Business Intelligence Pentagon
Nature et synthèse
Outil d’organisation et de processus.
Le Business Intelligence Pentagon est une manière innovante de fédérer et d’optimiser les activités permettant à une entreprise de mieux suivre et analyser tous les paramètres en rapport avec ses performances, afin d'améliorer celles-ci.
Constat et origine
Dispersion des tâches en rapport avec les études, les analyses et l’information.
Existence d’une masse de données insuffisamment exploitées dans le secteur des télécoms.
Description
Identification de 5 catégories de tâches (les 5 dimensions du Business Intelligence Pentagon) :
-
Business planning
-
Reporting et contrôle
-
Analyses statistiques et data mining
-
Etudes de marché
-
Veille économique et concurrentielle
Animation du Business Intelligence Pentagon :
-
Description de postes
-
Relations avec les autres départements de l’entreprise
Impact
-
Contribution à l’amélioration des performances de l’entreprise grâce à une meilleure visibilité et anticipation du marché, de meilleures analyses et prévisions des performances, une meilleure assistance aux stratégies et tactiques marketing et commerciale.
-
Le paradigme du Business Intelligence Pentagon est adopté par tous les opérateurs leaders dans leurs marchés.
R-CAPI™
Nature et synthèse
Outil d’analyse et d’évaluation de maturité.
Le R-CAPI™ permet à une entreprise d’évaluer sa capacité à faire face au jeu concurrentiel du marché africain dans lequel elle opère, et d’identifier ses forces et faiblesses.
Constat et origine
Besoin d’identifier les facteurs-clés de succès dans les marchés concurrentiels africains.
Besoin de mesurer la posture actuelle face à l’intensité concurrentielle, ainsi que la capacité à s’adapter à la dynamique du marché.
Description
Identification des 4 champs de bataille prioritaires :
-
Customer Experience (C)
-
Analytics (A)
-
People (P)
-
Innovation (I)
Détermination du score de robustesse concurrentielle (R-CAPI™):
-
Détermination des critères d’évaluation sur chaque dimension (CAPI)
-
Grille d’évaluation multicritères débouchant sur le score de robustesse
Interprétation et exploitation du score R-CAPI:
-
Interprétation du score R-CAPI brut et global
-
Interprétation du score de consistance et d’homogénéité
Impact
-
Les entreprises ayant adopté le modèle R-CAPI™ disposent des éléments leur permettant de comprendre et d’améliorer leur position concurrentielle actuelle et à venir.
BPPx
Nature et synthèse
Modèle de prévision et de prédiction..
Le BPPx est un outil d’analyse prédictive qui permet à une entreprise de prévoir le niveau de performance (atteinte des objectifs) de l’indicateur de chiffre d’affaires sur une base mensuelle en se basant sur la relation plus d’une centaine de paramètres tant internes qu’externes.
Constat et origine
Les entreprises ont généralement une posture réactive vis-à-vis de leurs performances. Elles constatent le niveau d’atteinte des objectifs; et se mettent alors à chercher les facteurs explicatifs et les mesures correctives.
Les entreprises éprouvent des difficultés à identifier la totalité des facteurs qui ont un impact sur la performance, et à établir leurs niveaux respectifs d’impact sur la performance passées et à venir.
Description
Combinaison de deux approches d’intelligence artificielle analytique :
-
L’IA symbolique à base de règles de logique, et utilisant un système expert (phase 1)
-
L’IA par apprentissage automatique utilisant les réseaux de neurones artificiels (phase 2)
-
Déploiement (et donc utilisation) du modèle pour prédire le niveau de performance (phase 3)
Phase 1. L’IA symbolique à base de règles de logique utilisant un système expert suit le processus suivant :
-
Identification de tous les paramètres internes (lancement de produits, activités publi-promotionnelles, initiatives de la force de vente, paramètres d’ordre technique et infrastructurel, facteurs d’ordre financier et humain, etc) et externes (activités de la concurrence, faits d’ordre économique ou social, comportement de la demande, etc) ayant un impact potentiel sur le chiffre d’affaires.
-
Utilisation d’un diagramme Ishikawa qui permet de structurer et de décrire les relations entre ces paramètres et le chiffre d’affaires.
-
Développement et test d’un système expert permettant d’établir les règles de logique liant les paramètres et le chiffre d’affaires.
