HLi Lab a développé ses propres algorithmes d’analyse prédictive pour ses clients.

Les trois modèles réalisés par les data scientistes d’HLi Lab :

  • utilisent les données internes et externes (open data et open map), le machine learning, l’imbrication d’algorithmes,
  • restituent l’information sous forme d’interfaces de data visualisation,
  • sont adaptables aux différents cas rencontrés par ses clients.

1 – Un modèle d’analyse prédictive pour le churn et l’appétence des clients pour une offre

Cette solution, Multidimensional Churn Analysis, MCA d’HLi projet labellisé par Cap Digital, permet de :

  • prédire les clients qui vont partir à la concurrence
  • comprendre les raisons du risque de départ à la concurrence
  • prendre en compte les réclamations clients en temps réel pour réajuster le modèle de machine learning (apprentissage automatique)
  • mettre en place des actions marketing sur les clients risqués avec un argumentaire adapté à leur profil,
  • suivre l’efficacité des campagnes marketing et de réajuster leur ciblage si besoin avec une approche test & learn (apprendre en testant)
  • mieux orienter ses offres de produits et services, son (e-) marketing, son (e-) commerce pour éviter le départ de clients à l’avenir.

Churn ou attrition : la perte de clientèle ou d’abonné

2 – Un modèle d’analyse prédictive pour la fraude  

Cette solution de Prédiction de la fraude qui permet  de détecter la fraude à l’octroi de crédit est  destinée aux établissements de crédit.

3 – Un modèle de maintenance prédictive pour prévoir les incidents

Cette  solution de Maintenance Prédictive et d’Optimisation de l’Investissement (solution HLi MPOI), permet de :

  • prédire les pannes sur les réseaux internet, d’eau, de gaz, d’électricité, ou sur des équipements,
  • remonter les alertes sur des incidents de logistique.

ZOOM sur cette solution de maintenance prédictive (MPOI) qui :

utilise les données internes (capteurs, bases de données internes) et externes (open data, open map),

s’appuie sur des algorithmes de machine learning permettant de prédire le risque d’incident, de panne ou de dégradation,

restitue les alertes et les prévisions sous forme de carte dynamique ou de reporting.

Ses avantages

Gérer sa maintenance (prévision du stock et planification des interventions),

Intervenir avant qu’une panne ne survienne,

Optimiser sa politique d’investissement,

Augmenter la satisfaction client en évitant les désagréments relatifs aux incidents, pannes ou dégradations.