Expérience.

Leadership en IA.

J'applique l'IA aux décisions qui façonnent les revenus, les coûts opérationnels et l'allocation de capital. Mon travail englobe les modèles prédictifs, l'IA générative et les flux de travail agentiques à travers les opérations industrielles, les places de marché numériques et les industries réglementées.

Sur les huit programmes ci-dessous, j’ai généré en moyenne 11,43 $ de valeur de programme pour chaque 1 $ dépensé en IA ou en technologies connexes.

Le travail couvre la prévision de la demande, la classification de documents, la correspondance sémantique, l'optimisation, les systèmes de streaming et l'évaluation d'agents.

01Fabrication mondialeUtilisation des équipements, demande de produits et allocation de capital.

Application du machine learning à l'utilisation des équipements, à la planification de démarrage/arrêt et aux changements de références (SKU).
Prévision de la demande pour les SKU établis et utilisation de signaux de produits comparables et d'attributs de produits pour orienter la planification des nouveaux SKU.
Conversion des estimations de la demande et de la capacité en calendriers de production réalisables.
Évaluation d'opportunités d'investissement à travers des sites de fabrication de la chaîne d'approvisionnement mondiale.
Évaluation de scénarios de dotation en personnel et de capacité en utilisant la demande, la productivité, les coûts de main-d'œuvre, les mouvements de devises et l'inflation.

Mise en œuvre technique

Modèles et technologies

Random forests Gradient boosting ARIMA et lissage exponentiel Optimisation sous contraintes

Les modèles ARIMA et de lissage exponentiel prévoient la demande pour les SKU établis. Les Random forests et les arbres de décision par gradient boosting ont modélisé la demande non linéaire et les signaux opérationnels ; les caractéristiques de produits comparables et d'attributs de produits ont soutenu la planification des nouveaux SKU.

Un ordonnanceur sous contraintes a traduit les prévisions en temps de démarrage/arrêt des équipements et en changements de série de SKU. Des scénarios distincts de capacité et de coût ont soutenu l'investissement par site et la planification de la main-d'œuvre.

De la donnée à la décision

Entrées: Historique de la demande de SKU, attributs des produits, disponibilité des équipements, exigences de changement de série, capacité de main-d'œuvre, mouvements de devises et inflation.
Sorties du modèle: Prévisions de la demande, estimations de la charge des équipements, calendriers de production réalisables et scénarios de capacité et de coût au niveau des sites.
Décisions: Ordonnancement de la production et des changements de série sous contraintes d'équipement, de main-d'œuvre et de livraison ; comparaison des options de dotation en personnel et d'allocation de capital par rapport à la demande et aux coûts attendus.
Évaluation: Erreur de prévision sur la période suivante, lancements de produits réservés à l’évaluation, faisabilité du calendrier, débit, performance de livraison et temps de changement de série.

02Analytique de la santéDes investissements hospitaliers guidés par les tendances d’utilisation.

Co-développement de modèles d'IA propriétaires pour identifier la croissance des codes de facturation selon la géographie et la démographie des patients.
Utilisation de ces signaux pour orienter l'investissement dans les départements hospitaliers, la dotation en personnel spécialisé et la planification de la croissance des revenus.
Comparaison de la croissance des codes de facturation entre les spécialités pour orienter les priorités de dotation en personnel et d'investissement départementaux.

Mise en œuvre technique

Modèles et technologies

Poisson GLMs Prévision de séries chronologiques Analyse de cohorte

Les modèles linéaires généralisés (GLM) de Poisson ont estimé les volumes de codes de facturation en fonction de la géographie, de la cohorte démographique, de l'exposition de la population et du temps. La prévision de séries chronologiques et l'analyse de cohorte ont permis de suivre les tendances d'utilisation par spécialité.

Une analyse distincte de la capacité et de l'économie a traduit les volumes de services projetés en scénarios de dotation en personnel et d'investissement départementaux.

