Artificial intelligence (AI) is everywhere, promising self-driving cars, medical breakthroughs, and new ways of working. But how do you separate hype from reality? How can your company apply AI to solve real business problems?
Here’s what AI learnings your business should keep in mind for 2017.
L’avènement du Digital s’accompagne d’une démultiplication de données à analyser : structurées et non structurées.
Parallèlement, les entreprises sont à la recherche de sources d’avantages concurrentiels et d’identification de nouveaux débouchés marketing associés à un enjeu de défendre leur part de marché. Celles-ci sont conscientes, que la valorisation de leurs données constituera la réponse.
Afin de pouvoir analyser ces mines de données, les technologies ont fortement évolué :
• Mise en place de Big Data pour stocker d’importantes volumétries de données ;
• Parallélisation/montée en mémoire des traitements pour permettre de réduire les délais de réalisation ;
• Développement de nouveaux algorithmes qui offrent de nouvelles perspectives d’analyses ;
• Evolution des outils statistiques.
Dans ce contexte de mutations technologiques et à l’heure du temps réel, quels sont les impacts pour le Data Mining?
Nous vous invitons à un séminaire gratuit qui abordera les questions suivantes :
• Quels impacts sur le quotidien du Data Miner : quelles sont les techniques/outils à maîtriser ?
• Quelles sont les possibilités et les nouvelles perspectives d’analyse offertes par le Big Data ?
• Quels sont les pièges à éviter ?
Les 4 étapes clés pour transformer les données client en valeurJean-Michel Franco
Les pionniers que sont Mint dans le secteur bancaire, Amazon dans la distribution ou NetFlix dans les médias, ont prouvé que de transformer les Big Data en actions au moment des points de contact avec leurs clients assure des résultats mesurables – augmentation du taux de transformation, plus grande part du portefeuille, augmentation du nombre de nouveaux clients, détection de fraude à temps, etc. Il est aujourd’hui possible de mettre en place une plate-forme centralisée de gestion des données clients, capable d’intégrer et de fournir des informations en temps réel, quel que soit le canal d’interaction utilisé… et par conséquent, de lancer les bases d’une véritable révolution sur tout un secteur d’activité en instaurant des processus orientés données.
Désormais, cette Customer Data Platform s’adapte au plus grand nombre grâce à des technologies abordables telles que Hadoop et Spark à condition que celles-ci soient utilisées conjointement avec des données intégrées ainsi qu’un système d’intégration d’applications, de gouvernance des données, de gestion de données de référence et des outils d’analytique et de traitement de données en temps réel.
Cette plate-forme, appelée Customer Data Platform ou Data Management Platform (DMP) permet de reconstituer l’intégralité du parcours client en centralisant et en croisant non seulement des données d’interaction : historique d’achat, préférences, satisfaction, fidélité, etc. (données internes), mais également des informations sociales permettant de comprendre les intentions ou l’appétence : goûts, instants décisifs, habitudes d’achat, parcours web, réseaux sociaux, etc. (données externes)
Dans cette présentation, vous découvrirez les composants clés de cette plate-forme, comment l’implémenter, et comment l’utiliser à des fins marketing.
Vous êtes responsable MOA ou MOE et vous vous interrogez sur les possibilités du Machine Learning ?
Vous avez déjà rapidement entendu parler de classification supervisée, de prédiction, de recommandation … mais vous n’en comprenez pas réellement les tenants et les aboutissants ?
Cette présentation est faite pour vous!
Vous trouverez :
- une définition concise
- les grands principes du ML
- les problématiques auxquelles répond le ML
- les étapes à suivre
- les prémices d’un projet
- les indicateurs à prendre en compte lors du choix de l’algorithme à utiliser
Aujourd’hui, tous les métiers sont concernés par le Machine Learning, alors n’ayez pas peur de vous lancer! C’est à vous!
Si vous avez des questions, les commentaires sont les bienvenus.
3 Méthodes Innovantes pour Prédire le Chiffre d'Affaires de ses Points de VenteGaligeo
Découvrez de nouvelles approches innovantes qui transforment la manière dont les retailers abordent l'implantation de leurs points de vente.
Alors que les modes de consommation évoluent rapidement, la vente en point de vente physique doit plus que jamais s'adapter pour répondre aux nouvelles attentes des consommateurs.
Dans ce contexte, ouvrir un nouveau point de vente peut être un vrai challenge. Il faut sélectionner le meilleur emplacement possible parmi plusieurs possible, tout en investissant des sommes conséquentes dans l'espoir de rencontrer rapidement la rentabilité.
Et si on vous disait qu'avec les technologies d'IA prédictive actuelles, il était possible de prédire la performance future d'un emplacement commercial, qu'en diriez-vous ?
Au cours de la présentation, vous aurez l'occasion d'en apprendre plus sur différentes stratégies s'appuyant sur le géomarketing prédictif, permettant entre autres :
- de tester de multiples scénarios en un temps record
- d'estimer avec précision les performances futures de vos points de vente (notamment le chiffre d'affaires)
- d'évaluer les potentielles cannibalisation entre magasins
- de déterminer la part de marché envisageable
- ...
avec à chaque fois les bons outils, les données nécessaires et les meilleurs modèles prédictifs prêts à l'emploi permettant de garantir une exécution optimale et un succès assuré pour chaque nouvelle implantation.
Le tout sera illustré par des cas d'usage concrets et des retours d'expérience.
Ne manquez pas l'opportunité d'en apprendre plus sur comment améliorer vos prises de décisions en matière d'expansion ou de consolidation de votre réseau et maximiser vos résultats opérationnels.
Au plaisir d'avoir vos retours 😉.
- La Team Galigeo
La présentation du webinar : 10 Quickwins pour optimiser votre conversion avec le témoignage de Saint Maclou.
La présentation est très pragmatique avec des exemples concrets sur 10 sujets majeurs pour augmenter son taux de conversion en e-commerce et sur les sites de collectes de leads.
Artificial intelligence (AI) is everywhere, promising self-driving cars, medical breakthroughs, and new ways of working. But how do you separate hype from reality? How can your company apply AI to solve real business problems?
