Upload
cyril-marsaud
View
240
Download
3
Embed Size (px)
Citation preview
#MDN2017
TABLE RONDETransformez les données en décisions : valorisez votre business grâce au Big Data
CCI Seine-et-Marne, SerrisJeudi 22/06/2017
#MDN2017
TABLE RONDE : Transformez les données en décisions : valorisez votre business grâce au Big Data
• Animateur : Stéphane PARIS – Consultant Digital Sénior, DIGITAL_IN
• Laure BOUTRON – Directrice Marketing, EXACT France
• Denis OBLIN – Fondateur du cabinet MEMORANDUM
• Maître Frédéric PICARD – Avocat à la Cour, HAAS Avocats
• Jacques TEK – Conseiller Numérique, CCI Seine-et-Marne
#MDN2017
Introduction-
Stéphane PARIS
#MDN2017
Qu’est ce que le Big Data en 60 secondes ?
5
#MDN2017
Définition : Les 4V du Big Data
200 adresses
6
20 millions de clients400 millions de tweets par jour
8 milliard de vues sur snapchat
Pratiques et technologies emergentes
Volume Variété Vélocité Véracité
? ?!
#MDN2017
Votre transformation par la donnée-
Denis OBLIN
#MDN2017
Mémorandum accompagne votre transformation par la donnée
8
• Transformer vos process avec vos données
• Vous guider pour prioriser les travaux
• Mesurer la valeur cachée sur les process prioritaires (POC)
• Mettre en œuvre
• Piloter une politique de la donnée
• Vous rendre autonome sur l’exploitation de vos données– Transfert de compétence sur les projets– Formations ad’hoc : comité de direction et
data scientists– Coaching stratégique et technique
2 grandes approches
… Qui se rejoignent naturellement dans nos interventions : vos équipes font avec nous, métiers et analystes data progressent ensemble
#MDN2017
9
« Exploiter la donnée est un projet métier, pas un projet informatique »L’initialisation d’une démarche de valorisation des données ne nécessite aucune
infrastructure :• Des ordinateurs de bureau (jusque quelques giga de données)
• Des logiciels d’analyse open source (R / Python)• Des algorithmes d’analyse libres de droit, prédéveloppés et prêt à l’emploi
« La valeur n’attend pas le nombre des octets » Une valorisation efficace des données dépend moins du nombre d’observations
(quelques milliers de clients ou de dossiers représentent déjà une bonne base) que de la richesse de ses observations (pour un client avoir ses caractéristiques, ses transactions,
ses courriers, ..)
1
2
« Fail fast & learn »Les démarches de valorisation des données se font par itérations, il est donc important de savoir avant de se lancer que certaines analyses potentiellement non concluantes (mais
auront fait progresser)
3
Des convictions simples
#MDN2017
10
Source :Didier Girard / https://www.linkedin.com/pulse/20141204124054-158449-bigdata-l-arme-
du-digital
Petits volumes Gros volumes de données
Val
eur
un
itai
re d
es d
onné
es
Data Warehouse Big Data
Machine learning (algorithmes)
Infrastructure (hadoop, spark, DMP, ...)
Briques big data pertinentes
Big data : applique la théorie de la longue traine aux données
#MDN2017
11
Business monitoring
Business insight
Business Optimisation .
Data Monétisation
Business Metamorphosis
Source: Bill Schmarzo
CTO Dell EMC Services Big Data
Exemple d’échelle de progression dans l’usage de la donnée
#MDN2017
12
Big data : mélanger beaucoup de données pour construire UNE information nouvelle
#MDN2017
13
Je n’ai pas de question (et peut être pas d’historique) Apprentissage non supervisé
Je veux synthétiser mes données en paquet relativement homogène pour mieux me ls approprier
Visualisation de donnés plus simples Données présentes
Achat en ligne- Mon client va-t-il acheter ?- Pourquoi mes clients achète /
n’achètent pas
Modèle stable appliqué à tous les nouveaux clientsDiagnostic : profils / parcours, situations favorables ou défavorables à l’achat
J’ai une question et j’ai un historique Apprentissage supervisé
Données passées
La meilleure publicité sur un nouveau produit ? (pas forcément la même pour tous)
Modèle dynamique sur tous les nouveaux clients : Choix automatique de la meilleure solution, de plus en plus efficaceVersion simple sur 1 paramètre : AB testing
J’ai une question mais je n’ai pas d’historique Apprentissage par renforcement
Données futures
Le plus fréquent
Trois cas d’utilisation du Machine Learning
#MDN2017
14
La donnée n’est que l’ombre de la réalité : la manipuler et l’interpréter mérite une supervision métier
#MDN2017
15
Il n’y a pas à proprement parler de projets data, mais une vision data des projets
Métier
Equipe Data
CollecteDonnées et visualisation
Choix Enjeu
cadrage métier
Kick Off
S’approprier les données, visualiser et restituer Modéliser et interpréter
cadrage
Livrables formalisés
1 - formulation problème
2 - Modélisation
3 - Visualisation & Story telling
2 semaines
Ce qu’on a appris sur le sujet
Ce qu’on a appris sur autre chose (contingence !)
