More Related Content Similar to Machine Learning (20) More from Soft Computing (15) Machine Learning1. © Soft Computing – www.softcomputing.com
Machine Learning
Quelles applications pour le marketing digital ?
25/05/2016
2. © 2
Gilles VENTURI
Directeur Général
E-mail : gvn@softcomputing.com
Tel : +33 (0)1 73 00 55 64
Mobile : +33 (0)6 07 04 74 24
Karine TRIBOULEY
Manager Marketing Services
E-mail : ktr@softcomputing.com
Tel : +33 (0)1 73 00 55 24
Mobile : +33 (0)6 69 67 62 10
3. © 3
Sommaire
1. Introduction
2. Préambule
3. IA : déjà dans notre quotidien
4. L'IA à portée de main
5. Big data : booster d'IA
6. Des algorithmes prolifiques et pointus
7. ML & marketing
8. Outillage : innovation combinationnelle
9. Comment avancer
10. Conclusion
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.
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. Préambule
3. IA : déjà dans notre quotidien
4. L'IA à portée de main
5. Big data : booster d'IA
6. Des algorithmes prolifiques et pointus
7. ML & marketing
8. Outillage : innovation combinationnelle
9. Comment avancer
10. Conclusion
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
Périmètre usuel des applications marketing
Moteurs de
recommandations
Reconnaissance
vocale
Analyse
textuelle
Reconnaissance
d’image
Analyse de
sentiments
Traitement
du signal
14. © 14
Sommaire
1. Introduction
2. Préambule
3. IA : déjà dans notre quotidien
4. L'IA à portée de main
5. Big data : booster d'IA
6. Des algorithmes prolifiques et pointus
7. ML & marketing
8. Outillage : innovation combinationnelle
9. Comment avancer
10. Conclusion
24. © 24
Sommaire
1. Introduction
2. Préambule
3. IA : déjà dans notre quotidien
4. L'IA à portée de main
5. Big data : booster d'IA
6. Des algorithmes prolifiques et pointus
7. ML & marketing
8. Outillage : innovation combinationnelle
9. Comment avancer
10. Conclusion
25. © 25
Analyse de texte
http://www.alchemyapi.com/products/demo/alchemylanguage
29. © 29
Voix en texte (et vice-versa)
https://text-to-speech-demo.mybluemix.net/
34. © 34
Sommaire
1. Introduction
2. Préambule
3. IA : déjà dans notre quotidien
4. L'IA à portée de main
5. Big data : booster d'IA
6. Des algorithmes prolifiques et pointus
7. ML & marketing
8. Outillage : innovation combinationnelle
9. Comment avancer
10. Conclusion
36. © 36
Défi technique #2 : sortir de la quadrature du triangle
2006 2016
Disponibilité
« Les données sont
toujours accessibles »
Tolérance
« seule la panne
totale interrompt »
Cohérence
« Les commits
rendent l’ensemble
des données
cohérentes »
Disponibilité
« Les données sont
toujours accessibles »
Tolérance
« seul la panne
totale interrompt »
Cohérence
« Les commits
rendent l’ensemble
des données
cohérentes »
Commit en
2 phases
37. © 37
Défi technique #3 : exécuter tout calcul en moins de 0,14 seconde
2006 2016
Trading Desk
(ATD)
Editeur de
site
Demand Side
Platform
(DSP)
Ad exchange
(Adex)
Supply Side
Platform
(SSP)
Annonceur
ou Agence
média
Ad Server de
l’éditeur ou
Ad network
RTB &
programmati
que
40. © 40
Sky is the limit
Temps de calcul
Nombredenœudshadoop
(10,1)
(1,10)
41. © 41
Sommaire
1. Introduction
2. Préambule
3. IA : déjà dans notre quotidien
4. L'IA à portée de main
5. Big data : booster d'IA
6. Des algorithmes prolifiques et pointus
7. ML & marketing
8. Outillage : innovation combinationnelle
9. Comment avancer
10. Conclusion
43. © 43
Comment s’y retrouver ?
Centre de Solutions et de
Apprentissage non supervisée : kmeans, analyse de patterns (image et son)
Apprentissage supervisé : logistique, arbres de décision, forêts aléatoires
Concepts ?
Ensemble de méthodes ? Redondance du vocabulaire ?
Méthodes ?
