![\"Image\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2020\/10\/PASCAL_COGGIA.jpg\")
![\"Image\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2020\/11\/jerome-petit-.jpeg\")
![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/08\/technative-logo.png\" "\\"technative-logo\\""){kind=logo}
<\/span><\/div>Aller au-del\u00e0 des ventes pass\u00e9es pour pr\u00e9dire avec pr\u00e9cision les ventes futures<\/h2><\/div>La gestion efficace des commandes et des stocks par les d\u00e9taillants permet de d\u00e9gager des b\u00e9n\u00e9fices suppl\u00e9mentaires consid\u00e9rables. Mais comme cela n\u00e9cessite le traitement de data pour un tr\u00e8s grand nombre d'unit\u00e9s de gestion des stocks (UGS), qui comprennent souvent des produits p\u00e9rissables et des articles command\u00e9s quotidiennement, c'est aussi un d\u00e9fi de taille.<\/p>\n<\/div>
Les d\u00e9taillants avaient l'habitude de s'appuyer uniquement sur le data des ann\u00e9es pr\u00e9c\u00e9dentes pour pr\u00e9dire les ventes futures (et donc g\u00e9rer leurs stocks), mais cette m\u00e9thode n'est utile que jusqu'\u00e0 un certain point. Cependant, l'apprentissage automatique a \u00e9volu\u00e9 au point de pouvoir fournir des mod\u00e8les pr\u00e9dictifs pr\u00e9cis utilisant diff\u00e9rents signaux en fonction de leur influence sur les achats.<\/p>\n<\/div>
La pr\u00e9vision des ventes est complexe car, au cours d'une p\u00e9riode donn\u00e9e, les achats sont influenc\u00e9s par de nombreux facteurs : la m\u00e9t\u00e9o, les tendances d'achat, la r\u00e9glementation, les nouveaux produits, les comportements d'achat, une pand\u00e9mie... Et les pr\u00e9visions bas\u00e9es sur les data enregistr\u00e9es pr\u00e9c\u00e9demment ne tiennent pas compte des \u00e9v\u00e9nements sp\u00e9cifiques, ce qui donne l'impression que les ventes mensuelles sont uniform\u00e9ment r\u00e9parties alors que ce n'est vraisemblablement pas le cas.<\/p>\n<\/div>
Par exemple, un article souvent en rupture de stock peut entra\u00eener un ralentissement des ventes de ce produit ou de cette cat\u00e9gorie, mais cela n'appara\u00eetra pas dans le reports mensuel. Pire encore, les mauvais chiffres sont souvent consid\u00e9r\u00e9s comme la marque d'un d\u00e9sint\u00e9r\u00eat des acheteurs, alors que c'est l'inverse qui est vrai : l'achat excessif d'un article par les consommateurs a entra\u00een\u00e9 sa rupture de stock.<\/p>\n<\/div>
Il se peut aussi qu'un produit manquant dans le magasin soit en fait en stock, mais pas encore sur les \u00e9tag\u00e8res. Les grandes surfaces ont souvent du mal \u00e0 se r\u00e9approvisionner en temps r\u00e9el, de sorte qu'un article tr\u00e8s populaire peut dispara\u00eetre des rayons tr\u00e8s rapidement, et donc ne pas donner les r\u00e9sultats escompt\u00e9s, bien qu'il soit disponible en stock. Il faut donc une technologie capable d'aider les d\u00e9taillants \u00e0 aligner l'offre et la demande de mani\u00e8re transparente.<\/p>\n<\/div>
Utiliser l'apprentissage automatique et des signaux multiples pour \u00e9valuer les niveaux de stocks<\/p>\n<\/div>
L'apprentissage automatique apporte une solution \u00e0 ces d\u00e9fis. Les mod\u00e8les pr\u00e9dictifs peuvent pr\u00e9voir les ventes des mois \u00e0 l'avance en utilisant un certain nombre de signaux qui les influencent (saisonnalit\u00e9, tendances de consommation, niveaux de prix, etc.) Pour \u00eatre le plus pr\u00e9cis possible, il est important que les mod\u00e8les utilisent plus d'indicateurs que le jour, le produit et le magasin standard qu'il est habituel de prendre en compte.<\/p>\n<\/div>
