Livre blanc "Big Data et Réseaux Sociaux : mythes & réalités – la déclinaison pour les Réseaux Sociaux d’Entreprise" par Alain Garnier

LE LIVRE BLANC DE , SOLUTION DE RESEAU SOCIAL D’ENTREPRISE

Livre Blanc Jamespot 2013 – "Big Data et réseaux sociaux : mythes et réalités"

Par Alain Garnier

CEO et cofondateur de Jamespot

Big Data et Réseaux

Sociaux : Mythes & Réalités

La déclinaison pour les RSE



Sommaire

Jamespot ................................................................................................ 2

L’entreprise ........................................................................................................................................ 2

La solution .......................................................................................................................................... 2

Jamespot c’est … ............................................................................................................................. 2

Réseaux sociaux et Big Data .................................................................. 3

Mécanique de production de données .................................................... 5

Réseaux sociaux et qualité des données ................................................ 7

Toute Data n’est pas Big Data ................................................................ 9

Ils font confiance à Jamespot ................................................................ 11

Exemples de Smart Data & Jamespot ................................................... 13

Exemple 1 : Renault VU – Augmenter la vitesse de réalisation des devis ........................... 13

Exemple 2 : Réseau Entreprendre – Développer un réseau d’entrepreneurs ..................... 14

Exemple 3 : Séphora – Faire remonter des idées marketing ................................................. 15

Contacts ................................................................................................ 16

À propos de l’auteur : Alain GARNIER ........................................................................................ 16

1



Jamespot

L’entreprise

- Création : 2005

- Siège social : Montreuil (Ile-de-France)

- Fondateurs : Alain Garnier, Paul Giraudon, Matthieu Lluis

- Effectif : 9 personnes

- Société 100% détenue par ses fondateurs

- Rentable depuis la première année

La solution

Jamespot édite une solution en mode SaaS de réseau social privatif, aussi appelée réseau

social d’entreprise, qui permet de gérer les organisations en mode collaboratif et d'accélérer les

processus des entreprises, associations et collectivités.

Jamespot est prêt à l'emploi avec une forte capacité de dérivation et d'adaptation aux usages

métiers du client.

Jamespot est l'outil idéal pour partager des informations, interagir, collaborer, renforcer le lien

entre les utilisateurs et dynamiser l’activité d’une société au quotidien.

Disponible également pour Smartphones et tablettes, la solution Jamespot est l’outil idéal pour

inventer les nouvelles manières de collaborer.

Jamespot c’est …

Des clients du privé, du public et de l’associatif (Renault, Véolia, Total, Espaces

Naturels Régionaux, Anact, Dila, CG27, Réseau Entreprendre, Ardrif, AFCDP)

Des plateformes de 10 à 10000 utilisateurs

Des réseaux en France et à l’international

Plus de 120 RSE gérés

40000 utilisateurs sur toutes les plateformes

9,7 clients sur 10 qui renouvellent leur confiance

3

2

© Crédit : Jamespot - Ecosystème



Réseaux sociaux et Big Data

Comme l’a montré l’introduction de la conférence Docforum dont est issu ce livre blanc, le

Big Data fait partie des nouveaux enjeux industriels de notre époque.

« Les années 2000 ont vu l’avènement des solutions de gestion de contenu : nous sommes

alors passés du document à la gestion de l’information contenue dans le document.

Aujourd’hui, c’est la donnée que nous sommes capables de gérer et d’analyser à l’aide de

nouvelles technologies. Cette promesse porte un nom : le Big Data. Le Big Data concerne

aujourd’hui aussi bien les administrations et les entreprises que les personnes1. »

Le Big Data, littéralement les Grandes ou Grosses Données, est une expression anglophone

utilisée pour désigner des ensembles de données qui deviennent tellement volumineux qu'ils

en deviennent difficiles à travailler avec des outils classiques de gestion de base de

données2.

