Conférence Big Data de François CAZALS, professeur HEC Paris, à La Martinique, le 1er février 2017.

1. DES BIG DATA
AU BIG BUSINESS
Par François Cazals
1er février 2017

2. LE PROFESSEUR
• François CAZALS
• cazals@hec.fr
• Professeur
• Auteur (et coauteur) de plusieurs
ouvrages
• Consultant en stratégie
• Lieutenant-colonel de gendarmerie
(réserve), affecté au cabinet du DG

3. UN CHANGEMENT DE
PARADIGME

4. UN MANAGEMENT EMPIRIQUE

5. UN MANAGEMENT
ORIENTÉ DONNÉES

6. LA DÉMARCHE CLASSIQUE
FONDÉE SUR DES MÉTHODOLOGIES

7. LES DONNÉES INTERNES
Les données
comptables,
financières et
de gestion:
bilan, compte
de résultat,…

8. LES DONNÉES INTERNES
Les données industrielles

9. Les données logistiques
LES DONNÉES INTERNES

10. Les données
LES DONNÉES INTERNES

11. LA PROBLÉMATIQUE
DES DONNÉES EXTERNES

12. DES MÉTHODES DE TRAITEMENT EMPIRIQUES
60’s 70’s 80’s …

13. LE DANGER DES SONDAGES

14. PROBLÈMES DE MÉTHODE
Tirage aléatoire au hasard
Méthode des quotas

15. LA PROBLÉMATIQUE DE LA
CONFIANCE STATISTIQUE

16. SOUVENEZ-VOUS!

17. AUJOURD’HUI AUSSI

18. AUJOURD’HUI AUSSI

19. AUJOURD’HUI AUSSI

20. CAR LES ÉTUDES SONT
DÉCLARATIVES!

21. TOUTE L’APPROCHE
BAROMÉTRIQUE EST SUSPECTE…
Notoriété/image, satisfaction, NPS, social,…

22. L’APPROCHE QUALITATIVE EST
ENCORE PLUS COMPLEXE!

23. EXEMPLE DE RELEVÉ
DE VERBATIMS

24. L’INFORMATIQUE CHANGE TOUT
A partir des années 1990

25. NOUS APPRENONS À TRAITER LES
DONNÉES STRUCTURÉES

26. DATA MINING
L’exploration de données, connue aussi sous l'expression de fouille de
données, forage de données, prospection de données, a pour objet
l’extraction d'un savoir ou d'une connaissance à partir de grandes
quantités de données, par des méthodes automatiques ou semi-
automatiques.

27. Trouver ce que l’on cherche!
LES BÉNÉFICES

28. LA PROBLÉMATIQUE DE LA
CENTRALISATION DES DONNÉES
Data Warehouse
Extract Transform Load Middleware

29. PROBLÉMATIQUE TYPIQUE
DU CRM

30. 21ÈME SIÈCLE :
LES BIG DATA

31. LE PHÉNOMÈNE BIG DATA

32. APRÈS LES PÉTROLIERS,
LES ENTREPRISES DE DONNÉES
Dix 1ères capitalisations boursières
2010
Dix 1ères capitalisations boursières
2016

33. AVANT LES BIG DATA,
LES DARK DATA

34. UN PHÉNOMÈNE RÉCENT

35. A L’ORIGINE, LES 4 INTERNET
1 000 milliards de pages Web
1 carte SIM par humain sur Terre
3 milliards d’humains sur Internet
2 internautes sur 3
sur les médias sociaux
55% des visites du Web viennent
d’un smartphone
E-commerce dans le monde
1 500 milliards €
80 milliards d’objets connectés
en 2020
44 000 milliards Go
en 2020
4 milliards de recherches Google
par jour
40 milliards de messages
WhatsApp par jour
215 milliards d’e-mails par jour
(hors Spam)
Internet des objets
Web mobile
Web 2.0
Web

