Home Blog Page 2

Comment améliorer l’expérience client avec la data ?

By
Ludovic Tran Thiet
-
0
Comment améliorer l'expérience client avec la data ?

Quand on pense “data” et “expérience client”, on pense souvent d’abord à toutes ces données sur nos habitudes de consommation qui sont récoltées et ensuite utilisées.
Le big data est alors vu comme un 😈 qui soutire des informations personnelles.

Pourtant, c’est aussi grâce à lui que vous bénéficiez d’une meilleure expérience client que ce soit en ligne ou en magasin 😇.

Je vais vous parler aujourd’hui de 3 bénéfices de la data au service de l’expérience client : les chatbots, une meilleure segmentation, et de meilleures recommandations.

Les chatbots : pensés par les humains, pour les humains

Aujourd’hui en France, il y a, accrochez-vous, plus de 60 entreprises dans les chatbots répartis en 4 catégories :

Les startups françaises du chatbot data expérience client
Les startups françaises du chatbot data expérience client

 

La technologie sous-jacente : le NLP

Le Natural Language Processing n’a sûrement plus de secrets pour vous si vous avez suivi notre mini série de vulgarisation de la data, en particulier l’épisode 4 de la saison 1 🦜

Pour les nouveaux arrivant, une définition sommaire : le NLP ou Traitement Automatique du Langage Naturel permet à la machine de reconnaître les champs sémantiques issus du langage naturel (souvent écrit, bien que les technologies de reconnaissance vocale soient en plein boom).

Les plateformes utilisant la technologie NLP pour fournir une plateforme de création de chatbot (pour les développeurs et, à terme, pour le grand public). Ces plateformes permettent à l’utilisateur de générer son propre arbre de décision et d’y entrer les questions et les réponses souhaitées. Ces plateformes clé en main peuvent s’avérer limitées pour créer un chatbot « intelligent », capable par exemple de reconnaître des émotions et de réagir en fonction (on parlera alors de NLU, Natural Language Understanding).

Les différentes applications

Les fournisseurs de services spécifiques via un chatbot sont soit B2B (service client ou support interne) ou B2C (conciergeries en ligne, etc).

Pour le volet B2B, les startups proposant un chatbot viennent par exemple alléger les demandes clients d’un SAV, prenant le relais du standard téléphonique pour les questions clients classiques et pouvant si besoin rebasculer vers le call center.

Il s’agit aussi de chatbots de knowledge management allant puiser dans les ressources en ligne de l’entreprise et capables de sélectionner rapidement la bonne information pour les demandes des employés.

Il peut enfin être question d’outils pratiques automatisant les tâches récurrentes en entreprise (assistant virtuel à la prise de rendez-vous et gestion d’agenda grâce à Julie Desk, redirection des messages slack en e-mail grâce à MailClark, ou encore évaluation des compétences en langue étrangères grâce à Pipplet).

Pour le B2C, on retrouve des chatbots de conciergerie en ligne, le plus souvent accessibles depuis Facebook Messenger, qui nous conseillent sur les bons plans et les sorties en ville (concerts, expositions, restaurants à proximité, etc.).

répartition des startups du chatbot par catégories
répartition des startups du chatbot par catégories

Les grands comptes, premiers clients des startups

Quel que soit le secteur, les startups françaises du chatbot ont, pour nombre d’entre elles, travaillé sur un projet avec des grands groupes du CAC 40.

Les agences de conception de chatbot collaborent aussi bien avec des médias que des banques ou des groupes de retail :

  • Livebotter : La Redoute, Netflix, Société générale
  • Playbots : FNAC, Bouygues Immobilier, La Mutuelle générale
  • The bot studio : RATP, Renalt Nissan, Orange, Valéo
  • Vizir : La Poste, EDF, Leroy Merlin, Safran
  • Botmind : BNP Paribas, La Redoute, Webedia

Les grands groupes font également appel aux startups pour les aider à concevoir et mettre en place leurs chatbots de service client :

  • CallDesk : La Poste, Bouygues Telecom, Mgen, Voyages SNCF
  • iAdvize : Disney, Air France, Cdiscount, EDF, Voyages SNCF, Nespresso, IKKS

Automatisation des tâches :

  • Pipplet : Adecco, Saint Gobain, TelentSoft, Zalando, Kering

Plateforme de création de chatbot :

  • Smartly.AI : BNP Paribas, Orange, BPCE, SEB, PSA, Deloitte, BETC

Nouveau défi : la reconnaissance vocale

Nouveau défi à venir pour les startups du chatbot : intégrer la reconnaissance vocale à leur système. Si près de 60% des acteurs cartographiés sont disponibles sur Messenger, 30% incorporables à des sites internet et 30% disponibles via une application mobile dédiée, seuls 8% sont configurables avec un dongle vocal. L’ère des assistants vocaux, dont Snips est un acteur très prometteur, n’en est qu’à ses débuts en France et représente peut-être l’un des défis de cette nouvelle année.