Here’s what AI learnings your business should keep in mind for 2017.
L’avènement du Digital s’accompagne d’une démultiplication de données à analyser : structurées et non structurées.
Parallèlement, les entreprises sont à la recherche de sources d’avantages concurrentiels et d’identification de nouveaux débouchés marketing associés à un enjeu de défendre leur part de marché. Celles-ci sont conscientes, que la valorisation de leurs données constituera la réponse.
Afin de pouvoir analyser ces mines de données, les technologies ont fortement évolué :
• Mise en place de Big Data pour stocker d’importantes volumétries de données ;
• Parallélisation/montée en mémoire des traitements pour permettre de réduire les délais de réalisation ;
• Développement de nouveaux algorithmes qui offrent de nouvelles perspectives d’analyses ;
• Evolution des outils statistiques.
Dans ce contexte de mutations technologiques et à l’heure du temps réel, quels sont les impacts pour le Data Mining?
Nous vous invitons à un séminaire gratuit qui abordera les questions suivantes :
• Quels impacts sur le quotidien du Data Miner : quelles sont les techniques/outils à maîtriser ?
• Quelles sont les possibilités et les nouvelles perspectives d’analyse offertes par le Big Data ?
• Quels sont les pièges à éviter ?
Les 4 étapes clés pour transformer les données client en valeurJean-Michel Franco
Les pionniers que sont Mint dans le secteur bancaire, Amazon dans la distribution ou NetFlix dans les médias, ont prouvé que de transformer les Big Data en actions au moment des points de contact avec leurs clients assure des résultats mesurables – augmentation du taux de transformation, plus grande part du portefeuille, augmentation du nombre de nouveaux clients, détection de fraude à temps, etc. Il est aujourd’hui possible de mettre en place une plate-forme centralisée de gestion des données clients, capable d’intégrer et de fournir des informations en temps réel, quel que soit le canal d’interaction utilisé… et par conséquent, de lancer les bases d’une véritable révolution sur tout un secteur d’activité en instaurant des processus orientés données.
Désormais, cette Customer Data Platform s’adapte au plus grand nombre grâce à des technologies abordables telles que Hadoop et Spark à condition que celles-ci soient utilisées conjointement avec des données intégrées ainsi qu’un système d’intégration d’applications, de gouvernance des données, de gestion de données de référence et des outils d’analytique et de traitement de données en temps réel.
Cette plate-forme, appelée Customer Data Platform ou Data Management Platform (DMP) permet de reconstituer l’intégralité du parcours client en centralisant et en croisant non seulement des données d’interaction : historique d’achat, préférences, satisfaction, fidélité, etc. (données internes), mais également des informations sociales permettant de comprendre les intentions ou l’appétence : goûts, instants décisifs, habitudes d’achat, parcours web, réseaux sociaux, etc. (données externes)
Dans cette présentation, vous découvrirez les composants clés de cette plate-forme, comment l’implémenter, et comment l’utiliser à des fins marketing.
Vous êtes responsable MOA ou MOE et vous vous interrogez sur les possibilités du Machine Learning ?
Vous avez déjà rapidement entendu parler de classification supervisée, de prédiction, de recommandation … mais vous n’en comprenez pas réellement les tenants et les aboutissants ?
Cette présentation est faite pour vous!
Vous trouverez :
- une définition concise
- les grands principes du ML
- les problématiques auxquelles répond le ML
- les étapes à suivre
- les prémices d’un projet
- les indicateurs à prendre en compte lors du choix de l’algorithme à utiliser
Aujourd’hui, tous les métiers sont concernés par le Machine Learning, alors n’ayez pas peur de vous lancer! C’est à vous!
Si vous avez des questions, les commentaires sont les bienvenus.
3 Méthodes Innovantes pour Prédire le Chiffre d'Affaires de ses Points de VenteGaligeo
Découvrez de nouvelles approches innovantes qui transforment la manière dont les retailers abordent l'implantation de leurs points de vente.
Alors que les modes de consommation évoluent rapidement, la vente en point de vente physique doit plus que jamais s'adapter pour répondre aux nouvelles attentes des consommateurs.
Dans ce contexte, ouvrir un nouveau point de vente peut être un vrai challenge. Il faut sélectionner le meilleur emplacement possible parmi plusieurs possible, tout en investissant des sommes conséquentes dans l'espoir de rencontrer rapidement la rentabilité.
Et si on vous disait qu'avec les technologies d'IA prédictive actuelles, il était possible de prédire la performance future d'un emplacement commercial, qu'en diriez-vous ?
Au cours de la présentation, vous aurez l'occasion d'en apprendre plus sur différentes stratégies s'appuyant sur le géomarketing prédictif, permettant entre autres :
- de tester de multiples scénarios en un temps record
- d'estimer avec précision les performances futures de vos points de vente (notamment le chiffre d'affaires)
- d'évaluer les potentielles cannibalisation entre magasins
- de déterminer la part de marché envisageable
- ...
avec à chaque fois les bons outils, les données nécessaires et les meilleurs modèles prédictifs prêts à l'emploi permettant de garantir une exécution optimale et un succès assuré pour chaque nouvelle implantation.
Le tout sera illustré par des cas d'usage concrets et des retours d'expérience.
Ne manquez pas l'opportunité d'en apprendre plus sur comment améliorer vos prises de décisions en matière d'expansion ou de consolidation de votre réseau et maximiser vos résultats opérationnels.
Au plaisir d'avoir vos retours 😉.
- La Team Galigeo
La présentation du webinar : 10 Quickwins pour optimiser votre conversion avec le témoignage de Saint Maclou.
La présentation est très pragmatique avec des exemples concrets sur 10 sujets majeurs pour augmenter son taux de conversion en e-commerce et sur les sites de collectes de leads.
Courte présentation du Big Data & Machine Learning lors d'un séminaire à la Cité Internationale Universitaire de Paris, Maison des Etudiants Arméniens.
