Systèmes de recommandation: applications et exemples

Nous avons examiné les principaux types de systèmes de recommandation, les concepts clés et les applications réelles, et nous avons comparé LightFM, Cornac BPR et TensorFlow Recommenders à l'aide des métriques AUC, Precision@10 et Recall@10.

Meilleures bibliothèques Python pour les systèmes de recommandation

Ces bibliothèques implémentent des algorithmes d'apprentissage automatique pour traiter les données d'entraînement et générer des recommandations personnalisées à l'aide de techniques de filtrage collaboratif ou basées sur le contenu. De plus, ces bibliothèques implémentent des modèles d'apprentissage automatique pour analyser les données et découvrir des motifs, permettant au moteur de recommandation de suggérer des éléments pertinents en fonction du comportement et des préférences des utilisateurs.

Résultats du benchmark LightFM vs Cornac BPR vs TensorFlow

TensorFlow Recommenders a obtenu les meilleurs résultats. Son architecture d'apprentissage profond lui permet de capturer des relations utilisateur-élément plus complexes. LightFM, qui fonctionne bien lorsque des métadonnées sont disponibles, n'a pas donné de bons résultats ici car nous n'avons utilisé que des données comportementales ; il a toutefois surpassé BPR. Cornac BPR a eu la plus faible qualité de recommandation, ce qui le rend plus adapté à des expériences rapides ou à des applications à petite échelle.

Nous avons utilisé notre méthodologie de benchmark des moteurs de recommandation pour tester LightFM, Cornac BPR et TensorFlow.

Qu'est-ce qu'un système de recommandation ?

Un système de recommandation (ou système de recommandation) est un outil conçu pour fournir des suggestions personnalisées aux utilisateurs en fonction de leurs préférences, de leur comportement et de leurs interactions avec une plateforme. Ces systèmes analysent des données telles que l'historique des achats, l'historique de navigation, les données démographiques des utilisateurs et les informations contextuelles pour fournir un contenu pertinent. Voici les types les plus courants de systèmes de recommandation :

Techniques de filtrage collaboratif :

• Basées sur les motifs d'interactions entre les utilisateurs et les éléments.
• Incluent le filtrage collaboratif basé sur les utilisateurs (recherche d'utilisateurs similaires) et le filtrage collaboratif basé sur les éléments (recherche d'éléments similaires).
• Idéal pour le commerce électronique et les services de diffusion en continu.

Techniques de filtrage basé sur le contenu :

• Se concentre sur les attributs des éléments (caractéristiques des éléments) et les interactions passées d'un utilisateur (préférences de l'utilisateur).
• Idéal pour identifier les intérêts spécifiques de l'utilisateur cible.

Systèmes de recommandation hybrides :

• Combinent le filtrage collaboratif et les méthodes basées sur le contenu.
• Exploitent des modèles d'apprentissage automatique tels que les réseaux neuronaux profonds et les réseaux neuronaux récurrents pour améliorer les prédictions.

Concepts clés des systèmes de recommandation

Bases de la factorisation de matrice

La factorisation de matrice est une technique fondamentale dans le filtrage collaboratif. Elle décompose une grande matrice d'interaction utilisateur-élément (par exemple, des évaluations ou des clics) en matrices plus petites qui capturent des motifs ou des relations cachés, appelés caractéristiques latentes.

Cette approche aide à réduire la complexité des données et à découvrir des informations significatives, telles que la préférence d'un utilisateur pour certains genres ou l'attrait d'un élément pour un groupe particulier.

Similarité basée sur les intégrations

Certains cadres de recommandation calculent la similarité des éléments à l'aide de vecteurs d'intégration plutôt que de balises partagées. Les approches basées sur les intégrations capturent des caractéristiques d'éléments nuancées dans un vecteur numérique, permettant une correspondance de similarité plus précise sans maintenance manuelle des balises.

