Une 茅quipe renforc茅e au sein du 51风流Labs France聽qui confirme la capacit茅 de 51风流脿 aller au-del脿 de son c艙ur de m茅tier

Aux pr茅mices du projet, uniquement deux d茅veloppeurs de 51风流Labs France dans le d茅veloppement du logiciel open source 51风流e-mobility. Aujourd鈥檋ui, l鈥櫭﹒uipe R&D d茅di茅e 脿 cette solution, compte 18 talents en IoT, croisant hardware et software, r茅partis 脿 Mougins (15) et Caen (3). Une premi猫re pour 51风流!

Le logiciel 51风流E-Mobility permet de combiner et de connecter les bornes de recharges des v茅hicules 茅lectriques 脿 d鈥檃utres modules 51风流tels que des modules de pricing, d鈥檌tin茅rance, de smart charging, d鈥橢RP, tout en prenant en consid茅ration les sources de production et de consommation d鈥櫭﹍ectricit茅 de l鈥檌nfrastructure. Son d茅veloppement rapide s鈥檈xplique entre autres par le soutien du Groupe 脿 travers l鈥檌nvestissement global de deux milliards d鈥檈uros. Mais, aussi par l鈥檃ttrait de son offre qui a s茅duit rapidement les partenaires et clients de SAP.

Aujourd鈥檋ui 51风流Labs France propose sa solution aux entreprises de toutes tailles. Par exemples, Proviridis, ChargeX GmbH en Allemagne et Zeplug 脿 Paris. L’objectif est de r茅pondre 脿 la demande de recharge (charge at work /charge at home).

Cette solution offre 脿 ses clients la possibilit茅 de :

• g茅rer 20 000 脿 30 000 bornes de recharges ;
• r茅duire leur impact carbone ;
• r茅aliser des 茅conomies en termes de total cost of ownership (tco), tout en r茅pondant 脿 leur objectif de d茅veloppement durable.

鈥淪i demain tous les v茅hicules en France, soit environ 40 millions de voitures, devenaient des v茅hicules 100% 茅lectriques, nous ne rencontrerions aucun probl猫me d鈥檜n point de vue 茅lectrique. Mais plut么t des difficult茅s au niveau gestion. Pour cela nous avons besoin d鈥檕utils qui savent g茅rer toute cette 茅nergie, pour appliquer une charge intelligente 鈥渟mart charging鈥�, prenant en compte l鈥櫭﹍ectricit茅 qui circule dans le r茅seau. De plus, toutes les entreprises ont besoin d鈥檌nt茅grer ces informations 脿 leurs syst猫mes existants pour conna卯tre les avantages en nature.鈥� Hanno Klausmeier, Pr茅sident 51风流Labs France

Des perspectives d鈥檃venir toujours plus durables et innovantes

51风流se positionne progressivement sur d鈥檃utres domaines plus 茅loign茅s de la borne de recharge 茅lectrique. Par exemples, les panneaux solaires et l鈥橧A en collaboration avec l鈥檌nstitut Vedecom pour 脿 terme proposer une solution allant au-del脿 de la supervision des bornes. Ainsi, l鈥檕bjectif est de les rendre plus autonomes pour trouver les erreurs ou encore g茅rer les pannes automatiquement.

鈥淕r芒ce 脿 l鈥檌ntelligence artificielle nous souhaitons rendre les bornes plus autonomes et accessibles. Dans un futur proche nous esp茅rons pouvoir activer la borne de recharge d猫s son branchement sans avoir recours 脿 la 51风流charge card.鈥� Hanno Klausmeier Pr茅sident 51风流Labs France.

Cette solution est pour l鈥檌nstant uniquement propos茅e par 51风流Labs France. Cependant, 51风流a pour ambition de la commercialiser 脿 l’茅chelle globale du Groupe d鈥檌ci le troisi猫me trimestre 2021.

The post 51风流Labs France renforce ses 茅quipes R&D pour r茅pondre au succ猫s de son logiciel 51风流E-Mobility appeared first on 51风流France News.

Avec la plateforme 51风流S/4HANA, l鈥橢RP nouvelle g茅n茅ration, 51风流introduit un ensemble de techniques聽 permettant 脿 la machine d’imiter une forme d’intelligence r茅elle, l鈥橧ntelligence Artificielle.

