00:00:07 Exploiter les données météorologiques pour optimiser les décisions d’achat.
00:00:41 Les produits sensibles à la météo et leur corrélation avec la météo.
00:02:00 Contexte historique des start-ups de données météorologiques et leur statut de niche.
00:03:23 Les fournisseurs d’électricité exploitent efficacement les données météorologiques pour la prédiction de la consommation.
00:06:02 La complexité des données météorologiques par rapport aux données de la chaîne d’approvisionnement et les défis techniques.
00:08:00 L’impact de la météo sur les marchés boursiers et la demande de produits.
00:10:00 Les avantages limités des prévisions météorologiques pour les chaînes d’approvisionnement.
00:12:45 L’utilité des données météorologiques passées pour expliquer la demande de produits.
00:14:00 Utiliser le changement climatique pour améliorer les prévisions saisonnières et ses limites.
00:15:49 Comparer les fluctuations quotidiennes de température à l’impact du changement climatique à long terme.
00:17:01 L’importance de l’utilisation des données transactionnelles pour les décisions de la chaîne d’approvisionnement.
00:18:04 Exploiter les données de trafic web pour une meilleure compréhension de la chaîne d’approvisionnement.
00:18:36 Utiliser l’intelligence concurrentielle dans la prise de décision de la chaîne d’approvisionnement.
00:19:27 Conclusion : Donner la priorité à d’autres sources de données avant d’explorer les données météorologiques.
Résumé
Joannes Vermorel, fondateur de Lokad, discute avec Kieran Chandler, l’hôte, du potentiel et des limites des données météorologiques dans l’optimisation de la chaîne d’approvisionnement. Vermorel souligne que les données météorologiques ont un fort pouvoir explicatif, mais elles peuvent ne pas être très utiles pour affiner les prévisions. La nature multidimensionnelle de la météo rend difficile son incorporation efficace dans les prévisions. Vermorel souligne l’importance de donner la priorité aux données transactionnelles et aux données non transactionnelles, telles que le trafic web et l’intelligence concurrentielle, par rapport aux données météorologiques et aux données sociales. Les données météorologiques peuvent être plus utiles pour analyser les performances de vente passées. Malgré les défis, à mesure que la technologie de prévision météorologique et la gestion de la chaîne d’approvisionnement évoluent, il peut y avoir de plus grandes opportunités pour les entreprises d’exploiter les données météorologiques pour la prise de décision stratégique.
Résumé étendu
Dans cet épisode, Kieran Chandler, l’hôte, interviewe Joannes Vermorel, fondateur de Lokad, une entreprise spécialisée dans l’optimisation de la chaîne d’approvisionnement. Ils discutent du rôle des données météorologiques dans l’optimisation des décisions d’achat et des complications qui surviennent lors de la combinaison de différentes prévisions.
L’idée derrière l’utilisation des données météorologiques pour l’optimisation de la chaîne d’approvisionnement est simple : de nombreux produits sont très sensibles à la météo et leur demande est influencée par les conditions météorologiques. Cela inclut la viande pour barbecue et même les voitures, car les personnes dans différents climats peuvent choisir des véhicules différents. De nombreuses pratiques de chaîne d’approvisionnement visent à améliorer les prévisions en incorporant des données météorologiques.
Il y a une dizaine d’années, il y avait un engouement autour des données météorologiques et des startups se concentrant sur l’amélioration des prévisions. Cependant, malgré l’intérêt initial, l’utilisation des données météorologiques pour l’optimisation de la chaîne d’approvisionnement est restée un domaine de niche. Lokad a réalisé plusieurs missions pour de grandes entreprises il y a une dizaine d’années, mais ces efforts ont finalement diminué car les avantages obtenus étaient trop faibles par rapport aux efforts déployés.