Par exemple, le système de recommandation open-source Gorse prend en charge la similarité par intégration en calculant la distance euclidienne entre les vecteurs des éléments, y compris les intégrations provenant de fournisseurs tels que OpenAI et Ollama.¹

Divertissement

Dans l'industrie du divertissement, les systèmes de recommandation aident les utilisateurs à découvrir des films, de la musique, des émissions de télévision ou des livres adaptés à leurs goûts. En analysant les habitudes de visionnage ou d'écoute, ces systèmes peuvent fournir un contenu personnalisé pour augmenter l'engagement des utilisateurs et le temps passé sur la plateforme.

Exemple réel : Netflix

Netflix utilise une combinaison de filtrage collaboratif et de filtrage basé sur le contenu pour suggérer des émissions et des films, ce qui fait que 80 % du contenu visionné est guidé par des recommandations.

Le prix Netflix était une compétition lancée par Netflix en octobre 2006 pour améliorer son système de recommandation de films. Le défi offrait un prix de 1 million de dollars à l'équipe ou à l'individu qui pourrait atteindre au moins une amélioration de 10 % en précision des prédictions par rapport à l'algorithme de recommandation existant de Netflix.²

Exemple réel : Spotify

Chaque semaine, Spotify génère une nouvelle liste de lecture personnalisée pour chaque abonné appelée « Découvertes de la semaine », une liste personnalisée de 30 chansons basée sur les goûts musicaux uniques des utilisateurs. L'acquisition par Spotify d'Echo Nest, une startup d'intelligence musicale et d'analyse de données, leur a permis de créer un moteur de recommandation musicale qui utilise trois types différents de modèles de recommandation :³

• Filtrage collaboratif : Filtrer les chansons en comparant les données historiques d'écoute des utilisateurs avec l'historique d'écoute d'autres utilisateurs.
• Traitement du langage naturel : Extraire des informations sur Internet concernant des artistes et des chansons spécifiques. Chaque artiste ou chanson se voit attribuer une liste dynamique de termes principaux qui change quotidiennement et est pondérée par pertinence. Le moteur détermine ensuite si deux morceaux de musique ou artistes sont similaires.
• Analyse des fichiers audio : L'algorithme analyse les caractéristiques de chaque fichier audio, y compris le tempo, le volume, la tonalité et la signature rythmique, et fait des recommandations en conséquence.

Médias sociaux

Les médias sociaux utilisent des systèmes de recommandation pour suggérer des amis, des groupes, des pages, des publications ou des publicités en fonction des interactions, préférences et connexions des utilisateurs. Ces suggestions améliorent l'interaction des utilisateurs, encouragent la découverte de contenu et génèrent des revenus publicitaires.

Meta

Meta utilise des systèmes d'IA pour fournir des recommandations de contenu personnalisées sur Facebook et Instagram, même à partir de sources que les utilisateurs ne suivent pas. Cette approche améliore l'expérience utilisateur en présentant un contenu varié et aide les créateurs à atteindre un public plus large. Le processus de recommandation implique :

• Compréhension du contenu : Utilisation de modèles d'IA pour analyser et interpréter différents types de contenu, y compris les images, le texte, l'audio et la vidéo, afin de comprendre leurs significations sémantiques.
• Compréhension des préférences, récupération et classement :Développement de systèmes capables de filtrer facilement de grandes quantités de contenu pour identifier et classer ceux qui sont les plus pertinents pour les intérêts individuels des utilisateurs.

Cette stratégie basée sur l'IA permet à Meta de présenter aux utilisateurs du contenu engageant au-delà de leur réseau immédiat, favorisant ainsi une exploration plus approfondie des intérêts et améliorant l'engagement global sur la plateforme.⁴

X (anciennement Twitter)

Le système de recommandation de X a éliminé les fonctionnalités conçues manuellement au profit d'une approche apprise de bout en bout. Il utilise un modèle à deux tours pour récupérer des publications pertinentes en codant séparément l'historique des utilisateurs et les publications candidates, puis classe chaque élément à l'aide d'un transformateur basé sur Grok qui prédit directement les probabilités d'engagement à partir du comportement des utilisateurs.

