réflexions sur les missions et les compétences liées à une démarche data territoriale
TRANSCRIPT
-
Mtiers et missions de lOpen Data Territorial
Innovations territoriales et donnes numriques
27/10/2016
-
LA DATA, LMENT CENTRAL DE LA VILLE INTELLIGENTE ET DURABLE
DataSolutions
Grands objectifs damlioration de la qualit de vie de la smart city Durabilit : optimiser la conso des ressources Facilit lusage de la ville Dveloppement co / attractivit Encourager lengagement citoyen Optimiser les dpenses publiques Renforcer la cohsion sociale et prendre en compte les usagers dans leur diversit
-
OBJECTIFS DE LA DEMARCHE DATA
Dfinir et animer la gouvernance de la donne
Optimiser larchitecture du SI et dvelopper les solutions data
Optimiser les politiques publiques avec les mthodes et les techniques de la data science
-
LOpen Data, premire pierre ou idal de la dmarche data
Gouvernance : transversalit, mutualisation, construction collective avec les producteurs,
open innovation avec les rutilisateurs autour de la licence
Architecture : automatisation des processus de publication, standards, normalisation, qualit,
cots, interoprabilit, interconnexion, collaboration.
Analyse data : ouvrir les terrains dtudes, transparence de la gestion publique
-
CARTOGRAPHIE DE LA DATA TERRITORIALE
Source Paper IDDRI Smart City et data
Mode de production des data urbaines
-
QUELLES FINALITS POUR LES DONNES URBAINES
Source Paper IDDRI Smart City et data
-
OPEN DATA (2011) ET OPEN INNOVATION
-
OPEN DATA (2011) ET OPEN INNOVATION
-
DATACITY (http://DataCity.paris ) Planning
-
OPEN DATA ET OPEN INNOVATION
-
LES DATA CROWDSOURCES
Sound CityAn app to complete data of urban noise from inhabitants
DansMaRue (FixMyStreet)Collecte data from unhabitants (issues and proposals)
-
Chane de production et dusage de la donne
PETITE INTRODUCTION LA DATA
Source tude FNCCR
-
CHAINE DE PRODUCTION ET DUSAGE DE LA DONNE IOT
Capteur /Actionneur Rseau de distribution
Point dinformation
Point de Transmission Rseau de collecte
Stockage
Data
Data
Data
Service
Service
ServiceLes thmatiques
MobilitEnergie - rseaux
Vgtalisation - environnementDchets et recyclage
Espace public amnagementEspace public propret
BtimentsServices sociaux
Services aux habitantsScurit et crise
Quels croisements sont sources de valeur?Quelle gouvernance avec tous les acteurs
du territoire?Quels projets pouvons-nous avoir en commun?
Rseau de collecteHertzien 3G
Hertzien GPRSHertzien LowPan
Wi-FiRTC
CuivreFibreCPL
Quelles mutualisations des moyens techniques?
-
OBJETS CONNECTES (CAPTEURS ET DISPOSITIFS DACTION)
Les projets et exprimentations en cours
Collecte de donnes brutes et retour pour
pilotage
SI Ville
MODE DE COLLECTE- Rseau DVD
- THD- Lora (oprateurs)
- Lora (Ville?)- SigFox- GSM
-
ARCHITECTURE DATA
Ncessit de concevoir une architecture de la data au sein du Systme dinformation Ville (DSTI)
PF Data / IoT
CONNECTEURS
API/WebServices
App SIChaudires
CONNECTEURS
App SISURF
CONNECTEURS
Autre app SI Apps externes
Data Warehouse Archives
Data scienceBig Data
Open Data
API/WebServices
-
CAPTEURS ET OBJETS CONNECTES
-
La DATA et le smart grid
-
La DATA et le smart grid
-
PETITE INTRODUCTION LA DATA
Source tude FNCCR
-
DATA DE LA CRM
Challenges of the unique citizen account and transformation of the Citizen Relationship Management (CRM)- Transform individual service
in part of an unique authentification system
- Transform the direction of the relation from pull to push information and service (ex : MesAides.gouv.fr)
- Analyse the uses of services to adapt them
-
-La science des donnes combine lutilisation des traitements statistiques de linformation, des mathmatiques appliques et des mthodes informatiquesdestines identifier, rcuprer, organiser et utiliser des donneshtrognes.
