Projets

Le prédictif au service du pilotage business

Retrouvez cet article dans le CIO FOCUS n°139 !

Data Analytics : de la visualisation au prédictif

La Matinée Stratégique « Data Analytics : De la visualisation au prédictif » a été organisée par CIO le 25 avril 2017. Organisée en partenariat avec Axway, Informatica et HPE Vertica, avec le soutien de Forrester, elle a permis le témoignage d'entreprises comme Mappy, Kaufman et Broad, le CEA,...

Découvrir

---

Lors de la Matinée Stratégique « Data Analytics : De la visualisation au prédictif » organisée par CIO le 25 avril 2017, Béatrice Godineau (Directrice Marque et expérience client de Ouibus), Bastien Albizzati (Product Director Engine & Marketplace chez Criteo) et Isabel Gomez Garcia De Soria (Directrice de la Recherche Opérationnelle chez Air France KLM) ont témoigné sur « Le prédictif pour piloter l'activité ».

PublicitéAu sein de la grande famille des projets de Data Analytics, il existe un domaine encore peu exploré dans la plupart des entreprises : le prédictif. Pourtant, de grandes entreprises ont fait preuve, en la matière, de la pertinence business du prédictif. Béatrice Godineau (Directrice Marque et expérience client de Ouibus), Bastien Albizzati (Product Director Engine & Marketplace chez Criteo) et Isabel Gomez Garcia De Soria (Directrice de la Recherche Opérationnelle chez Air France KLM) ont ainsi témoigné des projets menés dans leurs entreprises respectives en matière de prédictif au service du business. Ils se sont exprimés lors d'une table ronde intitulée « Le prédictif pour piloter l'activité » au cours de la Matinée Stratégique « Data Analytics : De la visualisation au prédictif » organisée par CIO le 25 avril 2017 à Paris.
Les projets présentés se déroulaient dans des contextes très différents. Ainsi, chez Air France KLM, il s'agissait d'IoT autour de très gros objets, en l'occurrence des avions A 380. Exploitant des liaisons en bus interurbaines, Ouibus a cherché à démontré la pertinence business de chaque spot publicitaire diffusé à la télévision. La publicité est d'ailleurs le coeur d'activité de Criteo dont le métier est d'acheter des affichages de bandeaux publicitaires sur des sites web et de vendre aux annonceurs des clics sur leurs bandeaux, ce qui implique d'afficher un bandeau qui sera cliqué par l'internaute.

Du prédictif pour de la maintenance préventive

« Notre problème avec l'A380, un avion jeune, c'était un taux de panne plus élevé qu'avec des modèles d'avions plus matures » a expliqué Isabel Gomez Garcia De Soria. Or, à chaque panne, c'est un vol avec 500 passagers qui peut être annulé. Et certaines pannes peuvent survenir très loin d'un aéroport proposant des possibilité suffisantes de maintenance. Et la démarche engagée visait donc à réaliser une maintenance préventive pour faire en sorte que la panne n'ait pas lieu.
Or, chez Air France KLM, réaliser des prédictions à partir de Big Data est une activité courante depuis plusieurs années, notamment en termes de trafic ou de besoins clients. Les spécialistes du domaine se sont donc associés à des ingénieurs en avionique pour analyser les pannes, en particulier les plus fréquentes, dans les pompes à carburant. Isabel Gomez Garcia De Soria s'est réjouie : « l'avantage d'un avion jeune comme l'A380 est qu'il produit énormément de données que l'on peut exploiter. » Plusieurs giga-octets de données sont ainsi collectées à chaque fois qu'un avion arrive à Roissy Charles-de-Gaulle à partir des nombreux capteurs situés dans l'appareil, environ 1,6 Go/vol. Ces données étaient simplement stockées et non-exploitées.

