner sur des sujets d innovation tels que les réseaux sociaux. De manière générale, ses consultants expérimentés accompagnent les clients sur des problématiques d organisation, d urbanisation et de pilotage de la performance mais fournissent également une expertise technologique avancée. Logica est coté à la Bourse de Londres et d'amsterdam (LSE : LOG ; Euronext : LOG). Pour plus d informations, consultez le site 2

3 Objet du Livre Blanc La Business Intelligence a atteint une grande maturité dans la valorisation des informations structurées et internes à l entreprise. L intégration de données externes et, plus récemment, le croisement de données structurées et non structurées ont considérablement enrichi les environnements décisionnels. Ces dernières années, l émergence fulgurante des medias sociaux et des technologies du web 2.0 en général, constitue de nouvelles sources de données et donne de nouvelles perspectives à la Business Intelligence de demain. Il est question ici des données que nous appellerons sociales. Issues des interactions entre les personnes, les données sociales caractérisent l activité des individus au sein d un réseau social. Même si la notion de réseau social est loin d être un néologisme et bien que l analyse des réseaux sociaux soit une discipline vieille de plus de 50 ans, l explosion des outils de réseau social, appelés médias sociaux, produit aujourd hui des gisements de données sociales sans précédent que l entreprise doit apprendre à valoriser. En effet, que les données proviennent d un media social d entreprise ou d un media social public tel que Facebook, Twitter ou LinkedIn, leur analyse apporte de l information sociale à forte valeur ajoutée sur les interactions entre les collaborateurs de l entreprise, les interactions entre les clients ou les fournisseurs, et de manière générale, les interactions entre les acteurs de l écosystème de l entreprise étendue. Chiffres clés 400 millions de comptes actifs Facebook dont 16 en France 105 millions d utilisateurs Twitter 70 millions d utilisateurs LinkedIn 456% de croissance pour les ventes de solutions de medias sociaux d entreprise d ici à 2013 (source Forrester) Les médias sociaux exploitent déjà cette information à des fins commerciales, en vendant des espaces publicitaires très ciblés aux entreprises et des accès «Premium» aux utilisateurs. Les consortiums sur les données ouvertes et interopérables se multiplient. D importants volumes de données sociales sont déjà disponibles sur les plateformes OpenSocial (Google), W3C, Open Mashup Alliance ou Linked Data. Autant d informations qui pourraient être valorisées dans un système d information décisionnel. Plus récemment, l ouverture d API (Application Programming Interface), permettant d interopérer avec les données ouvertes d un ou plusieurs medias sociaux, offre de nouvelles perspectives d exploitation des données sociales. 3

4 Intégrer des flux de données sociales dans le système d information décisionnel d entreprise serait-il la prochaine étape? Peut-on mettre les données sociales de l écosystème de l entreprise en résonance avec les environnements BI qu elle a déjà mis en place? Dans quels cas cela pourrait-il être pertinent et quelle en serait la valeur ajoutée pour l entreprise? Né d une réflexion interne sur le mariage Business Intelligence et réseaux sociaux, ce livre blanc vise à mesurer les opportunités et les enjeux de l exploitation des données sociales dans l environnement décisionnel. Figure 1 : De nouvelles perspectives pour la Business Intelligence Mots clés Business Intelligence, réseau social, réseau social d entreprise, médias sociaux, données sociales, information sociale 4

5 Précision Nous identifions comme important le fait de bien distinguer les termes de réseaux sociaux (interactions entre des personnes) et de medias sociaux (outillage informatique de ces réseaux sociaux). A la lumière de cette précision, nous pouvons cependant considérer que le terme Médias Sociaux est un synonyme de l acceptation usuelle du terme Réseaux Sociaux. Guide de lecture Ce document a été écrit avec la volonté de s adresser au plus grand nombre. Il ne requiert pas de bagage technique avancé et se veut compréhensible par tous. Cependant, à la suite de la première partie de définition des concepts de base manipulés dans le livre blanc, la seconde partie est plus théorique et s attache à démontrer la faisabilité de l intégration des données sociales dans le système d information décisionnel. Les lecteurs plus intéressés par l utilisation qui pourrait être faire des données sociales trouveront de nombreux axes de réflexion en lisant la dernière partie intitulée «l exploitation des données sociales dans un système d information décisionnel». Réagir au contenu En tant qu utilisateurs de plates-formes de Business Intelligence, Analyste, Décideur, Architecte, Directeur des Systèmes d Information, Expert de la Sécurité ou simple curieux... vos avis et commentaires nous intéressent. N hésitez pas à réagir au contenu de ce document. Pour contacter Logica Business Consulting Olivier Jacquemont, Manager de la division Business Intelligence [email protected]

6 Table des matières PREAMBULE... 2 A PROPOS DE LOGICA BUSINESS CONSULTING... 2 OBJET DU LIVRE BLANC... 3 MOTS CLES... 4 PRECISION... 5 GUIDE DE LECTURE... 5 REAGIR AU CONTENU... 5 TABLE DES MATIERES... 6 TABLE DES ILLUSTRATIONS... 7 QUELQUES DEFINITIONS... 8 LA BUSINESS INTELLIGENCE... 8 DONNEES SOCIALES ET INFORMATION SOCIALE L ECOSYSTEME DE L ENTREPRISE ETENDUE LES DONNEES SOCIALES AU SEIN DE L ECOSYSTEME DE L ENTREPRISE.. 14 OU SE TROUVENT LES DONNEES SOCIALES? COMMENT LES INTEGRER AU SYSTEME BI? QUELLE VALEUR BRUTE PORTENT LES DONNEES SOCIALES? L EXPLOITATION DES DONNEES SOCIALES DANS UN SYSTEME D INFORMATION DECISIONNEL A L ORIGINE : VALORISER DES TICKETS D APPELS POUR MINIMISER L ATTRITION DANS LE SECTEUR DES TELECOMMUNICATIONS QUICKWIN : EXPLOITER LES DONNEES SOCIALES ISSUES DU RESEAU SOCIAL D ENTREPRISE ALLER PLUS LOIN : EXPLOITER DES DONNEES SOCIALES EXTERNES A L ENTREPRISE POINTS D ATTENTION ET PRECONISATIONS LE SOURCING ANALYSE SEMANTIQUE LA CONFIDENTIALITE LA PERTINENCE ET LA REPRESENTATIVITE DES DONNEES L APPROCHE LOGICA BUSINESS CONSULTING GLOSSAIRE

7 Table des illustrations FIGURE 1 : DE NOUVELLES PERSPECTIVES POUR LA BUSINESS INTELLIGENCE... 4 FIGURE 2 : PROCESSUS DE MISE A DISPOSITION DE L INFORMATION DANS UN SYSTEME BI FIGURE 3 : ECOSYSTEME DE L ENTREPRISE ETENDUE FIGURE 4 : PANORAMA DES SOURCES DE DONNEES DE L ECOSYSTEME DE L ENTREPRISE ETENDUE FIGURE 5 : REPRESENTATION D UN RESEAU SOCIAL SELON LA THEORIE DES GRAPHES FIGURE 6 : CORRESPONDANCE MATRICE - SOCIOGRAMME FIGURE 7 : L EXPLOITATION DES DONNEES SOCIALES DANS UN SYSTEME DECISIONNEL POUR MINIMISER LE CHURN FIGURE 8 : EXPLOITATION DES DONNEES SOCIALES DANS UN SYSTEME DECISIONNEL POUR AMELIORER LA PERFORMANCE DE SES EQUIPES COMMERCIALES FIGURE 9 : TABLEAU DE BORD DE SUIVI DE LA PERFORMANCE D UNE EQUIPE COMMERCIALE

