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 le use caseÉlasticité, optimisation tarifaire, arbitrages portefeuille et aide à la décision commerciale.
Système décisionnel de pricing avec élasticité, contraintes et arbitrages portefeuille.
Voir le use caseMMM, courbes de réponse, allocation budgétaire et décisions partagées finance-marketing.
MMM et allocation budgétaire avec revue mensuelle.
Voir le use caseWorkflows IA, recommandations et logique métier quand contrôle et auditabilité comptent.
Workflow décisionnel auditable, logique métier explicite et transfert clair.
Voir le use caseProduits
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
Guided purchase flow in production: auditable recommendations, business rules editable without a deploy
Multi-SKU demand forecasting pipeline for 30+ products across 50 duty-free stores with automated monthly updates.
Résultat clé
Stockouts ↓34%, inventory costs ↓18%; 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
Media budget set from marginal ROI across 10+ countries; marketing and finance on one number
Écriture
Comment transformer une prédiction de Lifetime Value en boucle d'optimisation Meta, instrumenter l'expérience et mesurer la valeur incrémentale réellement créée.
Architecture Pixel et Conversions API, event_id, déduplication, idempotence, watermark et monitoring : comment industrialiser un pipeline Meta réellement fiable.
Suivez un clic Instagram jusqu'à l'achat pour comprendre fbclid, _fbc, _fbp, le Pixel et la Conversions API — et pourquoi une vente réelle peut rester invisible pour Meta.
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.