Gouvernance de données

Notre client, l’entreprise Newton* doit garder un contact constant avec près de 300’000 clients à travers le pays. Elle envoie à chacun de ses clients, mensuellement, plusieurs publications commerciales, dont la production et la distribution est coûteuse. La base de données de sa clientèle est l’aboutissement de la fusion de bases structurées selon différents systèmes: elle est construite sur des compromis, ce qui a engendré une très grande quantité de doublons dans celle-ci.

Après l’utilisation de progiciels de débdoublonnage par reconnaissance de champ, les doublons évidents sont fusionnés. Cependant, il reste encore 60’000 doublons supposés, dont les champs ne permettent pas de lier directement ces doublons supposés sans risquer de fusionner des clients distincts possédant des noms homonymes. Ces doublons restant engendrent une facture de plus de 200’000.- additionnels en envois superflus.

Pour un humain, il est facile d’estimer les homonymes grâce à l’expérience et le sens commun. Or, les activités habituelles de l’entreprise se traduisent par l’ajout régulier de nouveaux doublons. Ainsi, l’entreprise Newton doit engager occasionnellement un employé dont l’unique activité est d’identifier les doublons. En outre, ce travail est accompli très lentement: 400 doublons sont traités par jour, ce qui équivaut à une dépense de presqu’un franc pour chaque élimination de doublon.

PEACOCK a mis en place une solution alliant la capacité humaine à reconnaître aisément les homonymes probables à la rapidité d’un ordinateur. La solution, la nuit de son déploiement, a immédiatement traité toute la base de données, et identifié 52’000 doublons, baissant le nombre d’homonymes incertains à 8’000.

Pour réussir cette prouesse, PEACOCK a utilisé la technologie des neural networks, en déconstruisant les champs de la base de données, de sorte à ce qu’ils soient pleinement exploitables par l’algorithme, afin que celui-ci puisse imiter les motifs récurrents qui donnent à l’humain ses facultés de reconnaissance.

Ce problème, présent dans la plupart des base de données, est un frein pour les sociétés qui souhaitent profiter pleinement des nouvelles technologies, ainsi qu’une source de dépenses inutiles.

Intéressé par la mise à niveau de votre système de base de données?

Contactez-nous:

Prêt à réduire vos coûts d’énergie?

Contactez-nous:

Gestion de l’énergie

L’entreprise Faraday* exerce son activité dans un lieu d’exploitation couplant une grande surface à un large volume. En outre, de nombreuses installations énergétiques ponctuent le site. Ce réseau complexe souffre d’un manque d’efficience, dû en partie à la nature opaque de l’installation, ainsi que sa construction graduelle. Les points de perte du réseau sont difficiles à identifier, et les estimations de consommation sont ainsi imprécises, en dépit d’une bonne planification des événements à venir, ceci occasionnant des coûts énergetiques difficiles à budgétiser.

PEACOCK a été consulté pour modéliser puis optimiser cette consommation. Une de nos équipes de physiciens s’est employée, après inspection des lieux, à identifier les points de consommation, et analyser les relevés énergétiques partiels que possède l’entreprise Faraday.

L’analyse préliminaire a révélé qu’il était difficile d’aborder le problème d’une manière autre que statistique: la mise en place d’un système de mesure de la consommation par poste est inefficace et coûteux. En outre, toutes les optimisations découlent d’une meilleure allocation des ressources. L’entreprise Faraday a déjà optimisé au mieux ces allocations, mais la complexité du réseau rend difficile l’évaluation des gains, dont la communication permettrait d’appuyer leur politique visant un bilan énergétique neutre.

Suite à l’étude, PEACOCK a alors proposé une solution basée sur une conception physique des attributs uniques de ce réseau, en utilisant des neural networks pour l’optimisation des applications spécifiques du modèle. Ces derniers étant entraînés sur les schémas de consommation de la décénnie précédente, dans le but de rendre le modèle applicable sur une durée la plus longue possible.

Ce modèle offre des gains énergétiques évalués jusqu’à 30% de la consommation actuelle, réduisant ainsi les coûts énergétiques de l’entreprise Faraday d’une quantité équivalentes.

Chaîne d’approvisionnement

L’entreprise Galilée* est spécialisée dans la production et l’importation de café, et souhaite automatiser sa chaîne d’approvisionnement, et par la même occasion, réduire les coûts liés à celle-ci. Sa chaîne de production s’étend sur toute la planète: de l’Amérique du Sud à l’Italie, en passant par Singapour. Etant donné la portée de son activité, les imprévus sont courants; l’entreprise souhaite être en mesure de s’en prémunir.

PEACOCK a été mandaté pour évaluer la situation de la chaîne, et pour proposer une solution permettant la réduction des retards produits par les défaillances locales. En effet, dû à un événement majeur affectant l’un de ses fournisseurs, l’entreprise Galilée voit une partie de sa marchandise bloquée, et son processus de production interrompu. Celle-ci décide alors d’optimiser ce processus en diversifiant ses sous-traitants, et confie à PEACOCK la responsabilité de deviser des lignes de production réduisant au maximum la probabilité d’arrêt, en répartissant automatiquement les demandes auprès de plusieurs fournisseurs, ainsi que le transport et le traitement des marchandises.

Le système mis en place évalue la fiabilité de chacun des acteurs et optimise l’allocation des commandes auprès des autres acteurs, s’adaptant en temps réel aux divers événements perturbateurs dans l’écosystème d’approvisionnement. L’algorithme prend en compte les facteurs environnementaux, politiques et économiques pour établir un plan de production adapté à la situation mondiale actuelle et optimisant le chemin de production ainsi que les coûts.

Le système implémenté est construit pour apprendre sans autre supervision, de manière à rester pertinent à chaque cycle de production. La dépendance à un responsable de chaîne est donc minimisée, permettant une transition du savoir facilitée.

Le machine learning a permis, dans cette situation, de constuire une solution prenant en compte une très grande quantité de données, soutenant une capacité d’actualisation constante, liée à la possibilité d’identification des ruptures dans un réseau dont les composantes évoluent dans le temps et l’espace.

Vous souhaitez optimiser votre chaîne d’approvisionnement?

Contactez-nous: