SlideShare une entreprise Scribd logo
© Soft Computing – www.softcomputing.com
Machine Learning
Quelles applications pour le marketing digital ?
25/05/2016
© 2
Gilles VENTURI
Directeur Général
E-mail : gvn@softcomputing.com
Tel : +33 (0)1 73 00 55 64
Mobile : +33 (0)6 07 04 74 24
Karine TRIBOULEY
Manager Marketing Services
E-mail : ktr@softcomputing.com
Tel : +33 (0)1 73 00 55 24
Mobile : +33 (0)6 69 67 62 10
© 3
Sommaire
1. Introduction
2. Préambule
3. IA : déjà dans notre quotidien
4. L'IA à portée de main
5. Big data : booster d'IA
6. Des algorithmes prolifiques et pointus
7. ML & marketing
8. Outillage : innovation combinationnelle
9. Comment avancer
10. Conclusion
© 4
Carte d’identité
© 5
Exploiter tout le potentiel de la data
Créer des expériences Client sans couture
Démultiplier la performance du marketing digital
Mission
Marketing
Intelligence
Big Data
Driven
Digital
Experience
© 6
Compétences : un mix unique de compétences pointues
Digital
Marketing
Data
Science
Project
Management
Information
Technologies
© 7
A la carte
Think Build Run
Délégation Projet Centre de services
Digital-Marketing IT AMOA
Offre
Delivery
Clients
© 8
Extraits de références
Digital Marketing Big Data
Aviva
CRM Onboarding et campagnes
marketing anonymes – identifiés.
Danone
Programme relationnel multi-
devices et remarketing.
Engie
Data Management Platform, CRM,
Identity Management et web
analytics.
Fnac
Convergence des pratiques et
outils marketing offline et in store
avec le digital.
Les Echos
Migration technique et
organisationnelle d’une DMP et
d’une SSP.
BPCE
Centre de services de gestion des
campagnes marketing multicanal.
L'Oréal
Déploiement et exploitation d’une
plate-forme CRM multi-marques
multi-pays.
Système U
Centre de services gestion de
campagnes marketing et
connaissance clients.
vente-privee.com
Mise en place de campagnes
automatisées et optimisées par des
tests.
Vivarte
Gestion et activation d’un
référentiel client unique
multimarques.
La Banque Postale
Conception de l’architecture
décisionnelle hybride big data –
datawarehouse.
LCL
Accompagnement à la conception
et la mise en place d’un datalake.
Orange
Formation de compétences et de
méthodes en data science sur les
filiales Afrique et Moyen-Orient.
PSA
Définition de la gouvernance d’un
MDM client multi-activité et
international.
RCI Banque
Elaboration d’une stratégie de
connaissance client et valorisation
des big data.
© 9
Experts reconnus
blog.softcomputing.com/
fr.slideshare.net/softcomputing
twitter.com/#!/SoftComputing
linkedin.com/company/soft-computing
facebook.com/softcomputing
softcomputing.com/news/
InformerEcrire Enseigner
© 10
Recruteur de talents
Datascience Projet
TechnologiesDigital
Marketing
CRM
Big Data
100 CDI à pourvoir cette année
Contact : recrutement@softcomputing.com –
http://www.softcomputing.com/offres-d-emploi
© 11
Sommaire
1. Introduction
2. Préambule
3. IA : déjà dans notre quotidien
4. L'IA à portée de main
5. Big data : booster d'IA
6. Des algorithmes prolifiques et pointus
7. ML & marketing
8. Outillage : innovation combinationnelle
9. Comment avancer
10. Conclusion
© 12
Définitions
« la construction de programmes
informatiques qui s’adonnent à des tâches
qui sont, pour l’instant, accomplies de
façon plus satisfaisante par des êtres
humains car elles demandent des
processus mentaux de haut niveau tels
que : l’apprentissage perceptuel,
l’organisation de la mémoire et le
raisonnement critique »
« … méthodes d'apprentissage
automatique tentant de modéliser avec un
haut niveau d’abstraction des données
grâce à des architectures articulées de
différentes transformations non linéaires »
« méthodes permettant à une machine
d'évoluer par un processus
systématique, et ainsi de remplir des
tâches difficiles ou impossibles à remplir
par des moyens algorithmiques plus
classiques »
© 13
Périmètre usuel des applications marketing
Moteurs de
recommandations
Reconnaissance
vocale
Analyse
textuelle
Reconnaissance
d’image
Analyse de
sentiments
Traitement
du signal
© 14
Sommaire
1. Introduction
2. Préambule
3. IA : déjà dans notre quotidien
4. L'IA à portée de main
5. Big data : booster d'IA
6. Des algorithmes prolifiques et pointus
7. ML & marketing
8. Outillage : innovation combinationnelle
9. Comment avancer
10. Conclusion
© 15
© 16
© 17
© 18
© 19
© 20
© 21
© 22
© 23
© 24
Sommaire
1. Introduction
2. Préambule
3. IA : déjà dans notre quotidien
4. L'IA à portée de main
5. Big data : booster d'IA
6. Des algorithmes prolifiques et pointus
7. ML & marketing
8. Outillage : innovation combinationnelle
9. Comment avancer
10. Conclusion
© 25
Analyse de texte
http://www.alchemyapi.com/products/demo/alchemylanguage
© 26
Reconnaissance d’image
http://vision.alchemy.ai/
© 27
Reconnaissance d’image
https://www.clarifai.com/#demo
© 28
Recommandations
http://starkwebservices.com/demo-woocommerce-recommendation-
engine/product/le-creuset-toughened-non-stick-shallow-frying-pan/
© 29
Voix en texte (et vice-versa)
https://text-to-speech-demo.mybluemix.net/
© 30
Chat bots
http://dialog-demo.mybluemix.net/
© 31
Traduction : google tranlate
© 32
Analyse de sentiments
http://toneapi.com/
© 33
Détection d’émotions
http://www.affectiva.com/
© 34
Sommaire
1. Introduction
2. Préambule
3. IA : déjà dans notre quotidien
4. L'IA à portée de main
5. Big data : booster d'IA
6. Des algorithmes prolifiques et pointus
7. ML & marketing
8. Outillage : innovation combinationnelle
9. Comment avancer
10. Conclusion
© 35
Défi technique #1 : se préparer à gérer des volumes inimaginables
2006 2016
© 36
Défi technique #2 : sortir de la quadrature du triangle
2006 2016
Disponibilité
« Les données sont
toujours accessibles »
Tolérance
« seule la panne
totale interrompt »
Cohérence
« Les commits
rendent l’ensemble
des données
cohérentes »
Disponibilité
« Les données sont
toujours accessibles »
Tolérance
« seul la panne
totale interrompt »
Cohérence
« Les commits
rendent l’ensemble
des données
cohérentes »
Commit en