Web Analytics : L’importance de la collecte et de l’analyse de données pour v...AQT-presentations
Parkour3 évalue l’importance du Web Analytics en entreprise en traitant des enjeux liés à la collecte et à l’analyse de données pour comprendre les besoins clients et réaliser les objectifs de votre entreprise, ceux liés au choix des indicateurs clés et leur bon suivi sur le site ainsi que ceux liés aux actions marketing et à leur suivi statistique. Concrètement, développez des réflexes pour une meilleure utilisation des outils disponibles et améliorer votre compréhension du reporting et de l’interprétation des KPI.
Pour qu’elles se déclinent en action à la vitesse de votre business, vos décisions doivent être désormais prises sur le terrain, sans délai de latence. Cela nécessite de repenser vos architectures décisionnelles tant en amont, pour collecter, contrôler et unifier l’information en temps réel, qu’en aval, afin d’intégrer l’analytique dans vos applications transactionnelles et digitales. Découvrez comment les technologies de Talend vous permettent d’y parvenir simplement en s’appuyant sur des technologies Big Data les plus avancées telles que Hadoop, Spark, Storm, ou le machine learning.
Connaître son audience grâce à la Data - Parisa MAjlessiJedha Bootcamp
Nos formations : www.jedha.co
Analyser des comportements d'achats, d'utilisateurs Web, de retombées de campagnes, la Data Science est maintenant un outil important pour l'aide à la décision pour mieux connaître son audience et proposer les solutions les plus adaptés. Vous pourrez aussi découvrir toutes les possibilités qu'offre la Data Science dans l'élaboration d'une stratégie marketing.
EMDay 2015 - 10 conseils concrets pour déployer un datamart performant sur le...Clic et Site
Présenté par Actito
Tous les marketers le savent, la data est l’élément principal de toute stratégie de marketing relationnel. Pour des actions efficaces avec un ROI élevé, il faut avoir un datamart (ou DMP) dédié bien structuré, alimenté par les bons jeux de données. Avec cette fondation solide, votre maison pourra devenir un gratte-ciel! ACTITO accompagne une centaine de clients sur ces sujets et a animé une série d’ateliers avec des annonceurs grands compte pour identifier les bonnes pratiques. Venez profiter de ce retour d’expérience et repartez avec une série de 10 conseils très concrets pour mettre en place votre datamart CRM et booster votre marketing relationnel.
Comment optimiser la performance de son réseau (points de vente, agences, dis...Galigeo
Alors que la dernière décennie avait vu l'expansion des réseaux de points de vente porter le marché du retail, aujourd'hui l'heure est à l'optimisation de la performance de ces derniers. En d'autres termes, les retailers et autres fabricats de PGC cherchent désormais à savoir comment tirer plus de performance leur réseau existant, parfois même avec moins de ressources disponible ? Less is more.
Pourquoi ? Après des années fastes de consommation, les enjeux et le contexte actuel obligent les retailers et les fabricants de biens à se réinventer une nouvelle fois.
Entre les modes de consommation évoluant toujours de plus en plus vite, une concurrence accrue de pure players venus d'Asie ou d'ailleurs, ou encore l'inflation entrainant une hausse des coûts d'OPEX ainsi qu'un arbitrage des dépenses des ménages, la place du réseau de points de physique dans la stratégie des retailers, et les enjeux qu'ell suscite, est aujourd'hui exacerbée.
Et ce, que ce le réseau de points de vente soit en propre, en franchise ou via des distributeurs.
Dans ce contexte, un logiciel Géomarketing peut grandement aider à y voir plus clair, effectuer des simulations et dérouler des scénarios, afin de prendre les meilleures décisions de la manière la plus objective possible.
Rejoignez-nous pour ce webinar, et découvrez les clés et idées essentielles pour optimiser la performance de votre réseau de points de vente :
- Comment déterminer mes facteurs clés de succès ?
- Est-ce réduire la surface de mes points de vente impactera mon chiffre d'affaires ?
- Comment rationaliser le nombre de mes points de vente tout en conservant un maillage territorial pertinent ?
- Quand est-ce pertinent de "déménager" un point de vente ?
- ...
- Le tout est illustré par des cas concrets et des démonstrations produits
Arnaques, crimes et analytics - Aristide Riou - Measure Camp Paris 2016Prénom Nom de famille
Ma présentation du Measure Camp Paris 2016, où j'ai fait un tour de techniques "créatives" pour utiliser les outils d'analytics / tag management de façon plus ou moins honnête...
Smart Analytics est une solution apportant aux décisionnaires toutes les données nécessaires et pertinentes à la compréhension du marché et à la mise en place de stratégies cohérentes et mieux comprendre le client .
Cet outil s’appuie sur les données issues des systèmes de fidélisation, CRM, gestion de campagne marketing, mais également de systèmes financiers, d’enregistrement, d’inscription, de gestion, etc.
http://www.comarch.fr/commerceservices/nos-solutions/relation-client-crm/business-intelligence
Qu'est-ce que le BIG DATA ?
Comment le BIG DATA peut il permettre de vendre plus ?
Quels sont les outils disponibles ?
Quels sont les clés pour mettre en œuvre le BIG DATA dans mon entreprise ?
Fr & En
Fr
L'apprentissage automatique (en anglais machine learning, littéralement « apprentissage machine ») ou apprentissage statistique est un champ d'étude de l'intelligence artificielle qui se fonde sur des approches mathématiques et statistiques pour donner aux ordinateurs la capacité d' « apprendre » à partir de données, c'est-à-dire d'améliorer leurs performances à résoudre des tâches sans être explicitement programmés pour chacune. Plus largement, il concerne la conception, l'analyse, l'optimisation, le développement et l'implémentation de telles méthodes.
En
Machine learning is a subfield of artificial intelligence (AI). The goal of machine learning generally is to understand the structure of data and fit that data into models that can be understood and utilized by people.
Although machine learning is a field within computer science, it differs from traditional computational approaches. In traditional computing, algorithms are sets of explicitly programmed instructions used by computers to calculate or problem solve. Machine learning algorithms instead allow for computers to train on data inputs and use statistical analysis in order to output values that fall within a specific range. Because of this, machine learning facilitates computers in building models from sample data in order to automate decision-making processes based on data inputs.
