BUSINESS CASE DATA SCIENCE : GRG

BUSINESS CASE DATA SCIENCE : AGROALIMENTAIRE

la maison des viandes – comment orienter le choix des clients en fonction de leurs précédentes commandes et de données externes

LE CONTEXTE

A l’issue du projet de mise en place de son environnement d’aide à la décision, et en parallèle du POC sur la météo clients, GRG a initié un nouveau projet de Data Science dont l’objectif est de fidéliser ses clients boucher.

Il a donc été décidé d’analyser le comportement des clients, leurs choix à une date donnée, les conditions climatiques à cette date et les événements culturels, sportifs ou sociétaux à cette même date afin d’établir des corrélations qui permettraient de proposer aux clients un choix d’articles avant qu’ils ne viennent à RUNGIS.

LA METHODOLOGIE

  • Cette étape est primordiale. Il s’agit d’explorer en profondeur les données disponibles afin de déterminer les insights que l’on peut en retirer.Il s’agit de :
    • Explorer la distribution des différents descripteurs ;
    • Vérifier la fiabilité des données (valeurs manquantes, incohérentes ou aberrantes) ;
    • Déterminer les valeurs métiers que l’on peut retirer de ces données (analyse du cycle d’entretien des véhicules, du cycle d’achat de véhicule neuf, comportement clients, etc) ;
    • Définir les processus nécessaires de transformation ;

    Grâce à DSS, nous pouvons explorer très simplement les données car il permet de visualiser le niveau de qualité de ces données sources ainsi que d’analyser graphiquement la distribution de chaque variable.

  • Cette étape est assurée par les équipes d’INSYNIUM. Il s’agit de :
    • Réorganiser les données afin de faciliter la restitution ;
    • Calculer de nouveaux indicateurs à partir des données de détail ;
    • Discrétiser ou non des variables quantitatives ;
    • Réduire des dimensions ;

    Préparation et enrichissement des descripteurs

    DSS dispose d’une bibliothèque de fonctions de transformation des données traitant les cas les plus courant, calcul d’une durée à partir de date, regroupement de codification, mise en forme de données textuelles, discrétisation de données numériques ….

    Ces mécanismes nous permettent rapidement de pouvoir nettoyer et organiser la donnée source.

  • Il est également possible de commencer à traiter (classifier) la donnée car DSS permet aussi très simplement de créer de nouvelles variables à partir des données sources par l’utilisation d’un assistant de conception de formule (fonctionnement proche d’Excel).Pour des calculs plus complexes un script python peut être associé à cette étape de transformation.
  • Échantillonnage des données d’apprentissage et de test
  • Sélection du modèle prédictif 
  • Cette étape est assurée par les équipes d’INSYNIUM. Elle consiste à :
    • Etendre le workflow à un panel de filiales plus étendu ;
    • Identifier les axes de progrès de la solution (données complémentaires, nouveaux indicateurs …) ;
    • Démontrer de nouvelles perspectives en terme d’utilisation des données (algorithmes de clustering, algorithmes prédictifs ….) ;
  • Mise en place d’une procédure de vérification de la qualité du modèle et planification d’une actualisation de la méthode après une période de consolidation des données.

La proposition de valeur

Nos consultants ont travaillé à partir de 2 sources de données.

Ce projet pilote en cours de réalisation. 

LES BÉNÉFICES BUSINESS

Ce projet étant en cours de développement, nous n’avons pas encore de résultats tangibles.

Cependant, la Direction pense pouvoir stabiliser sa part de marché (aujourd’hui n°1), voire même légèrement l’augmenter.

Des métriques seront à établir lorsque nous aurons plus de recul.