8 Quelques définitions La Business Intelligence La Business Intelligence (BI), ou informatique décisionnelle, désigne les méthodes et outils d aide à la décision qui permettent à des analystes ou à des responsables de l entreprise de piloter leur activité en disposant en permanence des informations nécessaires à la prise de décision. Quelle est l évolution du chiffre d affaires sur le premier semestre? Est-elle alignée avec les objectifs fixés? Les résultats de mes équipes sont-ils homogènes? Quel est le produit responsable de ma croissance? Dois-je déclencher un plan d actions sur la région commerciale sur laquelle je rencontre des difficultés? Quelle est la tendance sur cette région depuis quelques années? A partir des données disponibles dans l entreprise, la Business Intelligence apporte aux décideurs les indicateurs clés qui leurs permettent de répondre à ces questions et de les accompagner dans le processus de décision. L objectif de ces outils est d être capable de réaliser des analyses détaillées sur les données de l entreprise pour expliquer des résultats, comprendre des phénomènes, détecter des tendances et même prédire l avenir! Voici les trois phases sur lesquelles repose la mise à disposition d informations clés à partir des différentes sources de données de l entreprise. La collecte des données de l entreprise L entreprise dispose aujourd hui de nombreuses sources de données hétérogènes qui peuvent être internes et/ou externes à l entreprise. On compte parmi elles, les données opérationnelles structurées issues des bases de données des systèmes ERP, CRM ou PLM et plus généralement de toutes les applications métiers. Ces données «classiques» de production, de vente ou de stock sont parfois complétées par les données non-structurées qui circulent dans l entreprise telles que les documents produits par les collaborateurs, les s et autres champs de textes. Aujourd hui, des systèmes décisionnels intègrent également des flux de données externes telles que des données économiques, financières, démographiques, sociales ou encore des données météorologiques, sur le trafic aérien qui permettent de comprendre des phénomènes qui dépassent parfois l entreprise. Une fois que le périmètre du système décisionnel a été défini, il s agît d intégrer les données pertinentes parmi les sources de données grâce à un outil d intégration de données appelé ETL (Extract, Transform, Load) 8

9 L intégration A la suite du processus de collecte d information, il s agît d unifier des données aux formats hétérogènes pour les intégrer dans l environnement décisionnel. L objectif étant d obtenir un ensemble cohérent de données qu il sera possible de croiser dans la phase de restitution. La diversité des données, des problématiques métiers et l explosion des volumes de données nécessite souvent d éclater «l entrepôt de données» (datawarehouse), qui rassemble toutes les données collectées, en «magasins de données» spécialisés (datamart). La restitution La phase de restitution correspond à la mise à disposition des informations de l environnement décisionnel. Selon les besoins métiers, cette restitution peut prendre les différentes formes suivantes : Reporting Le rapport est le mode de restitution le plus classique. Il permet de présenter des données de manière synthétique et lisible. Il s agît de rapports prédéfinis (ou statiques), mis à disposition des utilisateurs à travers un portail pour qu ils puissent les consulter et les rafraichir à tout moment. Reporting ad hoc Le reporting ad hoc s oppose au reporting classique puisqu il répond à un besoin d analyse interactive. Appelé en français, analyse à la demande, il permet de chercher de l information en effectuant des analyses successives, les résultats d une recherche influençant la recherche suivante. Tableau de bord Le tableau de bord est un mode de restitution dédié au pilotage de l activité. L intérêt est de rassembler un ensemble d indicateurs de performance dans une même fenêtre afin de suivre l évolution des résultats en un clin d œil. Il s agît de créer des vues personnalisées rassemblant tableaux, graphiques, jauges, qui répondent à des besoins métiers spécifiques. 9

10 Cube OLAP (OnLine Analytical Processing) Le cube OLAP répond aux besoins utilisateurs de réaliser des analyses quantitatives dynamiques selon plusieurs angles de vues, appelés dimensions. Il offre des possibilités de navigation dans les données et des fonctionnalités d analyse avancées qui en font le mode de restitution phare des environnements décisionnels d aujourd hui. L analyse multidimensionnelle permet, par exemple, de visualiser un résultat tel que le chiffre d affaires selon la dimension temps, la dimension géographie et la dimension produit. Ainsi, un dirigeant d entreprise a la possibilité de ventiler son chiffre d affaires sur les douze mois de l année ou sur les quatre trimestres, mais également sur les différentes régions du portefeuille puis sur les différents pays. S il a besoin de passer d un niveau agrégé à un niveau plus fin d analyse, il peut aussi ventiler le chiffre d affaires par produit. Figure 2 : Processus de mise à disposition de l information dans un système BI 10

11 Données sociales et information sociale Quelle est la différence? Les données sociales désignent les caractéristiques des interactions entre les personnes. L information sociale est la valeur qui peut être générée à partir de ces données brutes. Appliqué au monde de l entreprise, il s agît de l information valorisant les liens entre les différents acteurs de l écosystème de l entreprise étendue. Qui parle avec qui? Qui fait quoi? Qui échange quoi? Quelles sont les personnes influentes de mon réseau? Qui est au centre de mes réseaux? Les données sociales apportent les réponses aux premières questions alors que l information sociale découle de l analyse des données brutes pour répondre aux dernières. D où proviennent les données sociales? Les données sociales sont générées lors d une discussion orale, d une collaboration quelconque, d une communication téléphonique, d échanges s, ou, plus récemment, des interactions entre les utilisateurs à travers les technologies du Web 2.0 comme les réseaux sociaux. Même si les données sociales n émergent pas forcément de médias technologiques, seules les données sociales provenant d interactions outillées sont raisonnablement exploitables. Ainsi, nous nous limiterons aux sources de données informatiques, qu elles soient internes ou externes à l entreprise. Au sein de ces sources, voici les trois types de données que nous considérerons comme sociales : - Les caractéristiques des individus (Profils) - Les liens entre personnes (Relations) - Le contenu des échanges (Flux d information) 11

12 Médias Sociaux Alors que Twitter a enregistré une croissance au-delà des 500% en 2009, Facebook a annoncé récemment son ambition d atteindre le milliard d utilisateurs en Peut être plus important encore, le temps mensuel moyen passé sur les médias sociaux, intimement lié au contenu généré, était de 5h30 par personne en février dernier, en croissance de 60% sur un an (source Nielsen). Facebook a dépassé l audience de Google aux Etats-Unis en mars dernier. Médias Sociaux d Entreprise 2010 est considéré comme l an 1 des médias sociaux d entreprise. S ils sont déjà 67 millions d utilisateurs aujourd hui, ils seront 164 millions d ici à (source Radicati Group) (source ComScore) Le développement de médias sociaux grands publics tels que Facebook, Twitter, de réseaux professionnels tels que LinkedIn ou Viadeo et même de réseaux sociaux internes à l entreprise sont générateurs d un immense volume de données explicitement et exclusivement sociales. Ce capital d information sociale formelle, explicite, directe explose et portera bientôt sur la majeure partie de la population. On verra qu il s ajoute à d autres sources d information sociale plus informelles, implicites, indirectes. L entreprise devra rapidement apprendre à maitriser et à intégrer ce nouveau type de données afin d en profiter : "Le premier ROI de vos efforts de communication dans les médias sociaux n est autre que la pérennité de votre activité sur les 5 ans à venir " (Erik Qualman) 12