Pour illustrer cela, un d\u00e9taillant peut analyser la saisonnalit\u00e9 afin de pr\u00e9dire les ventes pour la p\u00e9riode \u00e0 venir. Cependant, les r\u00e9sultats seront fauss\u00e9s parce que l'utilisation des dates n'est pas 100% exacte ; une certaine date peut \u00eatre un jour de semaine une ann\u00e9e, mais le week-end l'ann\u00e9e suivante, ce qui fait varier les ventes de mani\u00e8re importante. D'autres facteurs, comme le fait que cette date tombe sur un jour f\u00e9ri\u00e9 (No\u00ebl, P\u00e2ques, etc.) ou sur un \u00e9v\u00e9nement sportif majeur, influencent \u00e9galement les habitudes d'achat des consommateurs.<\/p>\n<\/div>
Il en va de m\u00eame pour les signaux de prix. Les promotions au niveau du magasin peuvent avoir un effet marqu\u00e9 sur les ventes d'un produit d'une cat\u00e9gorie donn\u00e9e ou m\u00eame rendre le magasin dans son ensemble plus attrayant.<\/p>\n<\/div>
Ces deux exemples illustrent la n\u00e9cessit\u00e9 de prendre en compte un grand nombre de signaux et d'indicateurs diff\u00e9rents pour pr\u00e9voir avec pr\u00e9cision les ventes : une t\u00e2che qui \u00e9tait p\u00e9nible avant que l'apprentissage automatique et les mod\u00e8les artificial intelligence avanc\u00e9s ne la rendent r\u00e9alisable.<\/p>\n<\/div>
Adopter l'apprentissage automatique pour la gestion des stocks<\/h2><\/div>La technologie existe, mais pour que les d\u00e9taillants puissent l'utiliser efficacement et faire des pr\u00e9visions pr\u00e9cises, ils doivent collecter et analyser d'\u00e9normes quantit\u00e9s de data. La plupart de ces informations proviennent de diff\u00e9rentes sources data et il peut s'av\u00e9rer complexe d'essayer de traiter de multiples fichiers Excel et PDF contenant des reports et des plans m\u00e9dias ant\u00e9rieurs. De gros outils data sont n\u00e9cessaires pour traiter ces informations dans le format propre et lisible requis pour cr\u00e9er des mod\u00e8les pr\u00e9dictifs susceptibles de pr\u00e9venir les probl\u00e8mes d'inventaire.<\/p>\n<\/div>
Les ventes pass\u00e9es data pour un magasin donn\u00e9 peuvent \u00eatre \u2018inexactes\u2019 en raison d'\u00e9v\u00e9nements ponctuels (promotions, conditions m\u00e9t\u00e9orologiques d\u00e9favorables, embouteillages, etc.) Pour \u00e9liminer ce biais, les mod\u00e8les pr\u00e9dictifs combinent les chiffres des ventes pass\u00e9es avec ceux de magasins similaires.<\/p>\n<\/div>
L'autre grand d\u00e9fi consiste \u00e0 \u00e9viter que des articles soient indisponibles dans les rayons alors qu'ils sont en stock (parce qu'il est pratiquement impossible pour les employ\u00e9s de surveiller les rayons en temps r\u00e9el et de les r\u00e9approvisionner imm\u00e9diatement).<\/p>\n<\/div>
Il existe des solutions technologiques utilisant des cam\u00e9ras de surveillance et des capteurs de poids, mais elles repr\u00e9sentent un investissement consid\u00e9rable. Toutefois, des informations facilement accessibles, telles que les ventes en temps r\u00e9el au niveau de l'unit\u00e9 de stock, peuvent \u00eatre exploit\u00e9es pour d\u00e9tecter les situations de \u2018rayon vide\u2019. Des mod\u00e8les peuvent analyser le flux habituel des ventes d'un article, ce qui permet de conna\u00eetre le temps normal entre deux ventes d'un produit dans un magasin donn\u00e9. L'intervention humaine peut \u00eatre utilis\u00e9e pour examiner et r\u00e9soudre les anomalies statistiques.<\/p>\n<\/div>
