« Nous avions accumulé cinq ans de données de vente sans jamais les exploiter. L'équipe de Clear AI Insights a construit un modèle de prévision de la demande en six semaines. Depuis, nos commandes fournisseurs sont ajustées chaque lundi matin automatiquement. Le gaspillage alimentaire dans nos entrepôts a baissé de 22 % sur les neuf premiers mois. »
« Notre service client recevait 800 tickets par jour. Le tri manuel prenait quatre heures chaque matin. Clear AI Insights a déployé un classifieur de texte connecté à notre Zendesk. Maintenant, 93 % des tickets arrivent dans la bonne file d'attente en moins de trente secondes. Mes agents se concentrent sur les cas complexes au lieu de trier. »
« J'ai suivi la formation de trois jours sur le machine learning appliqué à la finance. Le format était dense mais accessible : chaque concept théorique était immédiatement mis en pratique sur nos propres données de transactions. Deux semaines après la formation, j'ai pu construire un premier modèle de détection d'anomalies sans aide extérieure. »
« Clear AI Insights a intégré un système de vision par ordinateur dans notre chaîne d'emballage. Les caméras détectent les défauts de conditionnement avant l'expédition. Le taux de retours clients pour emballage endommagé est passé de 4,1 % à 0,6 % en cinq mois. L'investissement a été rentabilisé en moins de huit mois. »
FreshMarket gère 14 entrepôts en Belgique et livre 2 200 points de vente chaque semaine. Leur problème principal : les ruptures de stock sur les produits frais le vendredi, et le gaspillage de produits invendus le lundi. Leur ancien système de commande reposait sur des moyennes glissantes calculées dans un tableur Excel.
Nous avons entraîné un modèle de régression gradient boosting sur 4,7 millions de lignes de données de vente couvrant 36 mois. Le modèle intègre la météo, les jours fériés, les promotions en cours et les tendances saisonnières. Il produit chaque dimanche soir une liste de commandes optimisées pour chaque entrepôt.
Après neuf mois d'utilisation, FreshMarket a constaté une réduction de 22 % du gaspillage alimentaire et une baisse de 18 % des ruptures de stock sur les produits frais. Le projet a nécessité huit semaines de développement et deux semaines d'intégration avec leur ERP SAP.
TelcoPlus est un opérateur télécom qui dessert 340 000 abonnés en Belgique et au Luxembourg. Son équipe support recevait environ 800 tickets par jour via e-mail, chat et formulaire web. Quatre agents passaient leurs matinées à lire chaque ticket et à l'assigner manuellement à l'une des 23 catégories de leur système Zendesk.
Nous avons développé un modèle de classification de texte basé sur un réseau de neurones fine-tuné sur 120 000 tickets historiques étiquetés. Le modèle analyse le texte du ticket, identifie la langue (français, néerlandais ou anglais), et l'assigne à la bonne catégorie avec un taux de précision de 93 %. Les tickets dont le score de confiance est inférieur à 0,7 sont redirigés vers un agent humain pour vérification.
Le déploiement a pris cinq semaines. TelcoPlus a pu réaffecter trois des quatre agents de tri à des tâches de résolution, ce qui a réduit le temps de réponse moyen de 14 heures à 6 heures.