Parmi les gros producteurs de données, on trouve ces plateformes du web qui font partie de

notre quotidien depuis 2006, et sur lesquelles chaque jour des utilisateurs postent,

consultent, échangent et commentent des données de toutes sortes.

Les chiffres que produit Facebook chaque jour peuvent donner le vertige ! On imagine

difficilement ce que 500TO veulent dire… Si on veut le comparer en termes de contenu, cela

correspond à 300 millions de livres au format texte ! Inimaginable !

Et pourtant, les réseaux sociaux sont de facto de véritables « surgénérateurs » de données !

1 http://docforum-lyon.com/slideshow/mercredi-10-avril-enjeux-et-defis-du-big-data/

2 http://fr.wikipedia.org/wiki/Big_data

Facebook injecte à lui seul dans ses

tuyaux quotidiennement 500 téraoctets

de nouvelles données.

“

“

3

http://fr.wikipedia.org/wiki/Big_data



Les réseaux sociaux sont, parmi les outils du web actuel, ceux qui produisent le plus de

données. L’autre « monde » producteur de Data, par comparaison, est celui des machines :

les grands accélérateurs de particules, les capteurs de températures, etc. Autant de

systèmes qui produisent des masses gigantesques de données. Parfois de valeur, parfois

sans valeur. Mais sans jamais atteindre celle des réseaux sociaux, qui touche à des

éléments humains, forcément sensibles et qui nous concernent tous… De là à ce que ces

données soient « utiles », c’est une autre question que nous regarderons plus loin. Toujours

est-il que le volume est au rendez-vous, en général… mais ce n’est pas toujours le cas.

Est-ce que les réseaux sociaux sont des vecteurs du Big Data ? Est ce que les données sont

utiles ? Quels sont les critères pour savoir si on a affaire à un projet Big Data ? Quelles sont

les perspectives de ces technologies ?

Voilà des questions que nous allons traiter dans ce livre blanc en prenant une perspective

résolument entreprise et B2B. Beaucoup de choses ont été dites sur le Big data et les

classiques réseaux sociaux grands publics : Facebook, Google+ ou encore Twitter… il reste

à lever le voile sur la partie immergée de l’iceberg, soit le Big Data et les réseaux sociaux

d’entreprise.

© N

med

ia -

Fo

tolia

.co

m

5

4



Mécanique de production de données

Le réseau social, un « surgénérateur de données » ? Regardons pourquoi et comment il

fonctionne comme tel.

Prenons, l’action la plus basique dans un réseau social, soit la publication.

Un membre du réseau va en quelques clics publier une information originale. Il peut s’agir

d’un article, d’une photo, ou encore d’une vidéo. Quant au domaine professionnel, on verra

qu’il produit pour sa part beaucoup de « documents », ces objets demeurant encore les

vecteurs principaux des données du travail. Il s’agit des comptes rendus, documents de

spécification, dossiers et autres tableaux de contrôle de gestion…

La mécanique d’un réseau social s’appuie sur un premier niveau de notifications. L’audience

pour laquelle notre utilisateur a publié recevra donc une alerte, générée soit in situ dans la

plateforme via des pop-up ou des indicateurs, soit par email. Premier effet du réseau social,

une fraction des abonnés, ou de l’audience, sera touchée et intéressée par la consultation de

la publication.

Les mêmes visiteurs vont utiliser les mécaniques de socialisation : appuyer sur le bouton

J’aime (ou je Valide, je Recommande…) ou laisser un commentaire, sans compter ceux qui

vont reprendre l’information à leur compte et la republier.

À nouveau, ces actions génèrent des publications, des alertes, des notifications (selon le

mécanisme propre du réseau social). Ce qui provoque à nouveau des visites, etc…

C’est le principe de viralité du réseau social.

4

5

© C

réd

it :

Jam

esp

ot –

G P

ou

mad

é



Ainsi une seule action initiale peut générer des dizaines, des milliers, parfois même des

millions d’interactions. Toutes ces actions constituent la matière qu’il faut analyser pour

espérer l’exploiter, que ce soit d’un point de vue comportemental ou encore marketing.