L'implémentation complète est publiquement disponible dans le dépôt du fil « Pour vous » de X.⁵

Commerce de détail

Dans le commerce de détail, les systèmes de recommandation sont utilisés pour des expériences d'achat personnalisées, des recommandations en magasin et des suggestions d'inventaire. Ces systèmes aident les détaillants à optimiser la gestion des stocks, à améliorer les ventes et à augmenter la satisfaction des clients.

Exemple réel : Rappi avec Amazon Personalize

Rappi, un service de livraison à la demande en Amérique latine, a collaboré avec Amazon Personalize pour améliorer l'engagement des clients et stimuler les ventes en mettant en œuvre un système de recommandation personnalisé dans son application.

En exploitant Amazon Personalize, Rappi a développé une fonctionnalité appelée « Juste pour vous » (JFY), qui analyse le comportement et les préférences des utilisateurs pour fournir des recommandations de produits personnalisées affichées dans une section dédiée de l'application.

Cette stratégie de personnalisation a entraîné une augmentation de 102 % du taux de clics et de 147 % des revenus provenant des recommandations personnalisées. De plus, l'engagement des clients s'est amélioré et l'occurrence de produits sous-performants a diminué.⁶

Finance et banque

Les institutions financières utilisent des systèmes de recommandation pour suggérer des options d'investissement, des cartes de crédit ou des produits d'assurance en fonction du comportement financier et des objectifs d'un utilisateur. Consultez les cas d'utilisation de l'IA générative dans la banque pour en savoir plus sur la manière dont l'IA générative peut être utilisée en finance et en banque.

Jeux

Les plateformes de jeux utilisent des systèmes de recommandation pour suggérer des achats en jeu, de nouveaux jeux ou connecter des joueurs en fonction de leurs préférences, habitudes de jeu et interactions sociales. Cela améliore l'expérience de jeu et génère des revenus.

Exemple réel : Glance avec Google Cloud

Glance, une filiale d'InMobi, a collaboré avec Google Cloud pour construire un système de recommandation de jeux personnalisé pour leur plateforme de jeux mobiles, Nostra, qui engage plus de 220 millions d'utilisateurs via les écrans de verrouillage.

En analysant les données des utilisateurs et des jeux avec les données d'interaction, ils ont identifié des motifs tels que les moments optimaux d'engagement et les préférences de jeu. Cette collaboration a considérablement amélioré l'engagement des utilisateurs.⁷

De plus, les systèmes de recommandation ouvrent de grandes opportunités de revenus en stimulant la vente incitative, la vente croisée et les taux d'engagement plus élevés. En proposant des suggestions personnalisées, ces systèmes améliorent la fidélité des clients, favorisant ainsi une interaction durable et à long terme.

LLM-systèmes de recommandation basés sur

Les systèmes de recommandation traditionnels analysent des données structurées comme les évaluations et les clics. Les systèmes basés sur LLM vont plus loin, en comprenant les requêtes en langage naturel, en interprétant des préférences nuancées et en expliquant leurs suggestions.

Cette approche présente plusieurs avantages par rapport aux méthodes traditionnelles :

• Compréhension sémantique : Interprète des requêtes complexes en langage naturel au-delà de la correspondance par mots-clés, comme « quelque chose d'inspirant mais pas trop mièvre »
• Gestion du démarrage à froid : Les nouveaux utilisateurs peuvent décrire leurs préférences en langage naturel au lieu de nécessiter un historique d'interactions
• Sorties explicables : Génère des explications en langage naturel pour les recommandations, bien que celles-ci décrivent le raisonnement du modèle plutôt que ses calculs internes
• Raisonnement inter-domaines : Identifie les préférences sous-jacentes à travers différentes catégories et types de contenu

Exemples du monde réel :

