Consultant indépendant analytics et IA
Références
pays
MMM en production
modèles de prévision
en production
secteurs
luxe / pharma / fintech / retail
outils
interactifs, ouverts, in-browser
Ce que je fais
Prévision de la demande, scénarios, stocks et décisions opérationnelles sous incertitude.
Système de prévision en production, rythme 30-90 jours.
Voir la pratiqueÉlasticité, optimisation tarifaire, arbitrages portefeuille et aide à la décision commerciale.
Système décisionnel de pricing avec élasticité, contraintes et arbitrages portefeuille.
Voir la pratiqueMMM, courbes de réponse, allocation budgétaire et décisions partagées finance-marketing.
MMM et allocation budgétaire avec revue mensuelle.
Voir la pratiqueWorkflows IA, recommandations et logique métier quand contrôle et auditabilité comptent.
Workflow décisionnel auditable, logique métier explicite et transfert clair.
Voir la pratiqueOutils
Produits interactifs pour marketers, analystes et opérateurs : courbes de réponse, adstock, CLV et optimisation budgétaire.
Interactive
Courbes de saturation marketing
OuvrirInteractive
Effets rémanents du marketing
OuvrirInteractive
Optimisation budgétaire
OuvrirInteractive
Valeur vie client
OuvrirInteractive
Zones d'efficacité marketing
OuvrirInteractive
Part de marché et fidélité
OuvrirMa méthode
01 · FRAME
Définir la décision, les contraintes et le rythme opérationnel. La plupart des projets échouent ici, avant tout modèle.
02 · MODEL
Construire un système intégrant boucles de feedback et responsabilité. Pas un notebook, pas un prototype.
03 · DEPLOY
Passer d'un modèle qui marche à un système décisionnel que l'équipe peut faire tourner en production.
04 · OPERATE
Livrer avec monitoring, contrôle de drift et documentation pour garder le système honnête.
// Principle 01
Le produit, c'est la décision. Le logiciel, c'est l'outil.
Déploiement
Votre cloud
Le modèle et les pipelines tournent dans votre VPC. Aucune donnée ne quitte votre compte.
Sur site
Images Docker exécutées derrière votre pare-feu. Aucun appel externe à l'inférence.
Transfert
Monitoring, contrôle de drift et documentation pour que votre équipe fasse tourner le système.
Méthode
$ python fit_mmm.py --config client.yaml[load] 156 weeks x 7 channels[prior] adstock ~ Beta(3, 3) - saturation ~ HalfNormal(1)[fit] 4 chains - 2000 draws[████████████████████] 100%[ok] converged - max R-hat 1.01[ok] backtest MAPE 38.0% -> 24.1% channel mROI saturation search 3.41 0.62 social 1.18 0.89 tv 2.07 0.44 [ok] reallocation written - plan.csvCas sélectionnés
Quelques exemples couvrant prévision, MMM et risque opérationnel.
A production-oriented recommendation system that guides customers through emotionally loaded floral purchases — using a deterministic state machine with LLM components constrained to intent parsing and rationale generation only.
Résultat clé
Full guided purchase flow: delivery validation, persona selection, budget extraction, curated recommendations with auditable scoring
Multi-SKU demand forecasting pipeline for 30+ products across 100+ duty-free locations with automated monthly updates.
Résultat clé
Forecast error: 38% → 24%
Proprietary Marketing Mix Model with budget optimization replacing intuitive allocation with data-driven decision making across multiple countries and touchpoints.
Résultat clé
Strategic budget reallocation based on incremental response curves
Écriture
A technical architecture for customer-brand affinity in physical retail: customer windows, lift and PMI, Item2Vec embeddings, graph construction, constrained layout optimization, and causal validation.
Department stores already have the data to rethink brand adjacency around real customer behaviour. The opportunity is not another dashboard, but a new merchandising decision system.
Pourquoi le R² évalue souvent mal un modèle de predicted Lifetime Value destiné à l'activation marketing, et quelles métriques utiliser pour piloter les segments en production.
Seven ML products, one retail team, and the question of whether to consolidate training into a single Vertex-native monorepo. The answer is conditional, and the condition is the whole point.
Why data science and AI platform projects fail on definitions, not on infrastructure, and how to let a real decision pull the data model into existence instead of waiting for the lake.
A staff-level field guide to predicted LTV for marketing activation: why ranking beats accuracy, why a directional model can beat an accurate one for seeding audiences, and where the whole thing quietly goes wrong.