13 L Ecosystème de l entreprise étendue L écosystème de l entreprise étendue correspond au réseau de l ensemble des individus en lien plus ou moins direct avec l entreprise. Les personnes en lien direct avec l entreprise sont les personnes dont la relation avec l entreprise est clairement identifiée. C est l ensemble des collaborateurs, partenaires et fournisseurs mais aussi les clients et les prospects clairement identifiés par l entreprise. Pour compléter notre écosystème, les personnes en lien indirect avec l entreprise sont les individus avec qui l entreprise a des intérêts communs sans pour autant être en relation direct avec eux. Il s agît des clients et prospects non-identifiés (issus des canaux de distribution indirects), d experts dans le même domaine que l entreprise, de personnes influentes dans le secteur d activité de l entreprise ou tout simplement de personnes s intéressant à l entreprise. C est typiquement la population que l on retrouve sur les médias sociaux grand-publics. Cette dimension de l entreprise étendue a toute son importance dans notre problématique puisque l acquisition et l exploitation d information sociale dans un système décisionnel pourrait être le moyen de se rapprocher efficacement de ce réseau «indirect». Réseau étendu Concurrents, Prospects Clients, Partenaires, Fournisseurs Collaborateurs Figure 3 : Ecosystème de l entreprise étendue 13

14 Les données sociales au sein de l écosystème de l Entreprise Où se trouvent les données sociales? Les données sociales se trouvent dans de nombreuses sources de l entreprise. En effet, à partir du moment où une source contient au moins un des trois types d information sociale suivants et qu elle entre dans le périmètre de l environnement décisionnel, elle pourra servir à enrichir le modèle de données. Rappel des trois types de données sociales : - Les caractéristiques des individus (Profils) - Les liens entre personnes (Relations) - Le contenu des échanges (Flux d information) Voici un panorama des sources de l écosystème de l entreprise. Les dimensions interne/externe et structuré/non-structuré permettent d évaluer la complexité d intégration de ces données dans le système décisionnel. Les sources internes et structurées étant les plus simples alors que les sources externes et non-structurées sont les plus complexes. Figure 4 : Panorama des sources de données de l écosystème de l entreprise étendue 14

15 Comment les intégrer au système BI? Collecte des données Parmi les différentes sources de données sociales, l enjeu est de collecter uniquement les données qui apportent de la valeur dans l environnement décisionnel. L homogénéisation des données permet ensuite de les agréger pour créer le mix de données sociales («mashup») le plus approprié. Alors que l entreprise a un accès direct à ses propres données internes, qu elles soient structurées ou non, les données externes et notamment sociales ne sont pas toujours facilement accessibles. Il existe plusieurs méthodes d extraction des données sociales externes dont voici les principales : Le crawling : Le crawling est une méthode d exploration des ressources du web. Initialement destinée aux moteurs de recherche pour indexer le web, elle peut également être appliquée à l extraction des données sociales contenues dans les pages des médias sociaux. A partir de quelques points d entrées dans un réseau social, le crawling permet d explorer le réseau de manière récursive en allant d individu en individu par l intermédiaire des liens. API (Application Programming Interface) et mashup : Les API, interface de programmation en français, sont destinées à faciliter l interopérabilité des applications informatiques. Cela correspond à l ensemble des fonctions, procédures, classes et protocoles qui régit la communication avec une application. L utilisation de plusieurs API permet aux utilisateurs de créer des mashup de données (agrégation de données provenant de sources externes hétérogènes) et de les intégrer à l environnement décisionnel. Dans l ère Web 2.0, de nombreux outils et projets cherchent à faciliter l accès direct aux données notamment sociales des réseaux les plus célèbres : o o OpenSocial est un ensemble d'api développé par Google afin d unifier l interopérabilité avec tous les réseaux sociaux en ligne partenaires. OpenSocial donne notamment accès aux données MySpace, Friendster et Orkut. OpenData, LinkedData et Open Mashup Alliance sont des initiatives internationales en plein essor, pour l adoption de langages ouverts facilitant l interopérabilité des données du web et notamment des données sociales. Alors que les deux premières cherchent respectivement à définir des bonnes pratiques d ouverture des données et des méthodes pour lier les informations du web entre elles, la troisième promeut la création de mashup d entreprise. 15

16 o o Graph API et OpenGraph Protocol sont les outils Facebook qui permettent d interagir simplement avec les données Facebook en accédant directement aux données. Twitter API est l équivalent Twitter qui donne accès aux nombreux flux d information de cette plateforme de réseaux sociaux. Intégration des données Principe de modélisation Une fois que les données sociales ont été collectées et homogénéisées, il s agît de les modéliser de manière logique pour agréger les différentes sources de données sur un même modèle. Dans le cas de l analyse des réseaux sociaux, l idéal est de collecter l information sous forme matricielle (relationnelle) et de la visualiser sous forme graphique. Cela fait appel à deux principes de modélisation. D une part, la théorie des graphes dont le mathématicien Euler est à l origine (XVIIIe siècle) - s est imposée comme la principale méthode de représentation des réseaux sociaux. A côté de cela, le modèle de données relationnel sous forme matricielle facilite la manipulation et l exploitation d importants volumes de données sociales. Pour aller plus loin dans la modélisation des données sociales, il existe également des ontologies issues des techniques d analyse sémantique. Certains modèles ontologiques permettent de structurer les termes et les concepts de champs d informations hétérogènes pour pouvoir les exploiter. o La Théorie des graphes La théorie des graphes a deux avantages qui en font le modèle incontournable de représentation des réseaux sociaux. Le premier avantage est qu elle facilite la visualisation de la structure du réseau (nœuds et liens), son exploration et la mise en évidence de ses propriétés structurales. Le second avantage est qu elle comporte un ensemble de concepts formels qui permet de qualifier, de distinguer et de classer les structures relationnelles par rapport à une multitude de propriétés fondamentales de distribution et d agencement des liens sociaux au sein des réseaux. L utilisation de la théorie des graphes dans la représentation des réseaux sociaux donne naissance aux sociogrammes. 16

17 Sociogramme G (V, E) V : Ensemble des nœuds E : Ensemble des liens Ordre = 12 Diamètre = 5 Densité = 17/(12*11) = 0,13 Figure 5 : Représentation d un réseau social selon la théorie des graphes Voici les principaux concepts manipulés dans la théorie des graphes, déclinés pour la représentation des réseaux sociaux : - Un nœud (ou sommet) est l unité de base des réseaux. Dans un réseau social, il représente un individu. - Un lien (ou arrête) est une connexion entre 2 nœuds. On parle de lien orienté lorsque le lien a une direction (d un nœud vers un autre) et à l inverse, on parle de lien non-orienté lorsque le lien est bidirectionnel. - Un sociogramme correspond à un ensemble de nœuds et de liens. - Un lien pondéré est un lien auquel on associe un poids. - Un lien étiqueté est un lien auquel on associe un label. - Un chemin est une séquence de liens qui relie 2 nœuds. - Un chemin orienté est un chemin qui respecte l orientation des liens. - Une géodésique est l un des plus courts chemins entre 2 nœuds. - Un graphe est connexe lorsqu il existe un chemin entre toutes les paires de nœuds. Voici les indicateurs de base qui en découlent : - Le degré d un nœud est le nombre de liens qui en partent où y arrivent - La longueur d un chemin géodésique est appelé distance géodésique. - Le diamètre d un graphe est la longueur du chemin géodésique le plus long de ce graphe - L ordre d un graphe correspond au nombre de nœuds de ce graphe - La densité d un graphe correspond au rapport entre le nombre de liens et le nombre maximum de liens possible. Lorsque la densité est égale à 1, cela signifie que toutes les relations possibles existent. On parle alors de graphe complet ou de clique. o Les matrices Lorsque le nombre de nœuds et de liens est trop important, la visualisation et le calcul des concepts d ordre, de densité, de distance géodésique ou de diamètre deviennent très complexes. Pour cela, la matrice est l objet mathématique qui complète le mieux la théorie des graphes en facilitant la manipulation des concepts cités précédemment. La 17

