Chargement...
Chargement...
5 articles sur ML.
L'IA dit 'je prédis 47 ventes la semaine prochaine'. Le client demande 'pourquoi 47 et pas 30 ?'. Sans explainabilité, c'est de la magie noire. Avec TreeShap codé en C# pur dans SaleCast, c'est une réponse chiffrée à 5 lignes : 'parce que +12 pour la saison, +8 pour la promo, -3 pour la météo, +6 pour l'historique, +24 base'. Voici comment.
Tout le monde parle d'algorithmes. Personne ne parle de feature engineering. C'est pourtant 90 % de la qualité d'un modèle ML en production. Voici les 19 extracteurs que SaleCast utilise pour transformer une série temporelle brute en signal exploitable — et pourquoi 'utiliser un meilleur algorithme' ne sera jamais aussi rentable.
Un modèle de forecasting ne crash pas quand il devient mauvais. Il continue à répondre. Les chiffres ont l'air normaux. Et un mois plus tard, ton client a 40 % de stock en trop. Voici comment SaleCast détecte la dérive — en temps réel, sans humain dans la boucle, avec deux algorithmes des années 50 et 2000.
Mon client veut augmenter le prix de sa Box Cadeau de 30€ à 35€. Bonne idée ou pas ? La réponse n'est pas dans sa tête — elle est dans son historique de ventes. Une régression linéaire de 4 lignes répond. Voici le code, le pourquoi, et la phrase à ne JAMAIS lui dire.
Lundi matin. Un client ajoute 47 nouveaux produits à sa boutique. Pas une seule vente. Aucun historique. Et il veut savoir combien commander chez le fournisseur. Voici comment SaleCast répond — sans IA magique, juste de l'agrégation intelligente sur les bons voisins.