diap1.png

UN PARTENAIRE DE CHOIX POUR VOS AMBITIONS DATA ET IA

Abstrait futuriste

Nos offres de consulting 
et d'accompagnement

Trusted Advisors Logo 2018 - Blanc.png

POURQUOI TRUSTEDLAB EST UN PARTENAIRE DE CHOIX POUR VOS AMBITIONS DATA ET IA

 

QUI SOMMES-NOUS ?

 

TrustedLab est une entité de recherche et développement affiliée à Trusted Advisors Group. Nos recherches et travaux sont axés sur des résultats à fort impact transformationnel (interne, externe, écosystème …) et notre équipe vise en permanence à développer des solutions innovantes basées sur l'Intelligence Artificielle et l'Analyse des données.

Data-amico (2).png
 

POURQUOI OPTER POUR NOS SOLUTIONS ?

Nous vous accompagnons dans la mise en place des projets « Data » et « Intelligence Artificielle » en proposant des modèles intelligents et des approches pertinentes qui permettront à votre entreprise de tirer pleinement parti des données collectées. Nos solutions vous permettront d’avoir une vision transversale de vos données, ce qui favorisera une forte articulation business :

Une Prise de Décision Optimale

Une Performance Commerciale Accrue

Une Orientation Client Renforcée

Une Optimisation des Déperditions des Revenus

Une Optimisation des Coûts

Data report-amico (3).png
 

QUELLE EST NOTRE DÉMARCHE D'INTERVENTION ?

Notre équipe ne se limite pas aux tendances technologiques autour de l’IA, mais s’appuie également sur des recherches réalisées à l’échelle internationale, avec des recommandations pertinentes, qui constituent une source d’inspiration et de concrétisation de l’impact de nos solutions au niveau des métiers et du business.

Notre ambition forte est de comprendre nos clients et leurs besoins. Il ne s’agit pas d’un exercice ponctuel, mais plus d’un effort continu qui ne s’arrête pas. Nous analysons les possibilités d'amélioration et discutons de diverses solutions de haute technologie qui seraient les plus efficaces.

Company-pana.png
Analysis-amico (4).png

Nous coopérons étroitement avec les équipes de nos clients, accédons à des données cruciales et échangeons des informations au quotidien. Notre vocation est de nous assurer que les solutions autour desquelles nous travaillons ensemble seront un investissement qui portera rapidement ses fruits et continuera à apporter de la valeur ajoutée à l'avenir.

 

Notre équipe d'experts effectue plusieurs tests pour s'assurer que tout fonctionne correctement. Nos consultants en IA sont toujours disponibles pour répondre à toutes vos questions.

 

QUELLES SONT LES EXEMPLES DE SOLUTIONS DÉPLOYÉES AUPRÈS DE NOS CLIENTS

 
TL - Descriptif - LinkdIn Publication.png

LA SEGMENTATION DES CLIENTS

TL - Descriptif - LinkdIn Publication.png

Client - Partenaire

TL - Use Cases.png

Une Banque

TL - Use Cases.png
TL - Use Cases.png

Descriptif du Projet

Le projet consiste à mettre en place un modèle non supervisé du Machine Learning qui permet de faire une segmentation de la clientèle d’une banque, en se basant sur les relevés des transactions des clients durant une période de 3 ans.

TL - Use Cases.png

Données Traitées

Les relevés bancaires de +10 000 Clients

( Crédit / Débit / Nombre de Transactions )

  • Période : 3 ans

  • +367 800 Données d'Entrées

 
TL - Use Cases.png

Tâche - Problématique

TL - Use Cases.png

L'analyse des Clusters ( Anglais : Clustering )

Une tâche d'Apprentissage Automatique Non Supervisée.