2 phases
© 37
Défi technique #3 : exécuter tout calcul en moins de 0,14 seconde
2006 2016
Trading Desk
(ATD)
Editeur de
site
Demand Side
Platform
(DSP)
Ad exchange
(Adex)
Supply Side
Platform
(SSP)
Annonceur
ou Agence
média
Ad Server de
l’éditeur ou
Ad network
RTB &
programmati
que
© 38
Défi technique #4 : gérer des données non structurées
2006 2016
© 39
La solution : distribution de données et des traitements
2006 2016
© 40
Sky is the limit
Temps de calcul
Nombredenœudshadoop
(10,1)
(1,10)
© 41
Sommaire
1. Introduction
2. Préambule
3. IA : déjà dans notre quotidien
4. L'IA à portée de main
5. Big data : booster d'IA
6. Des algorithmes prolifiques et pointus
7. ML & marketing
8. Outillage : innovation combinationnelle
9. Comment avancer
10. Conclusion
© 42
Comment s’y retrouver ?
Centre de Solutions et de
© 43
Comment s’y retrouver ?
Centre de Solutions et de
 Apprentissage non supervisée : kmeans, analyse de patterns (image et son)
 Apprentissage supervisé : logistique, arbres de décision, forêts aléatoires
Concepts ?
Ensemble de méthodes ? Redondance du vocabulaire ?
Méthodes ?
Concepts
Méthodes
Enchainement
de Méthodes
 Datamanagement et rapprochement a priori : pour sauvegarde intelligible
 Analyse des données : purement descriptif
 Apprentissage automatique = machine learning : pour faire de l’inférence
 Deep learning
© 44
Comment s’y retrouver ?
Centre de Solutions et de
Nouveaux concepts ou amélioration technologique ?
 Score à réaliser >>> apprentissage supervisé >>> logistique
 Moteur de Score à réaliser >>> apprentissage supervisé >>> RF
Exemple
d’avancée
technologique
avec changement
de concept
Exemple
d’avancée
technologique
sans changement
de concept
 Score à réaliser >>> règle a priori >>> calcul d’indicateurs
 Score à réaliser >>> apprentissage supervisé >>> logistique
© 45
Sommaire
1. Introduction
2. Préambule
3. IA : déjà dans notre quotidien
4. L'IA à portée de main
5. Big data : booster d'IA
6. Des algorithmes prolifiques et pointus
7. ML & marketing
8. Outillage : innovation combinatoire
9. Comment avancer
10. Conclusion
© 46
Apprendre des
données ?
Conclusion : S’orienter selon son besoin
Centre de Solutions et de
Identifier le besoin et choisir les outils et les méthodologies en adéquation :
 Non : algorithmes a priori (règles métiers), traitement « à la main »
 Oui : algorithmes d’apprentissage
 Macro Segments : RFM
 Segments Classiques : segmentation comportementale
 Persona : deep segmentation comportementale
 Individu : moteur de recommandation
 Peu complexes : données retour campagne, image simple, son simple
 Complexes – multi-échelle : image (API) , son, informations à
plusieurs niveaux (données de dépenses)
 Textuelles
 Usuelle
 Massive : jeu d’échecs
 Non gérable : jeu de Go
Degré de
complexité des
données ?
Volumétrie ?
Degré de finesse
souhaité ?
© 47
Sommaire
1. Introduction
2. Préambule
3. IA : déjà dans notre quotidien
4. L'IA à portée de main
5. Big data : booster d'IA
6. Des algorithmes prolifiques et pointus
7. ML & marketing
8. Outillage : innovation combinationnelle
9. Comment avancer
10. Conclusion
© 48
Analyse de texte : rappel
http://www.alchemyapi.com/products/demo/alchemylanguage
© 49
Sous le capot, des API
https://watson-api-explorer.mybluemix.net/tone-analyzer-beta/api/v3/tone?version=2016-02-
11&text=Welcome%20to%20SoftComputing
{"document_tone":
{"tone_categories":
[{"tones":
[{"score":0.040322,"tone_id":"anger","tone_name":"Anger"},
{"score":0.062696,"tone_id":"disgust","tone_name":"Disgust"},
{"score":0.063712,"tone_id":"fear","tone_name":"Fear"},
{"score":0.905908,"tone_id":"joy","tone_name":"Joy"},
{"score":0.091074,"tone_id":"sadness","tone_name":"Sadness"}],
"category_id":"emotion_tone","category_name":"Emotion Tone"},{"tones":
[{"score":0.0,"tone_id":"analytical","tone_name":"Analytical"},
{"score":0.0,"tone_id":"confident","tone_name":"Confident"},
{"score":0.0,"tone_id":"tentative","tone_name":"Tentative"}],
"category_id":"writing_tone","category_name":"Writing Tone"},{"tones":
[{"score":0.242,"tone_id":"openness_big5","tone_name":"Openness"},
{"score":0.128,"tone_id":"conscientiousness_big5","tone_name":"Conscientiousness"},
{"score":0.982,"tone_id":"extraversion_big5","tone_name":"Extraversion"},
{"score":0.821,"tone_id":"agreeableness_big5","tone_name":"Agreeableness"},
{"score":0.898,"tone_id":"neuroticism_big5","tone_name":"Emotional Range"}],
"category_id":"social_tone","category_name":"Social Tone"}]}}
© 50
Sous le capot, des infrastructures cloud
© 51
Sous le capot, des données consommables à la demande
© 52
Des moteurs de démocratisation puissants
Coût modique
Puissance élastique
Algorithmes innovants
Usage autonome
© 53
Cloud + API + Open Data + ad’hoc
… innovation is the ’new
combinations’ of
existing knowledge
© 54
Sommaire
1. Introduction
2. Préambule
3. IA : déjà dans notre quotidien
4. L'IA à portée de main
5. Big data : booster d'IA
6. Des algorithmes prolifiques et pointus
7. ML & marketing
8. Outillage : innovation combinationnelle
9. Comment avancer
10. Conclusion
© 55
Quelles compétences ?
MarketingDatascience Programmation
© 56
Revenir au basique
Pourquoi j’en ai besoin et
pour répondre à quels
usages business ? Mes
moyens existants ne me
permettraient-ils pas de
‘craquer’ déjà quelques
sujets ? Légal ?
Quelles sont les nouvelles
opportunités technologiques
du marché ? Quelle solution ?
Quelle intégration dans mon
patrimoine applicatif ?
Quelle gouvernance ?,
quelles compétences ?, quels
processus ?, quels KPI’s ?
© 57
Sommaire
1. Introduction
2. Préambule
3. IA : déjà dans notre quotidien
4. L'IA à portée de main
5. Big data : booster d'IA
6. Des algorithmes prolifiques et pointus
7. ML & marketing
8. Outillage : innovation combinationnelle
9. Comment avancer
10. Conclusion
© 58
Sélection des
cas d’usages
Conseil
méthodologique
Sélection de
l’outillage
Modélisation
Coaching et
formation
Intégation
informatique
Exploitation
Optimisation
On peut aider ?
© 59