Quelles sont les nouveautés et les stratégies gagnantes à mettre en œuvre pour un moteur de recommandation performant ?
Quels algorithmes de Machine Learning appliquer pour y parvenir ?
Un des défis majeurs pour 2017 pour les organisations est de transformer l’ensemble des data collectées en véritables actions opérationnelles. Ces actions s’appuient sur une compréhension plus profonde et unifiée du client en tant qu’individus et non plus en tant que partie d’un segment.
En parallèle, la démocratisation des technologies Big Data donne accès à des puissances de traitement considérables qui permettent d’appliquer les algorithmes de Machine Learning sur des centaines de milliers de points, des milliards d’enregistrements et des volumes de plusieurs péta-octets.
Les moteurs de recommandations sont une des applications phares du marketing prédictif.
Ce séminaire vise à apporter un nouvel éclairage sur la nature des moteurs de recommandation : objectifs visés et principaux algorithmes mis à contribution, les points de vigilances et les bonnes pratiques à respecter pour créer de la valeur. Il s’appuiera sur des retours d’expériences concrets tant dans la définition, la mise en œuvre et que dans le suivi de la performance.
This document introduces Gabriel Le Breton, a programmer analyst and co-owner of the company TLM.ninja. It provides details about his roles as a developer, instructor, and his involvement in starting the company in 2014. It also includes information about continuous integration, continuous deployment, and diagrams illustrating the CI/CD process.
Courte présentation du Big Data & Machine Learning lors d'un séminaire à la Cité Internationale Universitaire de Paris, Maison des Etudiants Arméniens.
Web Analytics : L’importance de la collecte et de l’analyse de données pour v...AQT-presentations
Parkour3 évalue l’importance du Web Analytics en entreprise en traitant des enjeux liés à la collecte et à l’analyse de données pour comprendre les besoins clients et réaliser les objectifs de votre entreprise, ceux liés au choix des indicateurs clés et leur bon suivi sur le site ainsi que ceux liés aux actions marketing et à leur suivi statistique. Concrètement, développez des réflexes pour une meilleure utilisation des outils disponibles et améliorer votre compréhension du reporting et de l’interprétation des KPI.
Pour qu’elles se déclinent en action à la vitesse de votre business, vos décisions doivent être désormais prises sur le terrain, sans délai de latence. Cela nécessite de repenser vos architectures décisionnelles tant en amont, pour collecter, contrôler et unifier l’information en temps réel, qu’en aval, afin d’intégrer l’analytique dans vos applications transactionnelles et digitales. Découvrez comment les technologies de Talend vous permettent d’y parvenir simplement en s’appuyant sur des technologies Big Data les plus avancées telles que Hadoop, Spark, Storm, ou le machine learning.
Connaître son audience grâce à la Data - Parisa MAjlessiJedha Bootcamp
Nos formations : www.jedha.co
Analyser des comportements d'achats, d'utilisateurs Web, de retombées de campagnes, la Data Science est maintenant un outil important pour l'aide à la décision pour mieux connaître son audience et proposer les solutions les plus adaptés. Vous pourrez aussi découvrir toutes les possibilités qu'offre la Data Science dans l'élaboration d'une stratégie marketing.
EMDay 2015 - 10 conseils concrets pour déployer un datamart performant sur le...Clic et Site
Présenté par Actito
Tous les marketers le savent, la data est l’élément principal de toute stratégie de marketing relationnel. Pour des actions efficaces avec un ROI élevé, il faut avoir un datamart (ou DMP) dédié bien structuré, alimenté par les bons jeux de données. Avec cette fondation solide, votre maison pourra devenir un gratte-ciel! ACTITO accompagne une centaine de clients sur ces sujets et a animé une série d’ateliers avec des annonceurs grands compte pour identifier les bonnes pratiques. Venez profiter de ce retour d’expérience et repartez avec une série de 10 conseils très concrets pour mettre en place votre datamart CRM et booster votre marketing relationnel.
Comment optimiser la performance de son réseau (points de vente, agences, dis...Galigeo
Alors que la dernière décennie avait vu l'expansion des réseaux de points de vente porter le marché du retail, aujourd'hui l'heure est à l'optimisation de la performance de ces derniers. En d'autres termes, les retailers et autres fabricats de PGC cherchent désormais à savoir comment tirer plus de performance leur réseau existant, parfois même avec moins de ressources disponible ? Less is more.
Pourquoi ? Après des années fastes de consommation, les enjeux et le contexte actuel obligent les retailers et les fabricants de biens à se réinventer une nouvelle fois.
Entre les modes de consommation évoluant toujours de plus en plus vite, une concurrence accrue de pure players venus d'Asie ou d'ailleurs, ou encore l'inflation entrainant une hausse des coûts d'OPEX ainsi qu'un arbitrage des dépenses des ménages, la place du réseau de points de physique dans la stratégie des retailers, et les enjeux qu'ell suscite, est aujourd'hui exacerbée.
Et ce, que ce le réseau de points de vente soit en propre, en franchise ou via des distributeurs.
Dans ce contexte, un logiciel Géomarketing peut grandement aider à y voir plus clair, effectuer des simulations et dérouler des scénarios, afin de prendre les meilleures décisions de la manière la plus objective possible.
Rejoignez-nous pour ce webinar, et découvrez les clés et idées essentielles pour optimiser la performance de votre réseau de points de vente :
- Comment déterminer mes facteurs clés de succès ?
- Est-ce réduire la surface de mes points de vente impactera mon chiffre d'affaires ?
- Comment rationaliser le nombre de mes points de vente tout en conservant un maillage territorial pertinent ?
- Quand est-ce pertinent de "déménager" un point de vente ?
- ...
- Le tout est illustré par des cas concrets et des démonstrations produits
Arnaques, crimes et analytics - Aristide Riou - Measure Camp Paris 2016Prénom Nom de famille
Ma présentation du Measure Camp Paris 2016, où j'ai fait un tour de techniques "créatives" pour utiliser les outils d'analytics / tag management de façon plus ou moins honnête...
Smart Analytics est une solution apportant aux décisionnaires toutes les données nécessaires et pertinentes à la compréhension du marché et à la mise en place de stratégies cohérentes et mieux comprendre le client .