Démarche du Projet

Collecte, Nettoyage et Préparation des données

L'Analyse Exploratoire des Données

Evaluation et Test de l'Algorithme ML

Visualisation des Résultats

TL - Use Cases.png
TL - Use Cases.png

Algorithmes IA et Outils utilisés

TL - Descriptif - LinkdIn Publication.png

Algorithmes 

K-MEANS (OU K-MOYENNES) + ELBOW METHOD

C’est l’un des algorithmes de clustering les plus répandus. Il permet d’analyser un jeu

de données caractérisées par un ensemble de descripteurs, afin de regrouper les

données “similaires” en groupes (ou clusters).

ANALYSE EN COMPOSANTES PRINCIPALES ( PCA )

Une technique de l'apprentissage non supervisée utilisée pour réduire la

dimensionnalité des données.

TL - Descriptif - LinkdIn Publication.png

Outils

TL - Use Cases.png
TL - Use Cases.png

Résultats

Les résultats de notre modèle sont une Segmentation des Clients de la banque en 4 Groupes/Segment complètement homogènes en terme de caractéristiques et Profil Client.

 

LE TRAITEMENT DU LANGAGE NATUREL (TLN)

TL - Descriptif - LinkdIn Publication.png
TL - Descriptif - LinkdIn Publication.png
 

Client - Partenaire

TL - Use Cases.png

Confidentiel

TL - Use Cases.png

Descriptif du Projet

Le projet consiste à mettre en place une solution d’analyse sémantique basée sur le TLN. Le but étant de pouvoir extraire les tendances sémantiques à partir des discussions et des échanges, en français ou en anglais, entre les différents collaborateurs via un forum ou un fil de discussion

  • 6 Tableaux de Bord

 
TL - Use Cases.png

Données Traitées

Le choix des données a été fait avec soin pour pouvoir simuler le plus fidèlement possible un fil de discussion ou des échanges sur un forum.

Tweets d'Emmanuel Macron et de Boris Johnson sur une période de 4 mois.

  • +2 600 Tweets

 
TL - Use Cases.png

Tâche - Problématique

Démarche du Projet

Nettoyage des données

Définition des Règles d'Extraction d'information à base de la Structure Grammaticale de la phrase

Evaluation et Test de l'Algorithme ML

Visualisation des Résultats

TL - Use Cases.png
TL - Use Cases.png

Algorithmes IA et Outils utilisés

TL - Descriptif - LinkdIn Publication.png

Algorithmes 

LATENT DIRICHLET ALLOCATION (LDA) ALGORITHM

NON-NEGATIVE MATRIX FACTORIZATION (NMF) ALGORITHMS

TL - Descriptif - LinkdIn Publication.png

Outils

TL - Use Cases (2).png
TL - Descriptif - LinkdIn Publication (2).png

Résultats

Les résultats de notre projet sont des Tableaux de Bord résumant les Tendances Sémantiques présentes dans les données d'entrée

 
TL - Descriptif - LinkdIn Publication.png

LA PRÉDICTION DE L'ATTRITION CLIENT

 
TL - Descriptif - LinkdIn Publication.png

Client - Partenaire

TL - Use Cases.png

Une Banque

TL - Use Cases.png
TL - Use Cases.png

Descriptif du Projet

Le projet consiste à mettre en place une Interface Web hébergée sur Amazon Web Services (AWS) et qui permettra à l’équipe commerciale d'une Banque de connaitre le taux d’attrition relatif à un client existant ou un nouveau client en saisissant ses informations et récupérant le résultat à partir de l’application.

  • +320 000 Données d'Entrées

 
TL - Use Cases.png

Données Traitées

Données Clients (Démographiques et Autres)

Flux de Paiement-Historique sur 6 années (Transactions Bancaires)

  • Période : 6 ans

TL - Use Cases.png

Tâche - Problématique

La Classification Binaire ( Anglais : Binary Classification)

Une tâche d'Apprentissage Automatique Supervisée.

