Tous les articles

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.

Nous présentons les résultats d’une étude réalisée dans le cadre du data challenge “analyser le turnover des collaborateurs d’une entreprise” organisé par Management & Datascience en avril 2020. Le défi consistait à identifier les caractéristiques des populations de salariés qui vont rester ou quitter l’entreprise « Xcorp » puis de proposer des stratégies de rétention. Nous montrons l’intérêt de la solution de machine learning BigML et l’application de l’algorithme de classification RandomForest pour résoudre des problèmes de gestion des ressources humaines.

Après la dématérialisation des échanges commerciaux, nous devons maintenant apprivoiser la virtualisation totale de la relation commerciale en B to B. Dorénavant, les processus d’achat gomment toute intervention humaine, au profit d’une relation homme-machine uniquement. Cet article s’est tout naturellement intéressé à cette nouvelle sorte de partenariat commercial, en essayant de comprendre et d’identifier les nouveaux mécanismes qu’il est nécessaire d’utiliser, de maîtriser pour continuer de performer  dans ce nouvel environnement commercial.  Quels sont les  outils qui vont permettre aux différents protagonistes de construire, d’évaluer et d’améliorer leur performance relationnelle et commerciale ? La data générée par la virtualisation même de la relation est-elle nécessaire et suffisante pour créer et enrichir le lien commercial ?

Exploitant un dataset composé de données clients accumulées sur 7 ans, le challenge consiste à proposer des segments de clients et des services associés qui soient capables d’augmenter les dépenses en moyens de mobilité. Vu que le futur de la mobilité se joue maintenant, l’équipe pense que le sponsor a intérêt à prendre un virage lui permettant de prendre sa place dans l’écosystème de la Maas (Mobility As A Service). Focalisant sur les Millenials et les femmes, la recommandation consiste à proposer des services de mobilité variés et connectés : paiement de carburant en station-service, organisation de covoiturage, paiement de stationnement et de transports alternatifs.

Les techniques de détection de connaissances permettent d’améliorer la compréhension de phénomènes croisés. A destination des utilisateurs profanes des statistiques et de la data science, cet article présente une mécanique pour accélérer la détection de diagnostics pertinents pour les métiers, pour la prise de décision.

Optimiser le retour sur investissement de projets Data industrialisés est un enjeu crucial pour la crédibilité et la pérennité des départements qui se consacrent au développement de solutions de Data Science. Nous décrivons une méthode Profit&Loss (P&L) spécifique aux projets Data. Cette méthode est appliquée à un cas d’usage et montre comment des indicateurs de performance économique permettent de piloter efficacement un tel projet à fin de maîtriser les coûts budgétés et d’assurer les gains escomptés.