Cet outil s’appuie sur les données issues des systèmes de fidélisation, CRM, gestion de campagne marketing, mais également de systèmes financiers, d’enregistrement, d’inscription, de gestion, etc.
http://www.comarch.fr/commerceservices/nos-solutions/relation-client-crm/business-intelligence
Qu'est-ce que le BIG DATA ?
Comment le BIG DATA peut il permettre de vendre plus ?
Quels sont les outils disponibles ?
Quels sont les clés pour mettre en œuvre le BIG DATA dans mon entreprise ?
Fr & En
Fr
L'apprentissage automatique (en anglais machine learning, littéralement « apprentissage machine ») ou apprentissage statistique est un champ d'étude de l'intelligence artificielle qui se fonde sur des approches mathématiques et statistiques pour donner aux ordinateurs la capacité d' « apprendre » à partir de données, c'est-à-dire d'améliorer leurs performances à résoudre des tâches sans être explicitement programmés pour chacune. Plus largement, il concerne la conception, l'analyse, l'optimisation, le développement et l'implémentation de telles méthodes.
En
Machine learning is a subfield of artificial intelligence (AI). The goal of machine learning generally is to understand the structure of data and fit that data into models that can be understood and utilized by people.
Although machine learning is a field within computer science, it differs from traditional computational approaches. In traditional computing, algorithms are sets of explicitly programmed instructions used by computers to calculate or problem solve. Machine learning algorithms instead allow for computers to train on data inputs and use statistical analysis in order to output values that fall within a specific range. Because of this, machine learning facilitates computers in building models from sample data in order to automate decision-making processes based on data inputs.
Quelles sont les nouveautés et les stratégies gagnantes à mettre en œuvre pour un moteur de recommandation performant ?
Quels algorithmes de Machine Learning appliquer pour y parvenir ?
Un des défis majeurs pour 2017 pour les organisations est de transformer l’ensemble des data collectées en véritables actions opérationnelles. Ces actions s’appuient sur une compréhension plus profonde et unifiée du client en tant qu’individus et non plus en tant que partie d’un segment.
En parallèle, la démocratisation des technologies Big Data donne accès à des puissances de traitement considérables qui permettent d’appliquer les algorithmes de Machine Learning sur des centaines de milliers de points, des milliards d’enregistrements et des volumes de plusieurs péta-octets.
Les moteurs de recommandations sont une des applications phares du marketing prédictif.
Ce séminaire vise à apporter un nouvel éclairage sur la nature des moteurs de recommandation : objectifs visés et principaux algorithmes mis à contribution, les points de vigilances et les bonnes pratiques à respecter pour créer de la valeur. Il s’appuiera sur des retours d’expériences concrets tant dans la définition, la mise en œuvre et que dans le suivi de la performance.
Similaire à Guillaume Morissette - Big Data PME (20)
This document introduces Gabriel Le Breton, a programmer analyst and co-owner of the company TLM.ninja. It provides details about his roles as a developer, instructor, and his involvement in starting the company in 2014. It also includes information about continuous integration, continuous deployment, and diagrams illustrating the CI/CD process.
The document discusses engineering culture and its importance for a development team. It defines engineering culture as the principles that an organization or team uses to align decisions, vision, and human and technical practices. It lists key principles for engineering culture such as the importance of steps, processes, autonomy, pride, consistency, patience, communities, and collaboration. The presentation concludes by emphasizing the importance of documentation, team, and continuous evolution for developing a strong engineering culture.
This document discusses simplifying Facebook ad targeting to improve results. It recommends:
1. Trusting Facebook by specifying minimal targeting criteria like locations, ages, and gender, allowing Facebook to optimize budget allocation in real-time.
2. Grouping ad campaigns and ad sets to concentrate budget and data, having 2-3 campaigns per objective and 2-5 ad sets per campaign.
3. Choosing accurate campaign objectives like conversions or purchases to improve targeting and results.
By simplifying targeting and letting Facebook optimize, advertisers can generate better results with less work spent on daily optimizations.
Phoenix LiveView is a server-side rendering technique that uses WebSockets to deliver rich, interactive experiences to the browser. It allows building real-time web apps where the user interface is entirely driven by the server, without writing any JavaScript code. LiveView works by mounting Elixir modules to routes and rendering HTML responses, which can be efficiently updated via WebSockets in the browser as data changes.
This document provides an introduction to generative art, including its origins, current forms, uses in digital media and industry, and how to get started. It traces the roots of generative art to pioneering artists in the 1960s-70s like Sol LeWitt, Ellsworth Kelly and Kenneth Martin who created rule-based and algorithmic systems. Current generative artists featured include Tyler Hobbs, Matt Deslauriers, and Squidsoup. Examples of generative art in industry include GitHub's identicons, the city of Bologna's digital identity system, and Google Deep Dream. The document encourages viewing generative art as a way to help heal our relationship with emerging technologies.
This document discusses the environmental impact of digital technology and proposes strategies for more sustainable and responsible digital practices. It notes that digital technology currently accounts for 3-4% of global greenhouse gas emissions and that its energy consumption is doubling every 8 years. It advocates for approaches like green IT, low-tech solutions, digital sobriety, accessibility, and eco-design to reduce the various environmental impacts across the lifecycle of digital devices and services. The goal is to move towards a more sustainable digital model through both technological solutions and changes in user behavior.
Intelligence artificielle, Données massives et Internet des objets: Quels son...Web à Québec
Nous vivons dans un monde où les univers physiques et numériques sont de plus en plus imbriqués : les objets connectés et les environnements intelligents permettent de prendre le pouls des événements en temps réel, avec beaucoup de précision, et d’y réagir. La masse de données qui en résulte peut être exploitée à l’aide d’algorithmes pour y déceler des régularités qui alimentent ensuite nos décisions et orientent ensuite nos actions. La Commission de l’éthique en science et en technologie s’intéresse aux enjeux éthiques liés au déploiement des objets connectés et à l’exploitation des données massives, tant par l’entreprise privée comme par les pouvoirs publics. Quels sont ces enjeux et quels sont nos leviers pour y faire face?