Contenu connexe

Tendances

Intelligence Artificielle : Introduction à l'intelligence artificielle
Intelligence Artificielle : Introduction à l'intelligence artificielleIntelligence Artificielle : Introduction à l'intelligence artificielle
Intelligence Artificielle : Introduction à l'intelligence artificielle
ECAM Brussels Engineering School
 
Algorithmes machine learning/ neural network / deep learning
Algorithmes machine learning/ neural network / deep learningAlgorithmes machine learning/ neural network / deep learning
Algorithmes machine learning/ neural network / deep learning
Bassem Brayek
 
réseaux de neurones artificiels
réseaux de neurones artificiels réseaux de neurones artificiels
réseaux de neurones artificiels
Oussama Werfelli
 
Présentation sur le Data Mining
Présentation sur le Data MiningPrésentation sur le Data Mining
Présentation sur le Data Mining
Takfarinas KENOUCHE
 
Cours Big Data Chap1
Cours Big Data Chap1Cours Big Data Chap1
Cours Big Data Chap1
Amal Abid
 
Data Mining
Data MiningData Mining
Présentation pfe
Présentation pfePrésentation pfe
Présentation pfe
Abdelghafour Zguindou
 
Présentation PFE Hachem Selmi et Ahmed Dridi Big data
Présentation PFE Hachem Selmi et Ahmed Dridi Big data Présentation PFE Hachem Selmi et Ahmed Dridi Big data
Présentation PFE Hachem Selmi et Ahmed Dridi Big data
HaShem Selmi
 
Data Mining (Partie 1).pdf
Data Mining (Partie 1).pdfData Mining (Partie 1).pdf
Data Mining (Partie 1).pdf
OuailChoukhairi
 
Intelligence Artificielle - Algorithmes de recherche
Intelligence Artificielle - Algorithmes de rechercheIntelligence Artificielle - Algorithmes de recherche
Intelligence Artificielle - Algorithmes de recherche
Mohamed Heny SELMI
 
Présentation intelligence artificielle et domaines d'applications - #DigitalT...
Présentation intelligence artificielle et domaines d'applications - #DigitalT...Présentation intelligence artificielle et domaines d'applications - #DigitalT...
Présentation intelligence artificielle et domaines d'applications - #DigitalT...
Digital Thursday
 
Deep learning
Deep learningDeep learning
Deep learning
Bilal Rezkellah
 
Techniques du data mining
Techniques du data miningTechniques du data mining
Techniques du data mining
Donia Hammami
 
BigData_TP1: Initiation à Hadoop et Map-Reduce
BigData_TP1: Initiation à Hadoop et Map-ReduceBigData_TP1: Initiation à Hadoop et Map-Reduce
BigData_TP1: Initiation à Hadoop et Map-Reduce
Lilia Sfaxi
 
Introduction aux systèmes répartis
Introduction aux systèmes répartisIntroduction aux systèmes répartis
Introduction aux systèmes répartis
Heithem Abbes
 
Intelligence artificielle
Intelligence artificielleIntelligence artificielle
Intelligence artificielle
hadjerdermane
 
Introduction au Deep Learning
Introduction au Deep Learning Introduction au Deep Learning
Introduction au Deep Learning
Niji
 
Mémoire de fin d'étude - La big data et les réseaux sociaux
Mémoire de fin d'étude - La big data et les réseaux sociauxMémoire de fin d'étude - La big data et les réseaux sociaux
Mémoire de fin d'étude - La big data et les réseaux sociaux
Chloé Marty
 
La classification des Emails utilisant le modèle MapReduce
La classification des Emails utilisant le modèle MapReduce La classification des Emails utilisant le modèle MapReduce
La classification des Emails utilisant le modèle MapReduce
Nour El Houda Megherbi
 
Présentation pfe Big Data Hachem SELMI et Ahmed DRIDI
Présentation pfe Big Data Hachem SELMI et Ahmed DRIDIPrésentation pfe Big Data Hachem SELMI et Ahmed DRIDI
Présentation pfe Big Data Hachem SELMI et Ahmed DRIDI
HaShem Selmi
 

Tendances (20)

Intelligence Artificielle : Introduction à l'intelligence artificielle
Intelligence Artificielle : Introduction à l'intelligence artificielleIntelligence Artificielle : Introduction à l'intelligence artificielle
Intelligence Artificielle : Introduction à l'intelligence artificielle
 
Algorithmes machine learning/ neural network / deep learning
Algorithmes machine learning/ neural network / deep learningAlgorithmes machine learning/ neural network / deep learning
Algorithmes machine learning/ neural network / deep learning
 
réseaux de neurones artificiels
réseaux de neurones artificiels réseaux de neurones artificiels
réseaux de neurones artificiels
 
Présentation sur le Data Mining
Présentation sur le Data MiningPrésentation sur le Data Mining
Présentation sur le Data Mining
 
Cours Big Data Chap1
Cours Big Data Chap1Cours Big Data Chap1
Cours Big Data Chap1
 
Data Mining
Data MiningData Mining
Data Mining
 
Présentation pfe
Présentation pfePrésentation pfe
Présentation pfe
 
Présentation PFE Hachem Selmi et Ahmed Dridi Big data
Présentation PFE Hachem Selmi et Ahmed Dridi Big data Présentation PFE Hachem Selmi et Ahmed Dridi Big data
Présentation PFE Hachem Selmi et Ahmed Dridi Big data
 
Data Mining (Partie 1).pdf
Data Mining (Partie 1).pdfData Mining (Partie 1).pdf
Data Mining (Partie 1).pdf
 
Intelligence Artificielle - Algorithmes de recherche
Intelligence Artificielle - Algorithmes de rechercheIntelligence Artificielle - Algorithmes de recherche
Intelligence Artificielle - Algorithmes de recherche
 
Présentation intelligence artificielle et domaines d'applications - #DigitalT...
Présentation intelligence artificielle et domaines d'applications - #DigitalT...Présentation intelligence artificielle et domaines d'applications - #DigitalT...
Présentation intelligence artificielle et domaines d'applications - #DigitalT...
 
Deep learning
Deep learningDeep learning
Deep learning
 
Techniques du data mining
Techniques du data miningTechniques du data mining
Techniques du data mining
 
BigData_TP1: Initiation à Hadoop et Map-Reduce
BigData_TP1: Initiation à Hadoop et Map-ReduceBigData_TP1: Initiation à Hadoop et Map-Reduce
BigData_TP1: Initiation à Hadoop et Map-Reduce
 
Introduction aux systèmes répartis
Introduction aux systèmes répartisIntroduction aux systèmes répartis
Introduction aux systèmes répartis
 
Intelligence artificielle
Intelligence artificielleIntelligence artificielle
Intelligence artificielle
 
Introduction au Deep Learning
Introduction au Deep Learning Introduction au Deep Learning
Introduction au Deep Learning
 
Mémoire de fin d'étude - La big data et les réseaux sociaux
Mémoire de fin d'étude - La big data et les réseaux sociauxMémoire de fin d'étude - La big data et les réseaux sociaux
Mémoire de fin d'étude - La big data et les réseaux sociaux
 
La classification des Emails utilisant le modèle MapReduce
La classification des Emails utilisant le modèle MapReduce La classification des Emails utilisant le modèle MapReduce
La classification des Emails utilisant le modèle MapReduce
 
Présentation pfe Big Data Hachem SELMI et Ahmed DRIDI
Présentation pfe Big Data Hachem SELMI et Ahmed DRIDIPrésentation pfe Big Data Hachem SELMI et Ahmed DRIDI
Présentation pfe Big Data Hachem SELMI et Ahmed DRIDI
 

En vedette

Introduction to Machine Learning
Introduction to Machine LearningIntroduction to Machine Learning
Introduction to Machine Learning
Rahul Jain
 