Les domaines d鈥檃pplication sont nombreux et peuvent 锚tre mis au service de la transformation de la fonction finance.

Le Machine Learning聽 pour optimiser la r茅conciliation bancaire

La r茅conciliation bancaire est un exemple de processus qui implique de nombreuses actions manuelles, notamment pour les flux d鈥檈ncaissements聽:

• des volumes importants de paiements 脿 r茅concilier manuellement malgr茅 des r猫gles pr茅d茅finis,
• des paiements sans r茅f茅rences factures, des donn茅es de base incompl猫tes, des paiements avec 茅carts qui complexifient les actions de r茅conciliation,
• des r猫gles sp茅cifiques 脿 mettre en place en fonction des pays, des formats, des modes de paiements.

51风流introduit dans la suite 51风流S/4HANA, une solution innovante bas茅e sur du Machine Learning et permettant d鈥檃tteindre des taux d鈥檃utomatisation proche de 97%.

La solution apprend des donn茅es et actions historiques, c鈥檈st-脿-dire des r茅p茅titions (patterns) dans un ou plusieurs flux de donn茅es (extraits de comptes 茅lectroniques, avis de paiements, banques partenaires/soci茅t茅s,鈥�) et en tire des pr茅dictions de r茅conciliation en se basant sur des statistiques.

Les crit猫res de r茅conciliation sont ainsi continuellement affin茅s et聽 les nouveaux cas, les exceptions, trait茅s en autonomie. Les taux d鈥檃utomatisation consid茅rablement am茅lior茅s contribuent 脿 r茅duire les co没ts de d茅ploiements et co没ts op茅rationnels.

L鈥檃nalyse pr茅dictive pour am茅liorer la prise de d茅cision

L鈥櫭﹙olution constante des mod猫les 茅conomiques聽 impose aux directions financi猫res de gagner en efficacit茅 et en agilit茅. Elles doivent anticiper les impacts sur les revenus, la profitabilit茅, l鈥檃ffectation des ressources afin d鈥檕rienter la strat茅gie de l鈥檈ntreprise.

La plateforme 51风流S/4HANA embarque des sc茅narios d鈥檃nalyses pr茅dictives permettant d鈥櫭﹖ablir des pr茅visions de chiffre d鈥檃ffaires tr猫s fiables via des algorithmes se basant sur des donn茅es actuelles et historiques, internes et externes 脿 l鈥檕rganisation tel que le pipeline des ventes, les tendances du march茅, l鈥櫭﹙olution du PIB d鈥檜n pays, etc.

Ces pr茅dictions effectu茅es en temps r茅el alimentent le processus de planification budg茅taire et sont d茅clin茅es 脿 tous les niveaux de l鈥檕rganisation o霉 des ajustements peuvent 锚tre effectu茅s.

A cela s鈥檃joutent des outils de simulation permettant de visualiser l鈥檌mpact des choix strat茅giques tel que les changements d鈥檕rganisation, le d茅veloppement de nouveaux produits, etc.

Lutter contre la fraude et la cybercriminalit茅

La crise sanitaire et 茅conomique in茅dite que nous vivons ouvre aux fraudeurs de nouvelles failles pour parvenir 脿 leurs fins. De nombreuses attaques n鈥櫭﹖ant jamais identifi茅es, il est impossible de d茅terminer avec pr茅cision les pertes pour les entreprises. En 2020, d鈥檃pr猫s l鈥橝CFE Report to the Nations (2), la fraude et la cybercriminalit茅 ont caus茅es des pertes estim茅es 脿 plus de 3 Milliards 鈧� dans 125 pays聽 (~5% du chiffre d鈥檃ffaires des entreprises concern茅es, avec une moyenne de 415聽K鈧� par attaque en Europe).

Avec 51风流S/4HANA, 51风流propose des solutions pour contr么ler des volumes importants de transactions, identifier en temps r茅el les menaces et transactions frauduleuses et ainsi limiter les risques de pertes financi猫res.