L’une des principales conclusions de l’expérience de Lokad est que les données météorologiques sont incroyablement complexes. Il s’agit d’un problème multidimensionnel avec un degré élevé de diversité géographique. Les conditions météorologiques peuvent varier considérablement même à seulement 20 kilomètres de distance en raison de facteurs tels que l’altitude. De plus, la météo n’est pas uniforme tout au long de la journée, ce qui rend les prédictions plus difficiles.
Cependant, il existe des industries qui ont réussi à exploiter les données météorologiques, comme les fournisseurs d’électricité. Ils utilisent ces données pour prédire la consommation d’électricité, ce qui leur permet de fournir juste assez de puissance pour répondre aux besoins du réseau à chaque minute de la journée. Le stockage de l’électricité est inefficace et peu pratique, ce qui rend les prévisions précises essentielles pour la gestion de l’approvisionnement.
Bien que le concept d’utilisation des données météorologiques pour l’optimisation de la chaîne d’approvisionnement semble logique, il s’est avéré complexe et est resté un domaine de niche. La nature hautement variable et multidimensionnelle de la météo rend difficile son incorporation efficace dans les prévisions. Cependant, certaines industries, comme les fournisseurs d’électricité, ont trouvé du succès en utilisant des données météorologiques pour leurs besoins spécifiques.
Vermorel explique que les données météorologiques sont très complexes en raison de leur spécificité géographique et des différents facteurs à prendre en compte, tels que la pluie, le vent, l’humidité et la lumière du soleil. Cette complexité rend les données météorologiques beaucoup plus volumineuses et plus difficiles à traiter par rapport aux données traditionnelles de la chaîne d’approvisionnement.
Bien que l’obtention de données météorologiques soit devenue plus facile grâce aux fournisseurs de cloud, le traitement et la corrélation de ces données avec les modèles de vente restent un défi. Vermorel souligne que la météo peut avoir des effets très localisés sur les ventes et que les entreprises doivent naviguer entre différentes heuristiques pour tenir compte de ces nuances.
En réponse à la suggestion d’utiliser des déclencheurs plus simples et plus réactifs basés sur la température, Vermorel reconnaît que la température peut être un facteur important, mais souligne que ce n’est pas le seul. Par exemple, un week-end chaud, pluvieux et venteux peut ne pas entraîner une augmentation de la demande de produits pour barbecue. De plus, Vermorel fait remarquer que les clients surveillent les prévisions météorologiques tout comme les entreprises, ce qui peut entraîner des changements potentiels dans les habitudes d’achat en fonction des attentes météorologiques.
En ce qui concerne la précision à court terme des prévisions météorologiques, Vermorel explique que les prévisions au-delà de dix jours ne sont généralement pas très utiles pour optimiser les décisions de la chaîne d’approvisionnement. Lors de certains événements tels que les vagues de chaleur, la prévision n’a vraiment d’importance qu’au début et à la fin de l’événement, ce qui donne une fenêtre d’utilité étroite.
En discutant de l’avenir des chaînes d’approvisionnement et des prévisions météorologiques, Vermorel reconnaît que des prévisions plus précises peuvent avoir un impact plus important. Cependant, il souligne que l’utilisation la plus intéressante des données météorologiques pourrait en réalité être l’analyse des performances passées des ventes. Par exemple, comprendre si une campagne de vente de crème glacée réussie était due à un marketing efficace ou simplement à une vague de chaleur à Paris peut fournir des informations précieuses aux entreprises.
Intégrer les données météorologiques dans l’optimisation de la chaîne d’approvisionnement est une tâche complexe et difficile, avec des avantages potentiels pour comprendre les performances passées des ventes et des applications limitées de prévision à court terme. À mesure que la technologie de prévision météorologique et la gestion de la chaîne d’approvisionnement continuent d’évoluer, il peut y avoir de plus grandes opportunités pour les entreprises d’utiliser les données météorologiques pour la prise de décisions stratégiques.
