Citer
Imprimer
Partager

Comment hacker la catastrophe ?

  • Résumé
    La pandémie du Covid-19 est une catastrophe. Mais l'heure est maintenant venue de penser les stratégies et les décisions qui peuvent être issues de l'exploitation de la donnée. C'est dans cette perspective que la revue de Management & Datascience propose un numéro qui montre, à travers quelques articles, comment le pilotage par la donnée permet d’organiser la métamorphose pour #hackezlacatastrophe.
    Citation : Mamavi, O., & Zerbib, R. (Avr 2021). Comment hacker la catastrophe ?. Management et Datascience, 5(4). https://doi.org/10.36863/mds.a.17107.
    Les auteurs : 
    • Olivier Mamavi
       (omamavi@gmail.com) - Paris School of Business  - ORCID : https://orcid.org/0000-0002-6421-1048
    • Romain Zerbib
       (romainzerbib@yahoo.fr) - ICD Business School
    Copyright : © 2021 les auteurs. Publication sous licence Creative Commons CC BY-ND.
    Liens d'intérêts : 
    Financement : 
    Texte complet

    Pilotage par la donnée

    Contrairement aux crises, Boris Cyrulnik nous rappelle qu’une catastrophe désigne un bouleversement tel qu’”après” ne sera plus jamais comme “avant” (cité par Verdo, 2020). Nos habitudes et nos modes de vie en ressortiront profondément modifiés. La gestion du désastre (Nojavan et al., 2018), c’est-à-dire des conséquences de la catastrophe, devient une priorité. Elle nous oblige à nous réadapter à notre environnement, à réinventer notre monde, à changer de culture.

    Et si cette catastrophe faisait rentrer plus rapidement la communauté scientifique dans une culture data (Benanvent, 2019) ? En effet, là où la plupart des individus voient des menaces dans cette catastrophe, le stratège y voit des sources d’opportunités.

    Tout d’abord, nous assistons à une profusion, sans précédent, de données sur la covid-19 et le confinement. De nombreuses initiatives d’ouvertures de données ont vu le jour. Par exemple, Google ou Apple ont rendu accessible des données sur la mobilité des individus pendant la pandémie.

    Ensuite, la communauté scientifique a décidé de coopérer pour traiter ces données massives et faire avancer la recherche. Nous pourrions à cet égard citer le projet du laboratoire du confinement qui analyse les sentiments de la population au travers d’un hashtag twitter dans le but de créer un nouveau baromètre.

    Enfin, l’heure est maintenant venue de penser les stratégies et les décisions qui peuvent être issues de l’exploitation de la donnée.

    Contributions

    Parmi les différentes contributions publiées dans le numéro 4 du volume 5 de la revue Management & Datascience, notons l’article des gagnants du data challenge sur le comportement des consommateurs de services en ligne.

    Allakere Hormo & al. (2021) proposent un tableau de bord pour suivre la mobilité des parisiens pendant la pandémie. En effet, la crise sanitaire a bouleversé la mobilité des Français avec, notament, une hausse certaine de l’utilisation du vélo à Paris. L’article ouvre la réflexion à différentes actions pour répondre aux nouveaux enjeux de mobilité des Parisiens. Dans le cadre du même data challenge, Liu et al. (2021) proposent 3 indicateurs que la grande distribution devrait surveiller pour satisfaire au mieux le consommateur 5.0.

    Dans le contexte où la recette des éditeurs en ligne dépend en large partie des revenus publicitaires, prévoir l’évolution du marché devient une tâche importante du Revenue Management. L’article de Nguyen (2021) montre comment utiliser l’intelligence artificielle pour prédire le revenu par mille (RPM) dans la publicité digitale. Sur le même thème, Alfocea (2021) explique comment le machine learning permet de détecter la fraude bancaire.

    Vous pouvez lire également d’autres articles sur Management & Datascience dans la rubrique Culture Data qui montrent comment le pilotage par la donnée est une source d’opportunités et d’innovation.

    Bibliographie

    Alfocea, A. (Avr 2021). Comment le machine learning permet de détecter la fraude bancaire ?. Management et Datascience5(4).

    Allakere Hormo, M., Mazzucato, C., Billaud, L., & Chanemougam, S. (Avr 2021). Conception d’un tableau de bord pour suivre la mobilité des parisiens pendant la pandémie. Management et Datascience5(4).

    Benavent, C. (2019). Culture data – lingua franca. Management et Datascience, 3(3).

    Liu, J., EL Ghaldy, S., JUPITER, A., & Aufrere, T. (Avr 2021). 3 indicateurs clés que la grande distribution devrait surveiller pour satisfaire le consommateur 5.0. Management et Datascience5(4).

    Nguyen, P. (Avr 2021). Comment utiliser l’intelligence artificielle pour prédire le revenu par mille (RPM) dans la publicité digitale ?. Management et Datascience5(4).

    Nojavan, M., Salehi, E., & Omidvar, B. (2018). Conceptual change of disaster management models: A thematic analysis. Jàmbá: Journal of Disaster Risk Studies10(1), 1-11.

    Verdo, Y. (2020). Covid 19- Boris Cyrulnik: «Revenir au ‘business as usual’, ce sera provoquer d’autres catastrophes». Les Echos. Disponible sur https://www.lesechos.fr/idees-debats/sciences-prospective/covid-19-boris-cyrulnik-revenir-au-business-as-usualce-sera-provoquer-dautres-catastrophes-1199285 (consulté en férvier 2021).

  • Évaluation globale
    (Pas d'évaluation)

    (Il n'y a pas encore d'évaluation.)

    (Il n'y a pas encore de commentaire.)

    • Aucune ressource disponible.
    © 2022 - Management & Data Science. All rights reserved.