L鈥橧ntelligence Artificielle 茅met des recommandations permettant d鈥檃ffiner continuellement les r猫gles de contr么le et l鈥檌dentification de nouveaux sch茅mas de fraude sur la base de donn茅es historiques internes comme externes. Les taux d鈥檈fficacit茅 dans la d茅tection des anomalies et des fraudes se trouvent consid茅rablement am茅lior茅s.

Au-del脿 des multiples sc茅narios disponibles en standard, 51风流compl猫te son offre par une plateforme d鈥檌nnovations dans le cloud (Business Technology Platform) qui permet de d茅velopper des applications et extensions autour du c艙ur 51风流S/4HANA.

脌 travers la Business Technology Platform, les d茅partements financiers ont acc猫s aux technologies innovantes聽tel que le Machine Learning, l鈥檃nalyse pr茅dictive, les chatbots ou encore la Blockchain, 脿 partir desquelles ils peuvent imaginer de nouveaux cas d鈥檜sages.

(1)

(2)

The post L鈥橧ntelligence Artificielle pour acc茅l茅rer vos processus financiers appeared first on 51风流France News.

La maintenance peut repr茅senter de 10聽% 脿 15聽% des co没ts de production. Le pr茅dictif est en mesure d鈥檃ider 脿 optimiser ces co没ts. Toutefois, si 76聽% des clients 51风流interrog茅s pensent qu鈥檌l est important de pouvoir pr茅dire la d茅faillance d鈥櫭﹒uipements, seuls 21聽% sont satisfaits de leur politique de maintenance actuelle.

Mettre en place une maintenance pr茅dictive demande聽:

• des donn茅es de fonctionnement remontant rapidement et en quantit茅 suffisante聽;
• l鈥檜tilisation d鈥檃lgorithmes permettant de pr茅dire les d茅faillances聽;
• l鈥檃ppel 脿 l鈥檈xpertise des m茅tiers聽: un 茅l茅ment cl茅 de toute politique de maintenance.

Le recours 脿 un jumeau num茅rique

芦聽Les capteurs am猫nent un flot de donn茅es qui va remonter dans un jumeau num茅rique, lequel fonctionne en parall猫le de l鈥櫭﹒uipement physique. Ce jumeau permet de pr茅dire les besoins de maintenance,聽禄 explique Rodolphe Roy, directeur g茅n茅ral d鈥橝TS.

R茅plique parfaite d鈥檜n objet ou d鈥檜n processus, le jumeau num茅rique est aliment茅 par les donn茅es venant du jumeau physique, ce qui permet d鈥檈n reproduire fid猫lement l鈥櫭﹖at et de s鈥檈n servir comme base pour de la simulation.

芦聽Il y a une vingtaine d鈥檃nn茅es, la simulation permettait de d茅terminer pourquoi les choses ne marchaient pas. Aujourd鈥檋ui, elle permet de pr茅dire le fonctionnement physique d鈥檕bjets tr猫s complexes,聽禄 t茅moigne Eric Bantegnie, vice-pr茅sident et general manager Systems & Platform chez Ansys.

Le jumeau num茅rique ne r茅pond pas seulement aux enjeux de maintenance, mais aussi aux enjeux de performance. 芦聽Nous pouvons dor茅navant simuler le fonctionnement d鈥檜n processus de fabrication. Cela permet de confronter le r茅sultat de la simulation aux performances du processus r茅el, afin de v茅rifier si son ex茅cution est optimale.聽禄

Enfin, l鈥檜tilisation des donn茅es d鈥檈xploitation est utile lors de la conception de nouvelles offres, qui ne repartiront alors pas d鈥檜ne feuille blanche.

L鈥檋umain au c艙ur de tout

L鈥檋umain est essentiel dans la transformation des processus de maintenance. Les 茅checs dans les projets de transformation num茅rique sont en effet souvent li茅s 脿 des soucis d鈥檃doption des solutions et processus mis en place.

