xebicon'16 : air france klm - le big data au service de la relation client personnalisée par...

@xebiconfr #xebiconfr

Air France KLM

“Le Big Data au service de la relation client personnalisée”

Michael Chalamel

&

Mouloud Lounaci

@xebiconfr #xebiconfr 2

Présentation


Context

1

3


320 destinations114 pays

jusqu’à 2 200 vols / jour

534 avions en exploitation

AIR FRANCE-KLM

4

1.1

+24 millions Flying Blue +3 millions+19 millions

1 vente / 5 secondes (sur www.airfrance.com)


Département Recherche Opérationnelle (RO)

“Une équipe d’experts en Optimisation et en Data Science accompagnant les directions métier dans des études stratégiques à fort ROI et avec un important écosystème d’outils opérationnels”

70 personnes : Ingénieurs / Docteurs en Recherche Opérationnelle, Data Science et informatique

❖ IT Groupe AIR FRANCE-KLM

❖ Plus de 25 applications utilisées tous les jours

❖ Conseil stratégique pour les Programmes de transformation (Transform 2015, Perform 2020)

❖ Innovation

5

1.2


L’enjeu du Big Data pour AIR FRANCE-KLM

❖ 2011 - Le déclencheur : ➢ Système Revenue Management “in house” avec Hadoop v1 & MapReduce

❖ 2014 - Naissance du Programme Big Data➢ Objectif: promouvoir le “Big Data” auprès des directions métier à travers des PoC➢ Définition d’une infrastructure standard (Hortonworks, MongoDB, Talend)

➢ Implication du service de Recherche Opérationnelle sur les problématiques Data Science

❖ Succès : PoC industrialisés

6

1.3


Notre Activité Data Science

Maintenance prédictive

PrévisionDemande / Trafic / Recette

Prévision d’annulation

7

Services et offres personnalisés

Gestion des plaintes et irritants

1.4


Focus - Relation client attentionnée

La Data au service de l’expérience client depuis la réflexion d’achat jusqu'à l’après-vol

8

Centralisation des données● Service personnalisé● Amélioration marketing client ● Offres commerciales personnalisées en

fonction des historiques de voyage

De nouveaux services en temps réel● fluidifier le parcours du passager● géolocalisation en temps réel des bagages

Plateforme opérationnelleHadoop / Kafka / Spark / MongoDB

1.5


Une relation attentionnée sur le long terme

9

… Voyage ‘N’ Voyage ‘N+1’ ...

l’après-vol

Représentation de nos différents points de contact avec nos passagers

réflexion d’achat

1.6


Une relation attentionnée sur le long terme

10

… Voyage ‘N’ Voyage ‘N+1’ ...

l’après-volréflexion d’achat

1.6

Recherche site web

Enregistrement en ligne Embarquement


Problématique: Accélérer la mise en production

➔ Plus de services personnalisés à délivrer en production plus rapidement

Comment accélérer la mise en production des applications ‘Data Science’ ?

11

1.7


Data Science Factory

2


De l’idée à la production

13

2.1


De l’idée à la production… axes d’accélération

14

Et si on … ?

Quelles données ?Peut-on faire … ?

Quelle priorité ?

Quelle Plateforme ?

Où sont les données ?

Quels outils ?

Comment partager avec les métiers ?

Qui ?

DevOps ?

Quand ?

Qui ?

2.2


Axes d’accélération


L’importance d’une bonne gouvernance

❖ Vue d’ensemble, coordination des besoins

❖ Connaissance des données et des produits existants

16

À qui

soumettre

une idée et

comment la

prioriser?

2.3


Exploration en Data Science

❖ Data Driven, tout dépend des données.

❖ Résultat Incertain, à la fois en faisabilité, Temps et en qualité.

❖ Outils Interactifs pour explorer les Données.

17

comment

accéder à

la donnée

?

Quels

outils

?

2.4


Visualiser pour valider

❖ Mise en place rapide et simple de data visualisation.

❖ Accessible aux métiers.

❖ Feedback instantané.

18

Quels

outils

?

Comment

interagir

avec les

métiers

?

2.5


❖ Automatisation du delivery pour entrer dans une démarche d'amélioration continue.

❖ Passer de l’analyse de données et prototypage à des applications data science.

❖ Simplifier les complexités liées au Big Data et Spark.

19

PoC Permanent vs Produit

DevOps et

Data Science

c’est possible

?

Comment

gérer les

données

?

2.6


Focus sur l’organisation

21

Instance “Data Gouvernance”

❖ Centralisation des données

❖ Coordination des besoins sur les sujets data

❖ Gouvernance de la donnée (qualité, sécurité, data management)

❖ Agile À qui

soumet

tre une

idée

?

Comment

prioriser

?

2.7


Faciliter l’exploration

22

❖ Besoin et objectif clairs

❖ Données identifiées et disponibles

❖ Plateforme d’exploration adaptée et accessible

On ne peut pas explorer plus vite mais on peut commencer plus tôt

2.8


Faciliter l’exploration

23

❏ Définir le besoin ❏ Identifier les données❏ Définir les objectifs

❏ Cloud privé❏ Plateforme Discovery❏ Environnements

virtualisés

❏ Notebook Python Spark

Comment

accéder à la

donnée

?

Quels

outils

?

2.8


Focus sur la Data Visualisation

24

Indispensable pour valider les solutions efficacement avec le métier

❖ Outils utilisés

Quels

outils

?

Comment

interagir

avec les

métiers

?

2.9


De l'analyse à l’application Data Science

25

❖ Abstraction sur les complexités liées à la configuration de Spark

❖ Guider les Data Scientists dans la structure du code et les Tests

❖ Bootstraper le lancement des applications Spark

2.10


Framework Python Spark

26

❖ Interactivité

❖ Visualisation

❖ User friendly

2.11


Framework Python Spark

27

❖ Modularité

❖ Tests

❖ Packaging

2.11


Data Science et DevOps

28

❖ Pipeline de delivery automatisée avec Bamboo.

❖ Test / build dans une Image Docker.

❖ Package au format PEX (Virtualenvs ++).

❖ Implication des Ops dans la définition du process de delivery et du format du livrable.

PEXPython EXecutable

DevOps et data

science c’est

possible

?

2.12


Intégration des nouvelles données

❖ Intégrer une nouvelle source de données➢ Valider la structure, le format➢ Fréquence

❖ Reproduire la préparation de données➢ Nettoyage / filtrage

❖ DevOps

29

Importance de l’intégration de nouveaux flux de données dans le système opérationnel

Comment

gérer les

données

?

2.13


Comment accélérer la mise en production des applications ‘Data Science’ ?

30

Data & Business Management

Cloud privéEnv. Discovery

Notebooks

OutillageSpotfire / R-Shiny /

D3.js

FrameworkDevOps

Penser “Produit”

2.14


Le partage de connaissance cher à Xebia

❖ Repository de packages internes

❖ Rendez-vous mensuel dédié au partage de connaissance

❖ Identification de référents par domaine d’expertise

❖ Documentation et template de projets Data

31

2.15


Hackthon Priorité Client - http://hackathonprioriteclient.airfrance.fr/

32


Questions ?

33

xebicon'16 : air france klm - le big data au service de la relation client personnalisée par...

Technology