• Netflix a développé un modèle fondamental pour des recommandations personnalisées, traitant l'historique des interactions des utilisateurs comme des jetons et appliquant des architectures basées sur les transformateurs
• Spotify AI DJ combine l'historique d'écoute avec l'IA générative pour créer des commentaires personnalisés et des sélections musicales
• Amazon Rufus est un assistant d'achat alimenté par l'IA générative permettant la découverte de produits en langage naturel
• Criteo Agentic Commerce Recommendation Service connecte des IA assistants d'achat aux inventaires des marchands en acheminant les requêtes via un protocole de contexte de modèle (MCP) API, en appliquant des signaux d'achat en direct pour classer les produits selon le comportement d'achat réel.⁸ https://www.criteo.com/news/press-releases/2026/02/criteo-introduces-agentic-commerce-recommendation-service-to-power-ai-shopping-assistants/[/efn_note]
• Wizard est un agent d'achat IA qui recherche parmi les détaillants, les critiques et les sources de contenu pour renvoyer une liste personnalisée des cinq meilleurs produits. Contrairement aux systèmes de recommandation spécifiques à un détaillant, il agrège les résultats sur le web en fonction des besoins décrits par l'utilisateur.⁹ https://www.wizard.com/press/2026-02-11-fortune-marc-lore-and-melissa-bridgeford-wizard-emerges-from-stealth[/efn_note]
• LinkedIn a déployé des systèmes de recommandation génératifs et des modèles de séquence à grande échelle dans le classement de son fil d'actualité. Plutôt que d'utiliser des modèles séparés pour chaque composant du fil, le système évalue l'activité de chaque utilisateur dans le cadre d'un parcours continu, permettant au comportement dans différentes zones de la plateforme d'influencer les recommandations dans l'ensemble.¹⁰ https://www.socialmediatoday.com/news/linkedin-uses-ai-to-improve-feed-relevance/819792/[/efn_note]

Mettre en place un système de recommandation

Bien que la plupart des entreprises bénéficient d'adopter une solution existante, celles opérant dans des domaines de niche ou à très grande échelle pourraient expérimenter la création de leur propre moteur de recommandation.

1. Utiliser une solution clé en main

Les systèmes de recommandation sont l'un des cas d'utilisation d'IA les plus anciens et les plus matures.

Les avantages de cette approche incluent une mise en œuvre rapide et des résultats très précis dans la plupart des cas :

• Inclure un extrait de code du fournisseur peut suffire pour commencer.
• Les solutions ont tendance à être précises car les fournisseurs utilisent des données anonymisées provenant de milliers de transactions de leurs clients pour améliorer leurs modèles.

Pour choisir le bon système, vous pouvez utiliser des données historiques ou, mieux encore, des données en direct pour tester rapidement l'efficacité de différents systèmes.

2. Construire sa propre solution

Cela peut être pertinent si :

• vous êtes dans un domaine de niche où les moteurs de recommandation n'ont jamais été utilisés auparavant ou
• vous possédez l'un des plus grands marchés mondiaux où de légères améliorations des recommandations peuvent faire une différence importante dans les résultats de votre entreprise.

Les systèmes de recommandation actuels utilisent une logique comme : les clients ayant des historiques d'achat et de navigation similaires achèteront des produits similaires à l'avenir. Pour que ce système fonctionne, vous avez besoin soit d'un grand nombre de transactions historiques, soit de données détaillées sur le comportement de vos utilisateurs sur d'autres sites web. Si vous avez besoin de telles données, vous pouvez les rechercher dans des marchés de données.

Plus de données et de meilleurs algorithmes améliorent les recommandations. Vous devez exploiter toutes les données pertinentes de votre entreprise, et vous pouvez enrichir vos données clients avec des données tierces. Si un client régulier a cherché des baskets rouges sur d'autres sites web, pourquoi ne pas lui montrer une belle paire lorsqu'il visite votre site web ?

