La Fnac s’adjoint l’expertise d’une start-up dans le domaine du Big Data prédictif: Plus value: +30% de chiffre d’affaire

La Fnac s’adjoint l’expertise d’une start-up dans le domaine du Big Data prédictif | L’Atelier : Accelerating Business.

Pour mieux cibler ses clients et optimiser ses ventes, la Fnac a décidé de mieux faire usage des données les concernant. En collaboration avec une start-up, le groupe s’appuie désormais sur un modèle prédictif.

Les start-ups se présentent comme des acteurs majeurs du Big Data, comme l’évoquait Mathias Herberts dans son entretien pour L’Atelier. Des entreprises avec lesquelles les grands groupes doivent impérativement rentrer en collaboration pour accroître leur efficacité et leur rentabilité, selon le fondateur de Cityzen Data. Une logique que le groupe FNAC a intégrée si l’on en croit son travail mené aux côtés de la start-up Tinyclues et présenté lors du salon du Big Data les  10 et 11 Mars dernier à Paris. Cette start-up est à l’origine de la création d’une plate-forme Saas (software as a service) permettant d’établir un modèle prédictif, en se basant sur les données récoltées par l’entreprise. Avec plus de 20 millions de clients et un nombre incalculable de données, la FNAC se devait d’optimiser le ciblage de ses campagnes, et ce en mettant à profit les données produites par les clients grâce au Big Data prédictif.

Un modèle probabiliste

En se basant sur des algorithmes de Machine Learning, la méthode élaborée par Tinyclues permet de cibler les clients beaucoup plus finement qu’avec le dispositifanciennement utilisé par la Fnac. Un ciblage qui permet d’identifier les bonnes cibles pour les campagnes marketing et ceci en un temps record: « Les utilisateurs ont accès au catalogue produit de la Fnac, il leur suffit ensuite de sélectionner des codes produits ou des marques et les résultats des ventes vont apparaître. Il sera facile et rapide de savoir que , par exemple, 100 coffrets Star Wars ont été vendus sur le dernier mois » explique David Bessis,  le fondateur de Tinyclues, ancien chercheur en mathématiques au CNRS. «Le modèle extrait la population correspondante sur laquelle vous pouvez ensuite effectuer un reporting, ajoute le chercheur, et ce afin de savoir à qui s’adresser pour vendre votre produit » Une méthode qui permet donc à la FNAC de procéder à une utilisation intelligente de ses données. Alors que les modèles précédents de ciblage s’appuyaient sur des règles assez simplistes, le modèle probabiliste de Tinyclues se base sur « des règles très fines qui, au lieu de regarder le comportement de l’utilisateur avec une grille de lecture très large en terme de rayon, va regarder le comportement de celui-ci en fonction des articles qu’il a précisément acheté. »

30% de chiffre d’affaire supplémentaire

La start-up apporte donc une réelle plus-value à la FNAC puisque la méthode est extrêmement  sophistiquée et «peut difficilement être mise en œuvre par une entreprise telle que la FNAC qui n’est pas une entreprise de technologie » selon David Bessis, la méthode a prouvé son efficacité puisque Tinyclues a présenté « 30% de chiffre d’affaire supplémentaire pour les campagnes ciblées via tinyclues.». En collaboration depuis 2014 avec le groupe de la FNAC, David s’étonne de la  maturation du marché du Big Data : « Il y a encore un an ou deux, à ce même salon Big Data, il s’agissait pour beaucoup de présenter des projets : c’est-à-dire des actions un peu ponctuelles, expérimentales » Aujourd’hui, Tinyclues travaille en partenariat avec des géants du e-commerce : «Notre premier grand client e-commerçant était un Pure Player historique : Priceminister qui possède une culture de l’innovation extrêmement forte ». David reconnaît néanmoins que certaines industries « sont encore beaucoup en mode projet en ce qui concerne le Big Data ». Néanmoins, cette situation ne devrait pas rester inchangée selon lui : « le fait que des gens comme la FNAC ou d’autres de nos clients comme les 3 Suisses, des entreprises avec un historique de la relation client beaucoup plus ancien et une tradition peut être légitimement plus précautionneuse sur l’environnement data soient prêtes aujourd’hui à utiliser notre solution est un signe que ça évolue ».

