Machine Learning, Big Data, Business Intelligence, stratégies commerciales, systèmes d'information, PME petites et moyennes entreprises, compétitivité, nouvelles technologies informatiques, commerce, IA Intelligence Artificielle, JavaScript, algorithme d'apprentissage, Microsoft, chatbot, programmation, arbre de décision, apprentissage non supervisé, ANN Artificial Neural Network, étude de marché, marketing, production, automatisation, Random forest, productivité, digitalisation, innovation, plateformes de prédiction, collecte de données, sources de données, bons de commande, devis, données des clients, fractionnement des données, seuil de classification, Dataiku, SAS Customer Intelligence 360, OHE One Hot Encoding
Les systèmes d'information sont traditionnellement utilisés dans les petites et moyennes entreprises (PME) pour vendre et pour contrôler et mieux gérer les produits, cela génère beaucoup de données qui ne sont pas utilisées de manière optimale. L'une des façons de tirer parti de ces données consiste à utiliser le Machine Learning qui est une technologie qui permet aux entreprises de créer des modèles d'apprentissage pour mieux comprendre les préférences des clients. Le développement de modèles prédictifs basés sur le Machine Learning fait partie de la stratégie des entreprises et d'outil pour maximiser leurs profits.
En quoi le Machine Learning peut-il aider à améliorer la compétitivité des entreprises au sein de leur stratégie commerciale et quels sont les modèles les plus robustes ?
[...] Le besoin du modèle de prévision des ventes est né, entre autres, du fait que le fournisseur de services reçoit plus d'appels d'offres qu'il n'est capable de traiter. L'utilisation du modèle à l'avenir permettra au fournisseur de services de générer plus de ventes, en supposant la même distribution de « Vente » / « Pas de vente » parmi les demandes de prix qui ne pouvaient pas être traitées auparavant, en répondant aux demandes de prix par ordre décroissant de probabilité prédite de vendre. [...]
[...] Comput. Appl - 32 (2014). https://doi.org/10.5120/18095-9151 Anyanwu, M.N., Shiva, S.G.: Comparative analysis of serial decision tree classification algorithms. Int. J. Comput. Sci. Secur. - 240 (2009) Lasota, T., Sachnowski, P., Trawiński, B.: Comparative analysis of regression tree models for premises valuation using statistica data miner. [...]
[...] Prentice Hall Upper Saddle River, NJ, USA: Rani, M., Nayak, R., & Vyas, OP (2015). An ontology-based adaptive personalized e-learning system, assisted by software agents on cloud storage. Knowledge-Based Systems 33-48. Coppin, B. (2004). Artificial intelligence illuminated. Jones & Bartlett Learning. Mortensen, S., Christison, M., Li, B., Zhu, A., & Venkatesan, R. (2019, April). [...]
[...] Structure de la recherche Dans ce travail, nous explorons dans quelle mesure le Machine Learning peut aider à améliorer la compétitivité des entreprises et quels sont les modèles les plus robustes qui ont déjà été utilisés dans diverses entreprises qui ont accru leur compétitivité grâce à cette technologie. Pour mener à bien cette recherche, nous allons faire une revue de la littérature afin de voir l'état de l'art qui permettra de dégager ce qui a déjà été fait, ainsi que les éventuelles limites et manquements. [...]
[...] Cadre conceptuel Concepts liés au Machine Learning et leurs impacts Automatisation L'automatisation consiste à utiliser la technologie pour effectuer des tâches avec très peu d'intervention humaine. Il peut être mis en œuvre dans n'importe quel secteur où des tâches répétitives sont effectuées. Cependant, il est plus courant dans ceux liés à la fabrication, à la robotique et à l'automobile, ainsi que dans le monde de la technologie : dans les logiciels d'aide à la décision d'entreprise et les systèmes informatiques. [...]
Référence bibliographique
Source fiable, format APALecture en ligne
avec notre liseuse dédiée !Contenu vérifié
par notre comité de lecture
