Travaillez avec un Manager de transition
Innovation & Transformation
La rĂ©volution des donnĂ©es est en marcheđ... Savez-vous les valoriser ? Les transformer en offre de valeur ? Et si votre entreprise avait besoin d'un autre regard sur la richesse de ses donnĂ©es ?
Exploitez vos données
Vous avez un projet ? Vous souhaitez vous développer ? Créez vos propres scenarios et modÚles pour anticiper ?
Je peux vous accompagner techniquement sur un Strategic Workforce Planning et vous conseiller sur ce que vous pouvez mettre en oeuvre avant de délivrer des modÚles à haute valeur ajoutée.
Selon la problématique
Frameworks, langages, algorithmes, modules, big data, ERP, ces outils permettent d'utiliser la donnée. Encore faut-il que la source soit qualitative.
Le strategic Workforce Planning est une méthode au carrefour de la GPEC et du contrÎle de gestion de donneés sociales. Il permet d'intervenir sur le plan qualitatif par exemple sur les référentiels, les métiers d'avenir et sur le plan quantitatif en évaluant les coûts, l'évolution de la masse salariale. Cela peut permettre de réfléchir à sa politique de rémunération, comparer des BU, redéfinir le référentiel RH transverse, repenser son organisation, évaluer le taux d'effort, anticiper les dictionnaires de données dans le cadre d'un SIRH ou d'une mission de data science sur les données sociales...
La Data ?
« Une différence qui fait la différence »
Mais qu'est-ce que la donnée ?
«Une différence qui fait la différence». Cette citation de Grégory Bateson, systémicien, nous rappelle que la donnée se trie, se classe, se distingue. Cela suppose des regroupements et des traitements. C'est à ce prix seulement que l'on peut ensuite extraire une information. En data science, les retraitements sont largement automatisés et permettent de passer plus de temps sur le choix des modÚles statistiques, la lecture des prédictions, l'affinage du scoring. Ces modÚles permettent en outre de constituer le back-end d'applications.
Pour en savoir +
Cas d'usage & Projet
En savoir + sur les modĂšles
Saviez-vous que la distinction classique entre données numériques et non numériques a beaucoup moins de sens en data science ?
Vous souhaitez mieux comprendre le vaste champ de la donnée ? Distinguer machine learning et deep learning ?