Phase 2. L’IA par apprentissage automatique à base des réseaux de neurones artificiels suit le processus suivant :
-
En utilisant les résultats de la phase 1, constitution d’une base de données historiques et mensuelles sur plusieurs années des paramètres et de l’indicateur de performance du chiffre d’affaires (ratio réalisation vs objectifs)
-
Préparation des données selon les principes du data mining (nettoyage, transformation, etc).
-
Vectorisation des paramètres afin de constituer la couche d’entrée du réseau de neurones
-
Optimisation du réseau de neurones de manière à minimiser l’erreur entre la sortie réelle de l’indicateur de chiffre d’affaires et la sortie prédite par le modèle
Phase 3. Déploiement du modèle en l’utilisant pour prédire le niveau d’atteinte des objectifs de chiffre d’affaires mensuel avec une avance s’étalant entre 2 et 7 jours; puis en l’améliorant d’un mois à l’autre.
Impact
-
Changement de l’état d’esprit des dirigeants d’une posture réactive à une posture anticipatrice par rapport aux performances de l’entreprise.
-
Prise en compte de tous les paramètres internes et externes qui peuvent avoir un impact sur les performances; ce qui facilite la détermination des responsabilités et la recherche de mesures correctives.
DPPLC
Nature et synthèse
Modèle de prévision et de prédiction..
Le BPPx est un outil d’analyse prédictive qui permet à une entreprise de prévoir le niveau de performance (atteinte des objectifs) de l’indicateur de chiffre d’affaires sur une base mensuelle en se basant sur la relation plus d’une centaine de paramètres tant internes qu’externes.
Constat et origine
Les entreprises ont généralement une posture réactive vis-à-vis de leurs performances. Elles constatent le niveau d’atteinte des objectifs; et se mettent alors à chercher les facteurs explicatifs et les mesures correctives.
Les entreprises éprouvent des difficultés à identifier la totalité des facteurs qui ont un impact sur la performance, et à établir leurs niveaux respectifs d’impact sur la performance passées et à venir.
Description
Combinaison de deux approches d’intelligence artificielle analytique :
-
L’IA symbolique à base de règles de logique, et utilisant un système expert (phase 1)
-
L’IA par apprentissage automatique utilisant les réseaux de neurones artificiels (phase 2)
-
Déploiement (et donc utilisation) du modèle pour prédire le niveau de performance (phase 3)
Phase 1. L’IA symbolique à base de règles de logique utilisant un système expert suit le processus suivant :
-
Identification de tous les paramètres internes (lancement de produits, activités publi-promotionnelles, initiatives de la force de vente, paramètres d’ordre technique et infrastructurel, facteurs d’ordre financier et humain, etc) et externes (activités de la concurrence, faits d’ordre économique ou social, comportement de la demande, etc) ayant un impact potentiel sur le chiffre d’affaires.
-
Utilisation d’un diagramme Ishikawa qui permet de structurer et de décrire les relations entre ces paramètres et le chiffre d’affaires.
-
Développement et test d’un système expert permettant d’établir les règles de logique liant les paramètres et le chiffre d’affaires.
Phase 2. L’IA par apprentissage automatique à base des réseaux de neurones artificiels suit le processus suivant :
-
En utilisant les résultats de la phase 1, constitution d’une base de données historiques et mensuelles sur plusieurs années des paramètres et de l’indicateur de performance du chiffre d’affaires (ratio réalisation vs objectifs)
-
Préparation des données selon les principes du data mining (nettoyage, transformation, etc).
-
Vectorisation des paramètres afin de constituer la couche d’entrée du réseau de neurones
-
Optimisation du réseau de neurones de manière à minimiser l’erreur entre la sortie réelle de l’indicateur de chiffre d’affaires et la sortie prédite par le modèle
Phase 3. Déploiement du modèle en l’utilisant pour prédire le niveau d’atteinte des objectifs de chiffre d’affaires mensuel avec une avance s’étalant entre 2 et 7 jours; puis en l’améliorant d’un mois à l’autre.
Impact
-
Changement de l’état d’esprit des dirigeants d’une posture réactive à une posture anticipatrice par rapport aux performances de l’entreprise.
-
Prise en compte de tous les paramètres internes et externes qui peuvent avoir un impact sur les performances; ce qui facilite la détermination des responsabilités et la recherche de mesures correctives.
G-STRAT
Nature et synthèse
Modèle de prévision et de prédiction..
Le BPPx est un outil d’analyse prédictive qui permet à une entreprise de prévoir le niveau de performance (atteinte des objectifs) de l’indicateur de chiffre d’affaires sur une base mensuelle en se basant sur la relation plus d’une centaine de paramètres tant internes qu’externes.