Vermorel partage ses idées sur l’importance des données météorologiques, l’impact du changement climatique et les types de données sur lesquelles les entreprises devraient se concentrer pour une meilleure optimisation de la chaîne d’approvisionnement.
Vermorel explique que bien que les données météorologiques aient une forte puissance explicative, elles peuvent ne pas être aussi utiles pour affiner les prévisions. De nombreux praticiens de la chaîne d’approvisionnement les trouvent utiles pour comprendre le passé, mais pas nécessairement pour faire des prédictions futures.
Lorsqu’on lui demande l’impact du changement climatique sur les prévisions saisonnières, Vermorel souligne que, bien que ce soit un problème mondial important, son effet sur l’optimisation de la chaîne d’approvisionnement est minime en raison de la différence de calendrier. Les prévisions du changement climatique s’étendent sur des siècles, tandis que les décisions de la chaîne d’approvisionnement se concentrent sur des mois ou quelques années. Par conséquent, l’effet du changement climatique sur l’optimisation de la chaîne d’approvisionnement est relativement faible.
Vermorel souligne l’importance des données transactionnelles pour l’optimisation de la chaîne d’approvisionnement. Il note que de nombreuses entreprises n’utilisent pas efficacement ces données, car elles ne quantifient souvent pas leurs stocks et les coûts de rupture de stock en termes financiers. En tirant le meilleur parti des données transactionnelles, les entreprises peuvent optimiser leurs décisions en matière de chaîne d’approvisionnement.
De plus, Vermorel suggère de se concentrer sur les données non transactionnelles faciles à collecter et hautement pertinentes pour la chaîne d’approvisionnement d’une entreprise. Les données de trafic Web, par exemple, peuvent fournir des informations précieuses sur le comportement des clients et les performances des produits. L’intelligence concurrentielle, telle que la tarification des concurrents, est une autre source de données précieuse, bien qu’elle puisse être plus difficile à collecter.
Les données météorologiques et les données sociales peuvent être utiles, mais Vermorel recommande aux entreprises de donner la priorité aux données transactionnelles, aux données de trafic Web et aux données d’intelligence concurrentielle en premier lieu. Les données météorologiques et les données sociales doivent être prises en compte lorsque l’entreprise a déjà exploité au maximum les autres sources de données et dispose d’une grande équipe de scientifiques de la chaîne d’approvisionnement.
Les données météorologiques peuvent être utiles et intéressantes pour comprendre les performances passées de la chaîne d’approvisionnement, mais il existe d’autres sources de données plus importantes pour l’optimisation. Les entreprises devraient donner la priorité aux données transactionnelles, aux données de trafic Web et aux données d’intelligence concurrentielle avant d’explorer les données météorologiques ou les données sociales pour l’optimisation de la chaîne d’approvisionnement.
Transcription complète
Kieran Chandler: Aujourd’hui, nous allons discuter des complications possibles lors de la combinaison de différentes prévisions et comprendre si ces données peuvent être exploitées pour nous fournir des informations précieuses.
Joannes Vermorel: L’idée est simple : il existe de nombreux produits très sensibles aux conditions météorologiques en termes de demande. Vous pouvez penser par exemple à de la viande pour barbecue que vous allez acheter pour le week-end prochain s’il fait beau, et vous avez l’intention de faire un barbecue. Mais de manière plus générale, il existe des catégories entières de produits très sensibles aux conditions météorologiques, et dans une certaine mesure, pratiquement tout est plus ou moins sensible aux conditions météorologiques. Je veux dire, même votre voiture ; si vous vivez dans une région très froide, vous ne choisirez peut-être pas la même voiture que si vous vivez dans une région très chaude ou où il pleut beaucoup, par exemple. Il est donc intéressant d’avoir ces données, et évidemment, parce que c’est un facteur évident, de nombreuses pratiques de la chaîne d’approvisionnement pensent à améliorer les prévisions en essayant d’inclure ces données météorologiques, en particulier en examinant les prévisions météorologiques.
