Tous les articles

Dans le contexte où la recette des éditeurs en ligne dépend en large partie des revenus publicitaires, prévoir l’évolution du marché devient une tâche importante du Revenue Management. Dans ce cadre, les experts en analyse ont besoin des outils performants afin de réaliser des prévisions fiables sur lesquelles s’appuient les décisions stratégiques.

L’analyse prédictive consiste à exploiter les données historiques et à dessiner ce qui va se passer à l’avenir avec une probabilité. Sur la base des données de Prisma Média, le leader de la presse magazine en France, nous comparons trois méthodes de l’apprentissage automatique les plus utilisées afin de prédire le RPM (ou revenu par mille) dans la publicité digitale.

En 2020, une des conséquences de la pandémie du coronavirus est l’accélération frappante de l’utilisation du digital dans notre vie quotidienne. Presque tous les secteurs d’activité ont dû revoir leur stratégie numérique, notamment la grande distribution. Celle-ci a dû s’adapter aux nouveaux comportements du “consommateur 5.0” qui, par obligation ou choix, se tournent de plus en plus vers la livraison ou le drive. Ce travail tente de montrer l’impact de 4 indicateurs (la saisonnalité, la pandémie, la mobilité, la météo) sur la demande en livraison et en drive afin de permettre à la grande distribution de répondre, d’ajuster et de prévoir la demande via le canal numérique.

Avec l’explosion des données massives, les banques font désormais appel à la Data Science et au Machine Learning pour détecter et prédire la fraude. Les difficultés du domaine se placent au sein même des données à exploiter, avec pour difficulté principale le déséquilibre des classes. La fraude ne représente qu’une infime partie des transactions bancaires et les modèles de prédiction classiques ne permettent pas de la prédire convenablement. Pour cela, il existe des solutions au problème de déséquilibre des classes. Dans ce sens, cet article a pour objectif d’exploiter les différentes méthodes de détection de fraude bancaire, en passant par le traitement du déséquilibre afin de permettre aux banques de mieux les combattre.

Jim Dunnigan, a famous game designer, once described wargames as « the hobby of the overeducated » (Dunnigan, 2000). It is and was, from its early beginnings – a tool for representing complex problems with moving elements. It championed decision-making despite overwhelming amount of data on troops, terrain and tactics. As Barritt pointed out studies are rarely focused on the value of experience instead of the value of concept (Barritt, 1986). This article aims to bridge that gap and showcase experiences from two domains applying wargaming in teaching. Training through games highlights experience as a method and the outcome leading to raised managerial competence.

Nous présentons les résultats obtenus par des modèles entraînés sur des données issues de la commande publique de l’Union Européenne. L’objectif est de produire des prédictions permettant de savoir si un marché public peut-être remporté par une petite ou moyenne entreprise. Pour cela, un modèle de Machine Learning a été construit pour prévoir l’attribution des marchés publics. Différentes techniques de préparation de données, comme l’imputation des valeurs manquantes par la moyenne ou encore par la mode, ont été utilisées. L’algorithme de classification Random Forest a été déployé pour obtenir un résultat très satisfaisant de 0,90 en termes d’AUC (aire sous la courbe ROC).

La co-modalité (enseignement hybride entre virtuel et présentiel) est un enjeu majeur de l’enseignement universitaire en cette période de crise sanitaire. D’une contrainte appréhendée dans l’urgence, elle peut cependant être source d’agilité et d’inclusion pédagogique pour peu qu’elle se structure autour des modèles de scénarisation d’apprentissage conçus par les sciences de l’éducation. A travers un retour d’expérience d’un jeu sérieux, je propose d’en illustrer les principes fondateurs.

1,3% des datacenters mondiaux sont localisés sur le continent africain, c’est à dire moins d’une centaine. Concrètement, il y en a 40%, 30% et 10% qui étaient situés respectivement aux USA , en Europe et en Asie. Pour comprendre cette répartition plutôt inéquitable et qui fragilise grandement la souveraineté numérique du continent, il faut revenir aux fondamentaux des usines à données.

Les français utilisent de plus en plus les cartes de crédit. En octroyant ce type de service aux particuliers, les banques s’exposent à un risque de non-remboursement. Le data challenge édité par la plateforme Management & Data Science a eu pour objet d’aider une banque à répondre à la question suivante : comment anticiper les profils ayant le plus de probabilités de faire un défaut de paiement ?  Nous avons mobilisé un outil de machine learning (BigML) pour répondre à cette problématique.