L'IA et la data sont plus faciles à comprendre lorsqu'on les applique à de vrais problèmes. Testez vous-même nos démonstrateurs.
| Date | Client | Famille | Montant |
|---|
Un distributeur de fournitures de bureau veut relancer ses clients. Le point de départ, tel qu'il sort du logiciel de gestion : clients, commandes sur deux ans. À l'œil nu, impossible de savoir qui relancer.
Cinq indicateurs par client (dernier achat, fréquence, panier, diversité, ancienneté), projetés en 3D par une analyse en composantes principales. Faites tourner le nuage : des groupes se devinent.
Un modèle de machine learning, entraîné sur l'historique, donne à chaque client une probabilité d'achat. Plus le point est lumineux, plus elle est élevée.
Probabilité moyenne par segment
Vérifié sur des clients que le modèle n'avait jamais vus (AUC ).
Deux produits sont proches quand ce sont les mêmes clients qui les achètent. L'indice de similarité va de 0 (jamais les mêmes) à 1 (toujours les mêmes). Choisissez un produit.
Les plus proches de « »
Chaque client retenu reçoit un e-mail automatique : une remise de 10 % sur le produit qu'il a le plus de chances d'acheter.
Votre ciblage
0 commandes
e-mails ·
Envoi à tous
commandes
e-mails ·
La remise de 10 % ne part que vers les clients qui ont une vraie chance de commander : moins de marge offerte pour rien, moins d'e-mails ignorés.
Clients simulés. Segmentation (k-means), projection 3D (ACP) et modèle d'achat (régression logistique) calculés pour de vrai, avec scikit-learn.
Distributeur de fournitures de bureau
Données fictives. Chiffre d'affaires, marges et prix conseillés sont recalculés en direct dans votre navigateur, à partir des prix d'achat, des prix de vente et des volumes.
Produit : . Tracez les douze prochains mois dans la zone de droite, à la souris ou au doigt. Votre courbe servira à commander le stock.
Mois dessinés
0 / 12
Total prévu
0
Votre écart
des ventes de l'année
Écart du modèle
des ventes de l'année
| Vous | Modèle |
|---|
Ventes simulées sur quatre ans. Le modèle (régression sur la tendance et la saisonnalité, scikit-learn) n'a vu que les trois premières années : la quatrième lui est aussi inconnue qu'à vous. Le stock suit ensuite la même règle de commande pour vous deux.
Départ du dépôt d'Évreux à 7 h. livraisons, dont à heure limite (les arrêts entourés d'un anneau). Objectif : le moins de kilomètres possible, sans aucun retard.
Arrêts
0 /
Distance
0 km
Hypothèses : 60 km/h de moyenne, 8 min par livraison.
Votre tournée
km
Tournée optimisée
km
Ici, arrêts et un seul véhicule : le calcul est exact. En mission s'ajoutent plusieurs camions, des capacités de chargement et des temps de trajet réels.
Villes de l'Eure, distances estimées (vol d'oiseau × 1,3). La tournée la plus courte qui tient les heures limites est calculée dans votre navigateur, sans approximation.
Chaque fournisseur présente sa facture à sa façon. C'est ce qui rend la saisie pénible, et c'est ce qu'une IA sait lire.
À l'étape suivante, le chronomètre démarre : à vous de retrouver quatre informations dans la facture.
0,0 s
Factures et fournisseurs inventés. La lecture par l'IA est rejouée pour la démonstration : aucun modèle ne tourne sur cette page. Les contrôles de cohérence, eux, sont calculés en direct.
Ces démonstrateurs illustrent des principes. La question intéressante est maintenant : que pourrions-nous faire avec vos données et vos processus ?
Parlez-nous d'un cas concret