Comment Saagie aide la Matmut à créer des applications Big Data

Créée en 2013, la start-up française Saagie s’est donné pour mission d’aider des grands groupes à se saisir de la donnée et créer des applications business basées sur leur traitement, le tout avec un “time-to-market” accéléré, en utilisant des techniques de machine-learning. La société compte de nombreux assureurs et banques parmi ses clients, dont Crédit Agricole, BNP Paribas et sa filiale d’assurance Cardif…  Fin 2016, la société a également convaincu la Matmut, qui est aussi son actionnaire, de déployer sa solution dans le groupe. Bilan de deux ans de collaboration.

Faciliter les échanges entre équipes techniques et métiers

“Nous voulons faire de l’intelligence artificielle une réalité business et permettre à nos clients d’industrialiser des pilotes et de pousser leur adoption globale”, résume Arnaud Muller, CEO. Pour atteindre cet objectif, la société propose une solution permettant de collecter, stocker et traiter les données.

Saagie mise sur deux composants : d’abord, le volet “data governance” ou gouvernance de la donnée : la qualification puis l’exposition des données via des outils d’analytics. “Nous aidons nos clients à accéder à la donnée pour créer des modèles et les déployer”, indique le CEO. La société est capable d’analyser des données externes publiques (elle a par exemple utilisé les données de l’Insee pour un autre de ses clients, BNP Paribas Cardif) et externes. “Soit nous nous connections au data lake de notre client, soit nous pouvons l’aider à créer le data lake s’il le souhaite”, indique le CEO. Matmut utilise ainsi le data lake de Saagie.

Surtout, la plateforme est destinée à faciliter les échanges entre les silos d’équipes et à rendre les données accessibles à tous les collaborateurs. Les équipes métiers sans connaissances techniques peuvent visualiser les données et échanger avec les data scientists ou les ingénieurs. “Avec Saagie, le data lab et les DSI collaborent bien plus efficacement”, confirme Stéphanie Ginestet, chargée de mission valorisation des données au sein de la DGA OSII du Groupe Matmut.

Le deuxième composant de Saagie, “data fabric”, vise à mettre à disposition du client les outils nécessaires à la création d’applications basées sur les données. Concrètement, la plateforme propose des technologies open-source et propriétaires particulièrement adaptées aux solutions de data science : Hadoop, R, Spark, Java… “Nous apportons tous les outils qui servent à extraire de la donnée, à la modéliser, puis à envoyer les résultats des algorithmes dans des applicatifs internes ou externes”, résume Arnaud Muller.

KPIs : modernisation, time-to-market, veille technologique

Le CEO met en avant trois principaux indicateurs de succès de la solution. “Nos clients achètent d’abord Saagie pour moderniser toute leur infrastructure autour de la data et mettre en place une plateforme capable de distribuer de la donnée fiable de manière contrôlée, alors qu’ils avaient avant des entrepôts de données ou des bases de données relationnelles obsolètes et contraignantes, raconte-t-il. Certains grands comptes ont tenté de bâtir eux-mêmes l’infrastructure, comme AXA après l’arrêt de sa collaboration avec Palantir [concurrent américain de Saagie, ndlr]. Mais ils se rendent compte que cela coûte plus cher, prend plus de temps et mobilise plus de collaborateurs. Aujourd’hui, AXA cherche d’ailleurs un nouveau partenaire… ”. Saagie assure faire gagner 18 à 24 mois à ses clients sur le déploiement.

Deuxième indicateur clé de succès : aider le client à se concentrer sur les usages et la construction d’applications. La “data fabric” est orientée “production” avec des fonctionnalités de versioning, d’automatisation et de mise en production simple des travaux, de monitoring et de roll-back (retour en arrière sur la base d’une sauvegarde). “De l’idée du cas d’usage à la production, il faut trois mois maximum”, assure le CEO. Enfin, Saagie évite à ses clients le travail de veille et de développement de nouvelles technologies.

Cas d’usage

“Nous sommes davantage une usine à développer les applications qu’une usine à applications”, décrit Arnaud Muller. Contrairement à ce que fait par exemple IBM Watson pour le Crédit Mutuel en couvrant à la fois la gestion des données et en déployant des applications comme l’automatisation du traitement de mails, Saagie se contente de donner les outils pour aider le client à créer des applications.