Une meilleure segmentation client pour une meilleure compréhension du marché

La Data peut aider à segmenter des clients ?

Si vous vous souvenez bien, dans l’épisode 4 de la saison 2 de notre mini-série, nous avons montré comment repérer des clusters de consommateurs, c’est à dire des groupes d’individus dont les comportements sont similaires, en vue d’aider les équipes marketing et communication à mener des actions de ciblage précises.

Les algorithmes de réduction de dimension

L’ACP (Analyse par Composantes Principales) et le t-SNE (t-Distributed Stochastic Neighbor Embedding) sont deux algorithmes de réduction de la dimensionnalité, ie. des outils qui vont permettre de simplifier les données pour les visualiser en 2 dimensions.

La place de la visualisation

Grâce à la réduction de dimensions, on aboutit à des visualisations de ce type pour mieux cerner la représentation de chacun des clusters :

visualisation clusters dataviz
visualisation clusters dataviz

 

De meilleures recommandations pour un meilleur service après-vente

Les systèmes de recommandation de produit sont souvent les premières applications d’intelligence artificielle que souhaitent mettre en place les e-commerçants sur leur site web. C’est un choix logique qui aura un impact visible très rapidement sur les ventes. Voici quelques informations pour expliciter l’intérêt de l’intelligence artificielle sur la recommandation des produits.

Qu’est-ce que la recommandation produit ?

La recommandation produit existe sur la majorité des sites e-commerce mais aussi sur des outils marketing ou d’aide à la vente. Dans le cas d’un e-commerce elle est visible en bas d’une fiche produit (“vous aimerez aussi”…), lors de l’ajout d’un produit au panier (“les clients qui ont acheté ce produit ont également acheté”…), ou à d’autres emplacements du site. On trouve également très fréquemment des recommandations de produits dans les newsletters.

Sans algorithmes d’intelligence artificielle, les produits recommandés sont soit définis par le e-commerçant ou l’administrateur des ventes, soit définis par une règle statistique basique (historique des ventes).

Avec de l’intelligence artificielle, il devient possible d’automatiser ces suggestions et de les personnaliser à chaque client, en fonction des pages visitées, de son historique d’achat, du contenu de son panier, de son profil… et ainsi de proposer intelligemment les bons produits au bon client, au moment opportun. Cette personnalisation accrue est une stratégie très efficace pour développer les ventes, que ce soit dans un e-commerce ou dans le CRM d’un commercial.

Les avantages de l’intelligence artificielle pour la recommandation produit

Le machine learning a la capacité de traiter un très grand nombre de flux d’information pour définir la meilleure recommandation possible pour chaque client, ce qui n’est pas possible via une recommandation humaine (à moins d’échanger individuellement avec chaque client) ou via un algorithme classique qui se basera sur des données en trop faible quantité. Un moteur de recommandation en machine learning, couplé à une segmentation client par intelligence artificielle, permettra d’obtenir des résultats encore plus significatifs.

Les méthodes de machine learning et le deep learning se mettent au service de votre stratégie marketing avec l’objectif direct d’augmenter votre chiffre d’affaires.

Découvrez l’outil spécialement conçu pour les acteurs du retail souhaitant exploiter leurs données : Data Smart Supply.

Commencer la gestion de vos données !

INVYO

Comment améliorer les opérations en magasin ?

By
Ludovic Tran Thiet
-
0
Comment améliorer les opérations en magasin?
Comment améliorer les opérations en magasin?

Découvrez l’outil spécialement conçu pour les acteurs du retail souhaitant exploiter leurs données : Data Smart Supply.

Grâce à la planification et à la budgétisation de la main-d’œuvre par activité, les détaillants peuvent devenir plus efficaces tout en améliorant le service à la clientèle et la satisfaction des employés.

C’est un sujet récurrent pour le commerce de détail avec des outils, des processus, du personnel et des demandes qui changent constamment. Alors que ces changements amènent de nouvelles contraintes et innovations, les fondamentaux demeurent. Les entreprises qui en ont une compréhension claire ont un avantage sur leurs pairs pour identifier et opérationnaliser l’innovation dans les opérations des magasins.