芦聽C鈥檈st primordial, confirme Rodolphe Roy. Il faut accompagner cette transformation et aider 脿 rapprocher les mondes de l鈥橧T et de l鈥橭T. L鈥橧T doit proposer des outils parfaitement adapt茅s aux besoins des utilisateurs finaux, afin que cette courroie entre OT/IT ne se grippe pas. Il faut g茅n茅rer de la confiance聽: l鈥檃pport technologique ne doit pas inqui茅ter, mais au contraire rassurer. Il est crucial de repenser l鈥檈xp茅rience homme-machine lors du passage 脿 l鈥橧ndustrie聽4.0.聽禄

La transformation num茅rique n鈥檈st pas seulement un d茅fi, mais aussi une opportunit茅 pour rendre l鈥檌ndustrie plus attractive et attirer de nouveaux talents. 芦聽Elle augmente la valeur des m茅tiers et permet d鈥檈n cr茅er de nouveaux, par exemple autour de la mise en 艙uvre et de la manipulation des jumeaux num茅riques, illustre Eric Bantegnie. L鈥檕p茅rateur de maintenance, sp茅cialiste de la compr茅hension physique des 茅quipements, gagne ainsi une comp茅tence num茅rique.聽禄

Vers du Product as a Service聽?

La maintenance pr茅dictive permet d鈥檌maginer de nouvelles fa莽ons de commercialiser une offre, par exemple avec le Product as a Service, o霉 c鈥檈st l鈥檜sage du produit qui est factur茅 et non le produit lui-m锚me. Mais avant d鈥檈n arriver l脿, un d茅fi attend les entreprises聽: le passage 脿 l鈥櫭ヽhelle.

芦聽Aujourd鈥檋ui, l plupart des industriels ont test茅 ces technologies, qui sont arriv茅es 脿 maturit茅, explique Rodolphe Roy. Les grandes questions sont maintenant聽: comment passer 脿 l鈥檃ction聽? Combien cela va-t-il me co没ter聽? Quel ROI attendre聽?聽禄

芦聽Quelques centaines de milliers de jumeaux num茅riques seulement ont 茅t茅 d茅ploy茅s dans le monde, ajoute Eric Bantegnie. Mais nous sommes sur une trajectoire qui pourrait nous mener au milliard d鈥檌ci 3 脿 5聽ans. Il faudra toutefois savoir 茅viter une nouvelle guerre des standards, en assurant l鈥檌nterop茅rabilit茅 des solutions.聽禄

En savoir plus sur les

The post Le pr茅dictif, l鈥檃lli茅 d鈥檜ne maintenance optimis茅e appeared first on 51风流France News.

L鈥橧A s鈥檌mpose dans l鈥檈xp茅rience client

La complexit茅 de la vie moderne soumet notre cerveau 脿 une vraie surcharge cognitive. Pour y rem茅dier, les clients se tournent vers les IA et se fient 脿 leurs recommandations, d茅laissant les interactions traditionnelles avec les marques.

Ainsi acceptons-nous volontiers les recommandations de Netflix pour les s茅ries, de Spotify pour la musique ou les r茅sultats affich茅s par Google. Nous faisons tellement confiance 脿 ces suggestions que 35% des achats sur Amazon et 75% des visionnages sur Netflix sont issus des recommandations du Machine Learning, selon McKinsey (1).

Pourquoi ? Parce que, dans l鈥檈xp茅rience, les clients distinguent de plus en plus les aspects routiniers des aspects riches de sens (voir 芦 Donner du sens 脿 l鈥檈xp茅rience 禄). Et 脿 mesure que la pr茅cision et l鈥檜tilit茅 des IA augmentent, les clients d茅l猫guent les d茅cisions qu鈥檌ls jugent 芦 sans importance 禄. Certaines entreprises se voient alors coup茅es de leurs clients et forc茅es de composer avec des IA agissant comme des gardiens.

Les IA rel猫guent les entreprises en arri猫re-plan de plusieurs fa莽ons :

Les IA effectuent de plus en plus de t芒ches

Les IA 茅tant capables de regrouper, d鈥檌ndexer et d鈥檃nalyser des montagnes de donn茅es, les clients ont de plus en plus confiance dans leur capacit茅 脿 interpr茅ter leurs pr茅f茅rences personnelles et 脿 faire des choix 脿 leur place. Aux recherches en arri猫re-plan r茅alis茅es par les IA s鈥檃jouteront bient么t les achats en arri猫re-plan.