Introduction to Machine Learning
Introduction to Machine LearningIntroduction to Machine Learning
Introduction to Machine Learning
Lior Rokach
 
La Gouvernance des Données
La Gouvernance des DonnéesLa Gouvernance des Données
La Gouvernance des Données
Soft Computing
 
Objets Connectés (IoT) et Data Science
Objets Connectés (IoT) et Data ScienceObjets Connectés (IoT) et Data Science
Objets Connectés (IoT) et Data Science
Soft Computing
 
Données Personnelles
Données PersonnellesDonnées Personnelles
Données Personnelles
Soft Computing
 
Séminaire Expérience Client
Séminaire Expérience ClientSéminaire Expérience Client
Séminaire Expérience Client
Soft Computing
 
DMP : après un temps d'observation, comment l'inscrire dans une réalité opéra...
DMP : après un temps d'observation, comment l'inscrire dans une réalité opéra...DMP : après un temps d'observation, comment l'inscrire dans une réalité opéra...
DMP : après un temps d'observation, comment l'inscrire dans une réalité opéra...
Soft Computing
 
Du Data Mining à la Data Science
Du Data Mining à la Data ScienceDu Data Mining à la Data Science
Du Data Mining à la Data Science
Soft Computing
 
Data Science
Data ScienceData Science
Data Science
Soft Computing
 
Recommendations for Building Machine Learning Software
Recommendations for Building Machine Learning SoftwareRecommendations for Building Machine Learning Software
Recommendations for Building Machine Learning Software
Justin Basilico
 
BSSML16 L6. Basic Data Transformations
BSSML16 L6. Basic Data TransformationsBSSML16 L6. Basic Data Transformations
BSSML16 L6. Basic Data Transformations
BigML, Inc
 
Machine Learning Introduction
Machine Learning IntroductionMachine Learning Introduction
Machine Learning Introduction
Jinseob Kim
 
BSSML16 L1. Introduction, Models, and Evaluations
BSSML16 L1. Introduction, Models, and EvaluationsBSSML16 L1. Introduction, Models, and Evaluations
BSSML16 L1. Introduction, Models, and Evaluations
BigML, Inc
 
CRM & DMP : le digital au service d’une animation client omnicanal et temps réel
CRM & DMP : le digital au service d’une animation client omnicanal et temps réelCRM & DMP : le digital au service d’une animation client omnicanal et temps réel
CRM & DMP : le digital au service d’une animation client omnicanal et temps réel
Soft Computing
 
Matinale Technologique Adobe Campaign
Matinale Technologique Adobe CampaignMatinale Technologique Adobe Campaign
Matinale Technologique Adobe Campaign
Soft Computing
 
Recommendations for Building Machine Learning Software
Recommendations for Building Machine Learning SoftwareRecommendations for Building Machine Learning Software
Recommendations for Building Machine Learning Software
Justin Basilico
 
API, WhizzML and Apps
API, WhizzML and AppsAPI, WhizzML and Apps
API, WhizzML and Apps
BigML, Inc
 
modèle de scoring pour la clientèle
modèle de scoring pour la clientèle modèle de scoring pour la clientèle
modèle de scoring pour la clientèle Oulaya CHOUAY
 
Web UI, Algorithms, and Feature Engineering
Web UI, Algorithms, and Feature Engineering Web UI, Algorithms, and Feature Engineering
Web UI, Algorithms, and Feature Engineering
BigML, Inc
 
VSSML16 L2. Ensembles and Logistic Regression
VSSML16 L2. Ensembles and Logistic RegressionVSSML16 L2. Ensembles and Logistic Regression
VSSML16 L2. Ensembles and Logistic Regression
BigML, Inc
 

En vedette (20)

Introduction to Machine Learning
Introduction to Machine LearningIntroduction to Machine Learning
Introduction to Machine Learning
 
Introduction to Machine Learning
Introduction to Machine LearningIntroduction to Machine Learning
Introduction to Machine Learning
 
La Gouvernance des Données
La Gouvernance des DonnéesLa Gouvernance des Données
La Gouvernance des Données
 
Objets Connectés (IoT) et Data Science
Objets Connectés (IoT) et Data ScienceObjets Connectés (IoT) et Data Science
Objets Connectés (IoT) et Data Science
 
Données Personnelles
Données PersonnellesDonnées Personnelles
Données Personnelles
 
Séminaire Expérience Client
Séminaire Expérience ClientSéminaire Expérience Client
Séminaire Expérience Client
 
DMP : après un temps d'observation, comment l'inscrire dans une réalité opéra...
DMP : après un temps d'observation, comment l'inscrire dans une réalité opéra...DMP : après un temps d'observation, comment l'inscrire dans une réalité opéra...
DMP : après un temps d'observation, comment l'inscrire dans une réalité opéra...
 
Du Data Mining à la Data Science
Du Data Mining à la Data ScienceDu Data Mining à la Data Science
Du Data Mining à la Data Science
 
Data Science
Data ScienceData Science
Data Science
 
Recommendations for Building Machine Learning Software
Recommendations for Building Machine Learning SoftwareRecommendations for Building Machine Learning Software
Recommendations for Building Machine Learning Software
 
BSSML16 L6. Basic Data Transformations
BSSML16 L6. Basic Data TransformationsBSSML16 L6. Basic Data Transformations
BSSML16 L6. Basic Data Transformations
 
Machine Learning Introduction
Machine Learning IntroductionMachine Learning Introduction
Machine Learning Introduction
 
BSSML16 L1. Introduction, Models, and Evaluations
BSSML16 L1. Introduction, Models, and EvaluationsBSSML16 L1. Introduction, Models, and Evaluations
BSSML16 L1. Introduction, Models, and Evaluations
 
CRM & DMP : le digital au service d’une animation client omnicanal et temps réel
CRM & DMP : le digital au service d’une animation client omnicanal et temps réelCRM & DMP : le digital au service d’une animation client omnicanal et temps réel
CRM & DMP : le digital au service d’une animation client omnicanal et temps réel
 
Matinale Technologique Adobe Campaign
Matinale Technologique Adobe CampaignMatinale Technologique Adobe Campaign
Matinale Technologique Adobe Campaign
 
Recommendations for Building Machine Learning Software
Recommendations for Building Machine Learning SoftwareRecommendations for Building Machine Learning Software
Recommendations for Building Machine Learning Software
 
API, WhizzML and Apps
API, WhizzML and AppsAPI, WhizzML and Apps
API, WhizzML and Apps
 
modèle de scoring pour la clientèle
modèle de scoring pour la clientèle modèle de scoring pour la clientèle
modèle de scoring pour la clientèle
 
Web UI, Algorithms, and Feature Engineering
Web UI, Algorithms, and Feature Engineering Web UI, Algorithms, and Feature Engineering
Web UI, Algorithms, and Feature Engineering
 
VSSML16 L2. Ensembles and Logistic Regression
VSSML16 L2. Ensembles and Logistic RegressionVSSML16 L2. Ensembles and Logistic Regression
VSSML16 L2. Ensembles and Logistic Regression
 