Les logiciels et solutions prêts à l’emploi, bien qu’utiles pour des tâches importantes telles que la surveillance de l’assiduité des employés et la gestion de la paie produisent généralement des horaires génériques qui ne prennent pas en compte des facteurs comme la charge de travail spécifique au magasin.

Si un détaillant pouvait mieux prédire le nombre et l’ensemble de compétences des employés dont chacun de ses magasins a besoin tous les jours (ou mieux, toutes les heures) de la semaine, les clients obtiendraient une assistance commerciale rapide, les étagères seraient réapprovisionnées en temps opportun, les employés ne seraient ni oisifs ni surmenés, et, dans la plupart des magasins, les coûts de main-d’œuvre diminueraient.

Une inadéquation entre l’offre et la demande

De nombreux détaillants utilisent la gestion de la main-d’œuvre logicielle pour générer un planning hebdomadaire du personnel propre à chaque magasin. Ce calendrier est généralement basé sur les prévisions de revenus. Le chiffre d’affaires est un critère judicieux pour la planification, mais elle est insuffisante car les habitudes d’achat des clients (taille moyenne du panier, prix d’achat moyen par article…) peuvent varier selon les heures et les jours.

De plus, la plupart des détaillants n’ont pas de moyen de tenir compte des facteurs spécifiques au magasin qui affectent la durée des activités, comme la distance qu’un employé doit marcher pour transporter une palette d’un camion de livraison au magasin ou combien d’ascenseurs les employés peuvent utiliser pour apporter des produits à la surface de vente. La même activité peut représenter beaucoup plus de temps dans un magasin que dans un autre, même si les deux magasins ont des revenus égaux.

Les budgets de main-d’œuvre sont ainsi souvent en décalage avec la réalité actuelle d’un magasin.

Quatre conditions préalables pour l’excellence

Pour révolutionner leur planification du travail et la budgétisation, les détaillants innovants ne sont pas simplement appuyés sur une gestion de la main-d’œuvre prête à l’emploi. Au lieu de cela, ils suivent un programme basé sur l’activité, ce qui signifie que les bons employés travaillent au bon moment, effectuent les bonnes tâches et dépensent le moins de temps nécessaire à ces tâches.

Il existe quatre conditions préalables à l’excellence : — calculer la charge de travail spécifique au magasin, en tenant compte du service prédéfini et des normes de processus. — prévoir des « moteurs de volume » (tels que les revenus par département, par heure, et flux de produits) pour chaque magasin, en fonction des modèles de régression sophistiqués ainsi que de l’expérience de gérant de magasin. — avoir une main-d’œuvre flexible — avec un mélange de temps plein, temps partiel et temporaire, qui peut s’adapter aux horaires qui peuvent changer quotidiennement. — suivre des processus robustes de gestion des performances, avec une productivité et des objectifs de niveau de service, pour s’assurer que tous les magasins sont à bord et respectent le plan.

Dans la pratique, la première condition préalable est le plus souvent la clé de l’amélioration.

Comment calculer les charges de travail avec précision

Il s’agit de se concentrer sur les activités qui constituent une part importante de la charge de travail des employés du magasin. Par exemple, ajuster une étagère ne nécessite pas une mise à jour du planogramme, car cette activité représente moins de 1 % de la charge de travail totale. En revanche, les activités liées au réapprovisionnement peuvent prendre jusqu’à 70% du total des heures de travail dans un magasin.

Mise en œuvre et déploiement

La mise en œuvre d’une approche par activités nécessite un outil qui peut transformer les données entrantes en valeurs utiles pour les gérants de magasin. Les valeurs peuvent inclure le nombre requis d’employés à temps plein par heure et par jour, les tâches spécifiques que les employés doivent faire à certaines heures de la journée, et le coût de main-d’œuvre associée.

Les détaillants trouvent généralement qu’il est plus facile et plus rapide de construire un tel outil à partir de zéro et ensuite injecter ses sorties dans leurs systèmes de gestion de la main-d’œuvre existants, plutôt que de construire l’outil au sein de leur système RH actuel.

Découvrez l’outil spécialement conçu pour les acteurs du retail souhaitant exploiter leurs données : Data Smart Supply.

Commencer la gestion de vos données !

INVYO

10 raisons qui rendent la data incontournable dans le retail

By
Ludovic Tran Thiet
-
0
10 raisons qui rendent la data incontournable dans le retail
10 raisons qui rendent la data incontournable dans le retail

Découvrez l’outil spécialement conçu pour les acteurs du retail souhaitant exploiter leurs données : Data Smart Supply.