18 représentation matricielle correspond au modèle de données relationnel et permet donc de représenter l information sociale dans un format plus conventionnel. Parmi les matrices, on distingue les matrices d adjacence et les matrices d incidence : - Les matrices d adjacence sont des matrices carrées qui ont les mêmes ressources en ligne qu en colonne. Les matrices d adjacence servent à représenter les liens qu il existe entre les nœuds. La valeur contenue dans la case A ij indiquant le poids de la relation entre le nœud i et le nœud j. - A l inverse, une matrice d incidence contient des objets différents en ligne et en colonne. La valeur contenue dans la case A ij indiquant la relation entre l objet i et l objet j. Voici la matrice d adjacence correspondant au sociogramme précédent (Figure 5). Figure 6 : Correspondance Matrice - Sociogramme o Les ontologies La limite des techniques de modélisation précédentes réside dans la représentation du contenu des échanges entre les individus d un réseau. En effet, la valorisation du contenu participatif du web 2.0 tel que celui des posts, des commentaires ou des tweets, nécessite de le rendre accessible et compréhensible par une suite logicielle pour automatiser leur traitement. On parle de sémantisation du contenu. Il existe pour cela un ensemble de modèles ontologiques qui permettent de représenter tous les types de données sociales pour les rendre exploitables par une solution informatique comme une solution de Business Intelligence. Le modèle ontologique le plus connu est FOAF (Friend Of A Friend). Il sert à modéliser précisément les profils des utilisateurs, leur activité et leurs relations avec d autres utilisateurs. D autres modèles ontologiques comme Relationship, SIOC (Semantically-Interlinked Online Communities), SKOS (Simple Knowledge Organisation System), SKOT 18

19 (Social Semantic Clouds of Tags) et MOAT permettent d aller plus loin en modélisant le contenu et la signification des interactions participatives entre les utilisateurs 2.0. Quelle valeur brute portent les données sociales? Une fois intégrées et modélisées, les données sociales peuvent être manipulées pour générer un certain nombre d indicateurs qui serviront de base à l analyse et à l exploitation des données sociales. Une grande partie de ces indicateurs est issue des théories d analyse des réseaux sociaux. L Analyse des Réseaux Sociaux (ARS) L ARS est basée sur la théorie des réseaux, la théorie des graphes et l analyse sociologique. Cette discipline très universitaire, dont le précurseur serait Georg Simmel ( ), est bien antérieure à l apparition des technologies de l information et du Web 2.0. Cependant, les méthodes de collecte, d intégration et de modélisation des données sociales décrites précédemment permettent d appliquer facilement les théories d ARS à notre modèle de données. Depuis Georg Simmel, de nombreux scientifiques, mathématiciens, informaticiens ou sociologues ont travaillé à la qualification des réseaux sociaux. C est à eux que l on doit les concepts, indicateurs et algorithmes qui aident à qualifier un réseau. Voici les quelques concepts d ARS qui complètent les concepts issus de la théorie des graphes : - Un trou structurel correspond à l absence de lien entre deux nœuds. Les personnes proches d un trou structurel sont les personnes les mieux informées et le plus rapidement. Ce sont les personnes les plus susceptibles d avoir de bonnes idées. - La résistance d un réseau social se réfère à l impact du retrait de nœuds ou de liens au sein du réseau. Le retrait d un nœud ou d un lien stratégique peut par exemple scinder un réseau en deux. - Les composants, cliques, ou cycles sont des structures de sousensembles d un réseau. Outre les indicateurs d ordre, de diamètre, de densité, ou de degré, énoncés dans le paragraphe précédent, il existe également les indicateurs suivants : - Centralité o De degré : Valorise les nœuds ayant le plus de liens. o D intermédiarité : Valorise les nœuds rapprochant les autres nœuds (intermédiaires). Lorsqu un nœud est le seul à rapprocher deux autres nœuds, il détient le contrôle de l information circulant entre ces deux nœuds. o De proximité : Valorise les nœuds les plus proches des autres nœuds. o De vecteur : Valorise les nœuds ayant les voisins les plus centraux. o De prestige : Valorise les nœuds ayant le plus de liens entrants. 19

20 - Coefficient de clustering : Mesure la probabilité que deux nœuds reliés à un même nœud soient reliés entre eux. Ces indicateurs de base sont utilisés dans le système d information décisionnel pour créer des variables plus spécifiques qui répondent aux besoins de l entreprise. Quelques indicateurs sociaux essentiels Dans le cadre de l analyse du réseau social de l entreprise, voici les 6 indicateurs les plus utilisés : Sens des échanges (unilatéralité ou réciprocité) Volume des échanges Fréquence des échanges Diversité des échanges Rôle des acteurs Niveau de cohésion Web sémantique Les technologies de web sémantique et les méthodes de modélisation ontologiques citées précédemment rendent le contenu participatif non-structuré exploitable par le système d information décisionnel pour qu il entre dans la prise de décision. Des solutions de «text mining», mêlant intelligence artificielle et linguistique, sont capables de valoriser instantanément ce contenu en pondérant sa pertinence, en évaluant le ton des messages (positif, négatif ou neutre), et en extrayant les informations essentielles. Dans le cas de la valorisation d un commentaire Facebook, l analyse du ton et du contenu de ce dernier ainsi que des réactions des autres utilisateurs permet non seulement de scorer l intérêt du commentaire mais également l influence de celui qui l a écrit. La puissance de ces outils permet de prendre en charge d importants flux de données non-structurées en provenance de médias sociaux pour le restituer sous la forme souhaitée par les utilisateurs du système décisionnel. 20