Kieran Chandler: Plus vous en savez, mieux vous êtes en mesure de prendre une décision basée sur l’avenir. Alors comment cela fonctionne-t-il en pratique ?
Joannes Vermorel: C’est intéressant, surtout la partie sur le fonctionnement en pratique. Quand j’ai créé Lokad il y a dix ans, les données météorologiques et les start-ups météorologiques étaient très en vogue. À l’époque, probablement en France, il y avait trois start-ups qui se consacraient toutes à l’amélioration des prévisions grâce aux données météorologiques, et il y en avait probablement une vingtaine aux États-Unis. C’est intéressant car c’était il y a une décennie, et c’était un petit mot à la mode à part entière, avec tout ce qui était activé ou alimenté par la météo en termes d’analyse. Mais ce qui est intéressant, c’est que, en pratique, cela est resté incroyablement de niche. Même chez Lokad, nous avons réalisé plusieurs missions pour de grandes entreprises il y a une dizaine d’années, et cela s’est calmé. En résumé, c’est beaucoup trop d’efforts pour ce que cela vaut.
Kieran Chandler: Alors qu’avons-nous réellement appris lorsque nous l’avons mis en pratique toutes ces années auparavant ?
Joannes Vermorel: Nous avons beaucoup appris. Nous avons réalisé des missions avec un grand fournisseur d’électricité européen, qui, je pense, est exactement le genre d’entreprise qui exploite aujourd’hui très efficacement les données météorologiques. Les fournisseurs d’électricité utilisent les données météorologiques pour prédire la consommation d’électricité afin de pouvoir fournir exactement ce dont le réseau a besoin à chaque minute de la journée. En passant, vous ne pouvez pas stocker l’électricité, ou en réalité il y a des moyens, mais c’est très inefficace, très lent et peu pratique en pratique. Vous avez donc besoin de prévisions très précises. Mais revenons aux données météorologiques, les principales informations étaient nombreuses. L’une d’entre elles est que la météo est tout simplement incroyablement compliquée. Les gens ne réalisent pas que c’est un problème multidimensionnel. Vous avez la grille géographique, et une chose à propos de la météo, c’est que c’est une chose très locale. J’ai été un peu surpris de réaliser à quel point la température peut être différente à seulement 20 kilomètres de distance. Vous pouvez littéralement avoir une différence de 15 degrés à 20 kilomètres de distance parce qu’un endroit est juste un kilomètre plus haut en altitude par rapport à l’autre endroit. Vous avez donc une grande diversité en termes de géographie, mais aussi la météo n’est pas une chose pour la journée. Quand vous regardez la télévision, vous aurez comme cinq épisodes de pluie, chacun de dix minutes, répartis pendant la journée. C’est donc quelque chose de très précis qui change littéralement minute par minute. Donc d’accord, vous avez la géographie, puis vous avez le temps avec une granularité très fine. Évidemment, cela fait beaucoup de différence s’il pleut pendant la nuit ou pendant la journée, vous savez, ce genre de choses. Mais ensuite, la météo elle-même, ce n’est pas seulement la température et s’il pleut ou non. Il y a une demi-douzaine de mesures comme le vent, l’humidité, la lumière, la vitesse et la direction du vent, et s’il soufflera en continu ou non. C’est donc quelque chose de très multidimensionnel et, par conséquent, je dirais que c’est un petit monde à part entière. Je veux dire, vous traitez déjà toutes vos données de la chaîne d’approvisionnement, qui sont déjà assez compliquées, et puis vous découvrez simplement qu’il y a cet ensemble de données météorologiques juste à côté de vos données de la chaîne d’approvisionnement, et c’est quelque chose qui est littéralement au moins dix fois plus compliqué que toutes vos données de la chaîne d’approvisionnement réunies.