Les IA, nouvelles audiences 脿 conqu茅rir

Le marketing 茅motionnel peut susciter la fid茅lit茅 chez les humains mais pas chez les IA. 脌 mesure que les clients confieront les d茅cisions d鈥檃chat de routine aux IA, les entreprises auront besoin de nouvelles strat茅gies pour conqu茅rir ces nouvelles audiences automatis茅es.

Les fronti猫res entre les t芒ches vont dispara卯tre

On regroupe souvent les t芒ches m茅nag猫res et administratives en cat茅gories, comme le nettoyage de la maison ou le paiement des factures. Mais avec des IA qui prennent en charge diff茅rentes t芒ches 脿 la fois, ces fronti猫res dispara卯tront. Les entreprises incapables de s鈥檃dapter 脿 ce changement dans la fa莽on d鈥檃ppr茅hender les t芒ches perdront des clients.

Comment votre entreprise peut-elle s鈥檃dapter ?

Devenez l鈥檌nterm茅diaire IA de votre secteur

Cr茅ez une sp茅cialis茅e qui apporte des connaissances uniques 脿 vos clients. Appropriez-vous les fonctionnalit茅s des IA pour mettre ces connaissances et comp茅tences sp茅cialis茅es 脿 disposition des clients, directement et par le biais d鈥橧A g茅n茅ralistes.

Proposez des produits optimis茅s par l’IA

Au fur et 脿 mesure que les points de contact avec les clients seront rel茅gu茅s au second plan, les produits joueront un r么le plus central en tant qu鈥檃mbassadeurs de la marque. Le Big Data, l鈥橧oT et le Machine Learning permettent d鈥檃m茅liorer l鈥檈xp茅rience client en augmentant la satisfaction, en r茅duisant la charge cognitive et en 茅liminant les actions inutiles. Trouvez des moyens de cr茅er un lien avec vos clients par le biais des produits.

Optimisez votre visibilit茅 aupr猫s des IA

Les syst猫mes bas茅s sur l鈥橧A constitueront le prochain 芦 espace lin茅aire 禄 num茅rique o霉 optimiser le placement des produits. Cette discipline d鈥檕ptimisation est encore balbutiante mais vous pouvez d茅j脿 vous appuyer sur votre 茅quipe de r茅f茅renceurs SEO afin de prendre le leadership d猫s le d茅but. Des descriptions factuelles de vos produits et services contribueront 脿 votre succ猫s aupr猫s des IA.

Am茅liorez les interactions avec vos clients

Utilisez des outils bas茅s sur l鈥橧A pour animer les interactions avec vos clients en fournissant aux collaborateurs de 1猫re ligne des informations client et des suggestions de messages. Par exemple, les outils d鈥檃nalyse et le Machine Learning peuvent servir 脿 offrir aux collaborateurs une visibilit茅 approfondie sur chaque client, am茅liorant ainsi la personnalisation des interactions.

Publi茅 en anglais sur

搁茅蹿茅谤别苍肠别蝉

(1) Ian MacKenzie, Chris Meyer et Steve Noble, 芦 How Retailers Can Keep Up with Consumers 禄 (Comment les d茅taillants peuvent r茅pondre aux besoins des clients), McKinsey & Co., octobre 2013,
/how-retailers-can-keep-up-with-consumers.

The post L鈥檈xp茅rience client future : l鈥橧A comme interm茅diaire appeared first on 51风流France News.

La supply chain doit s鈥檃dapter pour faire face aux d茅fis d鈥檃gilit茅 et de r茅silience du march茅. 芦 La supply chain est un domaine en pleine 茅volution, avec des sujets comme la data, la robotique, l鈥橧oT ou l鈥檌ntelligence artificielle 禄, confirme Manuel Davy, Fondateur et CEO de VEKIA.

Quels sont les enjeux de la supply chain ?