3. Travailler avec un consultant pour construire ses propres solutions

Un moteur de recommandation légèrement meilleur pourrait augmenter les ventes d'une entreprise de quelques points de pourcentage, ce qui pourrait faire une différence considérable dans la rentabilité d'une entreprise aux marges bénéficiaires faibles. Par conséquent, il peut être judicieux d'investir dans la création de moteurs de recommandation plus performants si l'entreprise n'obtient pas de résultats satisfaisants auprès des fournisseurs de solutions existants sur le marché.

4. Organiser une compétition de science des données pour construire sa propre solution

Une approche possible consiste à utiliser la sagesse des foules pour construire de tels systèmes. Les entreprises peuvent utiliser des données historiques chiffrées, lancer des compétitions de science des données ou collaborer avec des consultants pour obtenir des modèles fournissant des recommandations très efficaces.

Gérer la dérive des données

Les intégrations et les indices d'éléments mis en cache peuvent devenir obsolètes au fil du temps, entraînant des recommandations qui ne reflètent plus les intérêts actuels des utilisateurs. Des outils comme Drifter surveillent en temps réel les pipelines de recommandation en direct pour détecter les problèmes de qualité des données et les dérives avant qu'ils n'affectent la qualité des recommandations.¹¹ https://www.catalyzex.com/paper/drifter-efficient-online-feature-monitoring[/efn_note]

Comment choisir un système de recommandation ?

Le choix du bon système de recommandation dépend de vos objectifs commerciaux, des données disponibles et des ressources techniques à votre disposition. Voici quelques considérations clés :

1. Évaluation du modèle sur vos données
   • Il est essentiel de tester les modèles sur votre propre jeu de données pour voir comment ils se comportent dans votre contexte spécifique. Les benchmarks prêts à l'emploi peuvent ne pas refléter vos utilisateurs, vos éléments ou vos objectifs commerciaux.
2. Type de données disponibles
   • Données explicites (évaluations, critiques, mentions « j'aime ») fonctionnent bien avec le filtrage collaboratif.
   • Données implicites (clics, temps passé, achats) favorisent les approches hybrides ou d'apprentissage profond.
3. Objectifs commerciaux
   • Si votre objectif est la personnalisation à grande échelle, les systèmes d'apprentissage profond ou hybrides sont les meilleures options.
   • Pour des expériences rapides, des modèles plus simples, comme la factorisation de matrice, peuvent suffire.
4. Exigences d'évolutivité
   • Les plateformes à grande échelle (par exemple, commerce électronique, diffusion en continu) nécessitent souvent des solutions basées sur l'apprentissage profond ou hébergées dans le cloud capables de gérer des millions d'utilisateurs et d'éléments.
5. Connaissances du domaine et ressources
   • Si votre équipe manque d'expertise en apprentissage automatique, utiliser des solutions de fournisseurs (par exemple, Amazon Personalize, Google Recommendations AI) peut accélérer le déploiement.
   • Pour des domaines hautement spécialisés, la création d'une solution interne peut être nécessaire.

Conseil : Commencez par créer un prototype avec des bibliothèques prêtes à l'emploi (LightFM, TensorFlow Recommenders) et évaluez les performances avec vos données en direct avant de passer à l'échelle.

Découvrez davantage de nos benchmarks et analyses basées sur les données dans la recherche Google.

Ajouter comme source préférée

Coût de mise en œuvre des systèmes de recommandation

La mise en œuvre d'un système de recommandation implique des coûts directs et indirects :

1. Temps de développement : La création de modèles personnalisés nécessite des scientifiques des données, des ingénieurs et des équipes d'infrastructure. Le développement peut aller de quelques semaines (pour des prototypes) à plusieurs mois (pour des systèmes de production).
2. Coûts d'infrastructure :
   • Sur site : Nécessite des serveurs GPU, des bases de données et une maintenance continue.
   • Basé sur le cloud : Les coûts augmentent avec la taille des données et l'utilisation de API (AWS, GCP, Azure).
3. Frais de fournisseur : Les solutions SaaS peuvent facturer en fonction du nombre d'appels API, du nombre d'utilisateurs ou de la quantité de données traitées.
4. Coûts continus :
   • Retraînage, surveillance et mises à jour du modèle.
   • Coûts potentiels liés à l'intégration de sources de données externes pour améliorer les recommandations.

