Tous les articles

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.

Comment concilier une approche agile de l’usage des données et la structure organisationnelle en place, notamment si cette dernière est complexe ? Pour L. Markus, le service informatique doit aider les entreprises à utiliser et gérer efficacement l’information. L’efficacité du service lui-même dépend, d’une part, de sa constitution (son organisation, sa position et ses politiques ou ce que l’on pourrait appeler le « hardware ») et, d’autre part, de son mode de fonctionnement (ses procédures, sa culture et ses ressources humaines ou le « software »). Pour que le service soit performant, il faut que le « hardware » et le « software » soient en ligne avec les stratégies et la culture de l’entreprise.

Nous rapportons les résultats obtenus par des modèles entraînés sur des données issues de la commande publique de l’Union Européenne dans le cadre du data challenge « Prévoir l’attribution d’un marché public en fonction de la réputation de l’entreprise » organisé par la revue Management & Data Science.
L’objectif est de produire des prédictions répondant à trois questions portant sur les marchés publics : combien d’offres seront reçues ? Quel sera le montant de l’offre retenue ? Le marché peut-il être remporté par une petite ou moyenne entreprise ? Nous évaluons différents algorithmes de classification et de régression : NaiveBayes, SVM, RandomForest, SGD, Lasso, Ridge, ainsi que des réseaux de neurones profonds.

Whether it’s for marketing campaigns, sales, or customer services, bring together and apply methods of predictive analytics to your lead, customer, contact, touchpoint, channel data to optimize your Customer Relationship Management strategy with behavior patterns, customer relationship metrics… Discover Dataiku’s use case with PagesJaunes.fr