Around 50% of the people are happy to share their personal health data with advertisers

Most people are happy to share their personal health data with advertisers – Business Insider.

Wearable devices like smartwatches and fitness trackers might go mainstream this year thanks to the Apple Watch. Even though there are plenty of devices and applications that share personal health data with third parties like advertisers, people aren’t up in arms. In fact, people don’t seem to care much at all.

Based on survey data from ad tech firm Rocket Fuel charted for us by BI Intelligence, the majority of people in a December 2014 survey said they would be comfortable sharing their health and fitness data (56%) and their diet data (56%) to get more personalized advertisements. Less than half of the survey’s 1,262 respondents said they were comfortable sharing their sleep (48%) and mood data (45%).

But here’s the real opportunity for advertisers and brands: Three out of every four respondents said they would be more likely to share their personal data if they received incentives like discounts and coupons.

Tech_COTD new (1) (1) (1)BI Intelligence

Read more: http://uk.businessinsider.com/most-people-are-happy-to-share-their-personal-health-data-with-advertisers-2015-3?nr_email_referer=1&utm_source=Sailthru&utm_medium=email&utm_term=Tech%20Chart%20Of%20The%20Day&utm_campaign=Post%20Blast%20%28sai%29%3A%20Most%20people%20are%20happy%20to%20share%20their%20personal%20health%20data%20with%20advertisers&utm_content=COTD?r=US#ixzz3U2ndUqaG

The Top 10 Big Data Challenges: 2 Technological vs 8 Cultural

The Top 10 Big Data Challenges [Infographic].

This week’s infographic looks at the top 10 challenges organizations face in capitalizing on Big Data, courtesy ofTata Consultancy Services.

big-data-infographic

tweet infographic

The Top 10 Big Data Challenges

1. Cutural: Getting business units to share information across organizational silos

2. Technological: Being able to handle the large volume, velocity and variety of Big Data

3. Cultural: Determining what data, both structured and unstructured, and internal and external) to use for different business decisions

4. Cultural: Building high levels of trust between the data scientists who present insights on Big Data and the functional managers

5. Cultural: Finding and hiring data scientists who can manage large amounts of structured and unstructured data, and create insights

6. Cultural: Getting top management in the company to approve investments in Big Data and its related investments (e.g., training)

7. Technological: Putting our analysis of Big Data in a presentable form for making decisions (e.g., visualization/visual models)

8. Cultural: Finding the optimal way to organize Big Data activities in our company

9. Cultural: Understanding where int he company we should focus our Big Data investments

10. Cultural: Determining what to do with the insights that are created from Big Data

Comment SFR repère ses clients voulant le quitter grâce au Big Data

Comment SFR repère ses clients voulant le quitter grâce au Big Data.

Technologie : L’opérateur au carré rouge analyse le comportement de ses clients en ligne afin d’anticiper d’éventuelles envies d’aller voir ailleurs. La méthode serait efficace puisque les trois-quarts des abonnés contactés renoncent à se désabonner.

Si le Big Data occupe l’esprit de très nombreuses directions informatiques, force est de constater que le retour sur investissement tarde à se concrétiser. Une étude récente de Capgemini Consulting montre en effet les initiatives Big Data ne sont que dans 27% des cas qualifiées de réussites. S’y ajoutent 8% qui n’hésitent pas à parler de franc succès. Pour les autres, les attentes n’ont donc pas été satisfaites.

Du côté des opérateurs télécoms, l’équation semble un peu différente. On a évoqué ici les initiatives d’Orange Business Services qui monétise les données anonymisées de ses clients pour réaliser des produits à destination des spécialistes du tourisme par exemple. Des produits qui commencent à rencontrer un vrai succès.