La science des données a un impact croissant sur les modèles commerciaux dans tous les secteurs, y compris le commerce de détail. Selon IBM, 62 % des détaillants affirment que l’utilisation des techniques du Big Data leur confère un sérieux avantage concurrentiel. Savoir ce que votre client veut et quand est aujourd’hui à portée de main grâce à la science des données. Vous avez juste besoin des bons outils et des bons processus. Nous vous présentons dans cet article 10 applications incontournables de la data science dans le domaine du retail.

1. Offrir une expérience client plus intelligente

Un consommateur attend des entreprises qu’elles anticipent leurs besoins, qu’elles aient les produits qu’elles désirent et qu’elles communiquent avec elles en temps réel. Pour répondre aux attentes des clients, Mall of America, le deuxième plus grand complexe commercial américain, a travaillé avec IBM pour fournir un chatbot nommé E.L.F. Cette chatbox accompagne les visiteurs du vaste complexe en créant des parcours shopping personnalisés et en proposant une expérience client adaptée aux besoins de chacun.

Avec ce type de techniques, les détaillants ont la possibilité de combiner les résultats des données client avec le niveau de stock ou les données de promotion des prix pour déterminer quels produits sont vendus dans chaque magasin. Cela garantit que les produits présentés correspondent aux habitudes d’achat des clients de chaque site.

2. Utiliser les médias sociaux pour prévoir les tendances

En tant que détaillant, si vous n’écoutez pas les médias sociaux, vous manquez de nombreuses informations gratuites et potentiellement précieuses qui peuvent vous aider à repérer les tendances.

Nordstrom, un détaillant de luxe, a maîtrisé l’exploitation du Big Data pour fusionner les expériences en ligne et hors ligne. Par exemple, l’équipe marketing de Nordstom suit les réseaux Pinterest, Instagram et Twitter pour identifier les produits les plus populaires. Ils utilisent ensuite ces données pour promouvoir les « bons » produits dans leurs magasins physiques. En plus de cela, Nordstrom héberge des écrans tactiles interactifs dans ses vestiaires pour permettre aux clients de commander des produits et de vérifier leur inventaire en ligne.

Cet accompagnement sur les réseaux sociaux utilise majoritairement des données non structurées. L’utilisation du traitement du langage naturel (NLP) pour extraire des informations des médias sociaux et de l’apprentissage automatique, pour leur donner un sens, peut donner à l’entreprise un avantage sur la concurrence. Cependant, vous devez trouver le juste équilibre en utilisant ce type de données pour fidéliser les clients tout en respectant leur vie privée.

3. Mise en place de la réalité augmentée

Depuis 2010, TopShop, multinationale de l’habillement, expérimente de nouvelles technologies pour intégrer la réalité augmentée dans son expérience d’achat. Les magasins phares disposent de cabines d’essayage virtuelles où les clients peuvent choisir des vêtements pour voir à quoi ils ressemblent en les portant sur un écran. Cela permet au client d’économiser le temps et les efforts nécessaires pour essayer les vêtements eux-mêmes.

Le géant suédois du meuble IKEA a présenté pour la première fois la reconnaissance d’image et la réalité augmentée dans la présentation du catalogue 2013. Les clients pouvaient parcourir le catalogue avec leurs appareils mobiles pour mettre en avant les produits qui les intéressaient, et à partir de là, la marque proposait du contenu numérique personnalisé et des avis pour les informer de leur achat. La marque a également utilisé la technologie de reconnaissance d’image, avec laquelle les clients peuvent scanner les articles du catalogue et les placer virtuellement chez eux pour voir à quoi ils ressemblent. Ils peuvent ensuite sélectionner les couleurs et les tailles qui fonctionnent le mieux dans l’espace sans avoir à sortir et à acheter le produit. Cela a permis aux lecteurs du catalogue de faire des achats éclairés, augmentant ainsi la satisfaction des clients et réduisant le nombre d’articles retournés.

4. Booster les moteurs de recommandations

Il a été rapporté que plus de 35% de toutes les ventes d’Amazon sont générées par leur moteur de référence. Le principe est assez basique : en fonction de l’historique d’achat d’un utilisateur, des articles qu’il a déjà dans son panier, des articles qu’il a remarqués ou aimés par le passé, et de ce que d’autres clients ont vu ou acheté récemment, des recommandations sur d’autres produits sont automatiquement générées.