21 L exploitation des données sociales dans un système d information décisionnel A l origine : Valoriser des tickets d appels pour minimiser l attrition dans le secteur des télécommunications Un des premiers domaines dans lequel le mariage Business Intelligence et réseau social a été effectué est le domaine des télécoms. En effet, les opérateurs disposent d un important volume de données brutes sur les interactions téléphoniques entre individus qui leurs permet de reconstituer le réseau social de leurs clients. La valorisation de ces données, stockées sous forme de tickets d appels, génère de l information sur les clients dont ils ne bénéficiaient pas auparavant. Par exemple, l analyse du réseau social des clients permet de détecter des communautés, également appelées tribus, et de les qualifier par rapport aux profils des personnes qui les composent et à leurs positions au sein du réseau. L information sociale qui en découle donne aux opérateurs la capacité de discerner dans la relation client, les individus ayant une position centrale sur le réseau (taux d interaction fort et prédominance d appels entrants), et les clients en bout de réseau. Ces nouvelles dimensions d analyse des clients viennent enrichir les théories du marketing traditionnel qui ne tiennent pas forcément compte des interactions client-client. Ainsi, les équipes marketing disposent de nouveaux éléments d analyse pour affiner grandement la connaissance client et la pertinence du ciblage marketing. Améliorer la performance et la profitabilité des campagnes marketing. Les opérateurs télécoms exploitent également ces nouvelles dimensions sociales pour améliorer la rétention de leurs clients. L information sociale permet d une part d enrichir les modèles de prédiction de la résiliation (churn) et d autre part d identifier les populations les plus intéressantes à retenir (ciblage marketing) pour finalement maximiser la rentabilité des campagnes de rétention. Quand on sait qu il est 4 à 7 fois plus cher d acquérir un nouveau client que de fidéliser un client existant, l enjeu est de taille et l exploitation de cette information peut devenir un avantage compétitif déterminant. Des modules d analyse de réseaux sociaux ont été développés par les éditeurs de solutions de Business Intelligence pour répondre à cette problématique. Ces modules complètent les environnements décisionnels classiques en ajoutant la dimension «interaction client-client» aux données clients type CRM. Grâce à la 21

22 puissance des outils BI, le croisement et la manipulation de ces données via un Cube OLAP ou directement sur la représentation graphique du réseau social des clients facilitent la maitrise de phénomènes complexes comme le churn. Exemple d environnement décisionnel de minimisation du churn Le schéma ci-dessous montre le processus de création d un environnement décisionnel de minimisation du churn à destination des opérateurs télécoms. Figure 7 : L exploitation des données sociales dans un système décisionnel pour minimiser le churn. Détail des étapes du processus de création de l environnement décisionnel : Etape 1 : Chargement des tickets d appels. Etape 2 : Création du réseau de client à partir des tickets d appels. Etape 3 : Détection des communautés de clients et des trous structuraux du réseau. Calcul des indicateurs de base tels que le diamètre et la densité du réseau, la centralité et le degré des individus, le poids des liens ou encore la longueur des géodésiques. Création d indicateurs composés tels que la position d un individu sur le réseau (central, intermédiaire, extrémité, ) ou l indice d influence sur le réseau. Déclinaison des indicateurs en dimensions sociales. Etape 4 : Agrégation des informations sociales avec des données clients type CRM telles que le sexe, l âge, le forfait souscrit, la référence du téléphone, l indice de fidélité, l indice de satisfaction, l indice de solvabilité client,... Etape 5 : Mise à disposition de l information sous différentes formes de restitution. Etape 6 : Réalisation d analyses croisées dynamiques poussées. Optimisation du modèle de prédiction du churn en y intégrant les interdépendances entre le profil d un churner, sa dimension sociale, l évolution de ses usages, sa fidélité, sa satisfaction, sa solvabilité, sa localisation géographique. Affinage du ciblage marketing en intégrant la dimension sociale dans l analyse des clients. Objectif : Anticiper sur les phénomènes de churn et proposer des campagnes de rétention très ciblées. Finalité : Améliorer l efficacité des campagnes de rétention. 22

23 Un des éditeurs de solutions de Business Intelligence et de data mining propose depuis peu un module d analyse de réseaux sociaux ayant pour vocation d analyser les relations entre les clients des secteurs des télécommunications, des services financiers et de la distribution, à travers une meilleure connaissance du comportement des clients et de leurs interactions. Les différentes fonctionnalités de l outil permettent d extraire les données sociales à partir de sources transactionnelles ou relationnelles, de créer de nombreuses variables qualifiant par exemple le rôle ou l influence de chaque client, et d exploiter ces variables pour définir des modèles prédictifs de manière simple et rapide. Tout cela sur des volumétries pouvant aller jusqu à 20 millions de nœuds et 130 millions de liens Retour d expérience sur la mise en place de la solution chez un opérateur télécom pour l amélioration de sa stratégie de rétention client. L objectif du projet était de définir des manières efficaces de prédire le churn à partir des données des tickets d appels (CDR). Le modèle de prédiction du churn de l opérateur téléphonique est basé sur l analyse psychographique (analyse du comportement client), l analyse géographique du churn et l analyse des réseaux sociaux. La mise en place d un module d analyse de réseaux sociaux a permis de renforcer ce dernier type d analyse grâce notamment aux fonctions de détection de communautés clients et d identification des structures de communauté. L opérateur téléphonique a ainsi augmenté la performance de son modèle de prédiction du churn de 47%. De la même manière, les entreprises des secteurs financiers et de la distribution utilisent ces solutions d analyse de réseaux sociaux pour exploiter les données dont elles disposent. En effet, les entreprises du secteur financier détiennent énormément d informations sociales sur leurs clients mais également des données sur les transactions financières qui lient les clients entre eux. Du côté de la distribution, les outils d analyse de réseaux sociaux leurs servent, dans un premier temps, à valoriser les tickets de caisse pour analyser les associations de produits. Ces données peuvent ensuite être enrichies par les informations sur les clients possédant une carte de fidélité mais également par les données d un système de parrainage qui permettent de lier des clients entre eux. 23

24 Quickwin : Exploiter les données sociales issues du réseau social d entreprise Comme le montre l exemple de la valorisation des tickets d appels, les données sociales ne sont pas toutes issues de réseaux sociaux explicites. Cependant, pour dépasser la simple transformation de données classiques en données sociales, nous nous placerons maintenant dans le cas d une entreprise ayant mis en place un réseau social d entreprise et souhaitant valoriser les données générées par ce dernier. Grâce au système d information décisionnel, il est d abord possible d industrialiser l analyse et la valorisation des données issues de ce réseau social d entreprise (RSE) et ensuite de croiser dynamiquement cette nouvelle information à forte valeur-ajoutée avec d autres flux de données. Dépasser le simple organigramme : Créer de nouvelles dimensions sociales d analyse de l organisation L existence d un réseau social dans l entreprise permet de visualiser la structure de l organisation sous l angle social des interactions entre les collaborateurs et ainsi de dépasser le simple organigramme représentant uniquement les relations hiérarchiques. Le premier niveau d enrichissement des données sociales dans le système décisionnel consiste à générer des indicateurs et des dimensions d analyse à partir des données brutes. L industrialisation des techniques d analyse de réseau sociaux ou d analyse de contenu permettent de calculer des indicateurs tels que la densité du réseau, la centralité des collaborateurs, la pertinence des échanges, la pertinence des publications ou encore le poids des interactions entre les individus. A partir de ces indicateurs de base, il est possible de scorer le rôle et la position des collaborateurs sur le réseau pour alimenter des dimensions sociales d analyse de l organisation. Selon les critères les plus pertinents pour l entreprise, ce scoring permet de détecter des personnes clés qui peuvent être les personnes les plus connectées, les personnes par qui passe le plus d information, les personnes à l intersection de sous-réseaux, les personnes créant le plus de contenu pertinent, les personnes collaborant le plus, les personnes reconnues comme expertes par le réseau, mais aussi de détecter les personnes aux extrémités du réseau. Les données de profils des utilisateurs telles que leur âge, leur localisation géographique, les projets auxquels ils ont participé, les formations auxquelles ils ont assisté, leurs domaines de compétences ou leurs centres d intérêts, complètent également l analyse de l organisation de nouvelles dimensions. 24

