SlideShare a Scribd company logo
1 of 21
1
Comment optimiser ses KPIs grâce à la simulation prédictive ?
Le Simulateur Bayésien
Printemps des Etudes 2019
2
Agenda
Questions/Réponses
À propos de Socio Data Management
Quelques repères pour bien situer le cadre et les enjeux
Présentation de la solution
Pour aller plus loin
La présentation
vous sera
envoyée par
e-mail à la suite
du salon
À propos de
Socio Data Management
2 cœurs de métier historique depuis plus de 40 ans.
4
Socio Data Management
TRAITEMENT ET
ANALYSE DE DONNÉES
MULTI-SOURCES
APPLICATIONS POUR
EXPLOITER & RESTITUTER
DES DONNÉES
+ de 500 clients
cross-secteurs
+ de 2500 études
traitées par an
Une convergence d’expertises
unique
Statistique & Data
R&D & IT
Marketing
5
Expertise Data Intelligence
Traitements
Statistiques
Modélisations
Segmentations
Data Visualisation
Simulateurs
Tableaux de Bord
& Reportings
Data Mining
DATA
INTELLIGENCE
Plans d’actions
Formations
€
6
Le Groupe Orians
Socio Data Management a rejoint le Groupe Orians en mai 2018.
Cabinet de conseil &
d’expertise en
cybersécurité.
Paris & Rennes
Editeur de logiciels pour
systèmes IBMi (ex
AS/400).
Paris & Dijon
Editeur de logiciel pour
la Gestion Electronique
des Documents.
Paris & Dijon
Société de services en
ingénierie informatique.
Toulouse & Paris
Société de services
spécialisée dans le
traitement de la
donnée.
Paris
120
collaborateurs
5
bureaux
4 grandes villes
7
Quelques repères pour bien
situer le cadre et les enjeux
8
Les KPIs – De quoi parle-t-on ?
Pour piloter leur activité, les entreprises et institutions utilisent de nombreux indicateurs clés pour mesurer leur performance :
…
• Vente : conversion, fidélisation, TP, CLV
• Clients : nb de clients, satisfaction, NPS
• Emailing : délivrabilité, ouverture, clics
• Marque : notoriété, image, brand equity
…
MARKETING ET VENTES
• Recrutement : nx salariés, rétention
• Performance globale : ETP, CA / ETP
• Engagement : turn-over, absentéisme
• Carrières : coût formation, qualification
…
RESSOURCES HUMAINES
• Évolution du CA
• Marge : MB, MN, seuil de rentabilité
• EBE (Excédent Brut d’Exploitation)
• Bénéfice avant intérêt et impôts
…
FINANCE ET COMPTABILITÉ
• Productivité: TDC, RTY, capacité, pertes
• Équipements : fiabilité, pannes
• Qualité-sécurité : conformité, AT, HS
• Logistique : stocks, service, délais
…
PRODUCTION ET LOGISTIQUE
• Réussite : évaluations, classements
• Performance : inscriptions, diplômés
• Sociétal : compétences, alphabétisation
• Équipements : ancienneté, remplissage
…
ÉDUCATION
• Épidémiologie : prévalence, incidence
• Parcours soins : délai PEC, vaccination
• Démographie : mortalité, esp. de vie
• Hôpitaux : occupation, délai attente
…
SANTÉ
9
Les KPIs – Quels enjeux ?
Choisir les bons indicateurs bien sûr, mais surtout fixer des
objectifs clairs et en évaluer l’atteinte
Avoir un dispositif de mesure et des métriques capables de
rendre compte du réel avec suffisamment de granularité
Identifier les différents leviers, analyser comment ils
s’articulent pour influer sur le KPI
En tirer des actions correctives ou d’optimisation, en tenant
compte de contraintes éventuelles (budgétaires, matérielles,
logistiques…)
Passer de l’information à la connaissance, de la simple
mesure à la compréhension et l’action dans le temps
10
Les KPIs – Complexité dans les études Marketing
Profusion croissante des informations
(qualitatives & quantitatives)
Données de sources et natures différentes