Constat et origine
Les entreprises ont généralement une posture réactive vis-à-vis de leurs performances. Elles constatent le niveau d’atteinte des objectifs; et se mettent alors à chercher les facteurs explicatifs et les mesures correctives.
Les entreprises éprouvent des difficultés à identifier la totalité des facteurs qui ont un impact sur la performance, et à établir leurs niveaux respectifs d’impact sur la performance passées et à venir.
Description
Combinaison de deux approches d’intelligence artificielle analytique :
-
L’IA symbolique à base de règles de logique, et utilisant un système expert (phase 1)
-
L’IA par apprentissage automatique utilisant les réseaux de neurones artificiels (phase 2)
-
Déploiement (et donc utilisation) du modèle pour prédire le niveau de performance (phase 3)
Phase 1. L’IA symbolique à base de règles de logique utilisant un système expert suit le processus suivant :
-
Identification de tous les paramètres internes (lancement de produits, activités publi-promotionnelles, initiatives de la force de vente, paramètres d’ordre technique et infrastructurel, facteurs d’ordre financier et humain, etc) et externes (activités de la concurrence, faits d’ordre économique ou social, comportement de la demande, etc) ayant un impact potentiel sur le chiffre d’affaires.
-
Utilisation d’un diagramme Ishikawa qui permet de structurer et de décrire les relations entre ces paramètres et le chiffre d’affaires.
-
Développement et test d’un système expert permettant d’établir les règles de logique liant les paramètres et le chiffre d’affaires.
Phase 2. L’IA par apprentissage automatique à base des réseaux de neurones artificiels suit le processus suivant :
-
En utilisant les résultats de la phase 1, constitution d’une base de données historiques et mensuelles sur plusieurs années des paramètres et de l’indicateur de performance du chiffre d’affaires (ratio réalisation vs objectifs)
-
Préparation des données selon les principes du data mining (nettoyage, transformation, etc).
-
Vectorisation des paramètres afin de constituer la couche d’entrée du réseau de neurones
-
Optimisation du réseau de neurones de manière à minimiser l’erreur entre la sortie réelle de l’indicateur de chiffre d’affaires et la sortie prédite par le modèle
Phase 3. Déploiement du modèle en l’utilisant pour prédire le niveau d’atteinte des objectifs de chiffre d’affaires mensuel avec une avance s’étalant entre 2 et 7 jours; puis en l’améliorant d’un mois à l’autre.
Impact
-
Changement de l’état d’esprit des dirigeants d’une posture réactive à une posture anticipatrice par rapport aux performances de l’entreprise.
-
Prise en compte de tous les paramètres internes et externes qui peuvent avoir un impact sur les performances; ce qui facilite la détermination des responsabilités et la recherche de mesures correctives.
SMD
Nature et synthèse
Modèle de prévision et de prédiction..
Le BPPx est un outil d’analyse prédictive qui permet à une entreprise de prévoir le niveau de performance (atteinte des objectifs) de l’indicateur de chiffre d’affaires sur une base mensuelle en se basant sur la relation plus d’une centaine de paramètres tant internes qu’externes.
Constat et origine
Les entreprises ont généralement une posture réactive vis-à-vis de leurs performances. Elles constatent le niveau d’atteinte des objectifs; et se mettent alors à chercher les facteurs explicatifs et les mesures correctives.
Les entreprises éprouvent des difficultés à identifier la totalité des facteurs qui ont un impact sur la performance, et à établir leurs niveaux respectifs d’impact sur la performance passées et à venir.
Description
Combinaison de deux approches d’intelligence artificielle analytique :
-
L’IA symbolique à base de règles de logique, et utilisant un système expert (phase 1)
-
L’IA par apprentissage automatique utilisant les réseaux de neurones artificiels (phase 2)
-
Déploiement (et donc utilisation) du modèle pour prédire le niveau de performance (phase 3)
Phase 1. L’IA symbolique à base de règles de logique utilisant un système expert suit le processus suivant :
-
Identification de tous les paramètres internes (lancement de produits, activités publi-promotionnelles, initiatives de la force de vente, paramètres d’ordre technique et infrastructurel, facteurs d’ordre financier et humain, etc) et externes (activités de la concurrence, faits d’ordre économique ou social, comportement de la demande, etc) ayant un impact potentiel sur le chiffre d’affaires.
-
Utilisation d’un diagramme Ishikawa qui permet de structurer et de décrire les relations entre ces paramètres et le chiffre d’affaires.