De la donnée à la décision

Entrées: Activité historique des codes de facturation, dates de service, géographies et cohortes démographiques des patients, alignées sur les informations disponibles à chaque date de prévision.
Sorties du modèle: Prévision des volumes de codes et des trajectoires d'utilisation par spécialité selon la géographie et la cohorte.
Décisions: Comparaison des priorités de dotation en personnel et d'investissement départemental en utilisant l'utilisation projetée, la capacité existante et l'économie des lignes de services.
Évaluation: Erreur de prévision par cohorte sur une période réservée à l’évaluation, couverture des intervalles de prédiction, délais de déclaration des demandes de remboursement et sensibilité aux changements de codage ou de remboursement.

03Places de marché de talentsDemande d'emploi, mise en correspondance des candidats et couverture de recherche.

Développement de modèles de classification pour la croissance de l'emploi par rôle et par région, en comparant la demande de recherche avec les enchères publicitaires.
Mise en correspondance des CV avec les descriptions de poste et génération de scores de correspondance en pourcentage.
Modélisation d'une couverture de recherche d'emploi de 7× grâce à la recherche sémantique et à l'expansion de requête.
Estimation des dépenses publicitaires adressables par offre d'emploi en utilisant les signaux de demande, de conversion et d'enchères.

Mise en œuvre technique

Modèles et technologies

TF-IDF & modèles linéaires word2vec LambdaMART

La recherche sémantique et l'expansion de requête ont été prises en charge par TF-IDF et word2vec. LambdaMART a classé les correspondances emploi-CV en utilisant la pertinence textuelle, les compétences, la géographie et les signaux comportementaux ; les scores de pourcentage de correspondance exprimaient une pertinence normalisée.

Des modèles distincts de demande par rôle et région, ainsi que des modèles de valeur de conversion, ont permis d'estimer les opportunités publicitaires.

De la donnée à la décision

Entrées: Descriptions de poste, CV, intitulés, compétences, contraintes de localisation, activité de recherche, enchères publicitaires et historique de conversion.
Sorties du modèle: Correspondances classées, couverture de recherche élargie, estimations de la demande au niveau du rôle et valeur publicitaire estimée par annonce.
Décisions: Élargissement de la découverte sur l'inventaire existant, classement des emplois et candidats pertinents, et orientation de l'allocation publicitaire par rôle et par région.
Évaluation: nDCG@K, précision@K et rappel@K par rapport aux jugements de pertinence ; couverture à un seuil de pertinence constant ; étalonnage du modèle de conversion et performance sur la période suivante.

04Apprentissage en technologie juridique et conformitéIntelligence des affaires, classification du droit du travail et demande de formation.

Analyse de statistiques judiciaires fédérales pour identifier des opportunités de financement de litiges pour des sociétés d'investissement.
Classification des affaires par domaine du droit et par modèles linguistiques récurrents dans les avis judiciaires.
Modélisation des issues de litiges à l'aide de caractéristiques judiciaires historiques, y compris le parti politique de l'administration ayant nommé le juge.
Application de GPT-2 à la classification des exemptions du droit du travail fédéral.
Analyse des modèles d'évaluation historiques et de la performance des cohortes pour identifier et tester de nouveaux domaines de formation à la conformité.

Mise en œuvre technique

Modèles et technologies

GPT-2 TF-IDF & modèles linéaires Classification de documents Analyse de cohortes et d'éléments

TF-IDF et modèles linéaires ont classé les documents juridiques par sujet et par langage récurrent. Les représentations GPT-2 ont alimenté un flux de travail de classification spécifique à la tâche pour les étiquettes d'exemption du droit du travail fédéral.

Des modèles supervisés distincts ont estimé les issues des affaires à partir d'informations pré-décisionnelles et de caractéristiques judiciaires historiques. L'analyse de l'apprentissage de la conformité a utilisé la performance des éléments d'évaluation et des comparaisons de cohortes pour identifier et tester de nouveaux domaines de formation.