Kieran Chandler: Oui, il y a évidemment ces complications, mais ce sont des complications qui sont très bien gérées. Elles sont très bien collectées, donc quelles sortes de défis techniques cela pose-t-il car ce sont des choses que nous commençons à connaître maintenant ?
Joannes Vermorel: Oui, je veux dire d’abord, vous vous retrouvez avec un volume de données météorologiques qui est littéralement 10 à 100 fois plus important que vos données de supply chain. Donc, en termes de génie logiciel, vous vous retrouvez avec quelque chose qui a été conçu pour gérer la supply chain et son échelle, et puis vous réalisez que si vous voulez traiter les données météorologiques, vous devez gérer littéralement 100 fois plus de données. C’est beaucoup de friction à cela. Je veux dire, évidemment, il y a une décennie, c’était un problème en soi d’avoir simplement accès aux données météorologiques. Ce problème de nos jours, avec de nombreux fournisseurs de cloud qui vous vendent les données directement sur le cloud, est devenu beaucoup plus facile. Mais traiter ces données reste très compliqué, surtout parce que, encore une fois, il ne s’agit pas de traiter les données météorologiques pour faire des simulations météorologiques. Il s’agit de traiter les données météorologiques pour faire quelque chose qui est encore très spécialisé, à savoir essayer de corréler ces données avec les tendances des ventes. Et encore une fois, souvenez-vous, la météo est très locale. Par exemple, si vous avez un marché qui attire des personnes d’une large zone, comme 30 ou même 50 kilomètres autour, vous n’avez pas seulement une météo à prendre en compte. Vous devrez peut-être consolider les données sur une zone géographique plus large, mais vous devrez trouver toutes les heuristiques nécessaires par vous-même.
Kieran Chandler: Mais nous commençons à nous compliquer beaucoup ici, en regardant différentes altitudes et différentes granularités. N’y a-t-il pas quelque chose de plus simpliste que nous pourrions introduire, peut-être quelque chose de plus réactif, comme au lieu d’un min/max, vous pourriez avoir une commande d’achat automatisée dès que la température atteint un certain nombre de degrés ? Est-ce que ce n’est pas quelque chose d’intéressant ?
Joannes Vermorel: Je veux dire, c’est effectivement intéressant. Avec la température, vous avez la première mesure d’intérêt, absolument. Et en effet, vous pouvez commencer par vous concentrer uniquement sur la température et la température moyenne pendant la journée. Pourtant, cela est très loin de refléter tout ce que vous devez savoir. Si nous revenons à l’exemple d’une augmentation de la demande de viande parce que les gens s’attendent à faire un barbecue si le prochain week-end est très chaud, mais aussi très pluvieux et venteux, vous pourriez ne pas avoir une si bonne augmentation pour vos produits de barbecue. Donc, encore une fois, oui, la température est importante. Les prévisions météorologiques indiquent clairement que ce week-end ou le week-end suivant, avec une probabilité élevée, il va faire très beau. Tout le monde le sait, et donc vous avez des clients qui commenceront à acheter les produits sensibles à la météo. Si vous analysez simplement les données avec seulement un ou deux jours de retard, vous avez également des informations sur la météo. Rappelez-vous que les prévisions météorologiques ne sont pas très précises au-delà d’environ dix jours à partir de maintenant, donc vous ne pouvez pas optimiser avec des décisions de prévisions météorologiques qui vont plus loin dans le futur que dix jours. Après dix jours, vous revenez pratiquement à la moyenne saisonnière comme si vous ne saviez rien. C’est toujours quelque chose d’intéressant, mais c’est aussi très à court terme. Il suffit de considérer que lorsque vous, par exemple, entrez dans une vague de chaleur comme à Paris, la vague de chaleur peut durer quelques semaines. La période de temps où les prévisions importent réellement n’est pas les trois semaines de la vague de chaleur, mais plutôt les trois jours où vous entrez dans la vague de chaleur, puis peut-être les deux ou trois jours où vous en sortez. Donc, c’est un point très étroit dans le temps de l’année où vous avez même un avantage réel.