Chez SFR, on va plus loin encore : l’analyse de données lui permet de faire baisser son taux de churn, c’est-à-dire le poucentage de clients le quittant pour aller chez la concurrence. Le churn est le cauchemar des opérateurs qui cherchent logiquement à retenir le plus possible leurs abonnés.

81% des candidats au départ repérés

C’est au détour d’un dossier compilant de nombreux retours d’expérience de Big Data dans les entreprises, que l’on découvre cette approche, fournie par Sinequa. L’idée est simple : il s’agit d’analyser (donc de surveiller ?) le comportement de ses clients en ligne afin d’anticiper d’éventuelles envies d’aller voir ailleurs.

“Quotidiennement, nous insérons dans Sinequa 20 millions de lignes de logs issus du trafic sur sfr.fr et m.sfr.fr, la version mobile”, précise Olivier Denti, en charge du premier projet Sinequa chez SFR. Le prestataire fournit ensuite des informations ciblées, par exemple sur la durée de la visite, le nombre de pages vues, les domaines visités (Assistance, Mail, Mobiles…), les produits consultés, les mots-clés saisis sur un moteur de recherche Internet ou sur sfr.fr, etc”.

De quoi permettre de repérer ceux qui auraient la tentation de partir, c’est à dire ceux qui consultent beaucoup de pages liées aux résiliations de contrat ou aux offres concurrentes…

Cette surveillance proactive pourrait choquer mais pour SFR, le retour sur investissement est plus que satisfaisant puisque cette méthode permet de mieux repérer les candidats au départ (81% affirme Sinequa) et de les appeler au bon moment, avant qu’ils aient pris leur décision. Et ça marche puisqu’un test mené sur un échantillon de ces personnes a révélé que 75% des clients contactés avant une résiliation restent chez SFR. Soit une économie de “millions d’euros” pour SFR, selon le spécialiste.

Contacté par nos soins SFR ne fait “aucun” commentaire. On peut néanmoins estimer que les concurrents de SFR appliquent les mêmes méthodes pour mieux connaître leurs clients…

AXA’s first data science competition on Kaggle

AXA’s Data Innovation Lab has launched its first challenge on Kaggle, running from 15th December 2014 to 16th March 2015. Based in San Francisco, the startup gathers a community of more than 200,000 data scientists, competing with each other to solve complex data science problems. For AXA, partnering with Kaggle is a unique opportunity to attract the best data scientists in the world.
Join in here: https://www.kaggle.com/

Alors que sa filiale Direct Assurance doit lancer sous peu une offre d’assurance automobile aux primes modulées selon le comportement du conducteur (ce qu’on appelle « pay how you drive »), AXA organiseun concours pour tenter d’affûter ses algorithmes d’analyse de données, avec l’aide des « data scientists » du monde entier.

Première grande initiative visible du « Data Innovation Lab » fondé cette année par la compagnie, la compétition est hébergée sur la plate-forme Kaggle, qui devient incontournable pour ce genre de manifestations (parmi les assureurs, globalement peu nombreux, AllState a régulièrement recours à ses services depuis 3 ans). De la sorte, AXA peut immédiatement capitaliser sur une audience potentielle de plus de 200 000 membres qualifiés, spécialistes de l’analyse de données, issus d’une centaine de pays.

Music Business and Big Data: Next Big Sound estimates potential hits (based on data from Spotify, Instagram, … )

To Make A Chart-Topping Song, Think ‘Slightly Unconventional’ | Spotify Insights.

What makes a hit song? People have been chasing that formula since the earliest days of the recorded music industry, and nobody has found it. One company that tries, Next Big Soundestimates its success rate at picking songs that will soon make the Billboard 200 (based on data from Spotify, Instagram, and other sources) at only 20 percent.

Here’s another prediction: Nobody will ever predict, with total accuracy, which songs will reach the pinnacle of the charts. That is not to say it’s impossible to make a song with a good chance of doing well, or to figure out what kinds of songs are more likely to become hits given listening data, the cultural preferences of the time, and/or the instincts of pro hitmakers.