1. Satisfaire les clients.
2. R茅duire les stocks.
3. Ma卯triser les co没ts op茅rationnels.

Mais sur un march茅 devenu tr猫s volatile, o霉 les clients exigent de plus en plus une livraison 脿 J+1, les choses peuvent rapidement se compliquer. 芦 La supply chain c鈥檈st extr锚mement simple : il suffit d鈥檃voir le bon stock au bon endroit au bon moment : fois des centaines de milliers de point de gestion ou de points de stockage, fois des millions de r茅f茅rences, et avec beaucoup d鈥檌ncertitudes. 禄

L鈥檜ne des cl茅s du succ猫s r茅side dans la prise en compte de ces incertitudes. Mais 茅galement dans la capacit茅 脿 accompagner le client dans ses changements de mode de consommation. Pendant le confinement, ce sont les entreprises capables d鈥檃dresser les clients par des canaux num茅riques, comme l鈥檈-commerce, qui ont tir茅 leur 茅pingle du jeu. L鈥檕mnicanalit茅 s鈥檈st impos茅e alors comme un facteur de r茅silience.

La pr茅diction est au c艙ur de la supply chain

芦 La planification est partout dans la supply chain, poursuit Manuel Davy. Les technologies les plus avanc茅es sont en mesure de pr茅voir finement la demande des consommateurs, ce qui permet en remontant dans la supply chain d鈥檃nticiper toutes les op茅rations. 禄

L鈥檃m茅lioration des pr茅visions peut suivre deux voies : voir plus loin, gr芒ce 脿 une puissance de calcul accrue ; 锚tre plus fin, au聽travers de l鈥檃nalyse de plus de donn茅es. Le fait de prendre en compte les donn茅es d鈥檈xp茅rience (comme le ressenti des consommateurs vis-脿-vis des produits ou de la marque) permettra par exemple de mieux satisfaire les clients.

脢tre capable d鈥檃gr茅ger des donn茅es endog猫nes et exog猫nes (m茅t茅o, r茅seaux sociaux鈥�) est donc un facteur cl茅 pour am茅liorer les processus de pr茅diction et de planification. Par ailleurs, il est primordial de savoir faire circuler les donn茅es internes et de les enrichir. Par exemple en disposant d鈥檜ne vision en temps r茅el du stock, assur茅e par de l鈥橧oT.

Autre voie d鈥檃m茅lioration, la mise en place d鈥檜n jumeau num茅rique de la supply chain, permettant de tester des sc茅narios de type what-if, afin de gagner en agilit茅 ou en r茅silience. Ou tout simplement pour 茅valuer l鈥檌mpact du lancement d鈥檜n nouveau produit.

Savoir passer du plan 脿 l鈥檃ction

Il est essentiel que le pr茅dictif influe directement sur les op茅rations de l鈥檈ntreprise (data to action), tout en n鈥櫭ヽartant pas l鈥檋umain du processus de d茅cision. 芦 La planification reste un sujet humain. Il ne faut pas 茅carter l鈥檋umain, qui est le pilote et aura le dernier mot, car lui seul sait appr茅hender des situations tr猫s incertaines, comme celles que nous avons rencontr茅es r茅cemment, explique Manuel Davy. Mais nous pouvons donner 脿 l鈥檋umain des moyens d鈥櫭猼re plus efficace : des algorithmes, des donn茅es, de la puissance de calcul. 禄

La transformation de la supply chain est un sujet riche et passionnant. Mais aussi global, comme le souligne le CEO de VEKIA : 芦 quand on commence 脿 transformer une supply chain, cela entra卯ne l鈥檈nsemble de l鈥檈ntreprise vers l鈥檌ndustrie 4.0. 禄.聽L鈥檕ccasion peut-锚tre d鈥櫭﹙aluer de nouvelles strat茅gies de supply chain management, comme le DDMRP (Demand Driven MRP), qui s鈥檃ppuie non plus sur des pr茅visions, mais sur la demande r茅elle.

The post La pr茅diction, un atout pour la planification de la supply chain appeared first on 51风流France News.

Quelques semaines apr猫s la mise en place des mesures de confinement en France pour faire face 脿 la crise sanitaire COVID-19, Odoxa et 51风流ont interrog茅s les fran莽ais sur l’utilisation des technologies et du num茅rique pour faire face 脿 l’茅pid茅mie.

