Cas de succès II

  • Home
  • /
  • Cas de succès II

Le défi

Développement d’un outil logiciel pour doter d’intelligence commerciale un producteur et commercialisateur de silicium au niveau mondial.

Ce projet décrit un cas d’utilisation de l’Intelligence Artificielle comme outil d’analyse et de prédiction dans le comportement d’un marché particulier.

Pour quelle raison et dans quel but ?

Le phénomène de la mondialisation des marchés a intégré de grandes variations dans les modèles d’affaires des entreprises. De nos jours, le marché est le monde et les entreprises envisagent leurs stratégies de croissance en tenant compte de fournisseurs ou clients potentiels sur les cinq continents. Les opportunités que ce modèle renferme sont pourtant accompagnées de nombreuses menaces. Dans tous les scénarios de marché, la connaissance de leurs paramètres est critique lorsqu’il s’agit de prendre les bonnes décisions. Notre solution, employée comme moteur d’analyse et de prédiction du comportement du marché, apporte de l’intelligence et des arguments documentés pour aider à prendre de bonnes décisions.

Dans ce cas de succès, nous constatons que l’utilisation de l’Intelligence Artificielle permet à une société multinationale de fabrication et commercialisation de silicium de contrôler le comportement du marché global dans lequel elle opère.

Comment ?

Intelligence commerciale. C’est la valeur que nous apportons à cette société multinationale dans la délibération et la prise de décisions concernant son entreprise. Tout d’abord, il a fallu identifier les sources de données publiques que certains organismes internationaux publient de manière plus ou moins régulière. Comme toujours, les données sont là ; il suffit de les rassembler et de les analyser dans leur ensemble afin d’y extraire des connaissances très précieuses qui se cachent derrière un grand désordre de chiffres et de variables.

Lorsque toutes les sources ont été identifiées, la technologie big data que nous avons intégrée a permis d’ordonner, de catégoriser, de nettoyer et d’intégrer cette grande quantité d’informations. Une fois que cette étape a été complétée, nous avons conçu un tableau de bord pour faire connaître ses résultats d’une manière claire et intuitive, afin de répondre à un ensemble de consultations préalablement définies avec le client. Flux de marché, importations et exportations des différents pays, tonnes totales des opérations, montant, périodes de temps, zones géographiques… Ces informations et d’autres données importantes (taux de
change ou identification des écarts) ont été non seulement intégrées d’une manière historique en prenant les données des dernières décennies, mais en plus, elles sont mises à jour automatiquement sur le dashboard du client avec toutes les données qui sont rendues publiques.

Après avoir contrôlé tout ce qui s’est produit dans le passé (avec la possibilité d’interpréter des tendances, des opérations importantes, des jalons…) et après avoir automatisé la mise à jour de toutes les sources de valeur, le moment est venu d’appliquer une technologie d’apprentissage automatique pour pouvoir fournir des informations sur des scénarios futurs. Pour ce faire, et comme dans toutes les étapes de prédiction de nos projets, nous avons mis au point une infinité de combinaisons algorithmiques jusqu’à ce que nous avons identifié la plus efficace pour trouver une réponse aux cas envisagés. Nous avons entraîné le modèle avec des données historiques et nous avons vérifié sa validité afin de commencer à l’appliquer avec des données en temps réel.

Conclusions

Actuellement, notre client a un accès immédiat à toutes les données relatives à son marché, pouvant répondre ainsi à d’innombrables consultations essentielles dans le cadre de la prise de décisions ; il a accès à des prédictions de comportements futurs avec une marge d’erreur estimée. En définitive, il connaît mieux sa place sur le marché et peut accéder d’une manière simple et intuitive à de très nombreuses informations sans besoin d’extraire des connaissances de l’analyse personnelle et périodique d’un scénario de données chaotique.