(déclaratives, CRM, transactionnelles, comportementales…)
Techniques de recueil variées
(enquêtes, aspiration web, neuromarketing…)
Enjeu d’hybridation des données
(déclaratif-observation, parole-gestuelle, conscient-inconscient…)
Complexité de l’expérience client et
des points de contacts
(composantes nombreuses, parcours
client non linéaire…)
Co-construire en alliant notre expertise
technique/marketing à la connaissance
métier des clients
Disposer d’insights opérationnels
et/ou stratégiques
11
3 grandes options analytiques
Utilité, portée, limites Méthodes / Techniques Quand les utiliser ?
Analyse
descriptive
et explicative
(diagnostic)
Que s'est-il passé
et pourquoi ?
Instantané du passé
Limité pour décider
Agrégation et
exploration de données
Décrire et résumer
tout ou partie des
données observées
Analyse
prédictive
Que pourrait-il
se passer ?
Compléter ce qui manque
Estimer un résultat futur
Modélisation statistique
Techniques de prévision
1ers niveaux de simulation
Comprendre le résultat
futur le plus probable
/ hypothèses éclairées
Analyse
prescriptive
Que devrait-on
faire ?
Prévision => Prescription
Guider vers une solution
Qualifier et quantifier
l’effet des décisions
Combinaison de règles
métier, contraintes,
modèles d'optimisation,
simulations avancées,
apprentissage machine
Prendre des décisions
importantes complexes
ou sensibles au temps
12
2 grandes approches pour inférer et probabiliser
Causes
Effets
APPROCHE « FRÉQUENTISTE »
 Réputée plus objective => loi de l’observation
(fréquences sur événements répétés).
 Probabilité = limite d’une fréquence observée,
sans probabiliser les paramètres ni les hypothèses
 Inférence valide si, sur le long terme, elle ne mène
que rarement à des conclusions incorrectes
 Décisions = p-value (significativité)
 Incertitude = intervalle de confiance
APPROCHE « BAYÉSIENNE »
 Réputée plus subjective => combine l’information des
données avec les connaissances a priori
 Probabilité = degré de confiance dans une hypothèse,
observations / paramètres / hypothèses probabilisées
 Inférence "bottom-up" et "top-down", probabilités
conditionnelles sur les causes et les conséquences
 Décisions = distribution a posteriori
 Incertitude = intervalle de crédibilité
Inférence statistique et probabilités :
Généraliser les résultats d’un échantillon à toute
la population parente (inférer), en tenant compte
d’un degré d’incertitude (probabilités).
13
La lente émergence des statistiques bayésiennes
1763 - 1774
THÉORÈME
DE BAYES
Inférence bayésienne :
probabilités de causes
hypothétiques à partir de
l'observation
d’événements connus
LONGUE TRAVERSÉE DU
DÉSERT DE L’APPROCHE
BAYÉSIENNE
L’école « fréquentiste »
domine largement la
statistique inférentielle et
les probabilités
PENDANT + DE 150 ANS 2È GUERRE MONDIALE
"CRACKAGE" D’ENIGMA
L’approche bayésienne
permet à Alan Turing de
décrypter la machine et le
chiffrement des allemands.
Conflit écourté de 2 ans
1970s-1980s
NAISSANCE DES
"RÉSEAUX BAYÉSIENS"
Modélisation et
représentation graphique
Elle reste néanmoins
cantonnée à la recherche
DÉVELOPPEMENT DE
L’ANALYSE BAYÉSIENNE
Grâce au développement
de l’informatique et des
nouvelles technologies,
l’analyse bayésienne
dispose enfin des outils
pour s’appliquer à de
nombreux domaines
1990s-2010s
14
Les KPIs – Analyse et représentation des leviers – Quelques limites actuelles
Représentations statiques,
qualitatives et univariées
• Matrice stratégique
• Matrice importance / satisfaction
