Management de la donnée
Nous proposons un modèle organisationnel qui dépasse la simple architecture technique et permet d’allier technologie et gestion des ressources humaines. Ce modèle organisationnel s’appuie sur trois briques identifiées dans la modélisation Data Vault 2.0 et propose de nouvelles composantes comme l’éducation sur la donnée pour dépasser les freins existants à l’usage de celle-ci.
Inférence causale et amélioration des modèles de connaissance clients (Uplift)
Nos travaux montrent les limites du Big Data dans le domaine de la connaissance client et ont ouvert la voie à de nouvelles études autour du Machine Learning, et plus spécifiquement encore du Préférence Learning. Cette technique d’analyse appliquée au ciblage marketing permet de caractériser les seuls clients rentables et est reproductible dans d’autres domaines (santé, etc.)
Jumeaux numériques des entrepôts — intra logistique
Le jumeau numérique est un type de simulation qui repose sur le principe d’un clone virtuel d’un système physique ou d’un processus. Si l’exploitation du jumeau numérique est très répandue dans les milieux industriels et scientifiques pour soutenir la prise des décisions associées aux produits, très peu de recherches se sont intéressées à son exploitation pour soutenir la prise de décisions associées aux processus. La gestion de l’empreinte carbone et de l’émission des gaz à effet de serre dans l’intra logistique est un processus nécessite notamment l’utilisation des jumeaux numériques que nous développons.
Modélisation de l’impact du risque physique et de transition sur la solvabilité des assurances
Nous améliorons la prise en compte du caractère non-stationnaire et multivarié des variables climatiques dans le domaine des statistiques. À partir du nouveau cadre mathématique établi, nous permettons aux assureurs non-vie d’évaluer leurs risques liés au changement climatique en considérant les dépendances entre risques.
Modèles d’alignement des portefeuilles sur les trajectoires climatiques
Nous réalisons un cadre conceptuel complet inédit permettant d’objectiver l’analyse des portefeuilles d’investissement et, ainsi, de créer une série de modèles capables d’intégrer et de traiter des données portant sur les émissions de gaz à effet de serre des entreprises ; d’adapter les méthodes de projection de ces émissions de gaz à effet de serre aux données disponibles, et de s’appuyer sur des méthodes mixtes pour optimiser les projections ; d’apporter de la transparence quant au fonctionnement et à l’organisation des algorithmes sous-jacents au modèle.