Aujourd’hui, trois achats sur quatre sont influencés par les réseaux sociaux (source FrenchWeb), notamment dans le monde de la mode. Et si l’industrie de la mode et du luxe se porte bien en ligne et IRL, elle est devenue ultra concurrentielle et pointée du doigt pour le gâchis qu’elle génère.
Dans un contexte d’accélération des cycles de développement de produits avec une latence toujours forte, comprendre et anticiper ce qui va plaire dans un futur plus ou moins proche permet de limiter la casse :
Jean est en charge de la Data Science chez Heuritech, une startup spécialisée dans l’analyse quantitative des tendances et des produits pour les industries de la mode, du sport et du luxe. Heuritech analyse chaque jour plusieurs millions d’images de consommateurs et d’influenceurs sur les réseaux sociaux et les traduit en informations pour les marques. Dans son parcours précédent, Jean a obtenu une thèse en intelligence artificielle puis mené des projets de recherche en neuroscience, écologie, et réseaux sociaux aux États-Unis et au Japon (Washington State University, Oregon Health and Science Institute, Okinawa Institute of Science and Technology).
Inscris-toi à notre newsletter : https://www.anonymous-data-workers.org/ …
Article original publié sur Dataversity
Plus les types et les volumes de données que nous gérons augmentent, plus leur gestion et leur nettoyage sont difficiles. Les données non structurées, les données émanant de plusieurs sources et les données dont les valeurs changent en permanence créent toutes un « désordre » — les ensembles de données sont émaillés d’interférences, d’inexactitudes et de doublons.
C’est un problème sérieux pour les organisations qui se fient aux données pour prendre des décisions commerciales ou maintenir leurs opérations quotidiennes. Les données désordonnées peuvent mener à une analyse erronée, aboutissant à des erreurs coûteuses, l’attrition de la clientèle, de mauvaises décisions, une productivité moindre ou des hypothèses inexactes quant aux produits, aux services, aux clients ou au marché. Si ces problèmes sont sérieux quand vos employés travaillent sur de petits ensembles de données, ils le sont encore plus quand l’apprentissage automatique ou les modèles d’IA traitent des quantités considérables de données et en déduisent des tendances. …
Article original publié sur Dataversity
Il semblerait que toutes les sociétés aient hâte de se lancer dans un programme d’IA pour améliorer leur performance. Mais savent-elles ce qui nage dans leur data lake ? Selon une enquête récente d’Infosys, la moitié des organisations ont déclaré ne pas pouvoir développer l’IA à cause de problèmes de données et 37 % des sondés ont cité l’intégrité des données comme obstacle à la mise en œuvre des projets d’IA. …
On commencera ce wrap up avec un chiffre impressionnant : le trafic aérien va être multiplié par 2 d’ici 20 ans !
Les enjeux business sont donc immenses pour les aéroports dans un contexte de pression concurrentielle mondiale. Le nerf de la guerre : le marché des correspondances. Comparés désormais à des hôtels (où on ne dort pas) voire à des centre-villes à part entière, les aéroports ont l’ambition de devenir un vrai critère de choix pour des millions de passagers au moment où ils doivent opter pour leur escale au cours d’un vol de longue durée.
Fluidification des parcours, traitement des passagers, information en temps réel, offre commerciale et de services, flux parkings… Absolument tous les éléments du parcours passager impactent la satisfaction des voyageurs, la réputation d’ADP et la performance business. C’est là que la data, et donc Siddhartha et ses équipes, entrent en scène. …
—
https://www.eventbrite.fr/e/inscription-adw-talk-2-data-et-aeroports-74278463885
—
https://www.anonymous-data-workers.org/
About