- Personne ne connaît parfaitement tous les clients et toute la gamme de ce qu’il y a à vendre. En revanche, l’historique de commandes contient toutes les informations nécessaires pour répondre à la question.

- Cet historique est extrêmement volumineux et nécessite de l’explorer avec des modèles mathématiques et statistiques agissant comme des clés de lecture des données.

- L’approche de See-d pour ce Use Case amène à valoriser la variabilité induite par le grand nombre de transactions et à palier le fait que certains commerciaux vendent des produits ou des prestations qu’ils connaissent mal à des clients qu’ils connaissent mal.

- Le modèle mathématique de l’élasticité des prix développé va aider à apprend comment le marché va réagir à des variation d’un prix et quelles seront les variations de marge induites.

- Ce qui est singulièrement intéressant dans cette approche, c’est que cet apprentissage peut se faire par groupes de couples de produits/clients - qui sont construits par l’IA - et pas seulement globalement sur l’ensemble du marché.

- De plus, via la présence dans l’IA de modèles de classification statistique automatique et de forêts aléatoires, les pratiques des commerciaux les plus efficaces sur des groupes de couples produits/clients -
ici encore construits par l’IA sont diffusées vers tous les commerciaux via les recommandations de l’IA.