De la donnée à la décision

Entrées: Lois, exemples d'exemptions étiquetés, faits liés à l'emploi, métadonnées des affaires, avis judiciaires antérieurs et issues historiques ; réponses aux évaluations et attributs de cohortes pour l'analyse d'apprentissage distincte.
Sorties du modèle: Étiquettes de taxonomie juridique, classifications d'exemptions, estimations d'issues d'affaires et modèles de performance des évaluations.
Décisions: Soutien à la revue juridique et à l'analyse du financement de litiges en utilisant les informations disponibles avant la décision cible ; utilisation des modèles d'évaluation pour hiérarchiser les nouveaux sujets de formation à la conformité.
Évaluation: Précision et rappel par classe, échantillons temporels (holdouts), fausses classifications d'exemptions, ablations de caractéristiques du modèle d'issue et performance à travers les cohortes d'évaluation.

05Technologie de l'hypothèque, de l'assurance et de l'immobilierRisque de crédit, tarification de l'assurance et évaluation immobilière.

Développement de classificateurs IA pour évaluer le risque de crédit hypothécaire.
Application de modèles de classification et de prédiction aux taux d'assurance habitation.
Création de capacités d'évaluation immobilière et de recommandation de prix pour soutenir les décisions tarifaires des agents.
Développement de la distribution d'informations immobilières sur les plateformes pour soutenir les flux de travail de l'immobilier.

Mise en œuvre technique

Modèles et technologies

XGBoost Classification étalonnée Régression d'évaluation

XGBoost a soutenu des objectifs supervisés distincts pour les événements de crédit hypothécaire, les primes d'assurance habitation et les valeurs immobilières. Les sorties d'événements de crédit ont utilisé l'étalonnage de probabilité ; les modèles de primes et d'évaluation ont utilisé la régression.

Chaque produit utilisait ses propres caractéristiques, étiquettes et destination de flux de travail. La distribution d'informations immobilières a connecté les sorties d'évaluation aux outils destinés aux agents.

De la donnée à la décision

Entrées: Données sur l'emprunteur et le prêt au moment de la souscription ; données sur la propriété, la couverture et la prime ; transactions clôturées historiques et attributs de propriété pour l'évaluation.
Sorties du modèle: Probabilités de risque de crédit hypothécaire, estimations de primes d'assurance et recommandations de valeur immobilière.
Décisions: Livraison de scores de risque aux flux de travail hypothécaires, d'estimations de primes aux flux de travail d'assurance et de recommandations d'évaluation aux outils des agents immobiliers.
Évaluation: Performance hors période (out-of-time) et sur des régions d'échantillonnage, étalonnage de la probabilité de crédit, erreur de prime et d'évaluation, et évaluation par rapport aux issues de crédit matures.

06Publicité et marketingÉconomie des enchères, performance des campagnes et conversion.

Application de modèles de classification aux opportunités publicitaires dans l'immobilier, le commerce B2B, l'e-commerce et la promotion de contenu.
Évaluation des opportunités publicitaires sur les plateformes sociales, les médias de détail et les bourses d'éditeurs tiers, incluant des campagnes pour des auteurs et des éditeurs.
Modélisation du timing des enchères et des prix planchers des bourses pour les régies publicitaires auto-hébergées, ainsi que des seuils d'enchères côté acheteur et de la cadence des campagnes.
Réalisation d'un retour sur investissement publicitaire (ROAS) allant jusqu'à 240 %.
Application de l'IA au routage de l'automatisation marketing, à l'analyse des campagnes, aux taux d'ouverture et à la performance des textes pour améliorer l'efficacité de la conversion.

Mise en œuvre technique

Modèles et technologies

FTRL Modèles de CTR et de conversion Optimisation des enchères

Les modèles logistiques entraînés par FTRL estimaient la probabilité de clic à partir de caractéristiques publicitaires éparses. Des modèles distincts de conversion et de valeur estimaient les rendements en aval et orientaient les enchères et l'allocation budgétaire.

Les politiques côté acheteur contrôlaient les enchères, la cadence et les budgets de campagne. Les modèles côté bourse évaluaient le timing des enchères et les prix de réserve pour l'inventaire auto-hébergé. L'analyse des campagnes reliait le routage et la performance des textes à la conversion.