36. LES APIS
Application Programming Interface
Les connecteurs aux Data

37. L’OPEN DATA

38. LE PHÉNOMÈNE STATISTIQUE

39. 1 ZETTABYTE

40. LE PHÉNOMÈNE STATISTIQUE
1 DVD de
données
par jour et
par humain
En 2017

41. LES 4V DU BIG DATA
V+V+V+V=Value

42. D’ABORD DES DONNÉES
NON-STRUCTURÉES

43. VOICI DES DONNÉES
NON-STRUCTURÉES

44. COMMENT TRAITER
LES BIG DATA?
Doug Cutting

45. HADOOP

46. LE RAFFINAGE DES BIG DATA
DATA SCIENCE
MATHEMATIQUES BUSINESS+ +
DATA-DRIVEN
STRATEGY
TECHNOLOGIES

47. Découvrir ce que l’on ne
cherche pas!
LES BÉNÉFICES

48. DONNER DU SENS AU DONNÉES

49. UNE DONNÉE
• Un couple concept,
mesure
• Exemple: 03/05/1964

50. UNE INFORMATION
• La donnée se
transforme en
information lorsqu’elle
est communiquée à
un être humain
capable de
l’interpréter
• Le public sait que
03/05/1964 est une
date: le 3 mai 1964

51. UNE CONNAISSANCE
• L’information
interprétée mise en
relation avec d’autres
informations
• En allant sur la page
Linkedin de la
personne, on
découvre qu’il s’agit
d’une date de
naissance

52. UNE COMPÉTENCE
• Une fois la
connaissance
intégrée, une action
peut être réalisée de
manière réfléchie et
intentionnelle
• La date de
l’anniversaire de la
personne connue, je
mets une alerte sur
mon agenda

53. DES ALGORITHMES AUX IA

54. QU’EST-CE QU’UN ALGORITHME?
Algorithme d’Euclide
Un algorithme, c’est une suite
d’instructions, qui une fois exécutée
correctement, conduit à un résultat
donné.

55. VOICI UN ALGORITHME

56. QUELQUES ALGORITHMES
DES GAFA

57. L’ALGORITHME APB

58. DEEP LEARNING
Apprentissage non-supervisé Apprentissage supervisé

59. LES IA SONT DÉJÀ LÀ!

60. LA RENAISSANCE DE WATSON

61. LES IA FONT PEUR!
HALL 900

62. VONT-ELLES REMPLACER
LES HUMAINS?

63. 50% DES EMPLOIS REMPLACÉS PAR DES MACHINES?
Carl Benedickt Frey et Michael A. Osborne (Oxford,
2013)

65. 65
La technologie doit être
comprise comme médiateur
plutôt qu’instrument, elle doit
créer de l’autonomie plutôt
que de la dépendance
Gilbert Simondon

66. DATA-DRIVEN STRATEGY

67. LES BARBARES ARRIVENT
Après les GAFA, voici les NATU!

68. LA BIG DATA ECONOMY

69. ÊTRE OU NE PAS ÊTRE UBERISÉ

70. UNE NOUVELLE ÉCONOMIE
Forte croissance, forte capitalisation, actifs intangibles, faible valeur

71. DE NOUVEAUX MODÈLES
STRATÉGIQUES

72. LES ENTREPRISES SONT
NATURELLEMENT IMPACTÉES

73. LES BIG DATA SUR TOUTE
LA CHAÎNE DU MANAGEMENT
Comprendre
Prévoir
DéciderAgir
Contrôler

74. UN IMPACT SYSTÉMIQUE
Client Finance Opérations RH

75. BIG DATA & CLIENT
Client Finance Opérations RH

76. BIG DATA & FINANCE
Client Finance Opérations RH

77. BIG DATA & OPÉRATIONS
Client Finance Opérations RH

78. BIG DATA & RH
Client Finance Opérations RH

79. POUR CONCLURE

80. LE NOUVEAU PARADIGME
HIER AUJOURD’HUI
RIVALITE
Grand
contre
Petit
La
puissance
AGILITE
Rapide
contre
Lent
Les données
AVANTAGE CONCURRENTIEL

81. CONFIANCE & TRANSPARENCE
Le nouveau règlement européen sur la protection des données personnelles
est paru au journal officiel de l’Union européenne le 4 mai 2016
et entrera en application en 2018.
https://www.cnil.fr/fr/reglement-europeen-sur-la-protection-des-donnees-ce-qui-change-pour-les-
professionnels

82. LA 3ÈME RÉVOLUTION
INDUSTRIELLE

83. L’ACTUALITÉ DU DIGITAL
Cazals.fr
@FCazals
Slideshare.net/cazals
Linkedin.com/in/francoiscazal
s