It’s a tricky thing, as demonstrated by new research into the audio attributes of over 25,000 songs on the Billboard 100 from 1958 to 2013. The trick: To be a hit, a song should sound different from anything on the charts, but not so different that it falls off of the cultural radar of the time.

To decide what makes a song conventional or an outlier, Noah Askin (Assistant Professor of Organizational Behavior at INSEAD, in Paris) and Michael Mauskapf (PhD student in Management & Organizations at Northwestern University’s Kellogg School of Management, in Chicago) used audio analysis from The Echo Nest at Spotify to create a new metric called Song Conventionality (methodology below).

It’s ‘Only’ At The Top

Their graph shows that songs in the top 20 show the least amount of conventionality out of any section of the Billboard Hot 100 over time. The farthest outliers, from a musical perspective (based on audio attributes and genre as described below), are the winners:

Differentiation_Chart1

If a song is too weird, it’s unlikely to make the charts at all, of course; songs at the top of the charts are more similar to each other than stuff from obscure genres of limited (if passionate) appeal.

But within the charts, songs at the top are more likely to sound unconventional than songs in the middle. At the bottom of the Hot 100, we see a bit more deviation from the popular musical conventions of the time, but still nowhere near as much as within the top 20.

Are these findings statistically significant? Yes.

“These graphs are just a descriptive representation of the data; when we run our explanatory models, and control for a host of other effects,” responded Mauskapf. “We find that the relationship between conventionality and chart position is statistically significant (e.g., for songs that appear on the charts, higher levels of conventionality tend to hurt their chart position, except for those songs that are exceptionally novel).“

So ironically, in order for large swaths of the population to connect with a song, it has to sound different from the other stuff that’s popular at the same time. We appear to crave convention, but crave something different most of all.

Unconventionality Reigns Among the Hits

Let’s take a closer look at the very top of the chart, where the same effect can be seen, with a larger effect the closer you get to the coveted Number 1 spot:

Differentiation_Chart2

The top song is the least conventional of the top 10. The top 10 are less conventional than the top 20.

If these results are any indication, if an artist and their people wants to put something out that has a good chance of making it to the very top of the charts, they should make something that stands out from the pack by moving in a different musical direction than everyone else’s releases.

So, the moral of the story: Do something different. What, exactly? That’s the hard part.

(As if on cue, as we prepared to post the article you’re reading now, we spotted an article from Slate about how varied the hits were this year, jibing with this research.)

Researchers’ Summary

From Askin and Mauskapf:

  • “When evaluating cultural products, attributes matter, above and beyond social influence dynamics and symbolic classifications like genre.
  • “Attributes shape performance outcomes directly and indirectly, through a relational ecosystem of cultural products we call ‘cultural networks.’
  • “Songs that are slightly less conventional than average tend to outperform their peers on the charts.
  • “Nevertheless, predicting hit songs is nearly impossible to do, because performance is largely contingent on a song’s relationship to other songs that are produced and released contemporaneously.”

Behind The Scenes

“We used The Echo Nest’s attributes to build a ‘song conventionality’ measure and construct networks of songs for each week of the Billboard Hot 100,” explained Askin and Mauskapf in a summary shared with Spotify Insights. “[The below figure] shows one such network, in which the ‘nodes’ are songs and the ‘ties’ between them represent shared genre affiliations and greater-than-average attribute overlap.”

“Our findings suggest that the crowding of attributes within a cultural network can hinder songs’ movement up the charts.”

Here’s a depiction of one song network they made showing their audio and genre similarities (explanation below):

differentiation3

“The spatial relationship [in the chart above] is a function of both a commonly-used network layout algorithm (Fruchterman-Reingold) and of attribute similarity, such that the greater the distance between two songs–>the more dissimilar those songs are across the Echo Nest attribute space (measured using cosine similarities). Colors represent genres; not surprisingly, songs of the same genre tend to cluster together, and certain clusters(e.g., rock and pop) tend to be more sonically similar than others (e.g., rock and funk.soul). Notice however that some songs do not fit the genre clustering pattern, and act instead as brokers between two or more genres (e.g., Little Latin Lupe Lu).”