De la donnée à la décision

Entrées: Impressions, clics, conversions, contexte de placement, variantes créatives, dépenses de campagne et données d'enchères, jointes au sein de fenêtres d'attribution définies.
Sorties du modèle: Probabilités de clic et de conversion, valeur attendue par opportunité, signaux de performance de campagne et scénarios de prix plancher de la bourse.
Décisions: Allocation des budgets de campagne et des enchères ; réglage séparé des paramètres d'enchères de la bourse ; utilisation de la performance des textes et de la conversion pour améliorer le routage de l'automatisation marketing.
Évaluation: Calibrage de probabilité, taux de conversion, coût par acquisition et comparaisons de ROAS contrôlées, en tenant compte des conversions différées et des fenêtres d'attribution.

07IA générative et flux de travail agentiquesCréation de contenu, exécution automatisée et performance des modèles.

Application de l'IA générative à la création de contenu publicitaire.
Connexion de la création, de la publication, du déploiement et des enchères publicitaires via des flux de travail agentiques.
Application d'évaluations par l'IA, de traçage et d'optimisation de modèles aux flux de travail opérationnels de la logistique aérienne.
Application de l'IA pour évaluer les opportunités d'arbitrage de prix.

Mise en œuvre technique

Modèles et technologies

Modèles génératifs Orchestration d'outils Évaluation des traces Optimisation de modèle

Les modèles génératifs produisaient le contenu publicitaire. L'orchestration d'outils avec état (stateful) connectait la création, la publication et le déploiement, avec une politique d'enchères distincte régissant les décisions de dépenses.

L'exécution utilisait des arguments d'outils validés, des tentatives limitées, une protection contre les actions en double et une réconciliation après expiration des délais. L'évaluation des traces comparait les versions de modèles et de prompts à travers des flux de travail complets. L'évaluation de la logistique aérienne suivait les flux de travail opérationnels séparément.

De la donnée à la décision

Entrées: Briefs de campagne, contexte créatif, schémas d'outils, état du flux de travail et contraintes de dépenses ; entrées et sorties de modèles, résultats d'outils et traces opérationnelles pour l'évaluation.
Sorties du modèle: Génération d'actifs publicitaires, validation des actions d'outils, registres d'exécution et résultats d'évaluation au niveau des tâches.
Décisions: Publication et déploiement de publicités via des flux de travail contrôlés ; ajustement des enchères via une politique distincte ; utilisation des échecs de traces, de la qualité, de la latence et du coût pour guider l'optimisation des modèles.
Évaluation: Achèvement des tâches, actions invalides ou en double, comportement de récupération, latence et coût par tâche accomplie ; les résultats opérationnels étaient évalués séparément du succès de l'appel de modèle.

08Édition numérique et streamingFlux d’événements, variables en temps réel et inférence de modèles.

Application de l'IA et de l'apprentissage automatique aux technologies de streaming au sein d'une plateforme de lecture numérique à grande échelle.
Construction de pipelines de traitement d'événements avec Apache Flink pour transformer des événements horodatés en caractéristiques de modèle glissantes.
Connexion de l'inférence en ligne aux applications en aval avec relecture, gestion des événements tardifs et récupération d'état.

Mise en œuvre technique

Modèles et technologies

Apache Flink Caractéristiques par fenêtrage Inférence en ligne

Apache Flink traitait les événements horodatés à l'aide de fenêtres basées sur le temps de l'événement et avec état. Les filigranes (watermarks) et la gestion des événements tardifs maintenaient l'alignement des caractéristiques glissantes sur le temps de l'événement ; l'inférence de modèle en ligne évaluait ces caractéristiques pour l'application de la plateforme de lecture.

La relecture, la gestion des doublons et la récupération de points de contrôle (checkpoint) soutenaient le pipeline de caractéristiques. Les versions de modèles et la fraîcheur des caractéristiques étaient suivies parallèlement à la latence d'inférence.