Diagnostic concret sur les données
Ce qu’on a appris sur le sujet
Ce qu’on a appris sur autre chose (contingence !)
Diagnostic concret sur les données
Ce qu’on a appris sur le sujet
Ce qu’on a appris sur autre chose (contingence !)
Diagnostic concret sur les données
#MDN2017
Collecte, utilisation et valorisation des données :
les bonnes pratiques pour les PME-
Maître Frédéric PICARD
#MDN2017
17
© HAAS -Avocats& LegalFab 2017
Le Cabinet HAAS Avocats défend et protège les clients nationaux et internationaux intervenant dans les secteurs de la propriété intellectuelle, du droit des nouvelles technologies, de l’information et de la communication, de la protection des données, de l’e-commerce, de l’e-marketing et du droit des affaires.
Le cabinet HAAS société d’Avocats
#MDN2017
18
© HAAS -Avocats& LegalFab 2017
Le cabinet HAAS société d’Avocats
#MDN2017
19
© HAAS -Avocats& LegalFab 2017
Les principes directeurs : finalité
Recueil des données pour
un usage déterminé et
légit ime
Au stade de la collecte : recueil de
données en relat ion avec la f inali té du
traitement
Au stade du traitement : pas
de détournement
de finalité
1 2 3
#MDN2017
20
© HAAS -Avocats& LegalFab 2017
Loyauté
Les données doivent être collectées de
manière transparente
Proport ionnali té
Seules les données nécessaires à la
finalité du traitement doivent
être collectées
Les principes directeurs : loyauté et proportionnalité
#MDN2017
21
© HAAS -Avocats& LegalFab 2017
Dispense
Norme simplifiée
ouDispense
Déclaration
Simplifiéeou
Normale
Autorisation
Autorisation unique
ouDemande
d’autorisation
Les formalités préalables
#MDN2017
22
© HAAS -Avocats& LegalFab 2017
Le règlement général pour la protection des données
RGPD : Nouvelle réglementation
européenne
25 mai 2018
Un texte unique pour l’UE
Objecti fs
Protéger les consommateurs
Assurer la confiance
Responsabiliser les acteurs
#MDN2017
23
© HAAS -Avocats& LegalFab 2017
RGPD : les nouveaux principes
Minimisation des données
Proportionnalité
Pseudonymisation
Autodétermination informationnelle
Renforcement du consentement et de
l’obligation d’information
Nouveaux droits :Oubli + Portabilité + Profilage
#MDN2017
24
© HAAS -Avocats& LegalFab 2017
Disparition du système de formalités préalables
Suppression de l ’obligation générale de
déclaration préalable
Mais maintien du régime d’autorisation et de
consultation préalables
Création d’une obligation générale de tenue de registre des activités de traitement
#MDN2017
25
© HAAS -Avocats& LegalFab 2017
Non-respect de la réglementation données personnelles
Risques économiques et
opérationnelsFichier non déclaré
= sans valeur
Suspension de l’activité
Sanctionsimportantes
Administratives (CNIL)
Pénales5 ans & 300 000 €
Civiles
Risques « réputationnels »
Perte de confiance des clients et des partenaires
Mauvaise image
#MDN2017
26
© HAAS -Avocats& LegalFab 2017
Augmentation des sanctions administratives
10 000 000 €ou 2% CA
Manquement à : Privacy by design, PIA, etc.