Similaire à Machine Learning

Formation M2i - Automatisation d'un reporting avec la solution Microsoft Powe...
Formation M2i - Automatisation d'un reporting avec la solution Microsoft Powe...Formation M2i - Automatisation d'un reporting avec la solution Microsoft Powe...
Formation M2i - Automatisation d'un reporting avec la solution Microsoft Powe...
M2i Formation
 
CERTIFICATION EN DIGITAL MARKETING MANAGEMENT
CERTIFICATION EN DIGITAL MARKETING MANAGEMENTCERTIFICATION EN DIGITAL MARKETING MANAGEMENT
CERTIFICATION EN DIGITAL MARKETING MANAGEMENT
William ENOCH
 
Altaide les métiers du numérique, le grand capharnaüm 0316
Altaide les métiers du numérique, le grand capharnaüm 0316Altaide les métiers du numérique, le grand capharnaüm 0316
Altaide les métiers du numérique, le grand capharnaüm 0316
ALTAIDE
 
29/06/17 Matinale Python
29/06/17 Matinale Python29/06/17 Matinale Python
29/06/17 Matinale Python
Soft Computing
 
Salon Big Data 2015 : Big Data et Marketing Digital, Retours d’expérience en ...
Salon Big Data 2015 : Big Data et Marketing Digital, Retours d’expérience en ...Salon Big Data 2015 : Big Data et Marketing Digital, Retours d’expérience en ...
Salon Big Data 2015 : Big Data et Marketing Digital, Retours d’expérience en ...
Soft Computing
 
Presentation timsoft YourCegid Manufacturing SEP2016
Presentation timsoft YourCegid Manufacturing SEP2016Presentation timsoft YourCegid Manufacturing SEP2016
Presentation timsoft YourCegid Manufacturing SEP2016
Wassim Besbes
 
06/07/17 Table ronde Data Transformation Program
06/07/17 Table ronde Data Transformation Program06/07/17 Table ronde Data Transformation Program
06/07/17 Table ronde Data Transformation Program
Soft Computing
 
Data Lake
Data LakeData Lake
Data Lake
Soft Computing
 
25/01/18 Matinale Data Science
25/01/18 Matinale Data Science25/01/18 Matinale Data Science
25/01/18 Matinale Data Science
Soft Computing
 
IDC Observatoire 2020 de l'Automatisation des Métiers: vers l'Intelligent Pro...
IDC Observatoire 2020 de l'Automatisation des Métiers: vers l'Intelligent Pro...IDC Observatoire 2020 de l'Automatisation des Métiers: vers l'Intelligent Pro...
IDC Observatoire 2020 de l'Automatisation des Métiers: vers l'Intelligent Pro...
Bonitasoft
 
Hippocampe right management-24-11-2016
Hippocampe right management-24-11-2016Hippocampe right management-24-11-2016
Hippocampe right management-24-11-2016
Pascale GEMIGNANI
 
La gestion des contenus d'entreprise selon www.walabiz.fr: le cas d'usage de ...
La gestion des contenus d'entreprise selon www.walabiz.fr: le cas d'usage de ...La gestion des contenus d'entreprise selon www.walabiz.fr: le cas d'usage de ...
La gestion des contenus d'entreprise selon www.walabiz.fr: le cas d'usage de ...
Market Engel SAS
 
Séminaire RCU
Séminaire RCUSéminaire RCU
Séminaire RCU
Soft Computing
 
Lancement 20 fev catalix slideware
Lancement 20 fev catalix slideware Lancement 20 fev catalix slideware
Lancement 20 fev catalix slideware
thoudaille
 
Réseaux Sociaux, CRM/PRM et Digital
Réseaux Sociaux, CRM/PRM et DigitalRéseaux Sociaux, CRM/PRM et Digital
Réseaux Sociaux, CRM/PRM et Digital
Soft Computing
 
Cybigd formation-big-data-les-essentiels
Cybigd formation-big-data-les-essentielsCybigd formation-big-data-les-essentiels
Cybigd formation-big-data-les-essentielsCERTyou Formation
 
Comment choisir la bonne solution de DAM en 2020 au regard des nouveaux enjeu...
Comment choisir la bonne solution de DAM en 2020 au regard des nouveaux enjeu...Comment choisir la bonne solution de DAM en 2020 au regard des nouveaux enjeu...
Comment choisir la bonne solution de DAM en 2020 au regard des nouveaux enjeu...
Activo Consulting
 
Vers des applications modernes : retour d'expérience
Vers des applications modernes : retour d'expérienceVers des applications modernes : retour d'expérience
Vers des applications modernes : retour d'expérience
Microsoft
 
Phygital
PhygitalPhygital
Phygital
Soft Computing
 
Vitamin'C "Les outils de gestion sur le cloud" - 25/09/13
Vitamin'C "Les outils de gestion sur le cloud" - 25/09/13Vitamin'C "Les outils de gestion sur le cloud" - 25/09/13
Vitamin'C "Les outils de gestion sur le cloud" - 25/09/13
AnDaolVras
 

Similaire à Machine Learning (20)

Formation M2i - Automatisation d'un reporting avec la solution Microsoft Powe...
Formation M2i - Automatisation d'un reporting avec la solution Microsoft Powe...Formation M2i - Automatisation d'un reporting avec la solution Microsoft Powe...
Formation M2i - Automatisation d'un reporting avec la solution Microsoft Powe...
 
CERTIFICATION EN DIGITAL MARKETING MANAGEMENT
CERTIFICATION EN DIGITAL MARKETING MANAGEMENTCERTIFICATION EN DIGITAL MARKETING MANAGEMENT
CERTIFICATION EN DIGITAL MARKETING MANAGEMENT
 
Altaide les métiers du numérique, le grand capharnaüm 0316
Altaide les métiers du numérique, le grand capharnaüm 0316Altaide les métiers du numérique, le grand capharnaüm 0316
Altaide les métiers du numérique, le grand capharnaüm 0316
 
29/06/17 Matinale Python
29/06/17 Matinale Python29/06/17 Matinale Python
29/06/17 Matinale Python
 
Salon Big Data 2015 : Big Data et Marketing Digital, Retours d’expérience en ...
Salon Big Data 2015 : Big Data et Marketing Digital, Retours d’expérience en ...Salon Big Data 2015 : Big Data et Marketing Digital, Retours d’expérience en ...
Salon Big Data 2015 : Big Data et Marketing Digital, Retours d’expérience en ...
 
Presentation timsoft YourCegid Manufacturing SEP2016
Presentation timsoft YourCegid Manufacturing SEP2016Presentation timsoft YourCegid Manufacturing SEP2016
Presentation timsoft YourCegid Manufacturing SEP2016
 
06/07/17 Table ronde Data Transformation Program
06/07/17 Table ronde Data Transformation Program06/07/17 Table ronde Data Transformation Program
06/07/17 Table ronde Data Transformation Program
 
Data Lake
Data LakeData Lake
Data Lake
 
25/01/18 Matinale Data Science
25/01/18 Matinale Data Science25/01/18 Matinale Data Science
25/01/18 Matinale Data Science
 
IDC Observatoire 2020 de l'Automatisation des Métiers: vers l'Intelligent Pro...
IDC Observatoire 2020 de l'Automatisation des Métiers: vers l'Intelligent Pro...IDC Observatoire 2020 de l'Automatisation des Métiers: vers l'Intelligent Pro...
IDC Observatoire 2020 de l'Automatisation des Métiers: vers l'Intelligent Pro...
 