La société a noué des partenariats avec un écosystème de partenaires qui eux, couvrent des cas d’usage très précis : le spécialiste de la détection de la fraude Shift Technology, le logiciel de remaniement de données Trifacta, la plateforme de data science R-Brain, la start-up de reconnaissance d’images Deepomatic, le spécialiste de la data visualisation Toucan Toco… “Nous réalisons l’intégration puis les partenaires peuvent accéder facilement aux données des clients pour entraîner les modèles”, décrit le CEO.

Les cas d’usage des applications peuvent donc être variés, selon les souhaits du client : détection des fraudes, automatisation des processus (traitement automatisé des mails par exemple), connaissance client (segmentation, prédiction de ventes), parcours client (amélioration du KYC, diminution du taux d’attrition)… Un “customer success manager” s’occupe du support auprès du client et s’assure que “l’impact métier et le retour sur investissement métier seront au rendez-vous”, assure le CEO.

Déploiement

Saagie propose de déployer sa plateforme on-premise (option souvent préférée par les assureurs), dans un cloud privé ou bien dans le cloud des plus gros éditeurs du marché. La Matmut a choisi l’option on-premise et la première version a été installée fin 2016. Le déploiement de la V3 doit être finalisé d’ici fin juin, avec une augmentation de la puissance et de la rapidité d’exécution. Saagie a été déployé dans deux data centers sur trois environnements. “Nous avons créé un environnement supplémentaire pour prendre le relai en cas de problème”, précise  Arnaud Muller.

La solution a été “intégrée finement dans le SI Matmut”, indique  Stéphanie Ginestet, du groupe Matmut. Saagie facture une licence mensuelle, selon les ressources utilisées (le nombre de données et d’usage en termes de capacité de traitement). Matmut ne dévoile pas le coût facturé pour la solution mais les licences Saagie oscillent entre 6 000 euros par mois et plus de 100 000 euros par mois, selon l’usage. L’offre couvre l’infrastructure on-premise ou dans le cloud ainsi que le support et l’accompagnement technique des équipes de Saagie.

Le partenariat est sous-tendu par une logique d’expérimentation. “Nous avons voulu intégrer Saagie sur un process R&D, décrit Stéphanie Ginestet. Il s’agissait pour nous d’expérimenter, de découvrir la problématique de la data science et des langages associés, de monter progressivement en expertise sur les métiers.” Arnaud Muller confirme. “Dans la data science, on ne peut pas fixer de cahier des charges ni utiliser de cycles en V. Matmut n’a pas mis de pression financière sur un cas d’usage ou d’objectif de mise en production mais a misé sur un principe bimodal : d’abord, expérimenter pour valider que cela a un intérêt et anticiper la phase de déploiement ; mais aussi construire une culture de la donnée avec des opérationnels.”

Une trentaine d’utilisateurs et deux cas d’usage

A date, environ une dizaine d’utilisateurs métier et une vingtaine d’utilisateurs data science dédiés accèdent à Saagie au sein du groupe Matmut. Les data scientists interviennent sur trois thématiques, décrit Stéphanie Ginestet : datascience, architecture data et “chefferie de projets”. Chez Saggie, décrit le CEO, “nous mettons toutes les technologies à disposition de Matmut, tout comme une assistance technique et fonctionnelle grâce à un chef de projet”.

Un premier cas d’usage est en cours de déploiement, qui porte sur la prédiction des réparateurs agréés. “Nous pourrons proposer dès la souscription le réparateur qui sera privilégié en cas de dommages”, raconte Stéphanie Ginestet. Le pilote sera déployé au cours de l’été 2018. Un deuxième cas d’usage autour du multi-équipement et de la préconisation d’offres auprès des sociétaires est aussi en cours d’élaboration.

Surtout, se félicite la chargée de mission valorisation des données, “nous gagnons rapidement en expérience sur la détermination des sujets à valeur ajoutée pouvant donner lieu à un déploiement en production, notamment grâce à une collaboration de plus en plus accrue entre les métiers et notre initiative Data Lab [nom donné au projet créé en collaboration avec Saagie, ndlr].”

La poursuite des travaux avec Saagie consistera à “accroître encore la robustesse, performance et pertinence de la plateforme” et bénéficier d’un “apport de ressources en data science en parallèle de la montée en compétences au sein des équipes Matmut”. La Matmut va insister sur la structuration des cas d’usage “afin de les rendre opérationnalisables”, conclut Stéphanie Ginestet.