25 Dans un premier temps, ces dimensions sociales sont un moyen d analyser le réseau social d entreprise pour comprendre, piloter et optimiser la collaboration. Pour cela, la Business Intelligence apporte des outils de restitution et d analyse puissants à partir desquels les utilisateurs peuvent croiser dynamiquement l information sociale avec toutes les dimensions. On peut imaginer quelques premiers cas d utilisation à valeur-ajoutée pour l entreprise : - La détection de communauté : l analyse multidimensionnelle du réseau social d entreprise permet de détecter, selon les dimensions d analyse sélectionnées, des communautés explicites (sous-structures du réseau à forte densité de liens) mais également des communautés implicites telles que des communautés d experts sur un sujet, des communautés par centre d intérêt ou par expérience,... L intérêt premier est de découper l organisation en communautés pour mieux comprendre la structure du réseau. - La mise en relation automatique : le requêtage du réseau social d entreprise selon toutes les dimensions sociales permet de suggérer aux collaborateurs, clients, partenaires ou fournisseurs, une liste de personnes du réseau qui pourraient les intéresser. L objectif est de faciliter la collaboration entre personnes pour améliorer la performance globale des collaborateurs. On peut par exemple automatiquement mettre en relation des personnes travaillant sur le même sujet sans le savoir. On peut également mettre en relation un client avec le collaborateur ou le partenaire qui répondra le mieux à ses besoins. - La recherche de profil : l exploration de données selon toutes les dimensions sociales, permet d effectuer des recherches de profils sur le réseau social d entreprise très ciblées. Par exemple, lors de la constitution d une équipe projet, on peut imaginer aller chercher les «personnes clés de succès» directement sur le réseau social d entreprise et non uniquement dans une équipe locale. Grâce aux fonctions d analyse multidimensionnelle, il est facile de trouver des experts sur le sujet du projet ayant au moins 5 ans d expérience, des personnes centrales sur le réseau qui seront coordinatrices du projet ou encore des leaders de changement. - L exploration des échanges par mots clés : l analyse multidimensionnelle des échanges, grâce notamment à la sémantisation du contenu, permet d exploiter les commentaires, les feedbacks et toutes les expressions spontanées que l on retrouve sur les réseaux. L objectif est de faciliter l exploration de ces importants volumes de données non-structurées pour extraire les informations essentielles sur un sujet (mots clés). Par exemple, lors du choix d un fournisseur, on peut imaginer analyser les différents échanges concernant les fournisseurs potentiels pour extraire l avis des collaborateurs sur chacun d entre eux. Les dimensions sociales permettent même de pondérer les avis par rapport à la position ou à la pertinence de leurs auteurs. 25

26 L analyse sociale de son organisation constitue un premier niveau d exploitation des données sociales. Même si cette analyse est aujourd hui en partie réalisée par des consultants en organisation, son industrialisation dans un système décisionnel donne une vision beaucoup plus dynamique de la collaboration dans l entreprise. Maintenant, l objectif est d augmenter la valeur-ajoutée de ces nouvelles dimensions en les croisant avec d autres données de l entreprise. Mettre les nouvelles dimensions sociales en résonance avec les données de l entreprise Le rapprochement des données sociales et des données d entreprise dans un environnement décisionnel se fait à travers les personnes. Que ce soient des collaborateurs, des clients, des partenaires ou des fournisseurs, il est possible d agréger les données qui les concernent quelle qu en soit la source. Ainsi, compte tenu de la diversité croissante des sources dans l entreprise, les agrégations possibles sont nombreuses. Voici un exemple de croisement de données qui semble particulièrement intéressant. Améliorer la performance de ses équipes en s appuyant sur les dimensions sociales Dans le but d améliorer la performance globale de ses équipes, l apport de l information sociale dans l analyse de la performance peut être très intéressant. En prenant l exemple des équipes commerciales, l analyse de leurs performances commence par l agrégation, dans un même environnement décisionnel, des données de vente, de relation client et des dimensions sociales. Pour pousser l exemple à l extrême, on se place même dans le cas d une entreprise qui a intégré ses interlocuteurs clients (vraisemblablement B2B) dans le réseau social d entreprise. Dans un premier temps, l intérêt est de confronter ces données pour comprendre les corrélations entre les résultats des commerciaux (données de vente), l intensité des interactions avec le client (données CRM) et les dimensions sociales dont on a parlé précédemment. 26

27 L environnement décisionnel d analyse de la performance des équipes commerciales offre la possibilité de mesurer le degré d interdépendance de ces données pour ensuite définir les profils des commerciaux performants en allant même jusqu au niveau de détail des profils de commerciaux par type de client. Les dimensions sociales apportent de nouvelles réponses à des questions comme quel est le profil idéal pour mes commerciaux grands comptes? Et pour mes commerciaux sédentaires? Quel est l âge de mes meilleurs commerciaux, leurs expériences, leurs passions ou leurs formations? En allant plus loin dans l analyse multidimensionnelle, il est également possible d identifier des best-practices «sociales», à destination des commerciaux, en matière de collaboration interne et de relation client. L exploration des données dans l environnement BI apporte des réponses à des questions comme quelle est la meilleure position à avoir sur le réseau au sein des équipes commerciales mais également par rapport aux équipes marketing ou aux équipes de production? Quelle est l intensité idéale des échanges à adopter avec les équipes internes et avec le client? 27

28 Exemple d environnement décisionnel d analyse de la performance des équipes commerciales Le schéma ci-dessous montre le processus de création d un environnement décisionnel d analyse de la performance des équipes commerciales sous un angle social. Figure 8 : Exploitation des données sociales dans un système décisionnel pour améliorer la performance de ses équipes commerciales Voici l exemple d un tableau de bord qui rassemble des indicateurs de suivi de la performance d une équipe commerciale avec un angle social. Figure 9 : Tableau de bord de suivi de la performance d une équipe commerciale La dimension sociale apporte une nouvelle vision dans l analyse de la performance de ses équipes qui permet de mieux maitriser leurs constitutions et leurs méthodes de travail, en allant jusqu à optimiser le recrutement de ses collaborateurs. 28

29 Aller plus loin : Exploiter des données sociales externes à l entreprise Les exemples précédents montrent que les données sociales issues du réseau social d entreprise ont une forte valeur ajoutée dans l analyse stratégique d une organisation. Cependant, le développement fulgurant des réseaux sociaux publics et l explosion de la quantité de données sociales externes disponibles incitent à aller plus loin dans la réflexion sur l exploitation des données sociales dans un environnement décisionnel. Pour tirer de la valeur de l exploitation des données sociales issues des réseaux sociaux publics, l entreprise doit pouvoir se limiter aux données sociales concernant les individus avec qui elle entretient un lien plus ou moins direct. Pour cela, la première possibilité est de cibler les personnes en lien avec l entreprise par l intermédiaire de l image de cette dernière sur les réseaux sociaux publics. La seconde possibilité, et certainement la plus aboutie, est d utiliser les données de l entreprise pour reconstituer le réseau des collaborateurs, des clients, des prospects, des partenaires ou des fournisseurs sur les réseaux sociaux publics. Les entreprises s intéressent de plus en plus aux réseaux sociaux et cherchent des moyens de les exploiter. Selon une enquête Forrester (avril 2010), réalisée auprès de 900 DSI d Amérique du Nord et d Europe, 26% des entreprises utilisent déjà les réseaux sociaux à des fins internes ou externes et la moitié d entre elles comptent étendre leur utilisation. 6% des entreprises non-encore converties ont l intention de le faire rapidement. Valoriser la présence de l entreprise sur les réseaux sociaux publics Les entreprises qui utilisent les réseaux sociaux tels que Facebook, Twitter et bien d autres, ont encore peu de moyens de valoriser leur présence sur ces derniers et d exploiter de manière stratégique ce nouveau canal marketing. La création d un compte Twitter, d une page Facebook, d une application Facebook, ou d une campagne marketing sur les réseaux sociaux, génère des données sociales concernant les followers (Twitter), les amis ou les fans de l entreprise (Facebook) qu il faut apprendre à exploiter. 29