Hippocampe right management-24-11-2016
Hippocampe right management-24-11-2016Hippocampe right management-24-11-2016
Hippocampe right management-24-11-2016
 
La gestion des contenus d'entreprise selon www.walabiz.fr: le cas d'usage de ...
La gestion des contenus d'entreprise selon www.walabiz.fr: le cas d'usage de ...La gestion des contenus d'entreprise selon www.walabiz.fr: le cas d'usage de ...
La gestion des contenus d'entreprise selon www.walabiz.fr: le cas d'usage de ...
 
Séminaire RCU
Séminaire RCUSéminaire RCU
Séminaire RCU
 
Lancement 20 fev catalix slideware
Lancement 20 fev catalix slideware Lancement 20 fev catalix slideware
Lancement 20 fev catalix slideware
 
Réseaux Sociaux, CRM/PRM et Digital
Réseaux Sociaux, CRM/PRM et DigitalRéseaux Sociaux, CRM/PRM et Digital
Réseaux Sociaux, CRM/PRM et Digital
 
Cybigd formation-big-data-les-essentiels
Cybigd formation-big-data-les-essentielsCybigd formation-big-data-les-essentiels
Cybigd formation-big-data-les-essentiels
 
Comment choisir la bonne solution de DAM en 2020 au regard des nouveaux enjeu...
Comment choisir la bonne solution de DAM en 2020 au regard des nouveaux enjeu...Comment choisir la bonne solution de DAM en 2020 au regard des nouveaux enjeu...
Comment choisir la bonne solution de DAM en 2020 au regard des nouveaux enjeu...
 
Vers des applications modernes : retour d'expérience
Vers des applications modernes : retour d'expérienceVers des applications modernes : retour d'expérience
Vers des applications modernes : retour d'expérience
 
Phygital
PhygitalPhygital
Phygital
 
Vitamin'C "Les outils de gestion sur le cloud" - 25/09/13
Vitamin'C "Les outils de gestion sur le cloud" - 25/09/13Vitamin'C "Les outils de gestion sur le cloud" - 25/09/13
Vitamin'C "Les outils de gestion sur le cloud" - 25/09/13
 

Plus de Soft Computing

16/04/19 Matinale Experts Marketing Omnicanal
16/04/19 Matinale Experts Marketing Omnicanal16/04/19 Matinale Experts Marketing Omnicanal
16/04/19 Matinale Experts Marketing Omnicanal
Soft Computing
 
17/05/18 Matinale Usages Activation Omnicanal
17/05/18 Matinale Usages Activation Omnicanal17/05/18 Matinale Usages Activation Omnicanal
17/05/18 Matinale Usages Activation Omnicanal
Soft Computing
 
07/12/17 Séminaire Expérience Client
07/12/17 Séminaire Expérience Client07/12/17 Séminaire Expérience Client
07/12/17 Séminaire Expérience Client
Soft Computing
 
23/11/17 Matinale Usages Réactivation et SMS Enrichi
23/11/17 Matinale Usages Réactivation et SMS Enrichi23/11/17 Matinale Usages Réactivation et SMS Enrichi
23/11/17 Matinale Usages Réactivation et SMS Enrichi
Soft Computing
 
19/10/17 Séminaire Référentiel Client Unique
19/10/17 Séminaire Référentiel Client Unique19/10/17 Séminaire Référentiel Client Unique
19/10/17 Séminaire Référentiel Client Unique
Soft Computing
 
05/10/17 Matinale Qlik Sense
05/10/17 Matinale Qlik Sense05/10/17 Matinale Qlik Sense
05/10/17 Matinale Qlik Sense
Soft Computing
 
28/09/2017 Séminaire Data & Activation Client
28/09/2017 Séminaire Data & Activation Client28/09/2017 Séminaire Data & Activation Client
28/09/2017 Séminaire Data & Activation Client
Soft Computing
 
01/06/2017 Matinale Activation Client personnalisée et Délivrabilité
01/06/2017 Matinale Activation Client personnalisée et Délivrabilité01/06/2017 Matinale Activation Client personnalisée et Délivrabilité
01/06/2017 Matinale Activation Client personnalisée et Délivrabilité
Soft Computing
 
27/04/17 Séminaire Données Personnelles
27/04/17 Séminaire Données Personnelles27/04/17 Séminaire Données Personnelles
27/04/17 Séminaire Données Personnelles
Soft Computing
 
Moteur de Recommandation
Moteur de RecommandationMoteur de Recommandation
Moteur de Recommandation
Soft Computing
 
Expérience Client
Expérience ClientExpérience Client
Expérience Client
Soft Computing
 
Digital In Store
Digital In StoreDigital In Store
Digital In Store
Soft Computing
 
Matinale Technologique SAS
Matinale Technologique SASMatinale Technologique SAS
Matinale Technologique SAS
Soft Computing
 
Des reportings efficients pour des analyses pertinentes
Des reportings efficients pour des analyses pertinentesDes reportings efficients pour des analyses pertinentes
Des reportings efficients pour des analyses pertinentes
Soft Computing
 
Outils de Vente : Du CRM à la Digitalisation de l'Animation Commerciale
Outils de Vente : Du CRM à la Digitalisation de l'Animation CommercialeOutils de Vente : Du CRM à la Digitalisation de l'Animation Commerciale
Outils de Vente : Du CRM à la Digitalisation de l'Animation Commerciale
Soft Computing
 

Plus de Soft Computing (15)

16/04/19 Matinale Experts Marketing Omnicanal
16/04/19 Matinale Experts Marketing Omnicanal16/04/19 Matinale Experts Marketing Omnicanal
16/04/19 Matinale Experts Marketing Omnicanal
 
17/05/18 Matinale Usages Activation Omnicanal
17/05/18 Matinale Usages Activation Omnicanal17/05/18 Matinale Usages Activation Omnicanal
17/05/18 Matinale Usages Activation Omnicanal
 
07/12/17 Séminaire Expérience Client
07/12/17 Séminaire Expérience Client07/12/17 Séminaire Expérience Client
07/12/17 Séminaire Expérience Client
 
23/11/17 Matinale Usages Réactivation et SMS Enrichi
23/11/17 Matinale Usages Réactivation et SMS Enrichi23/11/17 Matinale Usages Réactivation et SMS Enrichi
23/11/17 Matinale Usages Réactivation et SMS Enrichi
 
19/10/17 Séminaire Référentiel Client Unique
19/10/17 Séminaire Référentiel Client Unique19/10/17 Séminaire Référentiel Client Unique
19/10/17 Séminaire Référentiel Client Unique
 
05/10/17 Matinale Qlik Sense
05/10/17 Matinale Qlik Sense05/10/17 Matinale Qlik Sense
05/10/17 Matinale Qlik Sense
 
28/09/2017 Séminaire Data & Activation Client
28/09/2017 Séminaire Data & Activation Client28/09/2017 Séminaire Data & Activation Client
28/09/2017 Séminaire Data & Activation Client
 
01/06/2017 Matinale Activation Client personnalisée et Délivrabilité
01/06/2017 Matinale Activation Client personnalisée et Délivrabilité01/06/2017 Matinale Activation Client personnalisée et Délivrabilité
01/06/2017 Matinale Activation Client personnalisée et Délivrabilité
 
27/04/17 Séminaire Données Personnelles
27/04/17 Séminaire Données Personnelles27/04/17 Séminaire Données Personnelles
27/04/17 Séminaire Données Personnelles
 
Moteur de Recommandation
Moteur de RecommandationMoteur de Recommandation
Moteur de Recommandation
 
Expérience Client
Expérience ClientExpérience Client
Expérience Client
 
Digital In Store
Digital In StoreDigital In Store
Digital In Store
 
Matinale Technologique SAS
Matinale Technologique SASMatinale Technologique SAS
Matinale Technologique SAS
 
Des reportings efficients pour des analyses pertinentes
Des reportings efficients pour des analyses pertinentesDes reportings efficients pour des analyses pertinentes
Des reportings efficients pour des analyses pertinentes
 
Outils de Vente : Du CRM à la Digitalisation de l'Animation Commerciale
Outils de Vente : Du CRM à la Digitalisation de l'Animation CommercialeOutils de Vente : Du CRM à la Digitalisation de l'Animation Commerciale
Outils de Vente : Du CRM à la Digitalisation de l'Animation Commerciale
 