• Matrice Llosa / Bilan d’image
• …
Des résultats parfois compliqués
à expliquer / animer
• Baromètres qui racontent la même histoire
• Évolutions discordantes / actions mises en
place
• …
Complexité visuelle
des réseaux bayésiens "bruts"
• Interprétation graphique des interactions
vite complexe avec beaucoup de variables
• …
Présentation de la solution
16
Principe général du Simulateur Bayésien – Fonctions principales
 Mesurer l’influence de critères détaillés (les variables explicatives) sur un KPI global (la variable à
expliquer)
 Mesurer les interactions entre critères détaillés
 Simuler puis déterminer des plans d’actions visant à améliorer / optimiser un KPI global :
 Insights qualitatifs (sur quels leviers agir) & quantitatifs (quel est l’effort nécessaire et suffisant pour
atteindre l’objectif d’amélioration)
 Fonctionnalités de filtres et de niveaux de contribution – Permettent la prise en compte de contraintes
(métiers, logistiques, matérielles, d’investissement…)
17
Principe général du Simulateur Bayésien – Techniques et méthodes
 Modélisation statistique à partir des réseaux bayésiens, avec une méthode de validation itérative et évolutive
(corrections, enrichissement et validation par les différentes mesures dans le temps)
 Process de validation rigoureux :
 Élaboration du modèle sur une partie de l’échantillon (échantillon d’apprentissage), puis test sur une autre partie
(échantillon de contrôle)
 Capacité du modèle à prédire la variable à expliquer validée en comparant la valeur prédite avec la valeur réelle (très bon
niveau de prédiction >= 75%)
 Combiné à un outil de Data Visualisation dynamique et interactif pour visualiser et simuler « en direct » les
résultats et les projections
Le Simulateur Bayésien de Socio Data Management rend intelligible l’analyse complexe des données pour
un public non statisticien
1818
Pour aller plus loin…
19
Exemples d’application de la solution
 Dans le cadre marketing et des études :
 Mesurer l’influence d’items de satisfaction sur la recommandation (NPS)
 Mesurer l’influence d’items d’image sur une note d’image / réputation globale
 Identifier les moments de vérité clés dans le parcours client
 Mesurer l’influence des points de contact sur la satisfaction / le taux de conversion / l’image
 Mesurer l’influence des investissements publicitaires sur les ventes dans une stratégie cross-media
 Définir l’influence de chaque ingrédient / composantes d’un produit ou service sur son liking global
 Optimiser un questionnaire en se focalisant sur les variables clés et en éliminant celles qui sont superflues
 Et plus généralement :
 Tout indicateur de performance que l’on cherche à expliquer et à prédire par des variables explicatives, qu’il
s’agisse d’un score, d’un nombre (de clients…), d’un taux (%), d’un indice…
20
Évolution de la solution - Roadmap
20
 Fixer directement l’objectif à atteindre sur le KPI global et obtenir la photographie idéale, le plan d’actions optimal
(toujours en prenant en compte des contraintes éventuelles sur les critères détaillés)
 Visualisation complète du Mapping de contribution
(Llosa, bilan d’image…)
 Fonctionnalités d’export : PPT, sauvegardes…
 Visualisation optimisée des leviers à prendre en compte
(notamment sur les courbes de réponses…)
 Bouton de partage avec les collaborateurs
 Intégration de Benchmarks
21
Questions/Réponses
Emmanuel Vandenbesselaer
Directeur de Clientèle – Account Manager
Venez échanger avec notre équipe
Stand 25