L'analyse pr\u00e9dictive n'est que l'une des nombreuses fa\u00e7ons dont les d\u00e9taillants traditionnels peuvent b\u00e9n\u00e9ficier de l'apprentissage automatique. Ils ont beaucoup \u00e0 gagner en s'appuyant sur des technologies avanc\u00e9es pour une meilleure gestion des stocks afin d'augmenter le chiffre d'affaires des magasins. Le traitement de vastes quantit\u00e9s de data peut \u00e9galement les aider \u00e0 optimiser l'assortiment, \u00e0 proposer des promotions plus attrayantes et plus rentables et \u00e0 fixer les prix de mani\u00e8re plus efficace.<\/p>\n<\/div>
Des outils bien con\u00e7us peuvent entreprendre des t\u00e2ches complexes et fastidieuses et fournir rapidement des reports pr\u00e9cises. C'est l\u00e0 le v\u00e9ritable levier de cr\u00e9ation de valeur de artificial intelligence dans le commerce de d\u00e9tail : lib\u00e9rer les responsables d'analyses fastidieuses de comparaisons multi-sources et leur permettre de se concentrer sur l'am\u00e9lioration continue de l'exp\u00e9rience client.<\/p>\n<\/div>
\u00c0 propos des auteurs<\/h2><\/div>Pascal Coggia est PDG de Artefact UK, o\u00f9 il est responsable de l'expansion des produits et services artificial intelligence (AI) et data-driven de l'entreprise dans la r\u00e9gion. Associ\u00e9 fondateur de Artefact, il \u00e9tait auparavant bas\u00e9 au si\u00e8ge de l'entreprise \u00e0 Paris, o\u00f9 il a lanc\u00e9 les op\u00e9rations de Artefact \u00e0 Duba\u00ef. Il a \u00e9galement \u00e9t\u00e9 consultant chez Columbus Consulting Shift en France et chez Rocket Internet SE au Royaume-Uni. Il est titulaire d'une ma\u00eetrise de l'\u00e9cole de commerce HEC \u00e0 Paris.<\/p>\n<\/div>
J\u00e9r\u00f4me Petit est associ\u00e9 consultant data chez Artefact, o\u00f9 il travaille sur des projets data et artificial intelligence (AI) avec de grandes entreprises fran\u00e7aises dans les secteurs de la distribution, des biens de consommation et des fonds d'investissement. Auparavant, il a dirig\u00e9 les \u00e9quipes strat\u00e9giques de groupes de m\u00e9dias fran\u00e7ais (Canal + et Lagard\u00e8re Active) apr\u00e8s avoir pass\u00e9 quinze ans dans des cabinets de conseil en strat\u00e9gie de premier plan (OC&C, Diligence Partners et Roland Berger). Il est dipl\u00f4m\u00e9 de l'\u00c9cole Polytechnique.<\/p>\n<\/div><\/div><\/div><\/div><\/article>
La gestion efficace des commandes et des stocks par les d\u00e9taillants permet de d\u00e9gager des b\u00e9n\u00e9fices suppl\u00e9mentaires consid\u00e9rables. Mais comme cela n\u00e9cessite le traitement de data pour un tr\u00e8s grand nombre d'unit\u00e9s de gestion des stocks (UGS), qui comprennent souvent des produits p\u00e9rissables et des articles command\u00e9s quotidiennement, c'est aussi un d\u00e9fi de taille.<\/p>\n<\/div>
Les d\u00e9taillants avaient l'habitude de s'appuyer uniquement sur le data des ann\u00e9es pr\u00e9c\u00e9dentes pour pr\u00e9dire les ventes futures (et donc g\u00e9rer leurs stocks), mais cette m\u00e9thode n'est utile que jusqu'\u00e0 un certain point. Cependant, l'apprentissage automatique a \u00e9volu\u00e9 au point de pouvoir fournir des mod\u00e8les pr\u00e9dictifs pr\u00e9cis utilisant diff\u00e9rents signaux en fonction de leur influence sur les achats.<\/p>\n<\/div>