  • +41 Millions Transactions

 
TL - Use Cases (3).png

Démarche du Projet

Collecte, Nettoyage et Préparation des données

L'Analyse Exploratoire des Données

Evaluation et Test de l'Algorithme ML

Visualisation des Résultats

TL - Use Cases.png
TL - Use Cases.png

Algorithmes IA et Outils utilisés

TL - Descriptif - LinkdIn Publication.png

Algorithmes 

FORÊT D'ARBRES DÉCISIONNELS ( RANDOM FOREST )

LIGHT GRADIENT BOOSTING MACHINE

TL - Descriptif - LinkdIn Publication.png

Outils

TL - Use Cases (3).png
TL - Use Cases (3).png
TL - Descriptif - LinkdIn Publication.png

Performance

TL - Use Cases (3).png

Résultats

Mise en place d'une application Web avec le modèle Machine Learning déployé et prêt à être utilisé pour la prédiction de l'Attrition Client au de la Banque.

 
TL - Descriptif - LinkdIn Publication.png

PRIORISATION DES PROSPECTS ET AIDE  À LA DÉCISION COMMERCIALE

TL - Descriptif - LinkdIn Publication.png

Client - Partenaire

TL - Use Cases.png

Une Banque

TL - Use Cases.png
TL - Use Cases.png

Descriptif du Projet

Le projet consiste à étudier profondément les flux de paiement des clients d'une Banque sur une période de 6 années afin de détecter les prospects potentiels et pouvoir les classifier en se basant sur l’intensité des échanges entre ces derniers et les clients de la banque. Cette classification est pratiquement basée sur trois facteurs ( Nombre de transactions financières effectuées - Le Flux Sortant - Le Flux Entrant ).

  • +320 000 Données d'Entrées

 
  • +1 100 000 Prospects

 
TL - Use Cases.png

Données Traitées

Données Clients (Démographiques et Autres)

Flux de Paiement-Historique sur 6 années (Transactions Bancaires)

TL - Use Cases.png

Tâche - Problématique

Business Intelligence (BI) ( Informatique Décisionnelle )

Visualisation des données                             Extraction des informations

  • +41 Millions Transactions

 

Démarche du Projet

Collecte, Nettoyage et Préparation des données

Réalisation des Tableaux de Bord

Visualisation des Résultats et Reporting

TL - Use Cases.png
TL - Use Cases.png

Outils utilisés

TL - Descriptif - LinkdIn Publication.png
TL - Descriptif - LinkdIn Publication.png

Outils

TL - Descriptif - LinkdIn Publication.png
TL - Use Cases (3).png

Résultats

Mettre à la disposition des équipes commerciales de la banque des tableaux de bord interactifs permettant d’explorer toutes les caractéristiques des prospects et en extraire des arguments soutenant une prospection commerciale pertinente et réussie.

+10 Visualisations

 

+7 Tableaux de Bord

 
TL - Use Cases (4).png
TL - Use Cases (4).png
 

LES QUESTIONS QUE NOS CLIENTS NOUS POSENT SOUVENT

Qu’apportent les solutions développées par TrustedLab en matière de performance ?

 

Le positionnement de l’Intelligence Artificielle comme tendance clé est une évidence dans le contexte de transformation et de technologies disruptives, celle-ci a provoqué une refonte des designs organisationnels, grâce à sa capacité à stimuler l’intelligence et à perfectionner les tâches humaines. Si cette dernière est au centre des tendances technologiques, elle suscite également des questions autour de son efficacité et son impact sur la performance. Bien que sa mise en œuvre reste relativement timide, les entreprises ayant opté pour ses technologies disruptives (machine learning, chatbots, robotique, big data,…) ont réussi à améliorer considérablement leur performance en optimisant davantage leur politique financière et leur business model, celles-ci représentent un modèle à suivre pour le reste des acteurs à condition que ses technologies soient alignées avec la stratégie globale à travers des objectifs clairs et bien précis.