For any other music scientists who happen to be reading this, here’s some further background on how this research was done.

“1) First, we used a cosine similarity measure to assess the overall degree of Echo Nest audio attribute overlap for each song pair on a particular chart. Put another way, for each song on every chart, we calculated 99 cosine similarity measures to represent the degree of attribute overlap with every other song on that chart. Cosine similarities vary from 0 to 1, and are a common way to measure “distance” across a multi-dimensional attribute space.

“2) The above measure represents songs’ raw attribute similarity, but two songs that have similar sonic attributes may be perceived differently if they are embedded in different genres. Because listeners’ perceptions of a song’s attributes are likely to be influenced by genre affiliation(s), we wanted to weight each song pair’s cosine similarity by the average attribute overlap of those songs’ “home” genres. To do this, we calculated yearly attribute averages for each genre, and then used the same cosine similarity equation to measure the average attribute overlap of each genre pair. The resulting weights were then applied to the raw similarity measures for each song pair. For example: if one rock song and one folk song had a raw cosine similarity of 0.75, and the average cosine similarity between rock and folk is 0.8, then that genre-weighted cosine similarity for those two songs would be 0.75 * 0.8 = 0.6.

“3) After we had calculated genre-weighted cosine similarity measures for each song pair on each chart, we calculated the mean. The resulting value represents each song’s “conventionality” score for a given week. The higher a song’s conventionality score, the more alike that song is to other songs on the chart.

“The average genre-weighted song conventionality score across Hot 100 songs was a little under 0.8, which suggests that, for the most part, songs that achieve some level of popular success are very much alike. In our analysis, we try to tease apart small variations in this measure to explain why, controlling for the effects of genre, artist popularity, and a host of other factors, some songs tend to do better than others.”

You can contact the authors of this research at m-mauskapf@kellogg.northwestern.edu andnoah.askin@insead.edu.

Most commercially important Digital Marleting Trend for 2015: Content Marketing, Big Data, Marketing Automation – Smart Insights Digital Marketing Advice

Well, it’s already that time of year where it becomes popular to look at marketing trends for the year ahead. Many readers will naturally have been planning and prioritising how you invest in marketing in the year ahead for some time already.

In my article on digital marketing trends for 2015 we asked readers of Smart Insights to vote on what they saw as the most commercially significant trend for their business in the year ahead. We have now had over 600 responses – thanks if you have voted! If you’re still able to share to learn about managing digital marketing, I’d be really grateful if you could complete this more in-depth survey about Managing Digital Marketing in 2015 – there are 5 prizes available and everyone who completes the survey will get a free copy of the final report.

Here are the results of the poll on the biggest trend for 2015.

No surprise that content marketing topped the poll for the third-year running, in fact it was even further ahead compared to previous years since mobile marketing and social media marketing have declined in importance as marketers have implemented these. It’s close for second, third and fourth position. It’s significant that ‘Big Data’ is still in second position although the hype has receded. I think this shows the potential for companies to implement more in data-driven marketing techniques in 2015, which will likely be closely related to marketing automation which is in third place.

Is Predictive the New New Thing in Marketing Technology? | Lattice Engines

Is Predictive the New New Thing in Marketing Technology? | Lattice Engines.

It’s an exciting time to be working in marketing. We are amidst an important transformation with data at the forefront and technology steering the course for marketing and sales professionals. In just the past 12 months, almost $200 million in marketing_frontierVC funding has gone into predictive marketing and sales software companies. Why all the interest?

  • CRM systems like salesforce.com essentially come as an empty box because they were built at a time of data scarcity and have not kept up with the abundance of data that is now available. It does not yet leverage the power of predictive analytics that could improve a rep’s win rate by telling them which accounts they should focus on.
  • The use of marketing automation technology is becoming the norm in many organizations with adoption rates reaching 80 percent, which leaves many marketers wondering, ‘what’s next for marketing technology?’ With over 900 marketing tech vendors and counting, it is easy to get lost in the options and opportunities. (See the LumaSCAPE, WorkBench and Chief Mar Tech samples.)
  • Meanwhile consumer companies like Amazon, Uber and Netflix have proven the power of using vast amounts of data to make predictions about customer buying behavior. Businesses are demanding and many are already experiencing the same level of innovation – the consumerization of B2B.