La recommandation est l’un des cas d’utilisation classiques de la science des données dans le commerce de détail. La mise en œuvre de modèles d’apprentissage automatique sur des données historiques peut conduire à des plans de recommandations précis et efficaces.

5. Analyser le parcours d’achat

Analyser la façon dont un client est venu faire un achat est un autre outil de vente au détail qui peut être amélioré par la Data Science.

Alors que les marketeurs étudient depuis de nombreuses années les techniques du Path to Purchase, l’avènement de la Data Science leur permet de tirer le meilleur parti de ce type d’analyse. L’essor du marketing multicanal dans les ventes au détail et omnicanal a créé de nombreux chemins différents que les clients peuvent suivre pour acheter un produit.

Les outils d’apprentissage automatique peuvent aider à comprendre les habitudes d’achat des clients et à se concentrer sur ce qui fonctionne exactement dans le monde réel.

6. Analyse des tickets d’achat

L’analyse du panier de consommation est une technique standard utilisée par les détaillants pour déterminer les groupes de produits que les clients sont susceptibles d’acheter ensemble. C’est un processus classique d’un point de vue commercial, mais il est maintenant automatisé avec Data Science.

Les capacités de stockage de données, de plus en plus croissantes, permettent d’analyser un plus grand volume de tickets et donc d’avoir plus de confiance dans l’analyse.

7. Gérer un bien immobilier

La science des données peut également aider les grands détaillants à optimiser leurs dépenses de gestion immobilière. Ainsi, l’analyse des données relatives aux différents équipements d’un bâtiment (maintenance préventive) permet d’éviter des pannes catastrophiques. La mise en œuvre de l’apprentissage automatique dans le cadre de la maintenance prédictive en plus de s’appuyer sur des données historiques fournit des modèles qui s’améliorent au fil du temps tout en réduisant les coûts associés. Les détaillants peuvent également économiser beaucoup d’argent en utilisant Data Science pour analyser leur consommation d’énergie. Dans ce contexte, la Data Science nous aide non seulement à établir un budget, mais aussi à rechercher des améliorations dans des biens particulièrement énergivores comme les centres commerciaux.

8. Optimisation des prix

Avoir le bon prix sur un produit peut faire la différence entre réaliser une vente et perdre un client. Mais quel est le juste prix ? Les détaillants qui abordent ce problème avec des outils Big Data peuvent avoir un avantage sur ceux qui ne le font pas.

Dans de nombreux cas, fixer le bon prix nécessite de savoir ce que vos concurrents facturent. Ces données peuvent être collectées électroniquement à l’aide d’algorithmes qui explorent les sites Web des concurrents pour obtenir des informations détaillées sur les prix des produits.

9. Maximiser l’inventaire

Les cycles de vie des produits de plus en plus accélérés et les opérations de plus en plus complexes obligent les détaillants à utiliser la science des données pour comprendre les chaînes d’approvisionnement et assurer une distribution optimale des produits.

L’optimisation des stocks est une opération qui touche de nombreux aspects de la chaîne d’approvisionnement et nécessite souvent une coordination étroite entre les fabricants et les distributeurs. Les détaillants cherchent de plus en plus à améliorer la disponibilité des produits tout en augmentant la rentabilité des magasins pour obtenir un avantage concurrentiel et améliorer les performances commerciales.

Ceci est possible grâce à des algorithmes d’expédition qui déterminent quels produits stocker en tenant compte de données externes telles que les conditions macroéconomiques, les données climatiques et les données sociales. Les serveurs, les machines d’usine, les appareils appartenant aux clients et l’infrastructure du réseau énergétique sont tous des exemples de sources de données précieuses.

10. Détecter la fraude

La fraude est un énorme problème dans le commerce de détail. Cela représente des sommes colossales perdues chaque année.

La science des données peut aider les détaillants à créer des prévisions de ventes de référence pour chaque produit. Si un produit s’écarte considérablement de cette plage, cela pourrait indiquer une activité « poissonneuse ».

La fraude commise par les employés peut être difficile à arrêter. Mais avec la puissance de la science des données, les contrôleurs peuvent être en mesure de créer plus de transparence dans les activités internes.

Conclusion

Ces utilisations innovantes de la Data Science améliorent réellement l’expérience client et ont le potentiel de booster les ventes au détail. Les avantages sont nombreux : meilleure gestion des risques, amélioration des performances et possibilité de découvrir des informations qui auraient pu être cachées.

La plupart des détaillants utilisent déjà des solutions de science des données pour fidéliser leurs clients, renforcer la notoriété de la marque et améliorer les notes des développeurs. Alors que la technologie continue de progresser, une chose est sûre : la Data Science a encore beaucoup à offrir dans le monde du retail !