More Related Content

Similar to Socio Data Management présente son outil de simulation prédictive au Printemps des Etudes 2019

Séminaire Expérience Client
Séminaire Expérience ClientSéminaire Expérience Client
Séminaire Expérience Client
Soft Computing
 
Les tableaux de bord & les indicateurs de performance
Les tableaux de bord & les indicateurs de performanceLes tableaux de bord & les indicateurs de performance
Les tableaux de bord & les indicateurs de performance
Ahmed Mesellem
 
Les nouvelles bases de connaissances dans les services clients
Les nouvelles bases de connaissances dans les services clientsLes nouvelles bases de connaissances dans les services clients
Les nouvelles bases de connaissances dans les services clients
Gilles Balmisse
 
DÉBAT SUR LA GOUVERNANCE DE DONNÈES
DÉBAT SUR LA GOUVERNANCE DE DONNÈESDÉBAT SUR LA GOUVERNANCE DE DONNÈES
DÉBAT SUR LA GOUVERNANCE DE DONNÈES
AngelaPieruccini
 
Cybsc formation-les-tableaux-de-bord-de-la-performance-informatique-ou-les-it...
Cybsc formation-les-tableaux-de-bord-de-la-performance-informatique-ou-les-it...Cybsc formation-les-tableaux-de-bord-de-la-performance-informatique-ou-les-it...
Cybsc formation-les-tableaux-de-bord-de-la-performance-informatique-ou-les-it...
CERTyou Formation
 

Similar to Socio Data Management présente son outil de simulation prédictive au Printemps des Etudes 2019 (20)

Séminaire Expérience Client
Séminaire Expérience ClientSéminaire Expérience Client
Séminaire Expérience Client
 
Information Management : de l’excellence opérationnelle à l’excellence inform...
Information Management : de l’excellence opérationnelle à l’excellence inform...Information Management : de l’excellence opérationnelle à l’excellence inform...
Information Management : de l’excellence opérationnelle à l’excellence inform...
 
Cours systême d'intelligence marketing
Cours systême d'intelligence marketingCours systême d'intelligence marketing
Cours systême d'intelligence marketing
 
JNE 2018 - Media Tech
  JNE 2018 - Media Tech  JNE 2018 - Media Tech
JNE 2018 - Media Tech
 
Catalogue de formations - SLPV analytics
Catalogue de formations  - SLPV analyticsCatalogue de formations  - SLPV analytics
Catalogue de formations - SLPV analytics
 
Support train bleu les rencontres d actuelia - 02032017
Support train bleu  les rencontres d actuelia - 02032017Support train bleu  les rencontres d actuelia - 02032017
Support train bleu les rencontres d actuelia - 02032017
 
IPO COMP
IPO COMPIPO COMP
IPO COMP
 
Les tableaux de bord & les indicateurs de performance
Les tableaux de bord & les indicateurs de performanceLes tableaux de bord & les indicateurs de performance
Les tableaux de bord & les indicateurs de performance
 
Manager la performance
Manager la performanceManager la performance
Manager la performance
 
Pourquoi et comment Mesurer son impact ?
Pourquoi et comment Mesurer son impact  ?Pourquoi et comment Mesurer son impact  ?
Pourquoi et comment Mesurer son impact ?
 
UX + DONNÉES = Coeur + CRO
UX + DONNÉES = Coeur + CROUX + DONNÉES = Coeur + CRO
UX + DONNÉES = Coeur + CRO
 
Séminaire IDS Scheer Processus Santé part 1
Séminaire IDS Scheer Processus Santé part 1Séminaire IDS Scheer Processus Santé part 1
Séminaire IDS Scheer Processus Santé part 1
 
Web-conférence | Diagnostic et Estimations des Gains
Web-conférence | Diagnostic et Estimations des GainsWeb-conférence | Diagnostic et Estimations des Gains
Web-conférence | Diagnostic et Estimations des Gains
 
Les nouvelles bases de connaissances dans les services clients
Les nouvelles bases de connaissances dans les services clientsLes nouvelles bases de connaissances dans les services clients
Les nouvelles bases de connaissances dans les services clients
 
Atelier comment choisir et déployer un erp - CCI Bordeaux et Prodware - 07 ...
Atelier   comment choisir et déployer un erp - CCI Bordeaux et Prodware - 07 ...Atelier   comment choisir et déployer un erp - CCI Bordeaux et Prodware - 07 ...
Atelier comment choisir et déployer un erp - CCI Bordeaux et Prodware - 07 ...
 
Matinales Perf Paris 12 Finale
Matinales Perf Paris 12 FinaleMatinales Perf Paris 12 Finale
Matinales Perf Paris 12 Finale
 
DÉBAT SUR LA GOUVERNANCE DE DONNÈES
DÉBAT SUR LA GOUVERNANCE DE DONNÈESDÉBAT SUR LA GOUVERNANCE DE DONNÈES
DÉBAT SUR LA GOUVERNANCE DE DONNÈES
 
Comment accélérer la performance de votre entreprise ?
Comment accélérer la performance de votre entreprise ?Comment accélérer la performance de votre entreprise ?
Comment accélérer la performance de votre entreprise ?
 
Cybsc formation-les-tableaux-de-bord-de-la-performance-informatique-ou-les-it...
Cybsc formation-les-tableaux-de-bord-de-la-performance-informatique-ou-les-it...Cybsc formation-les-tableaux-de-bord-de-la-performance-informatique-ou-les-it...
Cybsc formation-les-tableaux-de-bord-de-la-performance-informatique-ou-les-it...
 