20 000 000 €ou 4% CA
Manquement aux droits des personnes
150 000 € 3 000 000 €
RGPD
République numérique
#MDN2017
27
© HAAS -Avocats& LegalFab 2017
Interdiction du profilage
Pas de profi lage sans consentement
#MDN2017
28
© HAAS -Avocats& LegalFab 2017
Fichier non déclarée Vente nulle
Fichier illicite hors commerce
#MDN2017
29
© HAAS -Avocats& LegalFab 2017
Clauses contractuelle
s types
Règles d’entrepr. contraignantes
Code de conduite
Cert if ications
Décision d’adéquation de la Commission UE
Privacy Shield
RGPD : transfert hors UE
#MDN2017
Confidentialité des données-
Maître Frédéric PICARD
#MDN2017
31
© HAAS -Avocats& LegalFab 2017
Le règlement général pour la protection des données
RGPD : Nouvelle réglementat ion
européenne
25 mai 2018
Un texte unique pour l’UE
Objectif
Assurer une meilleure protection de la vie privée
Assurer une meilleure concurrence entre les
entreprises
#MDN2017
32
© HAAS -Avocats& LegalFab 2017
La sécurité : contenu de l’obligation de sécurité (1)
Adopter des mesures de
sécurité physiques
Sécurité des locaux
Adopter des mesures de
sécurité logiques
Chiffrement
Mesures adaptées à la
nature des données et aux risques
présentés par le traitement
#MDN2017
Prévenir la déformation
Prévenir tout dommage
Prévenir tout accès non autorisé
Notifier à la CNIL*
Inventaire des violations
33
© HAAS -Avocats& LegalFab 2017
Pour tout fournisseur de services de
communicat ions électroniques
accessibles au public
Pour tout responsable de traitement
* Dans les 24 heures suivants la violation ou en deux étapes (24 heure - notification simple - puis 72 heures notification complète
La sécurité : contenu de l’obligation de sécurité (2)
#MDN2017
Mesures techniques et
organisationnelles
Assurer d’un niveau approprié de sécurité des
données
34
© HAAS -Avocats& LegalFab 2017
La sécurité à l’ère du RGPD : privacy by design
Protection de la vie privée par défaut et dès la conception du traitement
#MDN2017
35
© HAAS -Avocats& LegalFab 2017
Focus sur la Pseudonymisation / Anonymisation
Anonymisation Pseudonymisation
#MDN2017
36
© HAAS -Avocats& LegalFab 2017
Les notions fondamentales
Identif ication directe
Données d’identif icationEx. : nom, adresse mail, etc.
Identif ication indirecte
Données « identif iante » : personne identifiable lorsqu'un fichier comporte des informations permettant indirectement son identification.Ex. : n° d’immatriculation, adresse IP (logs de connexion), n° de téléphone, etc. Toutes les informations dont le recoupement permet d’identifier une personne précise. (ex. : une empreinte digitale, l’ADN, une date de naissance associée à une commune de résidence …).
Données anonymisées (irréversible)
Données qui ne peuvent plus être reliées à un individu déterminé ou déterminableLes principes la loi LIL ne s’appliquent pas aux données rendues anonymes.Le passage d’une information anonyme à personnelle est apprécié par le juge (et par la CNIL).
Données pseudonymisée
s(réversible)
Données d’identif ication remplacée par un pseudonyme mais qui ne sont pas des données anonymes.Les principes de la LIL s’appliquent à de telles données.
#MDN2017
37
© HAAS -Avocats& LegalFab 2017
Confidentialité et Ressources Humaines
Clause de confidentialité
Sous-traitantPartenaires
Employé
#MDN2017
38
© HAAS -Avocats& LegalFab 2017
La sécurité et le recours à la sous-traitance
Action sur instructions
du responsable
Présenter des garanties
suff isantes pour la
sécurité et la confidentialité
Coresponsabil i té
notamment en matière de sécurité
des données
Contractualisation des obligations du
sous traitant (sécurité et de confidentialité)
#MDN2017
39
© HAAS -Avocats& LegalFab 2017
Focus : le secret des affaires
Une information de valeur
Un contrôle sur cette information
Protection pénale renforcée
PAS ENCORE TRANSPOSEE EN DROIT FRANCAIS
#MDN2017
Allier Big Data et confiance-
Maître Frédéric PICARD
#MDN2017
41
© HAAS -Avocats& LegalFab 2017
Le BIG DATA
#MDN2017
42
© HAAS -Avocats& LegalFab 2017
Big Data et IA
Data IAAlgorithme
#MDN2017
43
© HAAS -Avocats& LegalFab 2017
Big Data et IA
Donner une personnalité juridique aux future IA autonome ?
Penser un cadre éthique pour les robots
Créer un système assurantiel pour les dommages causé par les robots ?