La pr\u00e9vision des ventes est complexe car, au cours d'une p\u00e9riode donn\u00e9e, les achats sont influenc\u00e9s par de nombreux facteurs : la m\u00e9t\u00e9o, les tendances d'achat, la r\u00e9glementation, les nouveaux produits, les comportements d'achat, une pand\u00e9mie... Et les pr\u00e9visions bas\u00e9es sur les data enregistr\u00e9es pr\u00e9c\u00e9demment ne tiennent pas compte des \u00e9v\u00e9nements sp\u00e9cifiques, ce qui donne l'impression que les ventes mensuelles sont uniform\u00e9ment r\u00e9parties alors que ce n'est vraisemblablement pas le cas.<\/p>\n<\/div>
Par exemple, un article souvent en rupture de stock peut entra\u00eener un ralentissement des ventes de ce produit ou de cette cat\u00e9gorie, mais cela n'appara\u00eetra pas dans le reports mensuel. Pire encore, les mauvais chiffres sont souvent consid\u00e9r\u00e9s comme la marque d'un d\u00e9sint\u00e9r\u00eat des acheteurs, alors que c'est l'inverse qui est vrai : l'achat excessif d'un article par les consommateurs a entra\u00een\u00e9 sa rupture de stock.<\/p>\n<\/div>
Il se peut aussi qu'un produit manquant dans le magasin soit en fait en stock, mais pas encore sur les \u00e9tag\u00e8res. Les grandes surfaces ont souvent du mal \u00e0 se r\u00e9approvisionner en temps r\u00e9el, de sorte qu'un article tr\u00e8s populaire peut dispara\u00eetre des rayons tr\u00e8s rapidement, et donc ne pas donner les r\u00e9sultats escompt\u00e9s, bien qu'il soit disponible en stock. Il faut donc une technologie capable d'aider les d\u00e9taillants \u00e0 aligner l'offre et la demande de mani\u00e8re transparente.<\/p>\n<\/div>
Utiliser l'apprentissage automatique et des signaux multiples pour \u00e9valuer les niveaux de stocks<\/p>\n<\/div>
L'apprentissage automatique apporte une solution \u00e0 ces d\u00e9fis. Les mod\u00e8les pr\u00e9dictifs peuvent pr\u00e9voir les ventes des mois \u00e0 l'avance en utilisant un certain nombre de signaux qui les influencent (saisonnalit\u00e9, tendances de consommation, niveaux de prix, etc.) Pour \u00eatre le plus pr\u00e9cis possible, il est important que les mod\u00e8les utilisent plus d'indicateurs que le jour, le produit et le magasin standard qu'il est habituel de prendre en compte.<\/p>\n<\/div>
Pour illustrer cela, un d\u00e9taillant peut analyser la saisonnalit\u00e9 afin de pr\u00e9dire les ventes pour la p\u00e9riode \u00e0 venir. Cependant, les r\u00e9sultats seront fauss\u00e9s parce que l'utilisation des dates n'est pas 100% exacte ; une certaine date peut \u00eatre un jour de semaine une ann\u00e9e, mais le week-end l'ann\u00e9e suivante, ce qui fait varier les ventes de mani\u00e8re importante. D'autres facteurs, comme le fait que cette date tombe sur un jour f\u00e9ri\u00e9 (No\u00ebl, P\u00e2ques, etc.) ou sur un \u00e9v\u00e9nement sportif majeur, influencent \u00e9galement les habitudes d'achat des consommateurs.<\/p>\n<\/div>
Il en va de m\u00eame pour les signaux de prix. Les promotions au niveau du magasin peuvent avoir un effet marqu\u00e9 sur les ventes d'un produit d'une cat\u00e9gorie donn\u00e9e ou m\u00eame rendre le magasin dans son ensemble plus attrayant.<\/p>\n<\/div>
Ces deux exemples illustrent la n\u00e9cessit\u00e9 de prendre en compte un grand nombre de signaux et d'indicateurs diff\u00e9rents pour pr\u00e9voir avec pr\u00e9cision les ventes : une t\u00e2che qui \u00e9tait p\u00e9nible avant que l'apprentissage automatique et les mod\u00e8les artificial intelligence avanc\u00e9s ne la rendent r\u00e9alisable.<\/p>\n<\/div>