Concepts
Méthodes
Enchainement
de Méthodes
Datamanagement et rapprochement a priori : pour sauvegarde intelligible
Analyse des données : purement descriptif
Apprentissage automatique = machine learning : pour faire de l’inférence
Deep learning
44. © 44
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
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
45. © 45
Sommaire
1. Introduction
2. Préambule
3. IA : déjà dans notre quotidien
4. L'IA à portée de main
5. Big data : booster d'IA
6. Des algorithmes prolifiques et pointus
7. ML & marketing
8. Outillage : innovation combinatoire
9. Comment avancer
10. Conclusion
46. © 46
Apprendre des
données ?
Conclusion : S’orienter selon son besoin
Centre de Solutions et de
Identifier le besoin et choisir les outils et les méthodologies en adéquation :
Non : algorithmes a priori (règles métiers), traitement « à la main »
Oui : algorithmes d’apprentissage
Macro Segments : RFM
Segments Classiques : segmentation comportementale
Persona : deep segmentation comportementale
Individu : moteur de recommandation
Peu complexes : données retour campagne, image simple, son simple
Complexes – multi-échelle : image (API) , son, informations à
plusieurs niveaux (données de dépenses)
Textuelles
Usuelle
Massive : jeu d’échecs
Non gérable : jeu de Go
Degré de
complexité des
données ?
Volumétrie ?
Degré de finesse
souhaité ?
47. © 47
Sommaire
1. Introduction
2. Préambule
3. IA : déjà dans notre quotidien
4. L'IA à portée de main
5. Big data : booster d'IA
6. Des algorithmes prolifiques et pointus
7. ML & marketing
8. Outillage : innovation combinationnelle
9. Comment avancer
10. Conclusion
48. © 48
Analyse de texte : rappel
http://www.alchemyapi.com/products/demo/alchemylanguage
49. © 49
Sous le capot, des API
https://watson-api-explorer.mybluemix.net/tone-analyzer-beta/api/v3/tone?version=2016-02-
11&text=Welcome%20to%20SoftComputing
{"document_tone":
{"tone_categories":
[{"tones":
[{"score":0.040322,"tone_id":"anger","tone_name":"Anger"},
{"score":0.062696,"tone_id":"disgust","tone_name":"Disgust"},
{"score":0.063712,"tone_id":"fear","tone_name":"Fear"},
{"score":0.905908,"tone_id":"joy","tone_name":"Joy"},
{"score":0.091074,"tone_id":"sadness","tone_name":"Sadness"}],
"category_id":"emotion_tone","category_name":"Emotion Tone"},{"tones":
[{"score":0.0,"tone_id":"analytical","tone_name":"Analytical"},
{"score":0.0,"tone_id":"confident","tone_name":"Confident"},
{"score":0.0,"tone_id":"tentative","tone_name":"Tentative"}],
"category_id":"writing_tone","category_name":"Writing Tone"},{"tones":
[{"score":0.242,"tone_id":"openness_big5","tone_name":"Openness"},
{"score":0.128,"tone_id":"conscientiousness_big5","tone_name":"Conscientiousness"},
{"score":0.982,"tone_id":"extraversion_big5","tone_name":"Extraversion"},
{"score":0.821,"tone_id":"agreeableness_big5","tone_name":"Agreeableness"},
{"score":0.898,"tone_id":"neuroticism_big5","tone_name":"Emotional Range"}],
"category_id":"social_tone","category_name":"Social Tone"}]}}
51. © 51
Sous le capot, des données consommables à la demande
52. © 52
Des moteurs de démocratisation puissants
Coût modique
Puissance élastique
Algorithmes innovants
Usage autonome
53. © 53
Cloud + API + Open Data + ad’hoc
… innovation is the ’new
combinations’ of
existing knowledge
54. © 54
Sommaire
1. Introduction
2. Préambule
3. IA : déjà dans notre quotidien
4. L'IA à portée de main
5. Big data : booster d'IA
6. Des algorithmes prolifiques et pointus
7. ML & marketing
8. Outillage : innovation combinationnelle
9. Comment avancer
10. Conclusion
56. © 56
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 ?
57. © 57
Sommaire
1. Introduction
2. Préambule
3. IA : déjà dans notre quotidien
4. L'IA à portée de main
5. Big data : booster d'IA
6. Des algorithmes prolifiques et pointus
7. ML & marketing
8. Outillage : innovation combinationnelle
9. Comment avancer
10. Conclusion
58. © 58
Sélection des
cas d’usages
Conseil
méthodologique
Sélection de
l’outillage
Modélisation
Coaching et
formation
Intégation
informatique
Exploitation
Optimisation
On peut aider ?