 

Pourquoi notre entreprise devrait s’y mettre ? Disposez-vous de quelques données chiffrées à propos des initiatives et des projets l’IA ?

A titre d’exemple, une recherche scientifique de haut niveau révèle des résultats clés qui s’articulent autour d’opportunités qu’offre l’IA. Ainsi, sur un échantillon d’employés auprès de différents acteurs de la région, 33% confirment que l’IA est effectivement appliquée au niveau de leur entreprise. Ce taux reste relativement moyen par rapport à la majorité qui pense que l’IA n’est pas encore adaptée par leur organisation, ou qu’elle est plutôt en phase préliminaire de test et de préparation. En outre, pour la première catégorie, les volets de l’activité concernés par l’IA diffèrent d’une tranche de collaborateurs à l’autre, dans ce sens, 36% des répondants estiment que l’IA est associée à l’automatisation des process internes, 17% pensent que cette technologie est appliquée pour la réduction des erreurs humaines, même son de cloche (17%) pour la personnalisation des services auprès des clients.

Par ailleurs, la question relative à l’impact de l’IA sur la performance a révélé un taux de 68% des répondants qui affirment que l’IA aurait un impact positif sur la performance de leur entreprise, contre 21% qui estiment que cette technologie n’a pas d’impact significatif immédiat sur le court terme. Sur un autre volet, les répondants ont mis l’accent sur les facteurs déterminants de l’adoption de l’IA au sein des entreprises. Dans ce sens, 40% pensent que la réduction de l’erreur humaine est le principal moteur qui motive les organisations à déployer l’IA. Ensuite, d’autres facteurs comme la réduction du coût des services, le fonctionnement efficace des systèmes et la capacité de prise de décision, sont considérés, à part égale (presque 20%), comme principaux moteurs d’intégration de l’IA.

 

Nos solutions sont susceptibles d’améliorer systématiquement la performance du point de vue client, en permettant un suivi minutieux du comportement de ce dernier, en offrant des produits personnalisés, et en renforçant la réactivité aux besoins exprimés, sans oublier le traitement intelligent des données et la capacité d’apprentissage (Machine Learning). Si l’IA est prometteuse pour les clients, elle l'est tout autant pour les collaborateurs : cette technologie permet de gérer plus rapidement un nombre plus important de dossiers en back-office avec beaucoup moins d'erreurs, ce qui permet aux agents de se focaliser davantage sur le client et ses besoins.

 

Nos solutions « IA » s’articulent autour de 6 leviers de l’IA : l’amélioration de l’expérience client, la gestion des risques, la facilité du service, la détection de fraudes, la sécurité, et la performance des espaces de libre-service. Chacun de ces leviers a un impact significatif sur la performance des entreprises.

 

Quels sont les challenges les plus importants que vous rencontrez afin de « Faire parler » la Data et avoir un impact et un pilotage pertinents ? 

 

Nous pensons que la data revêt une importance capitale et constitue un levier incontournable de performance des entreprises, le fameux « Know Your Customer » est au centre de la réflexion et repose sur une approche data centric. De ce fait, pour optimiser la prise de décision, le vrai challenge pour les entreprises est d’exploiter de manière intelligente ces mines de données qui proviennent des différents points de contact. Il convient de souligner que la data est surtout une opportunité qu’il faut absolument exploiter de manière intelligente, afin de favoriser un meilleur pilotage de l’activité, un gain de temps et une meilleure connaissance client. En outre, une approche Data centric doit toucher l’ensemble du business model de l’entreprise et ne pas se limiter à l’échelle d’un service ou d’un process. En effet, les entreprises ont souvent tendance à adopter des schémas en silo, tandis que la data est, par nature, transversale et circule d’une activité à l’autre. Ainsi, le parcours d’une donnée doit être maîtrisé, depuis sa collecte par l’opérateur, en passant par les reportings, pour arriver au top management où elle est censée contribuer à la prise de décision stratégique.