Big Data & Analytics Leviers de transformation Métier. Retours d expérience. Laurence CHRETIEN Valérie PERHIRIN Mars 2015

Transcription

1 Leviers de transformation Métier Retours d expérience Laurence CHRETIEN Valérie PERHIRIN Mars 2015

2 BIG DATA & ANALYTICS, UN VRAI LEVIER DE TRANSFORMATION BUSINESS? RETOURS D EXPERIENCE CAPGEMINI Valérie Perhirin Lead for France CAPGEMINI TECHNOLOGY Laurence Chrétien VP, CAPGEMINI CONSULTING 2

3 Le Groupe Capgemini et notre réseau Big Data Près de 9000 experts BigData et Business Intelligence dans le monde Centre d Excellence BigData permettant de mobiliser près de 3000 ressources en Inde Equipe de plus de 100 Data Scientists dans le monde et un réseau international de Data Farms (*) Expertise Métier des consultants «traditionnels» 3

4 Big & Fast Data: The Rise of Insight-Driven Business Big & Fast Data: The Rise of Insight-Driven Business explores the results of a survey of over 1,000 C-suite and senior decision makers plus one to one interviews across North America, South America, Europe and Asia-Pacific to understand the need and enterprise readiness for big data adoption. 4

5 Big data is now key not just to success but also to business survival 64% of respondents said that big data is changing traditional business boundaries and enabling non-traditional providers to move into their industry Disruption from new competitors moving into their industry from adjacent industries 27% 53%, expect to face increased competition from start-ups enabled by data 5

6 Data-driven insights are fundamental to business performance There is widespread recognition that the data which organizations hold is becoming a core component of market value (59 %) This is also reflected in the boardroom, with almost a third of companies (32 %) having already introduced or in the process of introducing new C-level roles for data management 6

7 Principaux retours d expérience Capgemini Analyse et connaissance du client Améliorer la connaissance client: La vue dynamique client 360 Proposer la «meilleure» action à venir L analyse de sentiment (ou d opinion) Proposition d offres personnalisées Montée en gamme et ventes rebonds Analyse et outillage de la fonction RH Piloter en temps réel la mobilité des employés et les compétences associées Sourcing : être précurseur, meilleur ciblage (qualité et exhaustivité) Gagner du temps sur le process de recrutement Détection des fraudes Produire plus rapidement et sur plus de données des analyses pour améliorer la détection de la fraude Optimisation BI & Data Warehouse Optimisation des données: Etendez votre Data Warehouse avec le BigData Optimisation du reporting analytique et réglementaire Qualité des données avec le Big Data Nouveaux business models Générer du revenu en créant de nouveaux services, pour des partenaires, à partir des analyses ou rapports mettant en œuvre le connaissance client 7

8 Anticiper des moments de vie du client au service d enjeux business Moments de vie : déménagement, renouvellement de véhicules, retraite Approche Données internes Résultat Données externes Maximiser le taux d équipement (up & cross sell) Maitriser l attrition Enjeux Recruter des prospects qualifiés Améliorer la satisfaction client Random forest Réseau bayésien Efficacité du ciblage des campagnes marketing multipliée par un facteur7 Haussede 20 % en moyenne des revenus par campagne, avec un réduction de 10% des coûts 8

9 Améliorer la performance opérationnelle et offrir de nouveaux services 9

10 Optimiser la détection de fraudeurs fiscaux Data Data 30 internal and external data sources 30 internal and external data sources Compliance Risking Joining and Visualisation Transaction Risking Analytical Champion/ Challenger Visualisation Risk Rules Mgmt Risk Rules Execution Uncover hidden relationships across individuals, organisations, and assets Risk assess transactions for fraud and compliance 1 billion data items 1 billion data items Network Production Entity Joining & Network and Build Visualisation Risk Data Provisioning Data Provisioning Data Acquisition Joining and Visualisation Data Prep Staging HMRC recovered 2 bn additional tax yield within 18 months, through the use of Connect: x30 ROI 10

11 D un projet de réduction de coûts SI vers une plateforme «Pro-active customer care» Source des applicatifs : Accélère, Digital BI, autres projets métier 3 Projet 1 Application 2 Application N Exploration / Datalab Applicatif Lot 3 Flux SPSS & reporting Lot 2 Données structurées Lot 1 Puits de données Puits de données 1 Alimentation HD Plateforme mutualisée Fonctions de gouvernance (sécurité, performance, montée de version, etc.) Middleware Hortonworks Cluster Hardware 2 Mutualisation / Industrialisation HD Architecture Cible Gouvernance 11

12 Créer de nouveaux business models DATA SHARING VS. DATA MONETIZATION 12

13 Key learnings 1 Les pilotes (POC) sont nécessaires pour démontrer rapidement la valeur et l impact possible du. Pour garantir l avantage compétitif et la performance dans la durée une stratégie de Transformation par la donnée est nécessaire 2 Pour répondre aux exigences de rapidité de l innovation et du déploiement, une nouvelle méthode de travail agile est nécessaire 3 La gouvernance de la donnée est un point crucial plus encore que dans les projets de Business Intelligence 4 La question des ressources, en particulier les profils de DataScientist est fréquemment une limite au développement des Analytics 13

14 ACQUIRE! Master(Data(! Transac- ons(! Meta!Data(! Reference(Data(! Paid(Sources(! Open(Sources(! Social(Data( Redshi' ( ORGANIZE Retail' Banking' Life'Sciences'(WIP)' Telco'(WIP)' ANALYZE ANALYTIC TOOLS REUSABLE CODE LIBRARY ANALYTICAL & PROCESS FRAMEWORKS DATA SCIENTISTS & DATA ANALYSTS Big Data : 4 options pour commencer Data Optimization Extend and optimize your existing BI investments and enhance your analytics with Big Data solutions Data Exploration Lab New Big Data Use Case Start using Big Data solutions to innovate and iterate on new data or new analytics processes to create value quickly To implement new analytical use cases to optimize your operations or create new data monetization services STRUCTURED UNSTRUCTURED STRUCTURED IDENTIFY INTERNAL EXTERNAL Advanced Insights Platform INGESTION( BATCH( MICRO!BATCH( Advanced Analytics & Data Science capabilities Catalogs of use cases DISCOVERY(&(( INSIGHTS( ANALYTICAL(( SOLUTIONS( MODEL(( DEVELOPMENT( INSIGHT(( REPORTING( INSIGHTS Agile Governance framework Analytics as a service To extract knowledge from data through solving complex data problems in scientific disciplines 14