Découvrez l’outil spécialement conçu pour les acteurs du retail souhaitant exploiter leurs données : Data Smart Supply.

Commencer la gestion de vos données !

INVYO

5 chiffres clés de la fintech

By
Ludovic Tran Thiet
-
0
5 chiffres clés de la fintech
5 chiffres clés de la fintech

Notre équipe a sélectionné 5 chiffres clés concernant le monde des Fintech pour aider les gens à mieux comprendre l’importance qu’a ce secteur dans le domaine financier.
Dans cet article nous vous les partageons et commentons.

Les chiffres Fintech :

  • +174%

C’est l’augmentation de levées de fond qui a été réalisée entre 2020 et 2021 : Un record absolu après 93 opérations effectuées durant l’année précédente. Des chiffres très prometteurs qui démontrent la puissance des Fintech d’aujourd’hui. Avec un montant total de levées de fond atteignant 2,72 milliards d’euros, la France se hisse à la 3e place au niveau Européen.

  • 700 Fintech

Le paysage français compte aujourd’hui 700 Fintech contre 387 en 2020. Cette forte hausse traduit la valeur ajoutée qu’apportent les Fintech dans le monde financier. Un secteur qui attire les investisseurs mais aussi les entrepreneurs car c’est un secteur très porteur en termes de nouvelles technologies notamment.

5 nouvelles licornes Fintech

Depuis fin 2021, nous pouvons dénombrer 5 nouvelles licornes Fintech :

  • Ledger
  • Swile
  • Alan
  • Shift Technology
  • Lydia

Concernant ces nouvelles valorisations, la plus élevée revient à Ledger avec une levée de fond de 312 millions d’euros. Encore une fois, un record qui témoigne de la puissance des Fintech d’aujourd’hui mais aussi leur volonté de pérennité, étant précisé qu’il existe aujourd’hui plus de 220 licornes Fintech dans le monde.

  • 96%

C’est le pourcentage représentant le nombre de clients dans le secteur bancaire qui utilisent au moins un service offert par une Fintech. Ce chiffre prouve aujourd’hui l’implantation non discutable des Fintech dans le monde bancaire.

  • 85%

Cette donnée représente la part des Fintech présentes en Ile-de-France. Comme nous pouvons le constater, cette région attire beaucoup de start up et plus précisément des Fintech. Le grand nombre d’incubateurs comme Station F ou Platform58 présents en Ile de France témoigne de l’attractivité de la région.

Pour finir, nous pouvons déjà annoncer que l’année 2022 s’annonce très favorable pour ce secteur. En espérant voir d’autres records voir le jour.

Commencer la gestion de vos données !

INVYO

Sur le même sujet : The European Top 50 of the most valued Fintech

La Data qui protège nos rues – [Happy news de la data] Ep3

By
Ludovic Tran Thiet
-
0
La data qui protège nos rues
La data qui protège nos rues

Bienvenue pour le troisième épisode votre série “Happy news de la Data”, placée sous le signe de la joie et de la bonne humeur ! Pour retrouver l’épisode 2, c’est par ici, l’épisode 1 également.

Qui a dit que la Data doit être circonscrite au monde de la Tech ? Que diriez-vous de prendre un peu de hauteur, comme notre super mascotte Super Parrot, et d’observer à tour de rôle des expériences où la Data nous procure de la joie ? 😃

On continue cette nouvelle série avec une nouvelle qui nous vient d’Ecosse 🏴󠁧󠁢󠁳󠁣󠁴󠁿

Quand la Data permet de maintenir l’ordre

Un maintien de l’ordre efficace repose sur de bonnes données. La prévention et la réduction de la criminalité, en particulier de la criminalité grave et organisée, dépendent de la capacité des forces de l’ordre à obtenir rapidement un aperçu de la quantité énorme et croissante d’informations à leur disposition.

Le problème, étant donné le volume et la variété de ces données, est de savoir où chercher en premier. Une grande partie des données disponibles pour les analystes de données et les cadres supérieurs des forces de l’ordre ne sont pas structurées. En d’autres termes, il ne s’aligne pas de manière ordonnée dans une base de données relationnelle ou une feuille de calcul. Les forces de police collectent des données de nombreux types différents – images de vidéosurveillance, enregistrements téléphoniques, conversations et images sur les réseaux sociaux, etc. Il est difficile de lier cette variété de sources pour obtenir des informations précieuses.