Et selon le facteur d’expansion, on peut rapidement atteindre un volume de type « Big »Data.

C’est mécanique.

Sans compter que les informations sont riches. Ce ne sont pas des enregistrements à plat

qu’on peut lister simplement, mais au contraire un réseau d’interconnexions entre des

personnes, des contenus ainsi que des liens entre ces éléments (comme un commentaire,

une action sociale, une note…) et ce dans le temps. Nous voilà avec un réseau très

complexe.

© C

réd

it :

htt

p:/

/blu

eno

d.c

om

/

Le graphe d’analyse de Umaps/Knowtex

6

http://bluenod.com/



Réseaux sociaux et qualité des données

Les données produites par les réseaux sociaux sont de nature extrêmement qualitative. Plus

que des logs d’un site Web ou qu’un Google analytics, c’est le comportement précis de

l’utilisateur qui se trouve au centre des données produites par un réseau social.

Un utilisateur est défini dans un réseau social par son profil. Celui-ci est composé d’une

partie « statique », maintenue par l’utilisateur : son nom, prénom etc…

L’autre partie, dynamique, est calculée et construite par son activité : les groupes dont il fait

partie, les tags qui le caractérisent, son graphe social (lien avec les personnes et les objets)

etc… Cette partie est la plus rapidement croissante car un simple clic, comme on l’a vu, peut

générer une entrée dans ce profil.

© C

réd

it :

Jam

esp

ot –

G P

ou

mad

é

7



Repartons du scénario initial, un parmi les très nombreux qui existent dans un réseau social :

- L’utilisateur publie une donnée, elle-même taguée et appartenant à un groupe. Cette

publication va s’enrichir du lien avec cet utilisateur. Et se nourrir de qui il est.

- Puis le réseau de membres va à son tour enrichir ce contenu, en le « likant » à la

Facebook, ou encore en le validant, en le notant, en ajoutant un commentaire, etc… De la

même manière, cela rejaillit sur la donnée en venant l’enrichir. C’est un mouvement

croissant d’information par les actions de chacun.

C’est par exemple comme ça qu’émergent les meilleures contributions, celles préférées par

le réseau de l’utilisateur, etc… On retrouve une mécanique semblable pour les profils

d’utilisateurs, ce qui permet, par exemple au sein d’une entreprise, de voir émerger les

experts.

Voilà posé le schéma de construction des données. Toute la problématique du Big

Data consiste à utiliser ces données à des fins business.

9

© Crédit : Jamespot – Guillaume Poumadé

8



Toute Data n’est pas Big Data

On le voit, il y a des données (data) riches à utiliser dans un réseau social, mais peut-on

toujours les considérer comme des Big Data ?

On peut analyser cette question sous la double lecture de la taille du réseau et du taux

d’engagement.

La taille du réseau va bien entendu être un facteur clé : entre un réseau social de quelques

dizaines de membres (par exemple le Réseau Social d’Entreprise d’une PME) et Facebook

(avec quelques milliards de membres), il y a un monde.

Le deuxième axe est celui de l’engagement. Il correspond au principe de viralité décrit plus

haut. Un réseau où l’engagement est fort est un réseau où les réactions sont importantes,

avec des utilisateurs connectés et engagés à répondre aux sollicitations de leurs contacts.

Cela donne la matrice suivante :

9

© C

réd

it :

Jam

esp

ot –

G P

ou

mad

é



- NODATA : Il s’agit d’un réseau qui ne contient pas d’informations. Le sujet est vite

résumé…

- BULLSHIT DATA : Il s’agit d’un réseau avec de très nombreux membres… mais où les

interactions sont faibles. Le résultat est qu’il y a certes un peu de Data, mais aucunement

en capacité de fournir matière à analyse du comportement des membres du réseau. D’où

le terme de « bullshit »… dans le cas improbable où le propriétaire de ce réseau

essayerait d’en faire quelque chose !

