Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Machine Learning et Intelligence Artificielle

3,031 views

Published on

Machine Learning (ML) et Intelligence Artificielle (AI) sont au cœur des stratégies des géants du net : reconnaissance de textes, de visages, de sentiments, analyse de signaux issus notamment d’objets connectés. Comment capitaliser sur ces méthodologies pour des applications Marketing ? Avec quels outils, méthodes et compétences ?

Google, Facebook, Apple et autres Microsoft se livrent une bataille de Titan sur le terrain de l’Intelligence Artificielle. Cette débauche de moyens en recherche et développement génère la diffusion en Open Source de nombreux algorithmes ou le foisonnement de fonctions et d’API de Machine Learning et Deep Learning et d’AI « as a service ». Avec des efforts minimes, tout-un-chacun peut aujourd’hui accéder simplement et pour un coût modique à des fonctionnalités puissantes pour reconnaître un visage, une voix, des sentiments …

En outre, la démocratisation des technologies Big Data donne accès à des puissances de traitement considérables qui permettent d’appliquer ces algorithmes de Machine Learning sur des centaines de milliers de points, des milliards d’enregistrements et des volumes de plusieurs péta-octets.

Le Marketing et la connaissance client capitalisent sur toutes ces nouvelles possibilités : conseiller le bon produit – en mode recommandation ou substitution, anticiper des changements dans les comportements, s’adresser au client de façon complètement personnalisée, surveiller en temps réel des indicateurs de bon ou mauvais fonctionnement – objets connectés, fluidifier et optimiser l’expérience client en identifiant des axes d’amélioration des parcours ou process.

Ce séminaire vise à démystifier le Machine Learning, à en dessiner des applications potentielles pour le Marketing. Les modalités de mise en œuvre – outils, procédures et techniques, forces et faiblesses – seront détaillées à travers la présentation de cas d’usage.

Published in: Technology
  • Be the first to comment

Machine Learning et Intelligence Artificielle

  1. 1. © Soft Computing – www.softcomputing.com Machine Learning et Intelligence artificielle Quelles applications pour le marketing ? 20/09/2016
  2. 2. © 2 DIRECTION COMMERCIALE ET MARKETING Sandra GOMES CLARION Directrice Commerciale et Marketing E-mail : contact@softcomputing.com Tel : +33 (0)1 73 00 55 00
  3. 3. © 3 Sommaire 1. Introduction 2. L’IA : déjà dans notre quotidien 3. L'IA à portée de main 4. ML & marketing 5. Des algorithmes prolifiques et pointus 6. Cas d’usage 7. Comment avancer 8. Conclusion 9. Questions
  4. 4. © 4 Carte d’identité
  5. 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. © 6 Compétences : un mix unique de compétences pointues Digital Marketing Data Science Project Management Information Technologies
  7. 7. © 7 A la carte Think Build Run Délégation Projet Centre de services Digital-Marketing IT AMOA Offre Delivery Clients
  8. 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.
  9. 9. © 9 Experts reconnus blog.softcomputing.com/ fr.slideshare.net/softcomputing twitter.com/#!/SoftComputing linkedin.com/company/soft-computing facebook.com/softcomputing softcomputing.com/news/ InformerEcrire Enseigner
  10. 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. © 11 Sommaire 1. Introduction 2. L’IA : déjà dans notre quotidien 3. L'IA à portée de main 4. ML & marketing 5. Des algorithmes prolifiques et pointus 6. Cas d’usage 7. Comment avancer 8. Conclusion 9. Questions
  12. 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. © 13
  14. 14. © 14
  15. 15. © 15
  16. 16. © 16
  17. 17. © 17
  18. 18. © 18
  19. 19. © 19
  20. 20. © 20 Sommaire 1. Introduction 2. L’IA : déjà dans notre quotidien 3. L'IA à portée de main 4. ML & marketing 5. Des algorithmes prolifiques et pointus 6. Cas d’usage 7. Comment avancer 8. Conclusion 9. Questions
  21. 21. © 21 L’IA à portée de main - API Analyse de texte texte1.avi texte2.avi
  22. 22. © 22 L’IA à portée de main – API Reconnaissance d’image image_mot.avi
  23. 23. © 23 L’IA à portée de main – Environnement technique adéquat
  24. 24. © 24 L’IA à portée de main – Des méthodes / algorithmes innovants Deep machine learning Théorie du signal Textmining Voicemining Reconnaissance d’image Sequential Pattern Analysis
  25. 25. © 25 Sommaire 1. Introduction 2. L’IA : déjà dans notre quotidien 3. L'IA à portée de main 4. ML & marketing 5. Des algorithmes prolifiques et pointus 6. Cas d’usage 7. Comment avancer 8. Conclusion 9. Questions
  26. 26. © 26 Substitution de produits
  27. 27. © 27 Compteur connecté
  28. 28. © 28 Tchat
  29. 29. © 29 Optimisation du routage clients
  30. 30. © 30 Segmentation Persona
  31. 31. © 31 Moteur de recommandations
  32. 32. © 32 Sommaire 1. Introduction 2. L’IA : déjà dans notre quotidien 3. L'IA à portée de main 4. ML & marketing 5. Des algorithmes prolifiques et pointus 6. Cas d’usage 7. Comment avancer 8. Conclusion 9. Questions
  33. 33. © 33 Comment s’y retrouver ? Centre de Solutions et de
  34. 34. © 34 Comment s’y retrouver ? Centre de Solutions et de  Décision avec règles a priori  Apprentissage non supervisé : kmeans, analyse de patterns (image et son)  Apprentissage supervisé : logistique, arbres de décision, forêts aléatoires  Enchainement de méthodes Concepts ? Ensemble de méthodes ? Redondance du vocabulaire ? Méthodes ? Concepts Méthodes  Datamanagement et rapprochement a priori : pour sauvegarde intelligible  Analyse des données : purement descriptif  Apprentissage = data mining : inférence non automatique  Apprentissage automatique = machine learning : inférence automatique
  35. 35. © 35 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 non automatique / automatique 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 non automatique/ non automatique
  36. 36. © 36 Sommaire 1. Introduction 2. L’IA : déjà dans notre quotidien 3. L'IA à portée de main 4. ML & marketing 5. Des algorithmes prolifiques et pointus 6. Cas d’usage 7. Comment avancer 8. Conclusion 9. Questions
  37. 37. © 37 Quelles compétences ? MarketingDatascience Programmation
  38. 38. © 38 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 ?
  39. 39. © 39 Sommaire 1. Introduction 2. L’IA : déjà dans notre quotidien 3. L'IA à portée de main 4. ML & marketing 5. Des algorithmes prolifiques et pointus 6. Cas d’usage 7. Comment avancer 8. Conclusion 9. Questions
  40. 40. © 40 Sélection des cas d’usages Conseil méthodologique Sélection de l’outillage Modélisation Coaching et formation Intégration informatique Exploitation Optimisation On peut aider ?
  41. 41. © 41 Sommaire 1. Introduction 2. L’IA : déjà dans notre quotidien 3. L'IA à portée de main 4. ML & marketing 5. Des algorithmes prolifiques et pointus 6. Cas d’usage 7. Comment avancer 8. Conclusion 9. Questions
  42. 42. © 42 Questions

×