Machine Learning

  • 1. © Soft Computing – www.softcomputing.com Machine Learning Quelles applications pour le marketing digital ? 25/05/2016
  • 2. © 2 Gilles VENTURI Directeur Général E-mail : gvn@softcomputing.com Tel : +33 (0)1 73 00 55 64 Mobile : +33 (0)6 07 04 74 24 Karine TRIBOULEY Manager Marketing Services E-mail : ktr@softcomputing.com Tel : +33 (0)1 73 00 55 24 Mobile : +33 (0)6 69 67 62 10
  • 3. © 3 Sommaire 1. Introduction 2. Préambule 3. IA : déjà dans notre quotidien 4. L'IA à portée de main 5. Big data : booster d'IA 6. Des algorithmes prolifiques et pointus 7. ML & marketing 8. Outillage : innovation combinationnelle 9. Comment avancer 10. Conclusion
  • 5. © 5 Exploiter tout le potentiel de la data Créer des expériences Client sans couture Démultiplier la performance du marketing digital Mission Marketing Intelligence Big Data Driven Digital Experience
  • 6. © 6 Compétences : un mix unique de compétences pointues Digital Marketing Data Science Project Management Information Technologies
  • 7. © 7 A la carte Think Build Run Délégation Projet Centre de services Digital-Marketing IT AMOA Offre Delivery Clients
  • 8. © 8 Extraits de références Digital Marketing Big Data Aviva CRM Onboarding et campagnes marketing anonymes – identifiés. Danone Programme relationnel multi- devices et remarketing. Engie Data Management Platform, CRM, Identity Management et web analytics. Fnac Convergence des pratiques et outils marketing offline et in store avec le digital. Les Echos Migration technique et organisationnelle d’une DMP et d’une SSP. BPCE Centre de services de gestion des campagnes marketing multicanal. L'Oréal Déploiement et exploitation d’une plate-forme CRM multi-marques multi-pays. Système U Centre de services gestion de campagnes marketing et connaissance clients. vente-privee.com Mise en place de campagnes automatisées et optimisées par des tests. Vivarte Gestion et activation d’un référentiel client unique multimarques. La Banque Postale Conception de l’architecture décisionnelle hybride big data – datawarehouse. LCL Accompagnement à la conception et la mise en place d’un datalake. Orange Formation de compétences et de méthodes en data science sur les filiales Afrique et Moyen-Orient. PSA Définition de la gouvernance d’un MDM client multi-activité et international. RCI Banque Elaboration d’une stratégie de connaissance client et valorisation des big data.
  • 10. © 10 Recruteur de talents Datascience Projet TechnologiesDigital Marketing CRM Big Data 100 CDI à pourvoir cette année Contact : recrutement@softcomputing.com – http://www.softcomputing.com/offres-d-emploi
  • 11. © 11 Sommaire 1. Introduction 2. Préambule 3. IA : déjà dans notre quotidien 4. L'IA à portée de main 5. Big data : booster d'IA 6. Des algorithmes prolifiques et pointus 7. ML & marketing 8. Outillage : innovation combinationnelle 9. Comment avancer 10. Conclusion
  • 12. © 12 Définitions « la construction de programmes informatiques qui s’adonnent à des tâches qui sont, pour l’instant, accomplies de façon plus satisfaisante par des êtres humains car elles demandent des processus mentaux de haut niveau tels que : l’apprentissage perceptuel, l’organisation de la mémoire et le raisonnement critique » « … méthodes d'apprentissage automatique tentant de modéliser avec un haut niveau d’abstraction des données grâce à des architectures articulées de différentes transformations non linéaires » « méthodes permettant à une machine d'évoluer par un processus systématique, et ainsi de remplir des tâches difficiles ou impossibles à remplir par des moyens algorithmiques plus classiques »
  • 13. © 13 Périmètre usuel des applications marketing Moteurs de recommandations Reconnaissance vocale Analyse textuelle Reconnaissance d’image Analyse de sentiments Traitement du signal
  • 14. © 14 Sommaire 1. Introduction 2. Préambule 3. IA : déjà dans notre quotidien 4. L'IA à portée de main 5. Big data : booster d'IA 6. Des algorithmes prolifiques et pointus 7. ML & marketing 8. Outillage : innovation combinationnelle 9. Comment avancer 10. Conclusion
  • 15. © 15
  • 16. © 16
  • 17. © 17
  • 18. © 18
  • 19. © 19
  • 20. © 20
  • 21. © 21
  • 22. © 22
  • 23. © 23
  • 24. © 24 Sommaire 1. Introduction 2. Préambule 3. IA : déjà dans notre quotidien 4. L'IA à portée de main 5. Big data : booster d'IA 6. Des algorithmes prolifiques et pointus 7. ML & marketing 8. Outillage : innovation combinationnelle 9. Comment avancer 10. Conclusion
  • 25. © 25 Analyse de texte http://www.alchemyapi.com/products/demo/alchemylanguage
  • 29. © 29 Voix en texte (et vice-versa) https://text-to-speech-demo.mybluemix.net/
  • 31. © 31 Traduction : google tranlate
  • 32. © 32 Analyse de sentiments http://toneapi.com/
  • 34. © 34 Sommaire 1. Introduction 2. Préambule 3. IA : déjà dans notre quotidien 4. L'IA à portée de main 5. Big data : booster d'IA 6. Des algorithmes prolifiques et pointus 7. ML & marketing 8. Outillage : innovation combinationnelle 9. Comment avancer 10. Conclusion
  • 35. © 35 Défi technique #1 : se préparer à gérer des volumes inimaginables 2006 2016
  • 36. © 36 Défi technique #2 : sortir de la quadrature du triangle 2006 2016 Disponibilité « Les données sont toujours accessibles » Tolérance « seule la panne totale interrompt » Cohérence « Les commits rendent l’ensemble des données cohérentes » Disponibilité « Les données sont toujours accessibles » Tolérance « seul la panne totale interrompt » Cohérence « Les commits rendent l’ensemble des données cohérentes » Commit en 2 phases
  • 37. © 37 Défi technique #3 : exécuter tout calcul en moins de 0,14 seconde 2006 2016 Trading Desk (ATD) Editeur de site Demand Side Platform (DSP) Ad exchange (Adex) Supply Side Platform (SSP) Annonceur ou Agence média Ad Server de l’éditeur ou Ad network RTB & programmati que
  • 38. © 38 Défi technique #4 : gérer des données non structurées 2006 2016
  • 39. © 39 La solution : distribution de données et des traitements 2006 2016
  • 40. © 40 Sky is the limit Temps de calcul Nombredenœudshadoop (10,1) (1,10)
  • 41. © 41 Sommaire 1. Introduction 2. Préambule 3. IA : déjà dans notre quotidien 4. L'IA à portée de main 5. Big data : booster d'IA 6. Des algorithmes prolifiques et pointus 7. ML & marketing 8. Outillage : innovation combinationnelle 9. Comment avancer 10. Conclusion
  • 42. © 42 Comment s’y retrouver ? Centre de Solutions et de
  • 43. © 43 Comment s’y retrouver ? Centre de Solutions et de  Apprentissage non supervisée : kmeans, analyse de patterns (image et son)  Apprentissage supervisé : logistique, arbres de décision, forêts aléatoires Concepts ? Ensemble de méthodes ? Redondance du vocabulaire ? Méthodes ? Concepts Méthodes Enchainement de Méthodes  Datamanagement et rapprochement a priori : pour sauvegarde intelligible  Analyse des données : purement descriptif  Apprentissage automatique = machine learning : pour faire de l’inférence  Deep learning
  • 44. © 44 Comment s’y retrouver ? Centre de Solutions et de Nouveaux concepts ou amélioration technologique ?  Score à réaliser >>> apprentissage supervisé >>> logistique  Moteur de Score à réaliser >>> apprentissage supervisé >>> RF Exemple d’avancée technologique avec changement de concept Exemple d’avancée technologique sans changement de concept  Score à réaliser >>> règle a priori >>> calcul d’indicateurs  Score à réaliser >>> apprentissage supervisé >>> logistique
  • 45. © 45 Sommaire 1. Introduction 2. Préambule 3. IA : déjà dans notre quotidien 4. L'IA à portée de main 5. Big data : booster d'IA 6. Des algorithmes prolifiques et pointus 7. ML & marketing 8. Outillage : innovation combinatoire 9. Comment avancer 10. Conclusion
  • 46. © 46 Apprendre des données ? Conclusion : S’orienter selon son besoin Centre de Solutions et de Identifier le besoin et choisir les outils et les méthodologies en adéquation :  Non : algorithmes a priori (règles métiers), traitement « à la main »  Oui : algorithmes d’apprentissage  Macro Segments : RFM  Segments Classiques : segmentation comportementale  Persona : deep segmentation comportementale  Individu : moteur de recommandation  Peu complexes : données retour campagne, image simple, son simple  Complexes – multi-échelle : image (API) , son, informations à plusieurs niveaux (données de dépenses)  Textuelles  Usuelle  Massive : jeu d’échecs  Non gérable : jeu de Go Degré de complexité des données ? Volumétrie ? Degré de finesse souhaité ?
  • 47. © 47 Sommaire 1. Introduction 2. Préambule 3. IA : déjà dans notre quotidien 4. L'IA à portée de main 5. Big data : booster d'IA 6. Des algorithmes prolifiques et pointus 7. ML & marketing 8. Outillage : innovation combinationnelle 9. Comment avancer 10. Conclusion
  • 48. © 48 Analyse de texte : rappel http://www.alchemyapi.com/products/demo/alchemylanguage
  • 49. © 49 Sous le capot, des API https://watson-api-explorer.mybluemix.net/tone-analyzer-beta/api/v3/tone?version=2016-02- 11&text=Welcome%20to%20SoftComputing {"document_tone": {"tone_categories": [{"tones": [{"score":0.040322,"tone_id":"anger","tone_name":"Anger"}, {"score":0.062696,"tone_id":"disgust","tone_name":"Disgust"}, {"score":0.063712,"tone_id":"fear","tone_name":"Fear"}, {"score":0.905908,"tone_id":"joy","tone_name":"Joy"}, {"score":0.091074,"tone_id":"sadness","tone_name":"Sadness"}], "category_id":"emotion_tone","category_name":"Emotion Tone"},{"tones": [{"score":0.0,"tone_id":"analytical","tone_name":"Analytical"}, {"score":0.0,"tone_id":"confident","tone_name":"Confident"}, {"score":0.0,"tone_id":"tentative","tone_name":"Tentative"}], "category_id":"writing_tone","category_name":"Writing Tone"},{"tones": [{"score":0.242,"tone_id":"openness_big5","tone_name":"Openness"}, {"score":0.128,"tone_id":"conscientiousness_big5","tone_name":"Conscientiousness"}, {"score":0.982,"tone_id":"extraversion_big5","tone_name":"Extraversion"}, {"score":0.821,"tone_id":"agreeableness_big5","tone_name":"Agreeableness"}, {"score":0.898,"tone_id":"neuroticism_big5","tone_name":"Emotional Range"}], "category_id":"social_tone","category_name":"Social Tone"}]}}
  • 50. © 50 Sous le capot, des infrastructures cloud
  • 51. © 51 Sous le capot, des données consommables à la demande
  • 52. © 52 Des moteurs de démocratisation puissants Coût modique Puissance élastique Algorithmes innovants Usage autonome
  • 53. © 53 Cloud + API + Open Data + ad’hoc … innovation is the ’new combinations’ of existing knowledge
  • 54. © 54 Sommaire 1. Introduction 2. Préambule 3. IA : déjà dans notre quotidien 4. L'IA à portée de main 5. Big data : booster d'IA 6. Des algorithmes prolifiques et pointus 7. ML & marketing 8. Outillage : innovation combinationnelle 9. Comment avancer 10. Conclusion
  • 55. © 55 Quelles compétences ? MarketingDatascience Programmation
  • 56. © 56 Revenir au basique Pourquoi j’en ai besoin et pour répondre à quels usages business ? Mes moyens existants ne me permettraient-ils pas de ‘craquer’ déjà quelques sujets ? Légal ? Quelles sont les nouvelles opportunités technologiques du marché ? Quelle solution ? Quelle intégration dans mon patrimoine applicatif ? Quelle gouvernance ?, quelles compétences ?, quels processus ?, quels KPI’s ?
  • 57. © 57 Sommaire 1. Introduction 2. Préambule 3. IA : déjà dans notre quotidien 4. L'IA à portée de main 5. Big data : booster d'IA 6. Des algorithmes prolifiques et pointus 7. ML & marketing 8. Outillage : innovation combinationnelle 9. Comment avancer 10. Conclusion
  • 58. © 58 Sélection des cas d’usages Conseil méthodologique Sélection de l’outillage Modélisation Coaching et formation Intégation informatique Exploitation Optimisation On peut aider ?
  • 59. © 59