- IA & Data Moost Intelligence client pilotée par IA
Nous avons construit Moost : un moteur de profilage client assisté par IA qui segmente, classe et prédit les comportements clients à l’aide du machine learning. Déployé pour une grande compagnie d’assurance tunisienne qui traite plus de 277K enregistrements sur 11 ans de données.
59K
Customers Profiled
115K
Contrats analysés
103K
Sinistres traités
69,7%
Précision du modèle
04
Segments clients identifiés
- APERÇU Profilage client intelligent à l’échelle
Moost est notre produit IA propriétaire qui segmente les clients à partir des données de consommation et de l'historique transactionnel. Grâce à des algorithmes avancés de clustering et de classification, il identifie, classe et prédit les actions clients — permettant des décisions pilotées par la donnée pour le marketing, l'évaluation des risques et les stratégies de rétention. La case study ci-dessous décrit le premier déploiement en production de Moost : une compagnie d'assurance tunisienne qui gère plus de 277K enregistrements sur 11 ans de données.
- FEATURESWhat Moost
Delivers
Un moteur IA plug-and-play qui se connecte à vos sources de données existantes et délivre une intelligence client actionnable — scalable pour s'intégrer à n'importe quel ERP ou CRM, et déployable on-premise ou dans votre cloud.
Segmentation client
Clustering K-Means et hiérarchique pour grouper les clients par patterns comportementaux — avec mise à jour dynamique des segments au fil des nouvelles données, pour que les segments restent précis à mesure que les clients évoluent.
Recommendations
Collaborative and content-based filtering algorithms that suggest relevant products and actions per customer context — powering cross-sell and upsell opportunities that match real behavior, not assumed personas.
Data visualization
Dashboards interactifs et rapports personnalisés qui résument les segments, les évaluations de risque et les insights actionnables — conçus pour des business users, pas des data scientists
Automatisation des workflows
DAGs Apache Airflow pour l'orchestration ETL, l'entraînement des modèles et le réentraînement continu. MLflow pour le suivi des expérimentations et le versioning des modèles. Tout le pipeline tourne sans intervention humaine une fois déployé.
THE PROBLEM
Siloed Data, Blind Decisions
The insurance company managed over 59,000 customers with 115,000+ contracts and 103,000+ claims spanning 11 years of data. Customer information was scattered across multiple databases with no unified view. Claims decisions were made without understanding customer behavior patterns, leading to reactive rather than proactive risk management. There was no way to identify high-value customers at
risk of leaving, or to detect early signals of fraudulent claims.
LA SOLUTION
Une intelligence client unifiée
- LE PROCESSUSDe la donnée brute aux prédictions
Collecte et préparation des données
Extraction des données depuis SQL Server à travers quatre tables principales — personnes, contrats, véhicules et sinistres. Nettoyage des anomalies, ingénierie de features spécifiques au métier, et calcul de ratios financiers dont le ratio S/P cumulatif (critique pour le scoring de risque en assurance).
Développement du modèle IA
Application d'un clustering K-Means pour découvrir les segments clients naturels sur les 11 ans de données. Entraînement d'un classifieur Support Vector Machine pour catégoriser automatiquement les nouveaux clients dans l'un des quatre segments identifiés — avec 96,7% de précision sur le jeu de test.
Automatisation des processus
Construction de DAGs Apache Airflow pour automatiser tout le pipeline, de l'ingestion à la prédiction. MLflow suit chaque expérimentation de modèle et chaque métrique de performance. MinIO stocke tous les artefacts de données et les sorties de modèles — permettant la reproductibilité et un rollback sûr si une nouvelle version de modèle sous-performe.
Déploiement et monitoring
Déploiement de la solution IA sur le serveur interne du client pour des raisons de conformité sur la résidence des données. Le réentraînement continu du modèle garantit que les segments restent à jour à mesure que de nouvelles données clients arrivent — pas d'intervention humaine nécessaire au-delà des revues trimestrielles de performance.
- ÉCHELLE DES DONNÉES11 ans d’intelligence client
Données couvrant 2013 à 2024, nettoyées, normalisées et centralisées dans un dataset unifié pour l'entraînement du modèle.
59,543
Clients particuliers
4,735
Personnes morales
115,316
Contrats
118,621
Véhicules assurés
Moost combine l'analyse RFM traditionnelle — Recency, Frequency, Monetary — avec le machine learning pour atteindre un ciblage client plus précis et dynamique que le RFM classique seul. Résultat : des taux de conversion plus élevés sur les campagnes ciblées et une meilleure rétention client sur une fenêtre glissante de 12 mois.
Récence
Quand le client a-t-il fait son dernier achat ou son dernier contact ?
Fréquence
À quelle fréquence le client effectue-t-il des transactions ?
Valeur monétaire
Combien le client a-t-il dépensé au total ?
Performance du modèle
IA
Le modèle de classification a atteint une précision quasi parfaite sur le jeu de test, permettant au client de segmenter automatiquement les nouveaux clients avec une forte confiance. Trois métriques racontent l'histoire.
Précision
Quand le modèle prédit un segment client, il a raison 96,7% du temps
About to Sleep
Besoin d'attention
Prometteur
Clients fidèles
The classification model achieved near-perfect accuracy, enabling the client to automatically segment new customers with high confidence.
Précision
Recall
F1-Score
Moost a transformé notre façon de comprendre nos clients. Pour la première fois, nous voyons des segments clairs basés sur des données de comportement réelles, et le pipeline automatisé signifie que nos insights restent frais sans aucun effort manuel. La précision du modèle de classification a dépassé nos attentes.
Moost est notre moteur IA plug-and-play pour la segmentation client. Si votre contexte correspond, des milliers de clients, des données transactionnelles, un besoin de segments actionnables. nous pouvons le déployer pour vous. Si votre problème est différent, nous construisons aussi des solutions ML sur mesure.