30 Dans un premier temps, l analyse du réseau social des followers (Twitter) ou des fans (Facebook) de l entreprise, étendu à leurs amis et aux amis de leurs amis, apporte de nombreuses informations sur cette population «sensible» à l entreprise. L analyse multidimensionnelle de ce réseau selon les dimensions sociales qui ont été décrites précédemment permet de qualifier précisément les profils de ces personnes (âge, sexe, localisation géographique, centre d intérêt, ), leur rôle et leur position sur le réseau pour finalement comprendre les raisons pour lesquelles ils s intéressent à l entreprise. Dans la continuité, on peut également exploiter le contenu des échanges qui concernent l entreprise. D une part, les échanges structurés tels que la fonction «like» de Facebook permettant de signifier un sentiment positif sur un contenu, mais surtout les interactions non-structurées telles que les articles, les tweets, les commentaires, et autres expressions spontanées. Les outils d analyse sémantique (text mining) utilisés dans le domaine de la Business Intelligence, rendent ce contenu intelligible par le système d information décisionnel. Celui-ci est ensuite capable d extraire le ton (positif, négatif ou neutre) et les informations importantes d un commentaire puis d analyser les feedbacks utilisateurs sur ce dernier pour finalement scorer la pertinence des contenus échangés. Ces scores, sur une échelle de 1 à 5 par exemple, sont ensuite déclinés en dimensions d analyse pour faciliter la recherche et la restitution de l information circulant sur le réseau concernant l entreprise. De la même manière mais avec un niveau de granularité encore plus fin, l évaluation du contenu échangé apporte l information nécessaire au scoring de la pertinence des acteurs du réseau. Grâce à cela, il est possible d identifier, de manière très précise, les individus «influents» dont les avis peuvent avoir une aura importante. Mais aussi de détecter des «stimulateurs d innovation» dont les échanges peuvent contenir des idées innovantes ou des besoins nouveaux pour les clients. L environnement BI offre la possibilité de croiser toutes les données citées ci-dessus et d industrialiser la valorisation de ces nouveaux flux. Ensuite, la mise à disposition de l information sociale générée, sous différentes formes de restitution, donne, aux utilisateurs du système BI, tous les éléments pour mesurer la présence de l entreprise sur les réseaux sociaux, évaluer l impact d une campagne marketing, maitriser la propagation d un buzz mais également réaliser de la veille sur les réseaux sociaux. 30

31 Voici quelques exemples d indicateurs pouvant être mesurés à partir de flux de données en provenance de réseaux sociaux publics : - Indicateurs de croissance : nombre de followers sur Twitter, nombre d amis ou de fans sur Facebook, nombre d installations quotidiennes d une application Facebook, nombre de visiteurs uniques par jour, nombre de nouveaux membres, temps de connexion, nombre de commentateurs actifs, ratio de commentaires par article - Indicateurs de présence : taux d interaction sur la marque (nombre de citations, share, bookmark, commentaires, articles) par rapport aux concurrents, mesure d un buzz sur 30 jours - Indicateurs de sentiment : ton des commentaires et/ou articles écrits au sujet de l entreprise, pertinence des auteurs, ratio entre les mentions positives, neutres et négatives par rapport aux concurrents Cette première étape dans l exploitation des flux de données sociales externes permet de fortement maitriser le réseau des personnes sensibles à l entreprise mais sans connaitre leurs liens avec cette dernière. Aller plus loin, consiste à reconstituer un réseau de personnes dont la relation avec l entreprise est connue. Mettre en résonnance les données de l entreprise avec les données sociales externes Il est fort probable que les collaborateurs ayant un profil sur le réseau social d entreprise aient également un profil sur un réseau social externe. De la même manière, les clients, les prospects, les partenaires ou les fournisseurs ont certainement une visibilité quelconque sur un des réseaux publics. Ainsi, on peut imaginer reconstituer, à partir d une base client type CRM, son réseau de clients et de prospects sur les réseaux sociaux publics. L analyse de ce nouveau réseau, étendu aux amis, ou aux followers des clients et des prospects, fourni des informations complètement nouvelles sur ces derniers. Le croisement, dans un environnement décisionnel, de ces données avec les données CRM classiques permet d enrichir l analyse de la segmentation client d un certain nombre de dimensions sociales et ainsi d affiner le ciblage marketing. 31

32 De la même manière, on peut imaginer reconstituer son réseau de collaborateurs sur la toile pour obtenir des données sociales complémentaires à l analyse de ses ressources. Dans l exemple de l analyse de la performance de ses équipes évoqué précédemment, le recours à un système BI pour agréger ces nouvelles données avec les informations sociales du réseau social d entreprise mais également avec les données d entreprise concernant la performance de ses collaborateurs, donne naissance à des possibilités de croisement infinies. L intégration du flux de données sociales externes permet de connaitre le positionnement de ses collaborateurs performants sur les réseaux sociaux publics et ainsi d aller, par exemple, jusqu à recruter, de manière éclairée, sur les réseaux sociaux. Dans la continuité, et si on reprend l exemple de l analyse de la performance des équipes commerciales, on peut aller jusqu à croiser toutes les données clients, prospects et commerciaux évoquées dans le livre blanc pour comprendre les interactions entre ces sous-réseaux avec l objectif final d optimiser la distribution de sa force de vente dans son réseau de clients. 32

