xebicon'16 : pmu et le big data - d'une approche mono projet à une démarche entreprise. ...

@xebiconfr #xebiconfr

PMU et Big Data : D’une approche mono projet à une démarche

d’entreprise

Arnaud Etevenard

& Ludovic Perot


Arnaud ETEVENARD

[email protected]

Responsable IT du programme Client

chez PMU

Ludovic PEROT

[email protected]

Studio Delivery Managerchez Xebia

mailto:[email protected]

mailto:[email protected]


PMU : N°2 mondial du pari hippique

Opérateur global du jeux en ligne Opérateur hippique en point de vente

pmu.fr1er site de pari / 3ème site marchand

français12 800 points de vente

9,8 MDS € D’ENJEUX EN 2015

HippiqueHippique Sportif Poker

http://pmu.fr/


Une heure au PMU

100

200 000 300 000

30 000

25 000

400 000700

2 000

Paris hippiquesTransactions élémentaires SICMouvements de compteMains pokerTags Web

Flux d’info mutuelleParis sportifs

Contacts entrants au Service Client

Une heure au PMU


Big Data – Les motivations

Internalisation des campagnes marketing prospect et le parrainage

• Augmenter la qualité des communications

• Améliorer les ciblages

• Optimiser la réactivité

• … et réduire nos coûts de sous-traitanceLancement du projet Big Data en octobre 2015


Big Data – Le projet

Comment diminuer le risque associé à la mise en œuvre ?

Les risques

• Big Data : beaucoup de tentatives, peu de succès

Décision : changer nos habitudes

• Architecture technique reposant sur des serveurs banalisés HP

• Une solution logiciel proche de l’opensource (Cloudera)

• Une démarche AGILE avec un budget capé avec XEBIA


Big Data – Où en sommes nous ?

Août 2016 (11 mois post lancement) :

• Internalisation de l’animation des prospects

effective

Septembre 2016

• Lancement du Big Data Lab

Explorer des pistes de potentiels business

Réaliser des pilotes pour valider le potentiel

Industrialiser les usages / lancer des nouveaux projets


Big Data – Facteurs clés de succès

• Préparation en amont de l’inventaire des flux de données• Une plateforme technologique adaptée• Une petite équipe pluri compétences (data ingénieur, data

scientist, devops)• Un premier usage défini avec une échéance fixe• Des premières tentatives exploratoires sans enjeu business


Organisation et changement de conduite


Une approche collaborative

La conduite du changement s’organise autour de groupes transversaux

et de travaux en binôme

1 macro usage = 1 groupe de travail

Montée en compétence mutuelle (métier et outil) avec rapprochement géographique

Data Owner Data Scientist

LEAD / CONTRIBUTEURCONTRIBUTEUR/LEAD


Besoins et priorisation


Des besoins récoltés au sein des différentes directions du PMU…

• Développer l’usage en Point de Vente

• Chantier monétique• Optimisation des équipements

Réseaux commerciaux

• BI international

International

• Rentabilité• BI financier • Faciliter le pilotage de la

performance

Finance

• Jeu responsable• Fraude

Règlementaire

• Croiser les données navigation et transactionnelles

• Communiquer en temps réel• Mieux connaître les clients dans

le réseau

Marketing Client

• Exploiter les traces• Alerting sur des équipements

transactionnels• Indicateurs anticipant l’arrêt

d’une borne

Informatique

… pour un DataLake d’entreprise


Une trajectoire validée avec une approche de type P&L

Agir sur le revenu

Agir sur les charges

Réseau

On-line

International

Colonne1


Mieux connaître le comportement permet d’améliorer les usages

Les sujets d’exploration

Développer la disponibilité des

équipement en agissant en pro actif

Identification des usages

Développer le taux de disponibilité

des équipements

Jeu responsable

Détecter en pro actif les comportements de jeu

responsable


Les sujets autonomes

Construction de dashboard pour les

Titulaires

Analyse de l’utilisation des moyens de paiement

en Point de Vente

Reporting titulaires Chantier monétique BI international

Construction d’un BI international


Illustration sur la disponibilité des équipements


Le taux de disponibilité des équipements impactant le chiffre d’affaires du PMU

Valoriser en terme de CA la disponibilité des

équipements

Terminaux

Bornes

Agir sur les équipements transactionnels en priorité


Une meilleure connaissance de nos équipements

La Modélisation permet de détecter les facteurs discriminants sur les équipements

Les analyses sur les bornes font ressortir les

indicateurs de fonctionnement nominal.

La modélisation permet d’anticiper les pannes en

détectant des signaux faibles

1M€ enjeux (*)

31 j d’activité

4 Bobines

(*) : valeur fictive


Passer du réactif au pro-actif

Créer un système d’alerting auprès des équipes de Support pour anticiper les pannes

0,9M€ enjeux(*)

29 j d’activité

3 Bobines

Une borne dans un PDV remonte les indicateurs de panne

Envoi d’un e-mail au Support avec les

données du PDV et le risque de pannes lié

aux indicateurs

Alerting envoyé au Support

(*) : valeur fictive


Passer du réactif au pro actif

Les bornes X sont les

plus fiables

100 000€ mensuel (*) sur les bornes

1 M€ mensuel (*) sur les bornes

Les bornes Y sont les

moins fiables

Déterminer les équipements les plus fiables et les installer dans les PDV les plus critiques en terme de CA (réactif)


Prochaines étapes : les autres équipements des PDV (Equidia, EIPDV, etc.)

Extension aux équipements non transactionnels

Affiner la modélisation et la criticité des interventions pour optimiser la maintenance


Des questions ?

xebicon'16 : pmu et le big data - d'une approche mono projet à une démarche entreprise. ...

Technology