Règle générale : Les petites entreprises peuvent commencer avec des outils SaaS (< 10 000 $/an), tandis que les entreprises construisant des systèmes internes investissent souvent des millions dans l'infrastructure et les talents.

Implications éthiques des systèmes de recommandation

Bien que les moteurs de recommandation apportent de la valeur, ils soulèvent des considérations éthiques et sociales importantes :

• Biais et équité : Les algorithmes peuvent renforcer les biais existants (par exemple, ne recommander que du contenu populaire, ignorer la diversité).
• Préoccupations liées à la vie privée :
  • La collecte et l'analyse des données des utilisateurs soulèvent des préoccupations concernant le consentement et la protection des données.
  • La conformité avec le RGPD, le CCPA et d'autres lois sur la protection des données est cruciale.
• Utilisation responsable des données :
  • Des politiques transparentes doivent expliquer comment les données des utilisateurs sont collectées, traitées et stockées.
  • La confidentialité différentielle et les techniques d'anonymisation peuvent atténuer les risques.

Méthodologie de benchmark des moteurs de recommandation

Dans cette étude, nous nous sommes concentrés sur la construction et l'évaluation de systèmes de recommandation basés sur des données de retour implicite, en particulier les interactions des utilisateurs avec les produits. Le jeu de données utilisé dans notre analyse contient trois éléments clés : visitorid, itemid et types d'interaction tels que vue, ajout au panier et transaction. Comme les utilisateurs n'ont pas évalué explicitement les éléments mais ont interagi par ces comportements, nous avons considéré ces données comme un retour implicite.

Nous avons testé trois modèles de recommandation différents pour évaluer leur efficacité dans le traitement des données implicites :

1. LightFM : Un modèle hybride qui utilise à la fois le filtrage collaboratif et les méthodes basées sur le contenu. Nous avons utilisé la fonction de perte WARP (Weighted Approximate-Rank Pairwise) pour entraîner le modèle. L'objectif était de prédire la probabilité qu'un utilisateur visionne un produit en analysant ses interactions historiques avec les éléments.
2. Cornac BPR (Bayesian Personalized Ranking) : Un modèle basé sur le filtrage collaboratif conçu pour classer les éléments en fonction des interactions des utilisateurs. Il utilise des retours implicites pour apprendre les préférences des utilisateurs en optimisant le classement des éléments pertinents par rapport aux éléments non pertinents.
3. TensorFlow Recommenders : Un cadre basé sur l'apprentissage profond qui utilise des intégrations pour représenter à la fois les utilisateurs et les éléments, capturant des relations complexes entre eux. Le modèle est entraîné sur des interactions implicites, avec une tâche de récupération pour prédire les éléments les plus pertinents pour chaque utilisateur.

Les modèles ont été entraînés pour prédire la probabilité qu'un utilisateur interagisse avec un produit, en se concentrant spécifiquement sur l'événement vue comme comportement cible. Notre objectif était d'estimer quels produits les utilisateurs sont les plus susceptibles d'interagir, en fonction de leur comportement passé. Après l'entraînement, nous avons évalué les modèles à l'aide de données de test pour garantir qu'ils puissent bien généraliser à des interactions non vues.

Nous avons évalué les performances des modèles selon trois métriques couramment utilisées dans les systèmes de recommandation :

• AUC (Aire sous la courbe) : Une métrique qui évalue la capacité du modèle à classer les éléments pertinents plus haut que les éléments non pertinents. Un score AUC proche de 1 indique de meilleures performances de classement.
• Precision@10 : Mesure combien des 10 premiers éléments recommandés sont effectivement pertinents (c'est-à-dire interagis par l'utilisateur). Des valeurs plus élevées indiquent une meilleure précision des recommandations.
• Recall@10 : Mesure combien d'éléments pertinents (d'après les interactions de l'utilisateur) apparaissent parmi les 10 premières recommandations. Cette métrique est cruciale pour comprendre dans quelle mesure le modèle capture les préférences des utilisateurs.