- BIG DATA : Le véritable enjeu de « Big Data » se situe dans le cadran en haut à droite.

Nous avons affaire à deux dimensions fortes : la taille du réseau et les échanges entre les

membres. Facebook en est l’exemple le plus emblématique, avec plus d’un milliard de

membres et, on l’a vu, une quantité exceptionnelle de données produites par jour ! Dans

ce contexte, non seulement la Data est importante mais elle est aussi signifiante car dans

un contexte proche de l’individu et de son identité. La question est de savoir qui peut faire

cette analyse. En effet, les API ne donnent accès qu’à un nombre très limité

d’informations qui vous concerne, et en aucune façon à l’intégralité des données. Or,

utiliser la capacité du Big Data, c’est pouvoir regarder « large » et en sortir des tendances,

des régularités, des explications. Et pour cela, seul Facebook est à la manœuvre. Cela

explique aussi pourquoi une méfiance forte s’est installée vis à vis d’un tel acteur qui

dispose d’un pouvoir considérable, à la fois réel et fantasmé. Mais dans tous les cas

l’inquiétude au sujet des données personnelles est bien légitime.

- SMART DATA : Le dernier cadran est celui dont la taille du réseau est « faible » (de 10 à

10000 utilisateurs, voire 100.000 grand maximum) mais au sein duquel les interactions

sont fortes. C’est le cas typique d’un RSE (Réseau Social d’Entreprise) qui s’étend au

niveau de l’organisation : PME ou grand compte, service public ou collectivité territoriale,

ou encore association. Le périmètre des personnes est donc bien délimité. Cependant

les données engendrées sont qualitatives. Il s’agit de documents, d’échanges autour

de sujets professionnels, de partage d’informations, mais aussi de toute la dimension

collaborative que l’on trouve dans des applications telles que les calendriers, les tâches

ou encore un module de questions/réponses. Émergent alors des échanges semi-

structurés, à la limite du « formel ». C’est pourquoi cette donnée issue des collaborateurs

est « Smart », car c’est une donnée raffinée (non brute) au sens de l’entreprise, elle

renvoie à l’usage réel et utile dans le réseau social. Il y a beaucoup moins besoin de faire

appel à des technologies complexes pour en exploiter le sens. Car, de facto, l’information

est intégrée dans le RSE. Nous verrons des exemples par la suite qui illustrent le propos.

Les approches Big Data ne sont pas une réalité de tous les contextes. En revanche, ce qui

est commun, c’est bien la volonté, le besoin et aujourd’hui la capacité d’exploiter finement la

donnée pour en extraire du sens. « Meaningful » Data avant tout, qu’elle soit Big ou Smart.

10



Ils font confiance à Jamespot

11

11



Exemples de Smart Data & Jamespot

Exemple 1 : Renault VU – Augmenter la vitesse de réalisation des devis

Contexte Renault VU est la branche de Renault qui commercialise divers

véhicules utilitaires, comme des ambulances, des camions de

pompiers, ou par exemple adapté pour les plombiers. Chaque vente

nécessite un devis complexe car il intègre des carrossiers externes

qui ajoutent des éléments particuliers au véhicule, et qui peut

nécessiter des questions très techniques.

Renault VU a un réseau social d’entreprise Jamespot, baptisé Pro+,

déployé à travers l’Europe. Cette plateforme Jamespot leur a permis

de déployer dans tout leur réseau un système qui accélère les devis

en établissant des circuits courts au sein de l’organisation. Les

acteurs peuvent ainsi poser des questions à travers le réseau et

d’obtenir des réponses plus rapidement. De plus, comme ces

questions et ces réponses sont mutualisées, elles sont réutilisables

et profitent à tous les utilisateurs.

Taille du réseau : +2000 membres.

Usage Smart Data actuel

1. Chaque question posée, grâce à une analyse sémantique de

proximité, est confrontée aux questions déjà traitées sur la

plateforme, ce qui permet d’éviter les redondances.