33 Points d attention et préconisations Le sourcing Les informations sociales dont nous avons parlé dans ce livre blanc ont des formats très hétérogènes et proviennent de sources diverses parfois externes à l entreprise. Ainsi, contrairement aux données essentiellement internes et structurées qui alimentent les systèmes BI actuels, les informations sociales sont plus difficiles à collecter et à intégrer au système décisionnel. Analyse sémantique L analyse sémantique des interactions non-structurées entre les personnes à travers les réseaux sociaux semble essentielle pour affiner l analyse de ces derniers. Même si les systèmes BI ne sont pas aussi mûrs dans la valorisation des données non-structurées que dans la valorisation des données structurées, il est déterminant de mettre en place des solutions puissantes de prise en charge de contenu. La confidentialité Aujourd hui, même si la tendance des utilisateurs est à publier facilement un profil, des documents et même des sentiments, paradoxalement les utilisateurs ne sont pas prêts à accepter l ouverture complète des informations sociales les concernant. C est la raison pour laquelle les données des réseaux sociaux publics ne sont pas toujours ouvertes et directement exploitables. Le dévoilement d Open Graph par Facebook en avril dernier montre bien la tendance à l ouverture des réseaux sociaux. Cependant, il faudra être vigilant à respecter les limites de confidentialité imposées notamment en France par la CNIL (Commission Nationale de l Information et des Libertés). Suite au mécontentement général des utilisateurs Facebook, la fonction Beacon qui informait les amis d un utilisateur quand celui-ci visitait un site affilié a été modifiée. Dans le même esprit, certains utilisateurs préfèrent utiliser des pseudonymes plutôt que leurs réelles identités et deviennent ainsi plus difficiles à identifier. La pertinence et la représentativité des données L échantillon de la population mondiale inscrite sur les réseaux sociaux n est pas encore parfaitement complet. Cependant, alors que les réseaux enregistraient récemment de très fortes croissances grâce à une population plutôt jeune, Facebook enregistre aujourd hui sa plus forte croissance aux Etats-Unis chez les femmes de plus de 55 ans (+175% sur les 4 derniers mois). La démocratisation des outils de réseaux sociaux comme outils d échange d information et l homogénéisation de la population des utilisateurs vont transformer l engouement pour les réseaux sociaux en une véritable révolution des usages en matière de communication. La pertinence et la représentativité des données deviendront alors indiscutables. 33

34 L approche Logica Business Consulting Ce premier livre blanc pose les bases de la réflexion de Logica Business Consulting sur l exploitabilité des données sociales dans le système d information décisionnel. Convaincues de la valeur ajoutée de l information sociale dans les environnements décisionnels, les équipes Logica Business Consulting sont aujourd hui prêtes à accompagner les entreprises dans la réflexion autour des nouvelles perspectives que nous offrent les technologies du web 2.0 telles que les réseaux sociaux. Fort de son expérience dans la mise œuvre de solutions décisionnelles innovantes, Logica Business Consulting adopte une démarche qui se résume en trois grandes étapes : - En amont, la première étape est une phase de réflexion et de cadrage : prise de connaissance de l'environnement, des contraintes, de l'existant de l'entreprise, et des attentes du client. A partir de cet environnement, Logica Business Consulting fixe avec l'entreprise les objectifs ainsi que les gains financiers et concurrentiels attendus par la mise en œuvre d'une solution BI orientée sociale. - La seconde étape consiste à définir un cas concret pour créer un prototype permettant de maquetter la mise en œuvre de la solution. - A l issue de cette seconde étape, on entre dans une phase d'intégration, de généralisation de la solution au sein de l'entreprise dans des domaines variés, impliquant un enrichissement idoine des processus BI traditionnels. 34

35 Glossaire API : Application Programming Interface Interface programmatique de niveau «code source» permettant à deux applications informatiques de communiquer. Exemples d API : SAX (Simple API for XML), DOM (Document Object Model), Java RMI (Remote Method Invocation), EASA (Exalead Advanced Search API) ARS: Analyse des Réseaux Sociaux CRM : Customer Relationship Management Ensemble de processus, de méthodes et de logiciels permettant à l entreprise de gérer efficacement sa relation avec ses clients, sous tous ses aspects (relation commerciale, approche marketing, service clients, service après-vente ). Le CRM vise ainsi à créer une vue logique consolidée et homogène des échanges entre l entreprise et ses clients dans le but d accroître la satisfaction et donc la fidélité de ceux-ci. Datamart : Magasin de données Dispositif de stockage dédié à un univers métier déterminé. Les data marts sont alimentés à partir du data warehouse central (filtrage, consolidation et agrégation de données). La taille réduite d un data mart accroît sensiblement la pertinence et la performance des applications décisionnelles qui exploitent ses données. Datawarehouse : Entrepôt de données Dispositif de stockage central (SGBDR en général) utilisé dans les architectures décisionnelles et alimenté à partir de plusieurs sources de données grâce à un outil de type ETL. ERP : Enterprise Ressource Planning Progiciels ou chaînes de composants applicatifs destinés à automatiser les traitements métier d entreprises de taille moyenne ou grande : fabrication, distribution, gestion de la relation client, comptabilité, ressources humaines La mise en oeuvre d un ERP constitue un projet à part entière et monopolise d importantes ressources (humaines et financières). ETL : Extract, Transform, Load Outil d extraction, de transformation et de chargement de données en provenance de sources structurées vers un entrepôt (Data warehouse). Facebook «Facebook est un réseau social créé par Mark Zuckerberg et destiné à rassembler des personnes proches ou inconnues.» [ 35

36 Friendster «Friendster est un site Web de réseau social basé sur les techniques de cercles et de réseaux d'amis pour mettre en contact des personnes dans des communautés virtuelles et faire la démonstration du phénomène du petit monde. Il compte actuellement plus de 50 millions d'utilisateurs et est surtout utilisé en Asie.» [ LinkedIn «LinkedIn est un service en ligne qui permet de construire et d agréger son réseau professionnel. Il se définit comme un réseau de connaissances qui facilite le dialogue entre professionnels. Pour ses membres, c'est aussi un outil de gestion de réputation en ligne et de personal branding.» [ Mashup Combinaison de contenu provenant de plusieurs applications plus ou moins hétérogènes. MSE : Média Social d Entreprise (cf. RSE) MySpace «MySpace est un site Web de réseautage social fondé aux États-Unis, qui met gratuitement à disposition de ses membres enregistrés un espace web personnalisé, permettant de présenter diverses informations personnelles et d'y faire un blog. Il est connu pour héberger de nombreuses pages internet de groupes de musique et de DJs qui y entreposent et présentent leurs compositions musicales.» [ OLAP : On Line Analytical Processing Sous-ensemble de la BI regroupant les techniques et méthodes visant à fournir des réponses rapides aux requêtes analytiques portant sur des informations par nature complexes et multidimensionnelles. Ontologie «ensemble structuré des termes et concepts fondant le sens d'un champ d'informations» [ Orkut «Orkut est un site de réseautage social qui permet de mettre en relation les amis de ses amis (créer/gérer son réseau social).» [ C est un concurrent direct de Facebook et Twitter, surtout utilisé au Brésil. PLM : Product Lifecycle Management Outil de gestion du cycle de vie d un produit. 36

37 RSE : Réseau Social d Entreprise (Cf. MSE) SCM : Supply Chain Management Outil de gestion de la chaine logistique. SID : Système d Information Décisionnel Désigne l ensemble des données et programmes d applications visant à assister les utilisateurs dans leurs processus de prise de décision, de contrôle et d analyse concurrentielle. SIRH : Système d Information de Gestion des Ressources Humaines Twitter «Twitter est un service de microblogage, permettant aux utilisateurs de bloguer grâce à des tweets (messages courts de 140 caractères maximum, soit une ou deux phrases).» [ Les fonctions de Twitter permettent notamment de suivre les tweets des personnes auxquelles l utilisateur s est abonné. Viadeo Viadeo est un réseau social professionnel qui s'adresse aux professionnels souhaitant augmenter leurs opportunités de business (recherche de nouveaux clients, partenaires ou fournisseurs ), gérer et développer leur réseau de contacts professionnels et accroitre leurs opportunités de carrière (être chassé, accroître leur visibilité). [ Web sémantique «ensemble de technologies visant à rendre le contenu des ressources du World Wide Web accessible et utilisable par les programmes et agents logiciels, grâce à un système de métadonnées formelles, utilisant notamment la famille de langages développés par le W3C» [ 37