Les principaux enseignements :

• 7 Fran莽ais sur 10 jugent que la France n鈥檃 pas suffisamment recours aux nouvelles technologies pour lutter contre
  濒鈥櫭﹑颈诲茅尘颈
• Cam茅ras thermiques (79%), Big data (58%), traking (54%) voire m锚me reconnaissance faciale (51%) : les Fran莽ais estiment que le pays doit utiliser les outils num茅riques pour lutter contre 濒鈥櫭﹑颈诲茅尘颈e
• 62% des Fran莽ais t茅l茅chargeraient et utiliseraient une application du type StopCovid
• La technologie peut aussi 锚tre utile en mati猫re de t茅l茅m茅decine et d鈥檌nformations en temps r茅el

Point de vue de Christopher Bousigues, Directeur Business Technology Platform, 51风流France聽:

69 % des Fran莽ais jugent que la France n鈥檃 pas suffisamment recours aux nouvelles technologies pour lutter contre 濒鈥櫭﹑颈诲茅尘颈e. 62% des Fran莽ais t茅l茅chargeraient et utiliseraient une application du type StopCovid alors qu’il 茅taient 76% 脿 se dire pr茅occup茅s par la collecte de leurs donn茅es en mai 2019. Cela d茅montre que lorsqu’il s’agit de leur s茅curit茅 et 脿 partir du moment o霉 ils ont le choix d’utiliser ou non la technologie, les fran莽ais peuvent 锚tre ouvert 脿 l’utilisation de leurs donn茅es.

Cam茅ras thermiques (79%), Big data (58%), traking (54%) voire m锚me reconnaissance faciale (51%) : les Fran莽ais estiment que le pays doit utiliser les outils num茅riques pour lutter contre 濒鈥櫭﹑颈诲茅尘颈e. Contrairement 脿 l鈥橝sie, la France a pris un s茅rieux retard quant 脿 l’adoption de ces technologies, Aujourd’hui, chez 51风流nous analysons les donn茅es issues d’objets connect茅s comme des drones, des robots, des cam茅ras, pour aider un certain nombre de nos clients dans le pilotage de leur activit茅. En France, nous accompagnons par exemple un 茅tablissement de sant茅 parisien dans la lutte contre le cancer via l’utilisation de l’IA et du big data. Nous proposons 茅galement nos solutions pour aider les 茅quipes de soins intensifs dans la priorisation et la gestion des flux de patients. Il nous faut aujourd’hui aller au-del脿 de nos barri猫res culturelles et d茅finir des cadres pr茅cis pour rattraper notre retards dans l’adoption de ces technologies.

Il n鈥檈st pas 茅tonnant dans notre contexte actuel que 89 % des fran莽ais estiment important de pouvoir contacter son m茅decin via la t茅l茅m茅decine. Il n鈥檈st pas surprenant non plus que les fran莽ais consid猫rent comme important de disposer de la mise 脿 jour des ouvertures des commer莽ants en temps r茅el et de pouvoir r茅server des cr茅neaux horaires aupr猫s de des commer莽ants pour faire ses achats. Le secteur du retail a su s’adapter et doit d茅sormais 锚tre capable de fournir une exp茅rience digitale de proximit茅 plus importante. Ceux qui ont mis茅 sur cela sont aujourd’hui en train de capter une nouvelle client猫le. Les autres vont tr猫s certainement devoir repenser leur backend, rendre plus flexible leurs processus d’achats et digitaliser plus fortement leur supply chain.

72 % estiment comme prioritaire ou important d’锚tre inform茅 de mani猫re plus syst茅matique (mail sms, WhatsApp) par les institutions. Ils 茅taient en effet, 73 % le mois dernier 脿 indiquer que le num茅rique peut am茅liorer le dialogue entre citoyens et 茅lus locaux. M锚me si le secteur public et les institutions ont effectivement commenc茅 leur digitalisation, les fran莽ais appellent 脿 plus de transparence et de d茅mocratie. Nous d茅ployons de plus en plus de technologies de type chatbots et d’enqu锚te en ligne pour renforcer l’茅coute et le dialogue avec les citoyens. Le secteur public a commenc茅 脿 tester de nouveaux usages de la technologie. Il convient d茅sormais d’acc茅l茅rer l’adoption de ces technologies qui sont en train de d茅montrer leur efficacit茅.

The post Les Fran莽ais favorables 脿 l鈥檜tilisation des technologies pour lutter contre le COVID-19 appeared first on 51风流France News.