Analyse prescriptive – Recherche opérationnelle et systèmes basés sur des règles pour l’optimisation de la prise de décision

Les décisions économiques sont influencées par la recherche de la meilleure alternative. Il s'agit de planifier les actions de manière optimale par rapport à un objectif donné. Le marketing, par exemple, cherche à maximiser les ventes ou le nombre de clics, les achats visent à minimiser les coûts d'entreposage et la planification de la production s'efforce de maintenir les coûts logistiques aussi bas que possible. Le défi réside dans le fait que les décisions sont caractérisées par des objectifs concurrents, des alternatives différentes, des compromis, c'est-à-dire des objectifs contradictoires et des ressources limitées telles que le temps, l'argent ou le personnel. Le marketing consiste à allouer un budget aux bonnes mesures, à s'adresser à différents groupes cibles et à promouvoir différents produits. Le service achat doit décider quels produits doivent être achetés, en quelle quantité et à quel moment. Lors de la planification de nouveaux sites, les coûts logistiques pour le…

La data science : pour quelle valeur ajoutée ?

La plupart des solutions analytiques restent au stade du prototype. La résolution d’un problème complexe par la Data Science est un premier résultat. Mais la véritable valeur ajoutée de la Data Science réside dans son opérationnalisation, sa mise en production permettant sa répétition. Comment identifier le gain d’une application analytique ? Est-ce un bien acquis ou faut-il régulièrement la tester et l’adapter pour garantir sa pérennité ? La mise en place d’une solution analytique impacte le travail des opérationnels. Faut-il adapter l’organisation des équipes ? Les opérationnels ont-ils la possibilité de contrecarrer les décisions prises par la machine ? Ce document, à travers des études et des retours d’expérience, rappelle les principales mesures à prendre avant de mettre en production une solution analytique et les moyens à mettre en œuvre pour pérenniser les investissements et le développement de la solution. Vue d'ensemble de la Data Science L’Analytics offre de nombreuses possibilités pour réduire les coûts,…

Logiciels libres versus logiciels commerciaux pour l’analyse avancée – Avantages, inconvénients et possibilités d’intégration avec R et Python

L'Open Source est omniprésent dans le domaine de l'analyse avancée. Des langages tels que R, Python et Scala ainsi que des outils graphiques tels que WEKA, RapidMiner et KNIME sont très présents dans le domaine du frontend, c'est-à-dire la préparation, la visualisation et la modélisation mathématique des données. Les écosystèmes Hadoop et Spark sont largement utilisés pour la gestion des données dans le backend, et les bases de données NoSQL telles que Cassandra et MongoDB sont également utilisées pour des tâches spéciales. La présente note de recherche met l'accent sur le frontend. LR ou care Les langages open source sont souvent le premier choix, en particulier lors du prototypage de cas d'utilisation d'analyses avancées. Mais l'utilisation de l'Open Source soulève aussi des questions. De nombreux Data Scientists utilisent des langages tels que R et Python parce qu'ils sont disponibles gratuitement, qu'ils les connaissent grâce à leurs études, qu'ils fonctionnent sur différentes…