Comment démontrer la contribution des innovations BI à la performance de votr...
Comment démontrer la contribution des innovations BI à la performance de votr...Comment démontrer la contribution des innovations BI à la performance de votr...
Comment démontrer la contribution des innovations BI à la performance de votr...
 

Socio Data Management présente son outil de simulation prédictive au Printemps des Etudes 2019

  • 1. 1 Comment optimiser ses KPIs grâce à la simulation prédictive ? Le Simulateur Bayésien Printemps des Etudes 2019
  • 2. 2 Agenda Questions/Réponses À propos de Socio Data Management Quelques repères pour bien situer le cadre et les enjeux Présentation de la solution Pour aller plus loin La présentation vous sera envoyée par e-mail à la suite du salon
  • 3. À propos de Socio Data Management
  • 4. 2 cœurs de métier historique depuis plus de 40 ans. 4 Socio Data Management TRAITEMENT ET ANALYSE DE DONNÉES MULTI-SOURCES APPLICATIONS POUR EXPLOITER & RESTITUTER DES DONNÉES + de 500 clients cross-secteurs + de 2500 études traitées par an Une convergence d’expertises unique Statistique & Data R&D & IT Marketing
  • 5. 5 Expertise Data Intelligence Traitements Statistiques Modélisations Segmentations Data Visualisation Simulateurs Tableaux de Bord & Reportings Data Mining DATA INTELLIGENCE Plans d’actions Formations €
  • 6. 6 Le Groupe Orians Socio Data Management a rejoint le Groupe Orians en mai 2018. Cabinet de conseil & d’expertise en cybersécurité. Paris & Rennes Editeur de logiciels pour systèmes IBMi (ex AS/400). Paris & Dijon Editeur de logiciel pour la Gestion Electronique des Documents. Paris & Dijon Société de services en ingénierie informatique. Toulouse & Paris Société de services spécialisée dans le traitement de la donnée. Paris 120 collaborateurs 5 bureaux 4 grandes villes
  • 7. 7 Quelques repères pour bien situer le cadre et les enjeux
  • 8. 8 Les KPIs – De quoi parle-t-on ? Pour piloter leur activité, les entreprises et institutions utilisent de nombreux indicateurs clés pour mesurer leur performance : … • Vente : conversion, fidélisation, TP, CLV • Clients : nb de clients, satisfaction, NPS • Emailing : délivrabilité, ouverture, clics • Marque : notoriété, image, brand equity … MARKETING ET VENTES • Recrutement : nx salariés, rétention • Performance globale : ETP, CA / ETP • Engagement : turn-over, absentéisme • Carrières : coût formation, qualification … RESSOURCES HUMAINES • Évolution du CA • Marge : MB, MN, seuil de rentabilité • EBE (Excédent Brut d’Exploitation) • Bénéfice avant intérêt et impôts … FINANCE ET COMPTABILITÉ • Productivité: TDC, RTY, capacité, pertes • Équipements : fiabilité, pannes • Qualité-sécurité : conformité, AT, HS • Logistique : stocks, service, délais … PRODUCTION ET LOGISTIQUE • Réussite : évaluations, classements • Performance : inscriptions, diplômés • Sociétal : compétences, alphabétisation • Équipements : ancienneté, remplissage … ÉDUCATION • Épidémiologie : prévalence, incidence • Parcours soins : délai PEC, vaccination • Démographie : mortalité, esp. de vie • Hôpitaux : occupation, délai attente … SANTÉ
  • 9. 9 Les KPIs – Quels enjeux ? Choisir les bons indicateurs bien sûr, mais surtout fixer des objectifs clairs et en évaluer l’atteinte Avoir un dispositif de mesure et des métriques capables de rendre compte du réel avec suffisamment de granularité Identifier les différents leviers, analyser comment ils s’articulent pour influer sur le KPI En tirer des actions correctives ou d’optimisation, en tenant compte de contraintes éventuelles (budgétaires, matérielles, logistiques…) Passer de l’information à la connaissance, de la simple mesure à la compréhension et l’action dans le temps
  • 10. 10 Les KPIs – Complexité dans les études Marketing Profusion croissante des informations (qualitatives & quantitatives) Données de sources et natures différentes (déclaratives, CRM, transactionnelles, comportementales…) Techniques de recueil variées (enquêtes, aspiration web, neuromarketing…) Enjeu d’hybridation des données (déclaratif-observation, parole-gestuelle, conscient-inconscient…) Complexité de l’expérience client et des points de contacts (composantes nombreuses, parcours client non linéaire…) Co-construire en alliant notre expertise technique/marketing à la connaissance métier des clients Disposer d’insights opérationnels et/ou stratégiques
  • 11. 11 3 grandes options analytiques Utilité, portée, limites Méthodes / Techniques Quand les utiliser ? Analyse descriptive et explicative (diagnostic) Que s'est-il passé et pourquoi ? Instantané du passé Limité pour décider Agrégation et exploration de données Décrire et résumer tout ou partie des données observées Analyse prédictive Que pourrait-il se passer ? Compléter ce qui manque Estimer un résultat futur Modélisation statistique Techniques de prévision 1ers niveaux de simulation Comprendre le résultat futur le plus probable / hypothèses éclairées Analyse prescriptive Que devrait-on faire ? Prévision => Prescription Guider vers une solution Qualifier et quantifier l’effet des décisions Combinaison de règles métier, contraintes, modèles d'optimisation, simulations avancées, apprentissage machine Prendre des décisions importantes complexes ou sensibles au temps
