Nous vous accompagnons de la définition de votre stratégie à l'industrialisation de vos cas d'usage : du prototype à la mise en production ATILIA vous accompagne vers l'excellence.

     Optimisation du coût logistique :

Extraction des dimensions des objets d'art à partir de leurs descriptions en langage naturel et de leurs photos. Résultats : précision de 64%

Environnement technique : Google Cloud Platform, Python (Pandas, Scikit-learn, Quantulum3)

     Optimisation du coût logistique :

Extraction des dimensions des objets d'art à partir de leurs descriptions en langage naturel et de leurs photos. Résultats : précision de 64%

Environnement technique : Google Cloud Platform, Python (Pandas, Scikit-learn, Quantulum3)

     Classification de documents :

utilisation d'un réseau de neurones à convolution profond (InceptionV3) pour distinguer 3 documents administratifs (avis d’imposition page1, 2&3, relevé CPAM)

Résultats : précision de 97%

     Détection de la fraude à l’incapacité de travail :

Cadrage du projet, modélisation (combinaison de deux modèles : RandomForest et Gradient Boosted Tree), mise en production (MLflow, Azure Databricks)

Définition des KPI et suivi de l’algorithme en production (carte de contrôle)

Résultats : précision de 72%, indu estimé de 7,6 M€

     Création d’un ‘Feature Store’ (entrepôt de variables pour les data scientist) :

Cadrage du besoin, architecture de la solution

Mise en œuvre et déploiement sous forme d’un package Python avec Pyspark et le Framework ‘Feature Factory’ du Databricks lab.

Environnement technique : Python (PySpark, Keras, Graphframes, Pandastable, ...), Databricks, Microsoft Azure, SQL, IntelliJ, Git, deep learning, transfert learning

     Animation d’une session de formation aux enjeux de l’intelligence artificielle (une journée)

-     Les origines du Big Data

-     Les limites des bases de données relationnelles

-     Technologie du Big Data

-     De la statistique à l’intelligence artificielle

     Animation d’une session de formation aux enjeux de l’intelligence artificielle (une journée)

-     Les origines du Big Data

-     Les limites des bases de données relationnelles

-     Technologie du Big Data

-     De la statistique à l’intelligence artificielle

     Moteur de recommandation :

Cadrage du projet, modélisation de l’appétence au contrat « Obsèques » (RandomForest, F1score = 80%)

Déploiement (tests unitaires, acceptance, environnement Azure Databricks)

Indicateurs de performance (gain, rendement, matrice de transition) pour le suivi des modèles en production

     Détection de l’attrition :

Utilisation d’un auto-encodeur pour prédire le départ à la concurrence

Environnement technique : Python (PySpark, Scikit-learn, Keras, Seaborn …), Databricks, Microsoft Azure, SQL, IntelliJ, Git

Consolidation, nettoyage et analyse des backlogs d’erreurs SAP :

-     Durant le déploiement de SAP, consolidation quotidienne des rapports d’erreurs (facturation, stock, commande…) à l’aide d’algorithmes développés en VBA

-     Développement d’un algorithme de correction automatique des erreurs d’adressage de stock

-     Création d’un tableau de bord de suivi hebdomadaire présenté au comité de direction

Environnement technique : VBA Excel, SAP

Consolidation, nettoyage et analyse des backlogs d’erreurs SAP :

-     Durant le déploiement de SAP, consolidation quotidienne des rapports d’erreurs (facturation, stock, commande…) à l’aide d’algorithmes développés en VBA

-     Développement d’un algorithme de correction automatique des erreurs d’adressage de stock

-     Création d’un tableau de bord de suivi hebdomadaire présenté au comité de direction

Environnement technique : VBA Excel, SAP

     Typologie clientèle :

Audit des données, statistique descriptives, segmentation (5 clusters), présentation client

     Étude de l’évolution du comportement des clients avant et après une segmentation :

Suivi des indicateurs en CA et en fidélité (fréquence achat, Net Promoter Score) sur 24 mois

