Information: this page is not translated in english

News : Belle collaboration entre la start-up TellMePlus et Rémi Coletta du LIRMM

Belle collaboration entre la start-up TellMePlus et Rémi Coletta du LIRMM

TellMePlus pour prédire les besoins des consommateurs

Leur outil Wysii permet l’analyse de comportements pour la prédiction de comportements futurs, avec des applications marketing, et une ouverture pour des recommandations en smart grids.

L’innovation de la start-up TellMePlus créée en 2011 par Jean-Michel Cambot (inventeur de Business Objects), en collaboration avec Rémi Coletta du LIRMM (CNRS/Université Montpellier 2) prend le contre-pied des techniques actuellement utilisées en recommandation. En effet, la majorité des concurrents de TellMePlus, tels que Criteo ou Tinyclues, utilisent des techniques issues du DataMining, tel que le Clustering, qui procèdent en deux étapes : d’abord partitionner les utilisateurs dans des groupes (ou clusters) puis prédire le comportement au niveau de ce groupe. Ces techniques sont réputées pour leur faculté à traiter des grands volumes de données, mais pêchent par leur absence totale de personnalisation et risquent de passer à côté d’un comportement atypique. À l’opposé, Wysii utilise des techniques issues de l’Intelligence Artificielle, tels que le Machine Learning, pour produire des recommandations à l’utilisateur près. Ces algorithmes très fins mais réputés trop gourmands en temps de calcul ont été optimisés par TellMeplus grâce à la mise en œuvre d’une architecture « In Memory », où toutes les données sont en mémoire centrale.  Pour un gros acteur du e-commerce, Wysii est ainsi capable de fournir des recommandations personnalisées à chacun des 4 millions de clients dans des temps de l’ordre de 50 ms.

La start-up se démarque également sur son engagement vis-à-vis de la protection de la vie privée, puisque les données qu’elle exploite ne sont jamais nominatives et ne sont pas extraites de fouilles de données de comptes mails ou de réseaux sociaux. Les recommandations se font par rapport à votre historique de comportement : comment vous avez réagi aux dernières recommandations qui vous ont été proposées sur votre mobile, si vous les avez consultées, supprimées…

Au-delà de ces applications marketing/produit, l’offre de service s’élargit depuis la prise en compte des séquences temporelles dans les recommandations : ce ne sont plus seulement vos actions, mais l’ordre dans lesquelles vous les avez effectuées, qui sont analysées. Un travail en cours, avec Exalead, concerne les call-center d’un opérateur majeur de téléphonie mobile. Les télé-opérateurs sont déjà assistés d’un système d’aide à la décision, qui sur la base de règles générales propose des consignes avec des best next action, mais ces recommandations ne prennent pas en compte les spécificités du client. Par exemple, si les appels sont plus en plus fréquents, et leurs durées de plus en plus longues, il ne faut pas réagir comme au premier appel, mais que le système produise une recommandation pertinente.

Cette ouverture sur les séquences temporelles permet une orientation vers les smart grids, pour l’optimisation de l’énergie. Le but du projet, en lien avec ATOS, constructeur de compteurs multi-fluides, est d’être capable de faire des prédictions de consommation très fines, à l’utilisateur près, qui permettront un affinage de la planification de l’ordonnancement du démarrage de la production d’énergie (comme les centrales nucléaires), et non plus de se baser sur des prédictions  des comportements globaux. Cet objectif fait partie du projet européen ICON, et les avancées seront présentées la semaine prochaine pour le concours Innovation 2030.

Contacts : Jean-Michel Cambot / TellMePlus / jmcambot@tellmeplus.com
Rémi Coletta / LIRMM / coletta@lirmm.fr