So you want to be a service designer - Jamin HegemanWeb à Québec
Service design is no longer new or unknown. The practice is maturing as service design firms gain experience and organizations start to bring service design in house.
Journey maps are all the rage, and everyone is talking about designing for the end to end customer experience.
So what does it take to be a great service designer? What need do service designers address? What is the craft of service design? How might you build service design into your team? How do you scale it?
AI & the future of the political party - Colin MegillWeb à Québec
For the past six years, our team has been working on an OSS tool for citizen engagement called Polis, now in use by governments and political parties around the world. Through case studies and a brief introduction to the kinds of problems in governance which may prove to be amenable to machine learning, we’ll consider possible near and far future democratic systems inspired by advances in computing.
comment le Canada peut Gagner dans le secteur du numérique - Alex Benay Web à Québec
Les possibilités de la quatrième révolution industrielle sont infinies. Cette présentation, présentée par le dirigeant principal de l’information du Canada, portera sur la façon dont le Canada prévoit saisir les occasions d’adopter une approche de «gouvernement numérique». Il explorera les principaux succès et échecs du Canada dans le domaine du numérique et la façon dont il prévoit réimaginer sa relation de service avec les citoyens.
Rendre son équipe performante : plus simple qu'on le pense - Louis-Philippe C...Web à Québec
Le travail d’équipe est maintenant au centre de la majorité des organisations et des entreprises. Et de plus, une équipe performante devient un moteur de développement important au sein de celles-ci. Les organisations doivent cultiver le plein potentiel de leurs équipes afin de rester compétitives. Alors, que faire avec son équipe actuelle afin qu’elle devienne performante?
Au cours de cet atelier interactif, les participants découvriront par l’action le résultat de recherches qui convergent vers des évidences que nous avons tendance à oublier pour rendre nos équipes performantes.
Turning Research Ripples Into Waves: Growing UX Research Capacity Through Col...Web à Québec
Growing organizational research capacity requires both bottom-up and top-down changes that can be daunting to tackle. Hana Nagel will examine the challenge of scaling research ops through the lens of social change theory, showing how service design and systems thinking can be used to create a strategy to increase research’s impact on product. By building collaboration, connection and community, you can bring enough people together to turn research ripples into waves.
Complexité et systèmes opérables - Fred HébertWeb à Québec
Tout système utile doit nécessairement devenir complexe. Non seulement le code tourne au pire, mais la charge cognitive imposée aux opérateurs est toujours croissante. Il n’est pas suffisant de prendre une approche centrée sur la propreté du code pour que nos systèmes soient opérables : nous avons également à comprendre comment nous formons nos modèles mentaux de nos systèmes, ce qui constitue une bonne abstraction, et savoir quels états internes exposer aux observateurs.
L'IA connaît une croissance rapide et son intégration dans le domaine éducatif soulève de nombreuses questions. Aujourd'hui, nous explorerons comment les étudiants utilisent l'IA, les perceptions des enseignants à ce sujet, et les mesures possibles pour encadrer ces usages.
Constat Actuel
L'IA est de plus en plus présente dans notre quotidien, y compris dans l'éducation. Certaines universités, comme Science Po en janvier 2023, ont interdit l'utilisation de l'IA, tandis que d'autres, comme l'Université de Prague, la considèrent comme du plagiat. Cette diversité de positions souligne la nécessité urgente d'une réponse institutionnelle pour encadrer ces usages et prévenir les risques de triche et de plagiat.
Enquête Nationale
Pour mieux comprendre ces dynamiques, une enquête nationale intitulée "L'IA dans l'enseignement" a été réalisée. Les auteurs de cette enquête sont Le Sphynx (sondage) et Compilatio (fraude académique). Elle a été diffusée dans les universités de Lyon et d'Aix-Marseille entre le 21 juin et le 15 août 2023, touchant 1242 enseignants et 4443 étudiants. Les questionnaires, conçus pour étudier les usages de l'IA et les représentations de ces usages, abordaient des thèmes comme les craintes, les opportunités et l'acceptabilité.
Résultats de l'Enquête
Les résultats montrent que 55 % des étudiants utilisent l'IA de manière occasionnelle ou fréquente, contre 34 % des enseignants. Cependant, 88 % des enseignants pensent que leurs étudiants utilisent l'IA, ce qui pourrait indiquer une surestimation des usages. Les usages identifiés incluent la recherche d'informations et la rédaction de textes, bien que ces réponses ne puissent pas être cumulées dans les choix proposés.
Analyse Critique
Une analyse plus approfondie révèle que les enseignants peinent à percevoir les bénéfices de l'IA pour l'apprentissage, contrairement aux étudiants. La question de savoir si l'IA améliore les notes sans développer les compétences reste débattue. Est-ce un dopage académique ou une opportunité pour un apprentissage plus efficace ?
Acceptabilité et Éthique
L'enquête révèle que beaucoup d'étudiants jugent acceptable d'utiliser l'IA pour rédiger leurs devoirs, et même un quart des enseignants partagent cet avis. Cela pose des questions éthiques cruciales : copier-coller est-il tricher ? Utiliser l'IA sous supervision ou pour des traductions est-il acceptable ? La réponse n'est pas simple et nécessite un débat ouvert.
Propositions et Solutions
Pour encadrer ces usages, plusieurs solutions sont proposées. Plutôt que d'interdire l'IA, il est suggéré de fixer des règles pour une utilisation responsable. Des innovations pédagogiques peuvent également être explorées, comme la création de situations de concurrence professionnelle ou l'utilisation de détecteurs d'IA.
Conclusion
En conclusion, bien que l'étude présente des limites, elle souligne un besoin urgent de régulation. Une charte institutionnelle pourrait fournir un cadre pour une utilisation éthique.
Le Comptoir OCTO - Équipes infra et prod, ne ratez pas l'embarquement pour l'...OCTO Technology
par Claude Camus (Coach agile d'organisation @OCTO Technology) et Gilles Masy (Organizational Coach @OCTO Technology)
Les équipes infrastructure, sécurité, production, ou cloud, doivent consacrer du temps à la modernisation de leurs outils (automatisation, cloud, etc) et de leurs pratiques (DevOps, SRE, etc). Dans le même temps, elles doivent répondre à une avalanche croissante de demandes, tout en maintenant un niveau de qualité de service optimal.