Elle sappuie galement sur la connaissance des problmatiques
organisationnelles, fonctionnelles et humaines qui constituent
-le contexte dcrit par les donnes.-
Le premier objectif de la science des donnes est de produire des mthodes
danalyse de donnes et de sources plus ou moins complexes ou dconnectes
de donnes, afin d'en extraire des informations utiles.
KESAKO DATA SCIENCE
-
-Pour ladministration, la science des donnes peut couvrir de nombreux champs
dapplication et rpondre des usages divers, par exemple :
-- Mieux cibler le primtre dintervention dune politique publique (primtre insalubrit, location temporaire illgale, risque incendie)
-- Explorer un gisement dconomie dans lexercice dune mission de service-publique ;
-- Evaluer ladquation des moyens destins une mission de service ;-- Rechercher une plus grande quit et dune plus grande transparence pour une
politique publique (adquation public cible / public rel, parcours souhait / parcours rel, rpartition du financement en fonction de la segmentation de loffre et de la
demande) ;
-- Raliser lanalyse prdictive du recours une politique publique horizon 5, 10 et 15 ans
-- le dcloisonnement des donnes internes de plusieurs administrations pour dtecter les variables cls expliquant les rsultats dune politique publique (service rendu, cots complets) ;
KESAKO DATA SCIENCE
-
La DATA, le trafic et le stationnement
Measuring traffic with 2500 sensors in the road and 1500 traffic light management since 1986 with +30% of fluidity but not real evaluation in GHS
Ongoing analysis for the parking management. Predictive big data system seems to be ready.
-
Etat des travaux : analyse de donnes SLT Cycle dtude
Etude STL sur la base des donne EVEZA en 2 tapes : tape 1 : analyse statistique tape 2 : analyse prdictive (se base sur tape 1)
1 - Cadrage
2 Recherche et exploration de donnes
3 Analyse de donnes
4 Elaboration dun rendu
-
- 1 Phase cadrage : identification besoin, donnes ncessaires et dfinition des master table
- 2 Recherche et exploration de donne :Importation et nettoyage des donnes : suppression automatise des anomalies pour tre utilisable par des algorithmes / outils reprsentations gographiques
3 Analyse de donnes : Identification des anomalies les plus rcurrentes et des diffrents axes
dtudes potentiels pour rpondre aux besoins Croisement des donnes pour reprsentations comprhensibles des
dfaillances rencontres.
4 Elaboration de rendu :
A propos de ltape 1 : analyse statistique
-
A propos de ltape 1 : analyse statistique / Rendu
-
A propos de ltape 2 : analyse prdictive
1 - Phase cadrage : identification besoin et complments de donnes ncessaires ( donnes contextualisantes : alerte centre de trafic, Mto, accidentologie)
2 Recherche et exploration de donne : Importation et nettoyage des donnes complmentaires
3 Analyse de donnes : Dveloppement dalgorithmes prdictifs entrains sur jeux de donnes collects Possibilit dapplication itrative des algorithmes sur les jeux de donnes qui
voluent dans le temps. Possibilit damlioration de la fiabilit de la prdiction par apprentissage
(entrainement) sur la base de donnes actualises (machine learning)
-
A propos de ltape 2 : analyse prdictive
4 Elaboration de rendu : Analyse prdictive de fiabilit bas sur algorithme de Kaplan Meirer Distribution de probabilit de dure de vie des ouvrages dans le temps ( 65% de risque de panne)
Analyse prdictive dintervention sur les SLT bas sur algorithme de Holt-Winters
Algorithme de srie temporelle pour dterminer la tendance de saisonnalit des nombres dinterventions sur les SLT
Dur
e d
e vi
e en
jour
s
Rfrence des ouvrages
Fiabilit
-
A propos de ltape 2 : analyse prdictive
4 Elaboration de rendu :
(En cours) Analyse prdictive multi-paramtres = corrlation avec donnes de contextualisation (ex mto, accidentologie)
-
La DATA SCIENCE
-
MERCI
Jean-Philippe CLEMENT
Ville de Paris
Responsable de la dmarche et
des solutions data
@AgentNuM