-
Développement et test d’un système expert permettant d’établir les règles de logique liant les paramètres et le chiffre d’affaires.
Phase 2. L’IA par apprentissage automatique à base des réseaux de neurones artificiels suit le processus suivant :
-
En utilisant les résultats de la phase 1, constitution d’une base de données historiques et mensuelles sur plusieurs années des paramètres et de l’indicateur de performance du chiffre d’affaires (ratio réalisation vs objectifs)
-
Préparation des données selon les principes du data mining (nettoyage, transformation, etc).
-
Vectorisation des paramètres afin de constituer la couche d’entrée du réseau de neurones
-
Optimisation du réseau de neurones de manière à minimiser l’erreur entre la sortie réelle de l’indicateur de chiffre d’affaires et la sortie prédite par le modèle
Phase 3. Déploiement du modèle en l’utilisant pour prédire le niveau d’atteinte des objectifs de chiffre d’affaires mensuel avec une avance s’étalant entre 2 et 7 jours; puis en l’améliorant d’un mois à l’autre.
Impact
-
Changement de l’état d’esprit des dirigeants d’une posture réactive à une posture anticipatrice par rapport aux performances de l’entreprise.
-
Prise en compte de tous les paramètres internes et externes qui peuvent avoir un impact sur les performances; ce qui facilite la détermination des responsabilités et la recherche de mesures correctives.
CHP
Nature et synthèse
Modèle de prévision et de prédiction..
Le BPPx est un outil d’analyse prédictive qui permet à une entreprise de prévoir le niveau de performance (atteinte des objectifs) de l’indicateur de chiffre d’affaires sur une base mensuelle en se basant sur la relation plus d’une centaine de paramètres tant internes qu’externes.
Constat et origine
Les entreprises ont généralement une posture réactive vis-à-vis de leurs performances. Elles constatent le niveau d’atteinte des objectifs; et se mettent alors à chercher les facteurs explicatifs et les mesures correctives.
Les entreprises éprouvent des difficultés à identifier la totalité des facteurs qui ont un impact sur la performance, et à établir leurs niveaux respectifs d’impact sur la performance passées et à venir.
Description
Combinaison de deux approches d’intelligence artificielle analytique :
-
L’IA symbolique à base de règles de logique, et utilisant un système expert (phase 1)
-
L’IA par apprentissage automatique utilisant les réseaux de neurones artificiels (phase 2)
-
Déploiement (et donc utilisation) du modèle pour prédire le niveau de performance (phase 3)
Phase 1. L’IA symbolique à base de règles de logique utilisant un système expert suit le processus suivant :
-
Identification de tous les paramètres internes (lancement de produits, activités publi-promotionnelles, initiatives de la force de vente, paramètres d’ordre technique et infrastructurel, facteurs d’ordre financier et humain, etc) et externes (activités de la concurrence, faits d’ordre économique ou social, comportement de la demande, etc) ayant un impact potentiel sur le chiffre d’affaires.
-
Utilisation d’un diagramme Ishikawa qui permet de structurer et de décrire les relations entre ces paramètres et le chiffre d’affaires.
-
Développement et test d’un système expert permettant d’établir les règles de logique liant les paramètres et le chiffre d’affaires.
Phase 2. L’IA par apprentissage automatique à base des réseaux de neurones artificiels suit le processus suivant :
-
En utilisant les résultats de la phase 1, constitution d’une base de données historiques et mensuelles sur plusieurs années des paramètres et de l’indicateur de performance du chiffre d’affaires (ratio réalisation vs objectifs)
-
Préparation des données selon les principes du data mining (nettoyage, transformation, etc).
-
Vectorisation des paramètres afin de constituer la couche d’entrée du réseau de neurones
-
Optimisation du réseau de neurones de manière à minimiser l’erreur entre la sortie réelle de l’indicateur de chiffre d’affaires et la sortie prédite par le modèle
Phase 3. Déploiement du modèle en l’utilisant pour prédire le niveau d’atteinte des objectifs de chiffre d’affaires mensuel avec une avance s’étalant entre 2 et 7 jours; puis en l’améliorant d’un mois à l’autre.
Impact
-
Changement de l’état d’esprit des dirigeants d’une posture réactive à une posture anticipatrice par rapport aux performances de l’entreprise.
-
Prise en compte de tous les paramètres internes et externes qui peuvent avoir un impact sur les performances; ce qui facilite la détermination des responsabilités et la recherche de mesures correctives.