Décider en quelques minutes

PublicitéCe sont sur celles-ci que des algorithmes prédictifs ont pu être appliqués. « Ces données ont été analysées en les rapprochant des pannes constatées dans telles ou telles conditions » a confié Isabel Gomez Garcia De Soria. Des modèles de pannes ont ainsi été définis. Les pièces en cause ont été changées en amont d'une défaillance et, ensuite, été testées avec des tests d'efforts, provoquant effectivement les pannes attendues, validant ainsi le modèle algorithmique.
A chaque déversement de données, les datas sont collectées dans le datalake de la compagnie et il faut, en moins de 25mn, dire si oui ou non une panne va survenir et sur quelle pièce. Au delà, les mécaniciens n'auraient plus le temps de procéder à un changement avant le redécollage. A chaque panne évitée, le coût économisé peut se chiffrer en centaines de milliers d'euros. Les évitements de coûts dépassent le million d'euros chaque année, sans oublier le gain de satisfaction client.

Lancer une marque avec peu de moyens

Ouibus avait d'autres préoccupations. Née de la Loi Macron, cette filiale de la SNCF devait se construire une notoriété à partir de zéro mais avec des moyens limités. En effet, le marché de Ouibus est low cost. Donc, il fallait faire un développement commercial important pour atteindre rapidement de gros volumes mais sans trop dépenser. « A ce jour, nous en sommes à 4 millions de passagers transportés sur 140 destinations » a précisé Béatrice Godineau.
Pour assurer ce lancement, il fallait garantir un très bon rendement des investissements publicitaires. Béatrice Godineau a insisté : « nous avons une culture ROIste chez Ouibus. A côté du Digital, le média le plus puissant pour toucher un grand volume de population est la télévision mais c'est un média coûteux ». L'objectif était donc de tracker, spot par spot, le business généré sur le site web de Ouibus, soit immédiatement soit en décalé. La solution Realitics permet de réaliser ce tracking : suite à tel spot, x ont été voir le site dans la foulée et y ont effectivement acheté un trajet, éventuellement plusieurs jours après. Béatrice Godineau a observé : « notre clientèle réagit en général très vite et nous avons confirmé les résultats de nos études clientèle en constatant des conversions en deux ou trois jours. »

Décider d'afficher la bonne publicité en quelques millisecondes

Décider vite, cela peut vouloir dire en quelques millisecondes. Chez Criteo, le retargeting consiste à diffuser des bannières publicitaires personnalisées qui vont inciter les internautes à cliquer dessus puis à achever la démarche commerciale. Il s'agit donc de prédire le comportement de l'internaute. « L'achat d'inventaire d'emplacements publicitaires sur Internet est réalisé impression par impression et payée au site mais Criteo est payé par ses propres clients uniquement en cas de conversion sur le site de e-commerce » a détaillé Bastien Albizzati. Il faut donc prédire la probabilité que chaque internaute convertisse l'affichage en achat pour que Criteo optimise son bénéfice.
Et ce quasi-instantanément. Bastien Albizzati a précisé : « entre le moment où un affichage est proposé et celui où l'on doit proposer une bannière, il s'écoule moins de 20ms. » Il faut donc que Criteo soit très efficace, très pertinent et très rapide pour gagner de l'argent.
« Bien sûr, pour y parvenir, il faut traiter de la donnée, qui est, pour nous, le tracking de cookies anonymes » a explicité Bastien Albizzati. Si Criteo peut savoir que monsieur X a surfé sur plusieurs sites de voyages, l'identité de Monsieur X ne l'intéresse pas. Les algorithmes de machine learning travaillent en général sur un mois de données.

Retravailler les algorithmes

Les différentes sortes de prédictions nécessitent cependant un travail pointu sur les algorithmes. « Chez Air France, nous travaillons sur du prédictif dans plusieurs domaines -IoT ou marketing par exemples- et à chaque fois les algorithmes à appliquer sont spécifiques aux données traitées, même si les bases sont globalement les mêmes » a spécifié Isabel Gomez Garcia De Soria. Ensuite, il faut tester. Et améliorer en continu. Bastien Albizzati a confirmé : « il n'existe aucun algorithme magique capable de prédire tout et n'importe quoi. »

Article rédigé par

Bertrand Lemaire, Rédacteur en chef de CIO

Partager cet article