  • 12. 12 2 grandes approches pour inférer et probabiliser Causes Effets APPROCHE « FRÉQUENTISTE »  Réputée plus objective => loi de l’observation (fréquences sur événements répétés).  Probabilité = limite d’une fréquence observée, sans probabiliser les paramètres ni les hypothèses  Inférence valide si, sur le long terme, elle ne mène que rarement à des conclusions incorrectes  Décisions = p-value (significativité)  Incertitude = intervalle de confiance APPROCHE « BAYÉSIENNE »  Réputée plus subjective => combine l’information des données avec les connaissances a priori  Probabilité = degré de confiance dans une hypothèse, observations / paramètres / hypothèses probabilisées  Inférence "bottom-up" et "top-down", probabilités conditionnelles sur les causes et les conséquences  Décisions = distribution a posteriori  Incertitude = intervalle de crédibilité Inférence statistique et probabilités : Généraliser les résultats d’un échantillon à toute la population parente (inférer), en tenant compte d’un degré d’incertitude (probabilités).
  • 13. 13 La lente émergence des statistiques bayésiennes 1763 - 1774 THÉORÈME DE BAYES Inférence bayésienne : probabilités de causes hypothétiques à partir de l'observation d’événements connus LONGUE TRAVERSÉE DU DÉSERT DE L’APPROCHE BAYÉSIENNE L’école « fréquentiste » domine largement la statistique inférentielle et les probabilités PENDANT + DE 150 ANS 2È GUERRE MONDIALE "CRACKAGE" D’ENIGMA L’approche bayésienne permet à Alan Turing de décrypter la machine et le chiffrement des allemands. Conflit écourté de 2 ans 1970s-1980s NAISSANCE DES "RÉSEAUX BAYÉSIENS" Modélisation et représentation graphique Elle reste néanmoins cantonnée à la recherche DÉVELOPPEMENT DE L’ANALYSE BAYÉSIENNE Grâce au développement de l’informatique et des nouvelles technologies, l’analyse bayésienne dispose enfin des outils pour s’appliquer à de nombreux domaines 1990s-2010s
  • 14. 14 Les KPIs – Analyse et représentation des leviers – Quelques limites actuelles Représentations statiques, qualitatives et univariées • Matrice stratégique • Matrice importance / satisfaction • Matrice Llosa / Bilan d’image • … Des résultats parfois compliqués à expliquer / animer • Baromètres qui racontent la même histoire • Évolutions discordantes / actions mises en place • … Complexité visuelle des réseaux bayésiens "bruts" • Interprétation graphique des interactions vite complexe avec beaucoup de variables • …
  • 16. 16 Principe général du Simulateur Bayésien – Fonctions principales  Mesurer l’influence de critères détaillés (les variables explicatives) sur un KPI global (la variable à expliquer)  Mesurer les interactions entre critères détaillés  Simuler puis déterminer des plans d’actions visant à améliorer / optimiser un KPI global :  Insights qualitatifs (sur quels leviers agir) & quantitatifs (quel est l’effort nécessaire et suffisant pour atteindre l’objectif d’amélioration)  Fonctionnalités de filtres et de niveaux de contribution – Permettent la prise en compte de contraintes (métiers, logistiques, matérielles, d’investissement…)
  • 17. 17 Principe général du Simulateur Bayésien – Techniques et méthodes  Modélisation statistique à partir des réseaux bayésiens, avec une méthode de validation itérative et évolutive (corrections, enrichissement et validation par les différentes mesures dans le temps)  Process de validation rigoureux :  Élaboration du modèle sur une partie de l’échantillon (échantillon d’apprentissage), puis test sur une autre partie (échantillon de contrôle)  Capacité du modèle à prédire la variable à expliquer validée en comparant la valeur prédite avec la valeur réelle (très bon niveau de prédiction >= 75%)  Combiné à un outil de Data Visualisation dynamique et interactif pour visualiser et simuler « en direct » les résultats et les projections Le Simulateur Bayésien de Socio Data Management rend intelligible l’analyse complexe des données pour un public non statisticien
  • 19. 19 Exemples d’application de la solution  Dans le cadre marketing et des études :  Mesurer l’influence d’items de satisfaction sur la recommandation (NPS)  Mesurer l’influence d’items d’image sur une note d’image / réputation globale  Identifier les moments de vérité clés dans le parcours client  Mesurer l’influence des points de contact sur la satisfaction / le taux de conversion / l’image  Mesurer l’influence des investissements publicitaires sur les ventes dans une stratégie cross-media  Définir l’influence de chaque ingrédient / composantes d’un produit ou service sur son liking global  Optimiser un questionnaire en se focalisant sur les variables clés et en éliminant celles qui sont superflues  Et plus généralement :  Tout indicateur de performance que l’on cherche à expliquer et à prédire par des variables explicatives, qu’il s’agisse d’un score, d’un nombre (de clients…), d’un taux (%), d’un indice…
  • 20. 20 Évolution de la solution - Roadmap 20  Fixer directement l’objectif à atteindre sur le KPI global et obtenir la photographie idéale, le plan d’actions optimal (toujours en prenant en compte des contraintes éventuelles sur les critères détaillés)  Visualisation complète du Mapping de contribution (Llosa, bilan d’image…)  Fonctionnalités d’export : PPT, sauvegardes…  Visualisation optimisée des leviers à prendre en compte (notamment sur les courbes de réponses…)  Bouton de partage avec les collaborateurs  Intégration de Benchmarks
  • 21. 21 Questions/Réponses Emmanuel Vandenbesselaer Directeur de Clientèle – Account Manager Venez échanger avec notre équipe Stand 25