#MDN2017
44
© HAAS -Avocats& LegalFab 2017
Minimisation des données
Proportionnalité
Pseudonymisation
Collecte de masse
Stockage illimitée
Rentabilité
Big Data et vie privée : la minimisation
#MDN2017
45
© HAAS -Avocats& LegalFab 2017
Croisement des données
Statistique
Interdict ion du
croisement des données
Consentement
Big Data et vie privée : le croisement de données
#MDN2017
46
© HAAS -Avocats& LegalFab 2017
Durée de conservat ion l imitée
Selon la finalité
Durée de conservat ion
i l l imitée
Big Data et vie privée : conservation
#MDN2017
47
© HAAS -Avocats& LegalFab 2017
Clients les moins rentable E-commercant + big data
Big Data et discrimination
#MDN2017
48
© HAAS -Avocats& LegalFab 2017
Score de « prédict ion de grossesse »
Produits et promotions adaptés
Analyse prédict ive et profi lage des clientes
Big Data et discrimination
#MDN2017
Le Big Data, réservé aux «Big» entreprises ?
-
Laure BOUTRON
#MDN2017
Pour les grandes entreprises
50
Domaines d’application : B2C et B2B
• Marketing : affiner les données liées aux consommateurs / utilisateurs, création de modèles prédictifs pour anticiper le départ d’un client ou les ventes d’un produit.
• Finance / assurances : prédictif, fraud analysis, personnalisation de contrats
• Compréhension et optimisation des processus : gestion des stocks, RH, itinéraires de livraison…
• Sécurité : optimisation du trafic dans les villes
• Santé : recherche médicale et pharmaceutique
#MDN2017
Mais pas que …
51
Pour les particuliers
• Réseaux sociaux
• Sites communautaires (rencontres, loisirs …)
• Objets connectés
• …
#MDN2017
Mais pas que …
52
Pour les TPE PME
• Cloud Services / Community
• Predictive / Benchmark
• Exemples : Marketing (Google Trends), Agriculture, Avocats (legaltech), …
#MDN2017
Pour les éditeurs de logiciel
53
L’enjeu pour le groupe ExactCombiner le Big Data & le Machine learning pour améliorer l’expérience client
• Pas d’utilisation de données financières
• Customer behavior data
• Agrégation de données pour les experts-comptables
• Services additionnels communautaires
#MDN2017
Le Big Data pas à pas
54
5 conseils clé pour maximiser le Big Data pour les PME
• Définir vos objectifs
• Identifier vos sources de données
• Consolider les données
• Analyser les rapports
• Maximiser l’utilisation de ces données
#MDN2017
Les bénéfices du Big Data pour les PME
55
Prendre des décisions data-driven
#MDN2017
56
© HAAS -Avocats& LegalFab 2017
Recrutement par big data
Peut permettre de corriger les biais humains
Discrimination algorithmique
Traces en lignes, données de base, etc
Big Data et Ressources Humaines
#MDN2017
57
© HAAS -Avocats& LegalFab 2017
Nouvelle réglementation : préparez-vous dès
maintenant !
A télécharger surhttp://bit.ly/2qmYc9M
Nouveau
HAAS Socié té d’Avocats
32 rue de la Boétie75008 PARIS
Tel :01.56.43.68.80Fax : 01.40.75.01.96
www.haas-avocats.comwww.jurilexblog.com
Nouveau : Guide E-Marketing & Protection des données
#MDN2017
Les bénéfices du Big Data pour les PME
58
Productivité, profitabilité
64% des répondants à l’enquête utilisent des applications Cloud d’entreprise.
#MDN2017
Exemples d’applications concrètesdu Big Data
#MDN2017
Conseiller Numérique-
Jacques TEK
#MDN2017
Les Challenges NumériquesSeine-et-Marne 2017
Dossiers de candidaturesJusqu’au 30 sept. 2017www.seineetmarne.cci.fr
#MDN2017
Jacques TEK - Conseiller Numérique, CCI Seine-et-Marne
62
Rôles & missions
• Accompagner les entreprises TPE et PME dans cette Transformation Numérique
• Réaliser un « Diagnostic de Stratégie Digitale » directement en entreprise avec le dirigeant
• Evaluer la « Maturité Digitale » de l’entreprise
• Proposer des recommandations
• Accompagnement : rédaction des cahiers des charges, choix des prestataires, propositions de formations adaptées
• #MDN2017 – Le Mois du Numérique 2017
• La marque « Les Digiteurs » : Vidéo
Rôle de conseil et d’accompagnement des entreprises
#MDN2017
Questions-
Réponses
#MDN2017
#Merci#MDN2017
#Transfonum #digital@lesdigiteurs
@ccism