En comparant ces métriques entre les trois modèles, nous avons identifié le modèle le plus performant en termes de classement des éléments pertinents et de récupération précise de ces éléments dans les recommandations principales.

Citer cette recherche

Choisissez le format qui correspond à votre lieu de publication. Coller la version avec lien dans votre CMS préserve le lien retour.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Ermut, Sıla},
  title  = {{Systèmes de recommandation: applications et exemples}},
  year   = {2026},
  month  = may,
  howpublished    = {\url{https://aimultiple.com/recommendation-system}},
  note   = {AIMultiple. Consulté le 19 Mai 2026}
}

Liens de référence

1.

Item-to-Item Recommenders | Gorse

2.

How retailers can keep up with consumers | McKinsey

McKinsey & Company

3.

Netflix Research

4.

Discover Weekly: How Spotify is Changing the Way We Consume Music - Technology and Operations Management

5.

The AI behind unconnected content recommendations on Facebook and Instagram

6.

GitHub - xai-org/x-algorithm: Algorithm powering the For You feed on X · GitHub

7.

Health. Powered by Ada.

8.

Customer Success Stories: Case Studies, Videos, Podcasts, Innovator stories

9.

Nostra from Glance, Gaming Recommendation at Scale with Google Cloud AI | Google Cloud Blog

Google Cloud

10.

Criteo Introduces Agentic Commerce Recommendation Service to Power AI Shopping Assistants | Criteo

Criteo

11.

Wizard Press Release: Marc Lore and Melissa Bridgeford’s Wizard Emerges from Stealth

Cem Dilmegani

Analyste principal

Suivre

Cem est analyste principal chez AIMultiple depuis 2017. AIMultiple informe chaque mois des centaines de milliers d'entreprises (selon similarWeb), dont 55 % des entreprises du classement Fortune 500. Les travaux de Cem ont été cités par des publications internationales de premier plan telles que Business Insider, Forbes et le Washington Post, ainsi que par des entreprises mondiales comme Deloitte et HPE, des ONG comme le Forum économique mondial et des organisations supranationales comme la Commission européenne. Vous trouverez d'autres entreprises et ressources réputées ayant fait référence à AIMultiple. Tout au long de sa carrière, Cem a exercé les fonctions de consultant, d'acheteur et d'entrepreneur dans le secteur des technologies. Il a conseillé des entreprises sur leurs décisions technologiques chez McKinsey & Company et Altman Solon pendant plus de dix ans. Il a également publié un rapport McKinsey sur la numérisation. Il a dirigé la stratégie technologique et les achats d'un opérateur télécom, sous la responsabilité directe du PDG. Il a également piloté la croissance commerciale de la société de deep tech Hypatos, qui a atteint un chiffre d'affaires annuel récurrent à sept chiffres et une valorisation à neuf chiffres en seulement deux ans. Les travaux de Cem chez Hypatos ont été présentés dans des publications technologiques de référence telles que TechCrunch et Business Insider. Cem intervient régulièrement lors de conférences internationales sur les technologies. Diplômé en génie informatique de l'université de Bogazici, il est également titulaire d'un MBA de la Columbia Business School.

Voir le profil complet

Recherche effectuée par

Sıla Ermut

Analyste du secteur

Suivre

Sıla Ermut est analyste chez AIMultiple, spécialisée dans le marketing par e-mail et les vidéos de vente. Auparavant, elle travaillait comme recruteuse dans des cabinets de conseil et de gestion de projets. Sıla est titulaire d'un master en psychologie sociale et d'une licence en relations internationales.

Voir le profil complet

Soyez le premier à commenter

Votre adresse courriel ne sera pas publiée. Tous les champs sont obligatoires. Les commentaires sont laissés dans leur langue d'origine.

Nom

Adresse email

Commentaire

0/450

Publier un commentaire