Il exige les tout derniers outils d’intégration de données, capables d’agréger toutes les informations potentiellement pertinentes et de les présenter de manière à fournir des informations via une plateforme unique et facile à utiliser et à découvrir les corrélations entre les ensembles de données. Avec les techniques de visualisation de données d’aujourd’hui, une image émerge de différents ensembles de données sans perdre de temps à parcourir les informations. Les criminels organisés travaillent vite et changent régulièrement de tactique. Le temps perdu dans des recherches de données manuelles élaborées et complexes peut leur donner la chance dont ils ont besoin pour passer à autre chose et échapper à la détection.

La visualisation des données est essentielle aux efforts d’application de la loi d’aujourd’hui.

Il complète l’analyse des données en convertissant les informations collectées à partir de diverses sources en une image claire, affichée à l’aide d’éléments familiers tels que des graphiques, des tableaux et des cartes. En utilisant le traitement du langage naturel ainsi que l’intelligence artificielle et les capacités d’apprentissage automatique, des modèles autrement invisibles émergent.

Une vue facilement assimilable des données peut aider de plusieurs manières. En voici quelques-uns :

Interprétation des données visuelles

Le cerveau humain peut traiter les données visuelles 60 000 fois plus rapidement que le texte. La visualisation des données donne aux professionnels de l’application de la loi un avantage crucial, car les outils visuels intelligents amplifient les capacités humaines et leur permettent de repérer plus facilement les anomalies ou les modèles dans les données. Ils peuvent également mieux comprendre les opérations, identifier les domaines à améliorer et découvrir les liens de preuves manquants pour une résolution plus rapide des cas.

Déploiement de l’analyse prédictive

L’accès à l’analyse prédictive et prescriptive signifie que les professionnels de l’application de la loi peuvent créer et déployer des modèles statistiques qui fournissent des alertes lorsque de nouveaux incidents sont susceptibles de se produire, avec un contexte sur les circonstances qui nécessitent une enquête proactive. La visualisation des données est au cœur de cela, car elle fournit une traduction facile à comprendre des modèles d’apprentissage automatique et présente des informations exploitables. Des modèles peuvent être repérés, donnant aux forces de l’ordre une longueur d’avance critique. Des techniques visuelles simples telles que l’attribution d’une gamme de couleurs allant de l’ambre au rouge aux zones préoccupantes sur une carte sont très efficaces.

Partage des données critiques

La visualisation des données n’est pas seulement d’une utilité académique pour les data scientists. Il est utile pour tous les membres de l’équipe d’application de la loi, des agents dans la rue aux superviseurs et analystes au bureau. Les détectives enquêtant sur le crime organisé peuvent utiliser la sortie visuelle de ces outils pour voir les liens entre les personnes, les biens et les transactions financières au sein d’un syndicat du crime sans avoir besoin de qualifications en science des données. Tout le monde peut voir ce que disent les données. Différentes équipes, voire différentes forces de police, peuvent partager des informations de manière transparente sans craindre les incompatibilités du système.

Gestion de ressources restreintes

Les responsables de l’application des lois sont toujours à la recherche d’une allocation des ressources plus efficace et de meilleures façons de jongler avec des quantités limitées de personnel et d’équipement. Des ressources mal organisées peuvent avoir un impact sur tout, depuis la résolution des crimes, le moral du service et la perception dans la communauté. Avec une plateforme de visualisation de données, ils peuvent repérer les domaines qui nécessitent une attention immédiate et à long terme. Ils peuvent également voir quels crimes ont le plus grand impact sur la communauté et nécessitent donc le plus de ressources.

Améliorer les relations communautaires

La visualisation des données donne à la police une chance de se connecter avec leurs communautés, démontrant les résultats de leur travail sous une forme digeste et interactive. Ils peuvent présenter les tendances du taux d’incidents, sensibiliser aux problèmes de sécurité émergents et favoriser l’engagement de la communauté. Le partage de données renforce la confiance et la coopération, ce qui facilite à long terme la collecte de preuves et la résolution de cas.

La police n’est pas en mesure de partager tous les succès dont ils ont bénéficié avec la visualisation de données, mais d’autres le peuvent.

Par exemple, la manière dont l’Agence écossaise de protection de l’environnement (SEPA) utilise les données pour faire face à la menace des pollueurs illégaux offre une comparaison étroite et pertinente.