Habitué des environnements développeurs, les transformations agiles négligent les particularités des équipes OPS. Lors de ce comptoir, nous vous partagerons notre proposition de valeur de l'agilité@OPS, qui embarquera vos équipes OPS en Classe Business (Agility), et leur fera dire : "nous ne reviendrons pas en arrière".
OCTO TALKS : 4 Tech Trends du Software Engineering.pdfOCTO Technology
En cette année 2024 qui s’annonce sous le signe de la complexité, avec :
- L’explosion de la Gen AI
-Un contexte socio-économique sous tensions
- De forts enjeux sur le Sustainable et la régulation IT
- Une archipélisation des lieux de travail post-Covid
Découvrez les Tech trends incontournables pour délivrer vos produits stratégiques.
Ouvrez la porte ou prenez un mur (Agile Tour Genève 2024)Laurent Speyser
(Conférence dessinée)
Vous êtes certainement à l’origine, ou impliqué, dans un changement au sein de votre organisation. Et peut être que cela ne se passe pas aussi bien qu’attendu…
Depuis plusieurs années, je fais régulièrement le constat de l’échec de l’adoption de l’Agilité, et plus globalement de grands changements, dans les organisations. Je vais tenter de vous expliquer pourquoi ils suscitent peu d'adhésion, peu d’engagement, et ils ne tiennent pas dans le temps.
Heureusement, il existe un autre chemin. Pour l'emprunter il s'agira de cultiver l'invitation, l'intelligence collective , la mécanique des jeux, les rites de passages, .... afin que l'agilité prenne racine.
Vous repartirez de cette conférence en ayant pris du recul sur le changement tel qu‘il est généralement opéré aujourd’hui, et en ayant découvert (ou redécouvert) le seul guide valable à suivre, à mon sens, pour un changement authentique, durable, et respectueux des individus! Et en bonus, 2 ou 3 trucs pratiques!
Le Comptoir OCTO - Qu’apporte l’analyse de cycle de vie lors d’un audit d’éco...OCTO Technology
Par Nicolas Bordier (Consultant numérique responsable @OCTO Technology) et Alaric Rougnon-Glasson (Sustainable Tech Consultant @OCTO Technology)
Sur un exemple très concret d’audit d’éco-conception de l’outil de bilan carbone C’Bilan développé par ICDC (Caisse des dépôts et consignations) nous allons expliquer en quoi l’ACV (analyse de cycle de vie) a été déterminante pour identifier les pistes d’actions pour réduire jusqu'à 82% de l’empreinte environnementale du service.
Vidéo Youtube : https://www.youtube.com/watch?v=7R8oL2P_DkU
Compte-rendu :
3. 1942
La 1re école
cybernétique
Attribuée à Norbert Wiener
● Science des systèmes
● Multidisciplinaire
○ Biologie
○ Sociologie
○ Mathématiques
○ Etc
● Établit et formalise le
principe de rétroaction
4. Le principe de rétroaction
Connaissances
+
Règles de
transformation
Exemples:
● Robinet et température de l’eau
● “Cruise control” sur une voiture
● Thermostat
● Etc
5. 1950
La 2e école
cybernétique
Attribuée à Marvin Minsky et
Alan Turing
● Représenter la
connaissance
○ Faits
● Modéliser la pensée
○ Règles
● Arrivée des ordinateurs
○ Test de Turing
● Optimisme démesuré
6. 1969
La grande
désillusion
Attribuée à Marvin Minsky
● Modéliser la pensée est
très complexe.
○ Parfois irrationnelle
● La connaissance est
difficile à formaliser
● Nécessite une capacité
de calcul dépassant les
moyens de l’époque
7. L’héritage de la
2e cybernétique
● Automatisation de la
logique de premier
ordre
○ Prolog (1972)
○ Systèmes experts
● Réseaux neuronaux
○ Perceptrons (1957)
8. Les systèmes experts
Faits
Règles
Application des
règles pour déduire
de nouveaux faits
Nouveaux faits
Aucun nouveaux faits
ou
conclusion atteinte
Conclusion(s)
Exemples:
● Systèmes d’analyse chimique (Dendral,1965)
● Systèmes de diagnostics médicaux (VisualDx,2001)
● Systèmes de génération d’horaires (UdeM,?)
9. Les réseaux
neuronaux
● Visent à imiter la nature
○ Neurones et dendrites
○ Apprentissage en
renforçant
progressivement les
liens entre les
neurones (poids)
● Entièrement numérique
● Plusieurs variétés
○ Perceptrons
○ Carte de Kohonen
○ Etc
10. 1990
Un nouvel
espoir
● Apparition d’internet
● Théorie de
Vapnik-Chervonenkis (VC)
○ L’apprentissage est un
processus statistique
○ Nécessite des données
○ Établit les bases de
l’apprentissage
automatique
● Prix des ordinateurs
personnels baisse
11. ~2000
La désillusion
contre-attaque
● Le rendement des
investissements logiciels
s’essoufle
● Explosion de la Bulle des
“dot com”
● Apparition des premières
entreprises “orientées
données”
○ Google (IPO 2004)
○ Facebook (2004)
12. ~2010
Le retour de
l’intelligence
artificielle
● L’infonuagique (“Cloud”)
rend accessibles des
capacités de stockage et
de calcul autrefois
impensables
● Les outils d’apprentissage
automatique permettent
une approche “boîte noire”
relativement accessible
● Émergence de la “science
des données”
14. Un algorithme,
c’est quoi ?
Origine: Al Khwarizmi,
scientifique arabe
● Séquence d’opérations
● Donnant un résultat
● Dans un nombre fini
d’opérations
● Peut être programmé
(ou non)
15. Exemples
● Trier des valeurs
● Rechercher une valeur
● Addition/soustraction
● Google répond à votre
recherche
● Facebook vous
suggère d’aimer
quelque chose
● Publicité ciblée
● Etc
17. Segmentation / Classification
Objectif
Séparer des éléments en groupes
d’éléments similaires.