Adopter l'apprentissage automatique pour la gestion des stocks<\/h2><\/div>La technologie existe, mais pour que les d\u00e9taillants puissent l'utiliser efficacement et faire des pr\u00e9visions pr\u00e9cises, ils doivent collecter et analyser d'\u00e9normes quantit\u00e9s de data. La plupart de ces informations proviennent de diff\u00e9rentes sources data et il peut s'av\u00e9rer complexe d'essayer de traiter de multiples fichiers Excel et PDF contenant des reports et des plans m\u00e9dias ant\u00e9rieurs. De gros outils data sont n\u00e9cessaires pour traiter ces informations dans le format propre et lisible requis pour cr\u00e9er des mod\u00e8les pr\u00e9dictifs susceptibles de pr\u00e9venir les probl\u00e8mes d'inventaire.<\/p>\n<\/div>
Les ventes pass\u00e9es data pour un magasin donn\u00e9 peuvent \u00eatre \u2018inexactes\u2019 en raison d'\u00e9v\u00e9nements ponctuels (promotions, conditions m\u00e9t\u00e9orologiques d\u00e9favorables, embouteillages, etc.) Pour \u00e9liminer ce biais, les mod\u00e8les pr\u00e9dictifs combinent les chiffres des ventes pass\u00e9es avec ceux de magasins similaires.<\/p>\n<\/div>
L'autre grand d\u00e9fi consiste \u00e0 \u00e9viter que des articles soient indisponibles dans les rayons alors qu'ils sont en stock (parce qu'il est pratiquement impossible pour les employ\u00e9s de surveiller les rayons en temps r\u00e9el et de les r\u00e9approvisionner imm\u00e9diatement).<\/p>\n<\/div>
Il existe des solutions technologiques utilisant des cam\u00e9ras de surveillance et des capteurs de poids, mais elles repr\u00e9sentent un investissement consid\u00e9rable. Toutefois, des informations facilement accessibles, telles que les ventes en temps r\u00e9el au niveau de l'unit\u00e9 de stock, peuvent \u00eatre exploit\u00e9es pour d\u00e9tecter les situations de \u2018rayon vide\u2019. Des mod\u00e8les peuvent analyser le flux habituel des ventes d'un article, ce qui permet de conna\u00eetre le temps normal entre deux ventes d'un produit dans un magasin donn\u00e9. L'intervention humaine peut \u00eatre utilis\u00e9e pour examiner et r\u00e9soudre les anomalies statistiques.<\/p>\n<\/div>
L'analyse pr\u00e9dictive n'est que l'une des nombreuses fa\u00e7ons dont les d\u00e9taillants traditionnels peuvent b\u00e9n\u00e9ficier de l'apprentissage automatique. Ils ont beaucoup \u00e0 gagner en s'appuyant sur des technologies avanc\u00e9es pour une meilleure gestion des stocks afin d'augmenter le chiffre d'affaires des magasins. Le traitement de vastes quantit\u00e9s de data peut \u00e9galement les aider \u00e0 optimiser l'assortiment, \u00e0 proposer des promotions plus attrayantes et plus rentables et \u00e0 fixer les prix de mani\u00e8re plus efficace.<\/p>\n<\/div>
Des outils bien con\u00e7us peuvent entreprendre des t\u00e2ches complexes et fastidieuses et fournir rapidement des reports pr\u00e9cises. C'est l\u00e0 le v\u00e9ritable levier de cr\u00e9ation de valeur de artificial intelligence dans le commerce de d\u00e9tail : lib\u00e9rer les responsables d'analyses fastidieuses de comparaisons multi-sources et leur permettre de se concentrer sur l'am\u00e9lioration continue de l'exp\u00e9rience client.<\/p>\n<\/div>