Editor's Notes

  1. 3 grandes options analytiques pour extraire le sens des données et améliorer la prise de décision
  2. Définitions : Inférer : Tirer, d'un fait ou d'une proposition donné(e), la conséquence qui en résulte. Tirer une conclusion d'un fait ou d'un événement donnés. Probabiliser : Considérer comme probable. Mesurer par un indice de probabilité. Qu'il est raisonnable de supposer, de conjecturer, de prévoir; qui a beaucoup de chances de se produire. Une fréquence est une proportion d'observations; une probabilité est la mesure d'une incertitude sur un événement. On passe des fréquences aux probabilités à l'aide du  tirage au sort.
  3. Représentations statiques (on ne peut simuler l’impact d’une évolution des critères), univariées cad qui n’utilisent qu’un seul paramètre (aucune représentation n’intègre les effets indirects de l’évolution d’un critère sur un autre) et uniquement qualitatives (on ne connait pas l’effort nécessaire à produire pour atteindre l’objectif d’amélioration visé). Il devient donc nécessaire d’adopter une nouvelle approche.
  4. En tenant compte de contraintes métiers (par exemple une grande surface qui a déjà optimisé le temps d’attente en caisse par des caisses en libre-service saura que la marge de manœuvre est limitée sur ce critère) ou matérielles / logistiques (par exemple un budget limité à investir dans une campagne de communication)