Présentation client

Gain attendu : poursuite du programme de fidélisation

     Business Model :

Simulation de l’impact d’un changement de programme de fidélité

Paramétrage des hypothèses, simulation des différents scénarios (carte gratuite, payante, à durée limitée …)

     Management :

Encadrement d’une équipe de 3 Data Scientists

Environnement technique : SAS, SPSS Modeler , SQL, Excel

Marketing :

Typologie clientèle :

Audit des données, statistique descriptives, segmentation (5 clusters), présentation client

Environnement technique : SAS, SPSS Modeler, SQL, Excel

Étude de l’évolution du comportement des clients avant et après une segmentation :

Suivi des indicateurs en CA et en fidélité (fréquence achat, Net Promoter Score) sur 24 mois Présentation client

Gain attendu : poursuite du programme de fidélisation

Environnement technique : SQL, Excel

Business Model :

Simulation de l’impact d’un changement de programme de fidélité

Paramétrage des hypothèses, simulation des différents scénarios (carte gratuite, payante, à durée limitée …)

Environnement technique : SQL, Excel

     Segmentation clientèle B2B

     Référencement automatique des nouveaux produits :

Algorithme de sélection des produits à référencer (programme SAS)

Gain attendu : 2 M€ CA

Stratégie :

     Recommandations sur l’infrastructure du système d’information

Environnement technique : SAS, SQL, Excel

Marketing :

Segmentation clientèle B2B

Référencement automatique des nouveaux produits :

Algorithme de sélection des produits à référencer (programme SAS)

Gain attendu : 2 M€ CA

Environnement technique : SAS, SQL, Excel

Stratégie :

Recommandations sur l’infrastructure du système d’information

Marketing :

Segmentation clientèle B2B

Référencement automatique des nouveaux produits :

Algorithme de sélection des produits à référencer (programme SAS)

Gain attendu : 2 M€ CA

Environnement technique : SAS, SQL, Excel

Stratégie :

Recommandations sur l’infrastructure du système d’information

Supply Chain :

Avant projet du changement de logiciel de prévisions des ventes :

Analyse du besoin, définition du périmètre, processus, planning

Environnement technique : SAP, APO, Excel, Power point

Administration réseau et systèmes :

     Administration de 2 sites distants, 15 serveurs physiques, 25 serveurs virtuels, 30 stations de travail (Windows et MacOs)

Maintenance de l’infrastructure

Qualification et gestion des fournisseurs

Téléphonie mobile :

     Segmentation des abonnés (flotte de 200 utilisateurs)

Algorithme de proposition du forfait le plus adapté (Arbre de décision mis en production sous Excel)

Négociation de la tarification avec Orange

Optimisation du cout financier : baisse de 15%

Infrastructure des données :

     Collecte des données des automates des machines mobiles vers un extranet (module développé avec des Raspberry pi)

     Collecte des données photo et vidéo (mise en place caméras, serveur, acquisition logiciel et stockage)

Automatisme :

     Maintenance des machines (Schneider Modicon)

     Rétrofitt

     Gestion des fournisseurs et des sous-traitants

Environnement technique : Automates Schneider Modicon, OpenVPN, Debian, Windows Server, MacOs, iOS, Android, VMware, Excel

Téléphonie mobile :

Segmentation des abonnés (flotte de 200 utilisateurs)

Algorithme de proposition du forfait le plus adapté (Arbre de décision mis en production sous Excel)

Optimisation du cout financier : baisse de 15%

Environnement technique : Excel, pdf

Infrastructure des données :

Collecte des données des automates des machines mobiles vers un extranet (module développé avec des Raspberry pi)

Collecte des données photo et vidéo (mise en place caméras, serveur, acquisition logiciel et stockage)

Environnement technique : Automates Schneider Modicon, OpenVPN, Debian, Windows Server, MacOs, VMware

Finance :

Modélisation de la ventilation des demandes d’investissement par typologie de projet, par métier et par mois (Réseau de neurones développé avec SPSS Modeler)

Mise en production de la solution (Excel)

Définition des indicateurs métiers

Environnement technique : SPSS Modeler, Excel

Marketing - ventes :

     Optimisation des statistiques de ventes (6000 refs) : modélisation d’algorithmes originaux adaptés au marché du verre.

Migration vers SAP : choix et paramétrage des algorithmes de prévisions

Key user du progiciel Skep (éditeur Dynasis)

     Organisation du service prévisions des filiales française (CA=100M€) et UK (CA=15M£) :

     Développement d’un progiciel de prévisions (avec Access et Excel) et déploiement au Royaume uni, en Espagne et en France.

Formation et assistance des utilisateurs – KPI (fiabilité)

     Quantification de la corrélation entre les ventes en Russie et le cours du rouble pour ajuster les objectifs de vente

Finance :

     Consolidation et validation des Business Plans des 6 sites de production (répartis sur 4 continents) :

Contrôle de l’adéquation entre les ventes, les productions (500kt/an), les capacités (22 fours, 150 lignes de fabrication), les stocks et les CAPEX (80M€/an)

     Simulation de la régionalisation des productions dont les conclusions ont abouti à l’achat d’un site en Russie (2 fours) et à la construction d’un four au Moyen Orient (80M$)

     Création d’un algorithme de calcul des couts rendus à destination qui permet de déterminer le site de fabrication le plus profitable par article

Autres :

     Détection des anomalies sur les consommations de gaz et d’eau à l’aide de la maitrise statistique des procédés. Déploiement de l’algorithme en Visual basic (VBA)

Environnement technique : BO, SKEP, Access, Excel, SAP

Marketing - ventes :

     Optimisation des statistiques de ventes (6000 refs) : modélisation d’algorithmes originaux adaptés au marché du verre.

Migration vers SAP : choix et paramétrage des algorithmes de prévisions

Key user du progiciel Skep (éditeur Dynasis)

     Organisation du service prévisions des filiales française (CA=100M€) et UK (CA=15M£) :

     Développement d’un progiciel de prévisions (avec Access et Excel) et déploiement au Royaume uni, en Espagne et en France.

Formation et assistance des utilisateurs – KPI (fiabilité)

     Quantification de la corrélation entre les ventes en Russie et le cours du rouble pour ajuster les objectifs de vente

Finance :

     Consolidation et validation des Business Plans des 6 sites de production (répartis sur 4 continents) :

Contrôle de l’adéquation entre les ventes, les productions (500kt/an), les capacités (22 fours, 150 lignes de fabrication), les stocks et les CAPEX (80M€/an)

     Simulation de la régionalisation des productions dont les conclusions ont abouti à l’achat d’un site en Russie (2 fours) et à la construction d’un four au Moyen Orient (80M$)

     Création d’un algorithme de calcul des couts rendus à destination qui permet de déterminer le site de fabrication le plus profitable par article

Autres :

     Détection des anomalies sur les consommations de gaz et d’eau à l’aide de la maitrise statistique des procédés. Déploiement de l’algorithme en Visual basic (VBA)

Environnement technique : BO, SKEP, Access, Excel, SAP

Planification :

     Création d’un contrôle de la cohérence des données issues du progiciel d’ordonnancement

Environnement technique : Factory Planner, Excel

Tests des câbles sous-marins à fibres optiques :

     Tests optiques : rétrodiffusion, Analyse spectrale, atténuation, PMD

Tests électriques : conductivité, tenue en haute tension (45 000 volt)

     Détection et élimination des défauts (casse fibre, soudure non conforme, …)

     Optimisation du flux de mesure optique : changement d’organisation de série à parallèle – choix d’outil moins cher et plus réactif

     Augmentation de la productivité : mise en évidence d’une corrélation entre le niveau d’entrée du laser et le succès des mesures physiques.

Environnement technique : Laser, fibres optiques, haute tension, rayon x, Excel