\u00c0 propos des auteurs<\/h2><\/div>Pascal Coggia est PDG de Artefact UK, o\u00f9 il est responsable de l'expansion des produits et services artificial intelligence (AI) et data-driven de l'entreprise dans la r\u00e9gion. Associ\u00e9 fondateur de Artefact, il \u00e9tait auparavant bas\u00e9 au si\u00e8ge de l'entreprise \u00e0 Paris, o\u00f9 il a lanc\u00e9 les op\u00e9rations de Artefact \u00e0 Duba\u00ef. Il a \u00e9galement \u00e9t\u00e9 consultant chez Columbus Consulting Shift en France et chez Rocket Internet SE au Royaume-Uni. Il est titulaire d'une ma\u00eetrise de l'\u00e9cole de commerce HEC \u00e0 Paris.<\/p>\n<\/div>
J\u00e9r\u00f4me Petit est associ\u00e9 consultant data chez Artefact, o\u00f9 il travaille sur des projets data et artificial intelligence (AI) avec de grandes entreprises fran\u00e7aises dans les secteurs de la distribution, des biens de consommation et des fonds d'investissement. Auparavant, il a dirig\u00e9 les \u00e9quipes strat\u00e9giques de groupes de m\u00e9dias fran\u00e7ais (Canal + et Lagard\u00e8re Active) apr\u00e8s avoir pass\u00e9 quinze ans dans des cabinets de conseil en strat\u00e9gie de premier plan (OC&C, Diligence Partners et Roland Berger). Il est dipl\u00f4m\u00e9 de l'\u00c9cole Polytechnique.<\/p>\n<\/div><\/div><\/div><\/div><\/article>
La technologie existe, mais pour que les d\u00e9taillants puissent l'utiliser efficacement et faire des pr\u00e9visions pr\u00e9cises, ils doivent collecter et analyser d'\u00e9normes quantit\u00e9s de data. La plupart de ces informations proviennent de diff\u00e9rentes sources data et il peut s'av\u00e9rer complexe d'essayer de traiter de multiples fichiers Excel et PDF contenant des reports et des plans m\u00e9dias ant\u00e9rieurs. De gros outils data sont n\u00e9cessaires pour traiter ces informations dans le format propre et lisible requis pour cr\u00e9er des mod\u00e8les pr\u00e9dictifs susceptibles de pr\u00e9venir les probl\u00e8mes d'inventaire.<\/p>\n<\/div>
Les ventes pass\u00e9es data pour un magasin donn\u00e9 peuvent \u00eatre \u2018inexactes\u2019 en raison d'\u00e9v\u00e9nements ponctuels (promotions, conditions m\u00e9t\u00e9orologiques d\u00e9favorables, embouteillages, etc.) Pour \u00e9liminer ce biais, les mod\u00e8les pr\u00e9dictifs combinent les chiffres des ventes pass\u00e9es avec ceux de magasins similaires.<\/p>\n<\/div>
L'autre grand d\u00e9fi consiste \u00e0 \u00e9viter que des articles soient indisponibles dans les rayons alors qu'ils sont en stock (parce qu'il est pratiquement impossible pour les employ\u00e9s de surveiller les rayons en temps r\u00e9el et de les r\u00e9approvisionner imm\u00e9diatement).<\/p>\n<\/div>
Il existe des solutions technologiques utilisant des cam\u00e9ras de surveillance et des capteurs de poids, mais elles repr\u00e9sentent un investissement consid\u00e9rable. Toutefois, des informations facilement accessibles, telles que les ventes en temps r\u00e9el au niveau de l'unit\u00e9 de stock, peuvent \u00eatre exploit\u00e9es pour d\u00e9tecter les situations de \u2018rayon vide\u2019. Des mod\u00e8les peuvent analyser le flux habituel des ventes d'un article, ce qui permet de conna\u00eetre le temps normal entre deux ventes d'un produit dans un magasin donn\u00e9. L'intervention humaine peut \u00eatre utilis\u00e9e pour examiner et r\u00e9soudre les anomalies statistiques.<\/p>\n<\/div>