2. Analyse de la chaîne de production de devis pour voir les

axes d’amélioration du process de vente

Perspectives d’avenir

Demain, on peut imaginer un processus en continu qui donne les

indicateurs à toutes les équipes centrales de Renault VU des

tendances émergentes dans le réseau : demandes fonctionnelles

pour le produit, demandes de modalités de financement,

anticipation sur les besoins des clients finaux.

12

12



Exemple 2 : Réseau Entreprendre – Développer un réseau d’entrepreneurs

Contexte Le réseau entreprendre est un réseau d’associations qui a pour but

d’aider à faire grandir de nouvelles entreprises.

Le Réseau Entreprendre propose à la fois des prêts d’honneur pour

aider les startups mais aussi un accompagnement de type mentorat

dont l’objectif est de transmettre l’expérience de l’entrepreneuriat.

Le Réseau Entreprendre a choisi le réseau social privatif Jamespot

pour équiper toutes ses associations et faciliter les échanges entre

les membres, les permanents et les « lauréats ».

Usage Smart Data

actuel

Grâce aux données statiques et dynamiques du profil riche

customisé, la plateforme Connect permet à chaque utilisateur de

développer son réseau de manière rapide et transparente.

Perspectives

d’avenir

La mise en place d’un questionnaire permettrait une mise en relation

de filières, de comprendre en direct quelle sont les préoccupations

des chefs d’entreprises selon l’âge / la taille / le secteur / activité et

ainsi de prendre des mesures et des actions concrètes et ciblées, y

compris directement dans le réseau social Jamespot.

13



Exemple 3 : Séphora – Faire remonter des idées marketing

Contexte Sephora souhaitait organiser un challenge créatif pour répondre à

une question marketing difficile : « comment faire venir les hommes

en magasin ? ». L’entreprise a donc mis en place un Réseau Social

privatif Jamespot dédié à cet objectif et a fait jouer des équipes

d’étudiants coachés par les différents services afin de dégager des

solutions innovantes.

Usage Smart Data

actuel

Le dispositif Jamespot est un système qui permet d’extraire par son

fonctionnement les bonnes idées et les mises en œuvre à travers

une logique de focus group numérique. Le résultat est de la Smart

Data exploitable directement par l’organisation pour prendre des

décisions

Possibilité demain Si l’on étendait le dispositif aux clients on pourrait obtenir une

remontée en temps réel des attentes des consommateurs. Le

changement d’échelle de la volumétrie amènerait alors le passage

de Smart Data au Big Data.

14

13

14



Contacts

À propos de l’auteur : Alain GARNIER

Entrepreneur en série, Alain a 26 ans lorsqu’il crée ARISEM, éditeur de

logiciels spécialisé dans le traitement de l’information sémantique.

Revendu à THALES en 2004, il repart dans une nouvelle aventure

entrepreneuriale et cofonde EVALIMAGE, un service de mesure et

d'analyse du monde web centrée sur la marque et les consommateurs,

entreprise également revendue quelques années plus tard à

TheCRMCompany.

Très impliqué dans l’écosystème du monde numérique et particulièrement attaché aux

valeurs humaines, il est souvent sollicité pour donner sa vision sur le web & ses usages.

Alain a été nommé en 2013 dans la liste des 100 personnes qui font avancer le secteur du

Digital en France par le magazine 01 Business & Technologie.

Ingénieur et homme de lettres, il est l'auteur de "Le réseau social d'entreprise" (2011) et de

"L’information non structurée dans les entreprises : Usages & outils" (2007).

CHOISISSEZ JAMESPOT

LE RÉSEAU SOCIAL QUI RESSEMBLE À VOTRE ORGANISATION

[email protected]

+33 (0) 6 08 72 59 37

www.jamespot.com

14

15

mailto:[email protected]

http://www.jamespot.com/

Social Media

Livre blanc "Big Data et Réseaux Sociaux : mythes & réalités – la déclinaison pour les Réseaux Sociaux d’Entreprise" par Alain Garnier