Kieran Chandler: D’accord, donc la fenêtre est très petite et collecter toutes ces données ne nous apporte pas vraiment beaucoup d’avantages. Si nous regardons vers l’avenir et envisageons que, un jour, nous aurons des prévisions météorologiques futures incroyablement précises et pouvons anticiper davantage nos chaînes d’approvisionnement dans leur ensemble, pourriez-vous envisager le jour où une prévision météorologique serait plus utile pour essayer d’exploiter les données météorologiques afin de mieux prévoir ?
Joannes Vermorel: C’est possible. Il y a des entreprises, comme les fournisseurs d’électricité, qui le font avec une très grande efficacité. Pour elles, les données météorologiques sont une entrée très précieuse qui les aide à affiner leur précision de manière significative. Mais ce qui est intéressant, c’est que l’application la plus utile des données météorologiques ne consiste pas à regarder vers l’avenir ; il s’agit en réalité de regarder vers le passé. Par exemple, si vous vendez des glaces et que vous lancez une nouvelle campagne commerciale pour vos produits et qu’elle se vend très bien, se vend-elle bien parce que la campagne était bonne ou simplement parce qu’il y avait une vague de chaleur à Paris et que pratiquement tout le monde vendant des glaces a connu une bonne période pendant cette partie de l’été ? Regarder les données météorologiques passées peut être très utile pour expliquer la demande de vos produits. Ici, vous n’avez pas à vous soucier des subtilités de la granularité. Vous pouvez agréger les données sur de plus longues périodes de temps ou des géographies étendues, et cela vous donnera quelque chose qui a un fort pouvoir explicatif.
Kieran Chandler: C’est probablement pourquoi les gens, y compris de nombreux praticiens de la chaîne d’approvisionnement, sont si enthousiastes à l’idée d’utiliser les données météorologiques pour affiner les prévisions. Même si cette partie ne fonctionne pas si bien, c’est parce que les données météorologiques sont très utiles pour expliquer le passé. Et que dire du changement climatique ? Nous savons que le monde se réchauffe progressivement, et cela va affecter nos prévisions saisonnières à l’avenir. Pouvons-nous exploiter cette connaissance ? Y a-t-il quelque chose d’utile ?
Joannes Vermorel: Malheureusement, il y a des ordres de grandeur en jeu. Même les prédictions les plus pessimistes sur le changement climatique considèrent quelque chose qui, sur de nombreuses années, reste relativement faible par rapport aux fluctuations quotidiennes que nous observons dans la météo.
Kieran Chandler: Bien sûr, au cours du XXIe siècle, nous parlons d’une différence de quelques degrés. D’ailleurs, si l’on pense au temps géologique, il s’agit d’une évolution très rapide du climat. Si la Terre se réchauffe ou se refroidit globalement de deux degrés sur un siècle, c’est beaucoup. C’est très significatif. Néanmoins, nous parlons de quelques degrés sur un siècle. Même dans un climat très doux comme Paris, la température fluctue généralement d’environ 20 degrés entre le point le plus élevé de la journée et le point le plus bas. Nous avons un climat très doux. Il y a de nombreuses régions dans le monde où les températures fluctuent de 40 degrés entre le point le plus élevé de la journée et le point le plus bas de la nuit.
Joannes Vermorel: En fin de compte, un changement climatique de peut-être deux degrés au cours d’un siècle - lorsque l’on pense à quel point cela va changer d’une saison à l’autre - est littéralement insignifiant. La plupart des produits de consommation entrent sur le marché, atteignent leur apogée en quelque chose comme douze mois, puis disparaissent du marché deux ou trois ans plus tard. Vous réalisez que l’impact du climat moyen est très faible pour l’optimisation de la chaîne d’approvisionnement, simplement parce que nous ne parlons pas de la même échelle de temps. La chaîne d’approvisionnement consiste à optimiser les décisions pour les prochains mois, peut-être l’année prochaine, ou les prochaines années si vous avez de très grands projets. Mais je ne pense pas qu’il y ait beaucoup d’entreprises qui pensent à des siècles à l’avance, sauf pour être plus économes et consommer moins d’énergie ou produire moins de déchets, ce qui est un gain pour l’avenir. Cependant, ce n’est pas quelque chose que vous planifiez vraiment avec une prévision.