L'analyse pr\u00e9dictive n'est que l'une des nombreuses fa\u00e7ons dont les d\u00e9taillants traditionnels peuvent b\u00e9n\u00e9ficier de l'apprentissage automatique. Ils ont beaucoup \u00e0 gagner en s'appuyant sur des technologies avanc\u00e9es pour une meilleure gestion des stocks afin d'augmenter le chiffre d'affaires des magasins. Le traitement de vastes quantit\u00e9s de data peut \u00e9galement les aider \u00e0 optimiser l'assortiment, \u00e0 proposer des promotions plus attrayantes et plus rentables et \u00e0 fixer les prix de mani\u00e8re plus efficace.<\/p>\n<\/div>
Des outils bien con\u00e7us peuvent entreprendre des t\u00e2ches complexes et fastidieuses et fournir rapidement des reports pr\u00e9cises. C'est l\u00e0 le v\u00e9ritable levier de cr\u00e9ation de valeur de artificial intelligence dans le commerce de d\u00e9tail : lib\u00e9rer les responsables d'analyses fastidieuses de comparaisons multi-sources et leur permettre de se concentrer sur l'am\u00e9lioration continue de l'exp\u00e9rience client.<\/p>\n<\/div>
\u00c0 propos des auteurs<\/h2><\/div>Pascal Coggia est PDG de Artefact UK, o\u00f9 il est responsable de l'expansion des produits et services artificial intelligence (AI) et data-driven de l'entreprise dans la r\u00e9gion. Associ\u00e9 fondateur de Artefact, il \u00e9tait auparavant bas\u00e9 au si\u00e8ge de l'entreprise \u00e0 Paris, o\u00f9 il a lanc\u00e9 les op\u00e9rations de Artefact \u00e0 Duba\u00ef. Il a \u00e9galement \u00e9t\u00e9 consultant chez Columbus Consulting Shift en France et chez Rocket Internet SE au Royaume-Uni. Il est titulaire d'une ma\u00eetrise de l'\u00e9cole de commerce HEC \u00e0 Paris.<\/p>\n<\/div>
J\u00e9r\u00f4me Petit est associ\u00e9 consultant data chez Artefact, o\u00f9 il travaille sur des projets data et artificial intelligence (AI) avec de grandes entreprises fran\u00e7aises dans les secteurs de la distribution, des biens de consommation et des fonds d'investissement. Auparavant, il a dirig\u00e9 les \u00e9quipes strat\u00e9giques de groupes de m\u00e9dias fran\u00e7ais (Canal + et Lagard\u00e8re Active) apr\u00e8s avoir pass\u00e9 quinze ans dans des cabinets de conseil en strat\u00e9gie de premier plan (OC&C, Diligence Partners et Roland Berger). Il est dipl\u00f4m\u00e9 de l'\u00c9cole Polytechnique.<\/p>\n<\/div><\/div><\/div><\/div><\/article>
Pascal Coggia est PDG de Artefact UK, o\u00f9 il est responsable de l'expansion des produits et services artificial intelligence (AI) et data-driven de l'entreprise dans la r\u00e9gion. Associ\u00e9 fondateur de Artefact, il \u00e9tait auparavant bas\u00e9 au si\u00e8ge de l'entreprise \u00e0 Paris, o\u00f9 il a lanc\u00e9 les op\u00e9rations de Artefact \u00e0 Duba\u00ef. Il a \u00e9galement \u00e9t\u00e9 consultant chez Columbus Consulting Shift en France et chez Rocket Internet SE au Royaume-Uni. Il est titulaire d'une ma\u00eetrise de l'\u00e9cole de commerce HEC \u00e0 Paris.<\/p>\n<\/div>
J\u00e9r\u00f4me Petit est associ\u00e9 consultant data chez Artefact, o\u00f9 il travaille sur des projets data et artificial intelligence (AI) avec de grandes entreprises fran\u00e7aises dans les secteurs de la distribution, des biens de consommation et des fonds d'investissement. Auparavant, il a dirig\u00e9 les \u00e9quipes strat\u00e9giques de groupes de m\u00e9dias fran\u00e7ais (Canal + et Lagard\u00e8re Active) apr\u00e8s avoir pass\u00e9 quinze ans dans des cabinets de conseil en strat\u00e9gie de premier plan (OC&C, Diligence Partners et Roland Berger). Il est dipl\u00f4m\u00e9 de l'\u00c9cole Polytechnique.<\/p>\n<\/div><\/div><\/div><\/div><\/article>