Predictive Tech for Business Takes Off

According to CBInsights, just last year over $2.5 billion in venture funding went to marketing and sales technology companies. Looking back over the past four years, we’ve also seen a flurry of activity in the M&A and IPO front, with salesforce.com acquiring ExactTarget for $2.5 billion, Oracle acquiring Responsys for $1.5 billion and Marketo going public. We’ve also seen newer marketing automation vendors like Autopilot, Captora, Act-On and Intercom raise more capital this year. Most recently, Salesforce’s acquisition of RelateIQ for $390 million is a step forward, but it still has a long way to go to offer customers predictive capabilities. The larger automation vendors in general are behind in this area.

The early adopters of marketing automation were some of the savviest marketers, and they are now looking for the next thing in marketing, among the fragmented tech landscape. Many of these cutting-edge marketers are turning to predictive applications, which is why we believe in the growing trend of predictive marketing.

The Rise of Predictive Marketing

Though it may feel foreign to marketers, predictive analytics can uncover fresh insights about your prospects and customers. It can also accurately predict buyer intent, in turn helping you better understand how customers will respond to messages, offers and interactions in ways that were previously not possible. By leveraging data science to make sense of all the data available, the savviest companies are marketing and selling more intelligently. Predictive analytics is emerging as central to the modern marketing organization. DocuSign, one of our early customers, has experienced a 22x ROI and 38% lift in opportunity conversion in the first two months of using Lattice applications to fuel its predictive marketing efforts. As part of a larger initiative to complete reengineer its demand funnel, CA Technologies experienced a 400% improvement in its lead conversion with Lattice.

While the concept of predictive marketing is now emerging as the next frontier, the truth is that the technology has been around for some time. Lattice entered the space back in 2006 and with the market now catching up, some of the best names in venture capital are jumping in and investing in the opportunity. We recently studied the growing landscape of companies utilizing data science to provide marketers with predictive applications. You can see our research in our latest infographic, The Next Frontier of Marketing Techoriginally posted on VentureBeat.

The_Next_Frontier_of_Marketing_Tech_updated071414

Datamorphose et Datacoin – La data, une nouvelle source de revenus ? (Yves Del Frate – CB News)

France, Fast Forward : Les media, pour accélérer la croissance en France.

Yves del Frate — CEO Havas Media France

+ 6,9 % en 2011, + 4,5 % en 2012, +2,8 % en 2013 : les gains de part de marché des marques qui ont augmenté leurs investissements publicitaires*.

L’investissement media pour booster la croissance. Un must pour les Américains qui investissent 2,5 fois plus en media par habitant qu’en France (363€ vs 147). Les Allemands n’étant pas en reste avec 190€, + 30 %. Les media créateurs de valeur, sont eux-mêmes en transformation accélérée, autant de nouvelles opportunités de croissance en France ! Alors que nous passons de la « France télé » à la « France Twitter »  la ruée vers l’or digital s’étend avec les poussées de You Tube, Le Bon Coin, Amazon… avant les nouvelles vagues Beachmint, Shoedazzle…

Une nouvelle dimension de l’audience TV est née de l’interaction des media sociaux avec les programmes  l’audience sociale, mesurée par le SRP (Social Rating Point), nouveau filon pour engager les publics dans un dialogue avec les marques qui peut aller jusqu’à la transaction.

Après les « couch potatoes », les « couch shoppers », marketeurs, à vos « TV commandes » !

Les Owned media sont générateurs de business également. « Clics et briques » réconciliés… le multi canal s’impose, le Drive déroule, + 49 % en nombres d’unités en 2013, autant que d’hypers en France. Le E-commerce n’est pas en reste à + 13,5 % en valeur en 2013.