Kieran Chandler: Alors, à quoi d’autres données devrions-nous nous intéresser ? Qu’est-ce qui est plus important que les données météorologiques en ce moment ?
Joannes Vermorel: Nous en sommes arrivés à un stade où la plupart des entreprises n’utilisent même pas correctement leurs données transactionnelles. La plupart des entreprises avec lesquelles nous discutons, lorsque nous commençons à travailler avec elles, n’ont même pas quantifié leurs coûts de rupture de stock en euros ou en dollars. Le stock est un compromis entre le coût du stock et le coût de la rupture de stock. Si je simplifie, fondamentalement, vous devez équilibrer deux risques, et vous ne les évaluez même pas.
Kieran Chandler: Financièrement, il est très difficile d’optimiser l’un de ces deux risques. La première étape consiste donc à tirer le meilleur parti de vos données transactionnelles, qui sont extrêmement fiables et ont exactement la granularité qui compte pour vos décisions en matière de supply chain. La deuxième étape consiste à utiliser toutes les données qui ne sont pas transactionnelles, mais qui sont faciles à collecter et toujours très pertinentes pour votre propre supply chain. Par exemple, il peut s’agir de données de trafic web si vous êtes une marque. Vous pouvez examiner le nombre de visites sur chaque page que vous publiez sur votre site web, et en particulier si vous avez des pages sur vos produits, vous pouvez examiner le trafic web. Et encore une fois, lorsque le trafic web évolue, vous obtiendrez des informations étroitement liées à vos propres produits, et c’est quelque chose que vous pouvez utiliser.
Joannes Vermorel: Peut-être qu’un troisième niveau de données serait l’intelligence concurrentielle, vous savez, ce que font vos concurrents, leurs prix, etc. Ce sont des données plus difficiles à collecter, mais toujours très intimement liées à votre activité de supply chain. Et au-delà de cela, vous avez des choses comme les données météorologiques et les données sociales qui sont possibles. Nous avons des exemples d’entreprises qui utilisent des données sociales, mais ce sont généralement des entreprises très axées sur la technologie qui ont déjà franchi toutes les étapes précédentes pour tirer le meilleur parti de leurs données transactionnelles, de leurs données de trafic web et de leurs données d’intelligence concurrentielle. Et ensuite, vous pouvez vous aventurer dans les données météorologiques et peut-être les données sociales, et ce sont des sources externes.
Kieran Chandler: D’accord, donc pour conclure aujourd’hui, les données météorologiques peuvent être utiles et peuvent être intéressantes, notamment lorsqu’on regarde le passé. Mais la principale conclusion est essentiellement qu’il y a d’autres choses qui sont plus importantes.
Joannes Vermorel: Oui, et si vous n’avez pas déjà une très grande équipe de data scientists, je veux dire, vous n’êtes pas prêt. Voilà mon message : vous saurez que vous êtes prêt lorsque vous embaucherez votre 24e data scientist et que vous ne saurez pas exactement quelles nouvelles choses explorer. Alors ce serait un bon moment pour commencer à y jeter un coup d’œil.
Kieran Chandler: D’accord, arrêtons-nous là pour aujourd’hui. Merci, Joannes. D’accord, c’est tout pour Lokad TV cette semaine. Nous serons de retour la prochaine fois avec un nouvel épisode, à condition que nous survivions à cette vague de chaleur. Nous vous reverrons la prochaine fois. Au revoir pour le moment.
