+33 7 67 06 80 56

Modélisation du marketing mix

Aperçu du projet :

Dans le cadre de notre projet passionnant de modélisation du marketing mix pour une entreprise pharmaceutique de premier plan aux États-Unis, nous nous plongeons dans le monde des données et de l'analyse pour aider à optimiser leurs stratégies marketing et soutenir l'équipe dans l'allocation des budgets publicitaires sur plus de 30 canaux. Intégrés à l'équipe data science du client, nos tâches consistent à d'abord l'affinement et l'étalonnage du modèle. En premier lieu, nous nous alignons sur l'intuition des experts du métiers afin de garantir que les résultats du modèle reflète fidèlement les scénarios du monde réel. Deuxièmement, nous fournissons des recommandations budgétaires utilisant l'optimisation linéaire.En outre, nous mettons en œuvre les meilleures pratiques MLOps (MLflow, GitHub CI, etc.) pour rendre le système évolutif, en automatisant les tâches de suivi et de déploiement afin de soutenir facilement les utilisateurs. Cela garantit non seulement l'évolutivité du projet, mais permet également aux utilisateurs d'exécuter sans effort des modèles pour plusieurs produits dans différents pays.

Exemple de courbes de réponse hypothétiques construites à l'aide de modèles bayésiens de régression

 

Exemple de diagramme de contribution indiquant l'impact progressif de chaque canal

Objectifs :

  • Analyser et comprendre les données en vue de la modélisation (se faire une idée préalable de l'impact, choisir la transformation à appliquer et se faire une idée de la variation que le modèle devrait détecter).
  • Mettre à jour le modèle et l'affiner pour l'aligner sur les attentes des experts marketing.
  • Assister les utilisateurs pendant l'exécution des scénarios d'optimisation, notamment en clarifiant les concepts techniques et en résolvant les problèmes liés à l'optimiseur (CBC, Gurobi).
  • Rationaliser le flux de travail et intégrer les meilleures pratiques de MLops pour permettre aux utilisateurs non techniques d'exécuter et d'analyser efficacement les modèles.

Impact :

  • le projet s'est d'abord concentré sur un seul produit qui a attiré l'attention des dirigeants. Au fur et à mesure, on est passé d'une équipe unique dédiée au produit à la mise en place d'une équipe centrale chargée de construire un produit de type "Platform as a Service" (PaaS) pour les utilisateurs expérimentés.
  • L'automatisation de la génération de rapports et de la comparaison des modèles a constitué une avancée notable du projet. Cette automatisation visait à faciliter l'accès aux données pour les équipes commerciales, en leur permettant de prendre des décisions indépendamment des équipes techniques. Cette évolution vers l'automatisation permet non seulement de rationaliser les processus, mais aussi de responsabiliser les équipes non techniques en leur fournissant des outils pour accéder aux données et les analyser, ce qui favorise un processus de prise de décision plus efficace.
  • L'élargissement du champ d'application d'un produit unique à une offre PaaS plus large. pour répondre à des besoins plus diversifiés.

 

Technologies :

Snowflake, AWS, pyStan, CBC, Mlflow