Cette netamorphose des media nous conduit en datamorphose.

La Data pour les Français, une nouvelle source de revenu ?

Si 89 % des Britanniques se disent inquiets de l’intrusion de la data dans leur vie privée… ils sont 45 % à se déclarer prêts à partager plus de data en échange de rémunération.

Après le Bitcoin, le Datacoin ?

La transformation digitale des media, de notre société s’accélère, les points de contacts deviennent des points de ventes, les points de vente des points de contacts  les marques, des media, des points de vente  les points de ventes, des media  les media des points de vente… des bars, des restaurants… seule limite aux business models, votre imagination.

La révolution digitale est commerciale, la valeur de votre marque demain est dans sa valeur media aujourd’hui alors investissez dans la ruée vers l’or numérique en France et visons ensemble le même niveau de croissance que l’Allemagne en 2015 : 1,7 %.

 

Yves del Frate

 

* : source : 2MV DATA CONSULTING EFFI 500, La première étude d’efficacité media en continu des 500 plus grandes marques grande conso depuis 2010.

Algorithmes devins : les smartphones, bientôt nos « deuxièmes cerveaux » ? – Le nouvel Observateur

Algorithmes devins : les smartphones, bientôt nos « deuxièmes cerveaux » ? – Le nouvel Observateur.

Très intéressante interview de Rand Hindi  dans le Nouvel Obeservateur: Patron de Snips, une start-up qui ambitionne d’allier « big data » et algorithmes pour repenser le quotidien et la façon de vivre des citadins en anticipant leurs comportements. Le prestigieux MIT (Massachussetts Institute of Technology) lui a décerné en avril dernier le titre de meilleur start-upeur français de l’année.

Extraits:

Rue89 : Pouvez-vous nous expliquer ce qu’est l’analyse prédictive ?

Rand Hindi : L’idée de l’analyse prédictive, que souvent les gens appellent « big data » par amalgame, c’est de récupérer une grande quantité de données, d’extraire des motifs statistiques à l’intérieur, et de s’en servir pour essayer de prédire ce qui va se passer après.

Mais quand on parle de prédictions, on ne parle pas de prédictions façon « boule de cristal », on parle en fait de mesurer la probabilité qu’un événement particulier se produise.

Comment obtenez-vous ces données qui permettent de bâtir les modèles prédictifs ?

Et par dessus ça, on a également de la donnée qu’on récupère directement à travers l’application sous trois formes différentes :C’est là où ça devient intéressant. Il y a de l’open data, énormément. On capture de la donnée depuis une centaine de sources d’open data, allant de la météo jusqu’à de la donnée de cartographie, sur les gares et les immeubles à proximité… On croise cela avec des données que nous a confiées la SNCF sur l’affluence dans les trains.

  • les requêtes de recherche ;
  • les « check-in » ;
  • et, lorsque l’utilisateur accepte, on récupère sa géolocalisation anonymisée quand il est dans le réseau de transport.

C’est dans cette direction que vous avancez maintenant avec Snips ?

Le nouveau produit qu’on est en train de lancer qui sera prêt d’ici la fin de l’année est une app qui est capable de comprendre ce que tu cherches à faire dans ta journée pour te proposer directement l’information dont tu as besoin et te renvoyer vers les apps que tu as besoin d’utiliser.

Plutôt que d’aller chercher ton application microphone dans ta liste, ton téléphone aura compris que tu es dans un café pour une interview et te propose directement l’appli et une fiche LinkedIn sur moi. Ton téléphone s’adapte à ton mode de vie.

Lire l’intégralité de l’interview: http://rue89.nouvelobs.com/2014/08/24/algorithmes-devins-les-smartphones-bientot-deuxiemes-cerveaux-254326

en savoir plus sur Snips:

At Snips, we leverage personal, social and urban data to make our proprietary machine learning algorithms able to determine the users’ context and predict what they will want to do next. This ground-breaking technology enables us to create products that can learn and adapt to us, taking us a step further towards a world of truly ubiquitous, context-aware computing.