La SEPA joue un rôle essentiel dans la collaboration avec le gouvernement, l’industrie et le public pour assurer la conformité réglementaire aux règles environnementales. Il dispose d’une gamme de pouvoirs d’exécution qu’il peut appliquer pour s’assurer que les réglementations sont respectées. Cependant, l’application repose sur la capacité d’analyser intelligemment des données provenant de sources multiples, sur la qualité de l’air, de l’eau et du sol par exemple.

La SEPA possède des millions d’enregistrements datant de plusieurs décennies dans une grande variété de formats et s’appuyait sur la collecte, l’analyse et la communication manuelles de ses échantillons de test à mettre en parallèle avec les données historiques pour aider à repérer les tendances de la pollution. Avec une plateforme d’analyse complétée par la science des données et la visualisation, SEPA a construit une gamme de solutions personnalisables pour traiter une grande variété de tâches liées aux données. Les membres du personnel transportent des analyses visuelles sur une tablette partout où ils vont. N’ayant plus besoin d’écrire de code ou de transporter des classeurs physiques d’analyses de données, ils peuvent exécuter des analyses de données sur place et répondre aux questions sur le moment. Les cas d’utilisation peuvent impliquer l’examen des polluants, de l’écologie et des mesures de laboratoire, tandis que d’autres ont couvert la conformité de l’industrie, les lois et les licences.

Tout comme elle l’a fait pour le SEPA, la visualisation des données peut aider les forces de l’ordre à identifier des modèles de données inédits pour prendre de meilleures décisions maintenant et aider à orienter l’orientation future pour résoudre les défis cachés dans leurs efforts pour réduire la criminalité.

Merci pour votre lecture, et à très bientôt pour un nouvel épisode de la série qui décoiffe la Data !

Actionnez vos données !

INVYO

La Data qui pense aux autres – [Happy news de la data] Ep2

By
Ludovic Tran Thiet
-
0
La data qui pense aux autres
La data qui pense aux autres

Bienvenue pour le second épisode votre série “Happy news de la Data”, placée sous le signe de la joie et de la bonne humeur ! (Pour retrouver l’épisode 1, c’est par ici)

Qui a dit que la Data doit être circonscrite au monde de la Tech ? Que diriez-vous de prendre un peu de hauteur, comme notre super mascotte Super Parrot, et d’observer à tour de rôle des expériences où la Data nous procure de la joie ? 😃

On continue cette nouvelle série avec une nouvelle qui nous vient de France 🐓

La téléphonie éthique

L’opérateur téléphonique Bouygues Telecom a lancé en mars une offre inédite, qui se distingue des forfaits mobiles classiques. C’est un nouveau type de forfait qui transforme l’Internet mobile non utilisé par le client en dons à des associations. Il n’y a rien à faire, Bouygues se charge de le faire pour vous automatiquement !

Le forfait “Source”

Le forfait “Source” est ainsi le premier forfait mobile éthique. Son coût utilisateur est de 10 euros par mois pour 10 Go de data, le tout sans engagement avec appels et SMS illimités. Il est ouvert aux nouveaux abonnés tout comme aux anciens. La souscription se fait en ligne par le biais de l’application mobile (Apple et Android). La quantité de data peut être augmentée au cas par cas pour un 1 € par Go. Et il est également possible de désactiver temporairement sa ligne.

Un Go équivaut à 100 gouttes d’eau (100 gouttes sont offertes lors de la commande de la carte SIM). A la fin du mois, l’utilisateur convertit sa data encore disponible grâce à un catalogue de plus de 1000 projets à vocation sociale ou environnementale. Vous pouvez ainsi contribuer au maintien de la biodiversité (Sea Shepherd France), soutenir des modèles de production locaux et autonomes (le mouvement Amap), soutenir les malades (Les Petits Princes), protéger les animaux maltraités (SPA).

Un moteur de recherche solidaire

L’offre s’appuie sur le moteur de recherche solidaire Lilo. Il permet à ses utilisateurs de traduire leurs demandes en dons à des associations sous forme de gouttes. Depuis 2015, 4 millions d’euros ont été collectés par Lilo, ce qui représente entre 20 et 30% du budget de certaines associations selon Sophie Bodin, sa présidente.

Qui aurait cru que la téléphonique pourrait devenir éthique ? A très bientôt pour un nouvel épisode qui décoiffe la Data !

Actionnez vos données !

INVYO

123...47Page 2 of 47

POPULAR

EDITOR CHOICE

Discover Open Future World – Use case

Team Europe -
0
Open Future world use case
What is Open Future World? Open Future World is the leading source of information about open banking, open finance and the open future.  Championing progress...

POPULAR POSTS

POPULAR CATEGORY

© Invyo 2019