Analyse de données et spécifications algorithmiques pour une plateforme de financements alternatifs

Projet scientifique

Wefinup est une plateforme facilitant le recours des professionnels aux financements alternatifs. Pour rendre ses services, Wefinup collecte, analyse et traite de nombreuses données relatives aux entreprises et aux marchés sur lesquels elles interviennent.

L’essentiel des process est aujourd’hui effectué par des analystes spécialisés. Cependant, compte tenu de la nature de certaines des tâches à traiter, l’équipe de Wefinup pense qu’il est possible d’en automatiser certaines, notamment celles répétitives et à faible valeur ajoutée. D’autres tâches à forte valeur ajoutée sont également concernées lorsqu’elles demandent des croisements d’informations ou des traitements statistiques qui dépassent les capacités cognitives humaines.

Une première synthèse des traitements possibles nous a servi de base de discussion et est organisée de la façon suivante :

–              Automatiser la collecte tout le long de la relation client :

–              relevés bancaires ;

–              données des médias sociaux ;

–              avis et commentaires des clients.

–              Automatiser l’orientation des prospects vers des sources de financements compatibles ;

–              Remonter automatiquement des alertes en fonction de l’identification de besoins potentiels chez des clients ou prospects ;

–              Automatiser l’intégration de données issues de réseaux sociaux / avis clients dans les analyses des dossiers.

L’objectif scientifique du projet confié à l’ILB est de déterminer les tâches qui pourraient donner lieu à une automatisation effective grâce à des algorithmes de type machine learning.

La méthodologie employée consiste à décomposer les process métiers actuels en composants fonctionnels, puis d’examiner chaque composant dans l’optique de son automatisation. Cet examen s’appuiera sur l’expressivité des données de base disponibles, sur leur capacité à constituer un ensemble d’apprentissage pour des algorithmes d’intelligence artificielle ou un échantillon statistiquement représentatif, ainsi que sur les prérequis nécessaires pour obtenir des résultats significatifs en utilisant les algorithmes de l’état de l’art.

Une attention particulière sera portée à la dynamique anticipée du jeu de données : l’acquisition de données nouvelles, l’achat et le croisement de données externes, la permanence des méthodes de collecte, etc. Cette attention est dictée par la nécessité de stabilité dans les résultats obtenus grâce au recours ã des algorithmes d’apprentissage.

Plusieurs typologies questions seront étudiées. Elles comprennent :

–              La production de données de synthèse de données numériques ;

–              L’aide à la décision pour optimiser les chances de financements en fonction des sources compatibles ;

–              La construction d’arguments qualitatifs à partir des données non-structurées collectées sur les médias sociaux et des avis clients ;

–              L’anticipation des besoins de chaque prospect à partir de l’expertise financière spécifique au secteur d’activité de l’entreprise.

Responsables scientifiques

Harold Olivier
Harold Olivier
Driss Lamrani
Driss Lamrani