Le document traite des applications de l'intelligence artificielle (IA) et du machine learning (ML) dans le marketing, mettant en avant des cas d'usage concrets et des algorithmes performants. Il souligne l'importance de l'analyse de données et des compétences techniques pour optimiser les campagnes marketing et améliorer l'expérience client. Enfin, il offre des recommandations sur les étapes à suivre pour intégrer ces technologies au sein des entreprises.

1. © Soft Computing – www.softcomputing.com
Machine Learning et Intelligence artificielle
Quelles applications pour le marketing ?
20/09/2016

2. © 2
DIRECTION COMMERCIALE ET MARKETING
Sandra GOMES CLARION
Directrice Commerciale et Marketing
E-mail : contact@softcomputing.com
Tel : +33 (0)1 73 00 55 00

3. © 3
Sommaire
1. Introduction
2. L’IA : déjà dans notre quotidien
3. L'IA à portée de main
4. ML & marketing
5. Des algorithmes prolifiques et pointus
6. Cas d’usage
7. Comment avancer
8. Conclusion
9. Questions

4. © 4
Carte d’identité

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.

9. © 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. © 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. L’IA : déjà dans notre quotidien
3. L'IA à portée de main
4. ML & marketing
5. Des algorithmes prolifiques et pointus
6. Cas d’usage
7. Comment avancer
8. Conclusion
9. Questions

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

14. © 14

15. © 15

16. © 16

17. © 17

18. © 18

19. © 19

20. © 20
Sommaire
1. Introduction
2. L’IA : déjà dans notre quotidien
3. L'IA à portée de main
4. ML & marketing
5. Des algorithmes prolifiques et pointus
6. Cas d’usage
7. Comment avancer
8. Conclusion
9. Questions

21. © 21
L’IA à portée de main - API Analyse de texte
texte1.avi
texte2.avi

22. © 22
L’IA à portée de main – API Reconnaissance d’image
image_mot.avi

23. © 23
L’IA à portée de main – Environnement technique adéquat

24. © 24
L’IA à portée de main – Des méthodes / algorithmes innovants
Deep machine
learning
Théorie du signal
Textmining Voicemining
Reconnaissance
d’image
Sequential Pattern
Analysis

25. © 25
Sommaire
1. Introduction
2. L’IA : déjà dans notre quotidien
3. L'IA à portée de main
4. ML & marketing
5. Des algorithmes prolifiques et pointus
6. Cas d’usage
7. Comment avancer
8. Conclusion
9. Questions

26. © 26
Substitution de produits

27. © 27
Compteur connecté

28. © 28
Tchat

29. © 29
Optimisation du routage clients

30. © 30
Segmentation Persona

31. © 31
Moteur de recommandations

32. © 32
Sommaire
1. Introduction
2. L’IA : déjà dans notre quotidien
3. L'IA à portée de main
4. ML & marketing
5. Des algorithmes prolifiques et pointus
6. Cas d’usage
7. Comment avancer
8. Conclusion
9. Questions

33. © 33
Comment s’y retrouver ?
Centre de Solutions et de

34. © 34
Comment s’y retrouver ?
Centre de Solutions et de
 Décision avec règles a priori
 Apprentissage non supervisé : kmeans, analyse de patterns (image et son)
 Apprentissage supervisé : logistique, arbres de décision, forêts aléatoires
 Enchainement de méthodes
Concepts ?
Ensemble de méthodes ? Redondance du vocabulaire ?
Méthodes ?
Concepts
Méthodes
 Datamanagement et rapprochement a priori : pour sauvegarde intelligible
 Analyse des données : purement descriptif
 Apprentissage = data mining : inférence non automatique
 Apprentissage automatique = machine learning : inférence automatique

35. © 35
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
non automatique / automatique
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
non automatique/ non automatique

36. © 36
Sommaire
1. Introduction
2. L’IA : déjà dans notre quotidien
3. L'IA à portée de main
4. ML & marketing
5. Des algorithmes prolifiques et pointus
6. Cas d’usage
7. Comment avancer
8. Conclusion
9. Questions

37. © 37
Quelles compétences ?
MarketingDatascience Programmation

38. © 38
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 ?

39. © 39
Sommaire
1. Introduction
2. L’IA : déjà dans notre quotidien
3. L'IA à portée de main
4. ML & marketing
5. Des algorithmes prolifiques et pointus
6. Cas d’usage
7. Comment avancer
8. Conclusion
9. Questions

40. © 40
Sélection des
cas d’usages
Conseil
méthodologique
Sélection de
l’outillage
Modélisation
Coaching et
formation
Intégration
informatique
Exploitation
Optimisation
On peut aider ?

41. © 41
Sommaire
1. Introduction
2. L’IA : déjà dans notre quotidien
3. L'IA à portée de main
4. ML & marketing
5. Des algorithmes prolifiques et pointus
6. Cas d’usage
7. Comment avancer
8. Conclusion
9. Questions

42. © 42
Questions