Applications typiques
● Profils de clients
● Profils de paniers d’achat
Algorithmes populaires
● K-Means (S)
● X-Means (S)
● DBSCAN (S)
● BIRCH (S)
● Espérance-maximisation (C)
● K-NN (C)
● Réseaux bayesiens (C)
● SVM (C)
18. Prédiction
Objectif
Estimer la valeur ou la tendance
d’une mesure donnée
Applications typiques
● Chiffre d’affaires
● Seuil de réapprovisionnement
● Spéculation boursière
Algorithmes populaires
● Moyenne (...)
● Régression linéaire
● Régression logistique
● Mélanges gaussiens
● SVM
19. Prédiction
Application: Prix de l’essence
Client
Entreprise de stations-service 24h
Problématique
À 18h chaque jour une décision
doit être prise à savoir si on doit
commander une livraison
d’essence pour la nuit ou attendre
le nouveau prix le lendemain
matin.
Jeu de données
Système de gestion de pompes
● Niveaux d’essence des réservoirs
● Date
Système de point de vente (POS)
● Ventes d’essence
● Date (Jours de la semaine,
semaine du mois, mois, etc)
20. Prédiction
Application: Prix de l’essence
Analyse classique
● Les ventes et niveaux d’essence sont très périodiques et réguliers. Ils sont
aussi corrélés à certaines lois du marché (Ex: jours de paie).
18h
21. Prédiction
Application: Prix de l’essence
Analyse par machine learning
● On peut déduire le coût de l’essence à partir des ventes sur les POS
● On utilise une SVM avec un noyau RBF pour la prédiction
● Prédire une valeur précise du prix futur ne donne pas le résultat escompté
● Par contre, prédire la direction du prix s’avère beaucoup mieux (~83%)
contrairement à la prédiction par un expert (~71%), un gain de 12%
22. Détection d’anomalies
Objectif
Trouver des éléments qui diffèrent
significativement des autres
Applications typiques
● Détection de la fraude
● Optimisation de processus
(80/20)
Algorithmes populaires
● Loi de Benford
● Algorithmes de classification (2 classes)
23. Détection d’anomalies
Application: Problèmes de transport
Client
Entreprise effectuant des visites
aléatoires aux domiciles de
détenus purgeant leur peine à
domicile.
Problématique
Les profits ont chuté de plus de
20% dans la dernière année.
Jeu de données
Base de données du CRM
● Point de départ (Long./Lat.)
● Point d’arrivée (Long./Lat.)
● Distance à l’odomètre
● ID employé
● ID client
● Durée (Date de fin - Date de début)
● Vitesse moyenne (Distance/Durée)
● Saison
24. Détection d’anomalies
Application: Problèmes de transport
Analyse classique
● La distance totale parcourue est restée sensiblement la même
● Le nombre de visites est resté sensiblement le même
● La durée moyenne a diminué (ce qui devrait diminuer les coûts)
● Certains employés sont beaucoup plus efficaces que d’autres
Analyse par machine learning
● Segmenter les visites avec K-Means donne 2 clusters très distincts
● L’un deux est constitué de visites par des employés “très efficaces”
● Le client décide de surveiller les employés “inefficaces”, sans succès.
25. Détection d’anomalies
Problèmes de transport - Solution
Solution
La surveillance des employés “très efficaces” fournit la réponse
● Certains employés ne font pas leurs visites, passent tout droit en avant de
la résidence (pour mêler la surveillance par GPS qui fournit la route suivie),
et falsifient ainsi leurs feuilles de temps.
● Un simple changement au processus résout le problème: les employés
doivent maintenant prendre une photo du détenu.
PS: Ce problème est commun dans les environnements où la performance
est mesurée par une durée moyenne, comme les centres d’appel
26. Règles d’association
Objectif
Trouver des relations entre des
occurrences d’
événements/éléments
Applications typiques
● Achats connexes
● Découvrir des patterns de
comportement
Algorithmes populaires
● Apriori
● ECLAT
● FP-Growth
● GSP
● SPADE
● FreeSpan
27. Règles d’association
Application: Analyse du panier d’achats
Client
Entreprise possédant des
stations-service avec des
dépanneurs
Problématique
On cherche à maximiser les
ventes en augmentant les ventes
connexes (“Achats impulsifs”)
Jeu de données
Base de données des points de vente
● Factures
● Inventaire
○ Code de produit
○ Catégorie de produit
28. Règles d’association
Application: Analyse du panier d’achats
Analyse classique
● On peut compter les produits qui se vendent le mieux
● On peut dépendre de l’expertise d’un vendeur
● Il existe 2 types de vente: la vente directe où le client sait ce qu’il veut, et la
vente connexe qui est décidée sur le champ. La stratégie classique est de
mettre les produits à vente directe à l’arrière du magasin afin de faire
déambuler le client parmi les possibilités d’achats impulsifs dans le
magasin.
29. Règles d’association
Application: Analyse du panier d’achats
Analyse par machine learning
● Les règles d’association ont la forme “Si {A,B,C...} Alors {X,Y,Z...}”
● La plupart des outils fournissent aussi des métriques de support et confiance pour
chaque règle
● On peut extraire plusieurs formes de régles
○ Produits connexes afin d’optimiser les promotions
■ Ex: Si un client achète un muffin, il achète aussi un petit café
○ Catégories connexes afin d’optimiser les présentoirs
■ Ex: Si un client achète de l’essence, il achète aussi de la nourriture
● Dans un contexte de vente en ligne, on peut se servir de ces données pour proposer
des achats connexes au client
34. Sources de données des PMEs
● Comptabilité
● Boutique en ligne
● Réseaux sociaux
● CRM
● Instrumentation
● Bases de données
● Open data
● Web scraping
● Compétiteurs
38. Système de
gestion de la
relation avec la
clientèle (CRM)
Ventes
● Tunnel d’achats
● Patterns de réussite
Comptes clients (suite)
● Profils (segmentation)
Support après vente
● Détection d’anomalies