« Grâce à l'intégration d'IG Forecast à nos anciens systèmes SAP et HS personnalisés, nous avons exécuté trois modèles prédictifs géolocalisés en parallèle et nous atteignons aujourd'hui une précision de plus de 90 % pour les principaux produits de base tout en réduisant les coûts d'achat au comptant de deux chiffres. »

« IG Forecast se place au-dessus de nos plateformes existantes au lieu de les remplacer. La possibilité de comparer trois approches de modélisation côte à côte nous a permis de choisir celle qui offrait le retour sur investissement le plus rapide. »

« IG Match s'est connecté à nos bases de données de ressources humaines et de suivi de projets et a instantanément fourni des correspondances modélisées en fonction des compétences, de la géographie et du type de projet. Nous avons donc réduit la durée du cycle de recrutement de près de 30 % et amélioré considérablement l'utilisation des ressources. »

« Plutôt que de mettre au rebut notre infrastructure, l'équipe d'InGenius a créé une solution personnalisée qui s'intègre à notre stack et compare plusieurs modèles de machine learning au niveau régional. Nous avons gagné en visibilité sur les processus, en collaborant entre les services financiers et achats et en réalisant des économies de coûts mesurables. »

« La mission de conseil avec InGenius a remis en question nos hypothèses, déployé une feuille de route personnalisée et comparé des modèles d'IA alternatifs pour notre profil de risque de chaîne d'approvisionnement. Résultat : des cycles de décision plus courts, une confiance accrue dans notre stratégie et une augmentation de l'efficacité opérationnelle. »

« En intégrant l'outil Forecast à notre ERP existant et en exécutant plusieurs modèles simultanément en Amérique du Nord, dans la zone EMEA et en Asie-Pacifique, nous prenons désormais des décisions budgétaires des semaines plus tôt et avec une plus grande précision »

« Nous avons choisi InGenius pour sa solution d'IA personnalisée, car l'entreprise proposait de comparer plusieurs modèles géofocalisés (région, matière première, devise) en plus de notre stack existant. Nous constatons une meilleure précision des prévisions, une intégration plus fluide et des économies de coûts mesurables. »