De la donnée à la décision

Entrées: Événements de plateforme horodatés, identifiants d'entités cohérents, historique d'événements rejouable et entrées de modèles versionnées.
Sorties du modèle: Caractéristiques glissantes au niveau de l'entité et prédictions en ligne livrées à l'application consommatrice.
Décisions: Injection des sorties de modèles actuels dans les flux de travail des applications en aval, avec une gestion explicite des événements tardifs, des caractéristiques obsolètes et de l'état de traitement récupéré.
Évaluation: Retard des événements, ancienneté des variables, événements tardifs ou en double, restauration d’état, latence d’inférence et performance des modèles sur des périodes ultérieures.

09CybersécuritéDétection de menaces, tests défensifs et remédiation.

Application de la classification par IA à la détection de menaces.
Application de la simulation de Monte Carlo à des scénarios d'attaque et de défense, et utilisation de tests d'intrusion white-hat pour évaluer les défenses.
Application de l'IA à la remédiation des menaces, au déploiement de correctifs et aux flux de travail de tests d'intrusion.

Mise en œuvre technique

Modèles et technologies

Classification des menaces Détection d'anomalies Simulation de Monte Carlo Tests adverses

Les classificateurs de menaces identifiaient des modèles connus, tandis que les modèles de détection d'anomalies évaluaient les écarts dans la télémétrie de sécurité. La simulation de Monte Carlo estimait le risque d'attaque et de défense selon des hypothèses échantillonnées.

Les tests d'intrusion white-hat ont évalué les défenses observées. Les scores de détection, les résultats de simulation et les conclusions des tests ont orienté les flux de travail de triage, de remédiation et de déploiement de correctifs.

De la donnée à la décision

Entrées: Télémétrie de sécurité, étiquettes de menaces, conclusions de tests d'intrusion autorisés et hypothèses de scénarios d'attaque/contrôle.
Sorties du modèle: Scores de menace et d'anomalie, conclusions hiérarchisées et distributions de risques simulées.
Décisions: Priorisation de l'investigation et de la remédiation ; séparation des recommandations de correctifs, du déploiement et de la vérification post-déploiement.
Évaluation: Précision et rappel de la détection, volume de faux positifs, délai de détection, conclusions de tests d'intrusion observées et vérification de la remédiation ; la sensibilité de la simulation a été évaluée séparément.

10Infrastructure Cloud & centre de donnéesDéploiement des ressources et optimisation des coûts d'exploitation.

Application de modèles d'utilisation au déploiement DevOps et à la planification des ressources cloud.
Développement d'approches d'utilisation du stockage et de déploiement de ressources pour les environnements AWS, Azure et GCP.
Utilisation des données IoT des bâtiments pour identifier des possibilités d’optimisation de la consommation d’énergie, de l’utilisation de l’eau et des émissions.
Corrélation de l'analyse de la consommation des ressources avec les coûts d'exploitation et le compte de résultat au niveau de chaque centre de données.

Mise en œuvre technique

Modèles et technologies

AWS · Azure · GCP Réseaux de neurones pilotés par capteurs Optimisation sous contraintes

Les prévisions de charge de travail et l'optimisation sous contraintes ont orienté le stockage, le calcul et le déploiement de services dans les environnements AWS, Azure et GCP.

Parallèlement, des réseaux de neurones pilotés par capteurs ont modélisé la consommation des installations à partir de la télémétrie IoT et des conditions d'exploitation. Les contraintes de capacité et thermiques ont façonné les recommandations d'exploitation des installations et les scénarios de coûts.

De la donnée à la décision

Entrées: Historiques d'utilisation du cloud et de charge de travail ; télémétrie énergétique, hydrique et d'exploitation au niveau du bâtiment, données d'émissions associées et coûts des ressources.
Sorties du modèle: Prévisions de la demande de ressources, scénarios de capacité cloud, prédictions de consommation des installations et estimations des coûts d'exploitation.
Décisions: Planification du déploiement des ressources dans les limites de service et de capacité ; comparaison des recommandations d'exploitation des installations par rapport aux limites thermiques, à la consommation et au compte de résultat au niveau du site.
Évaluation: Erreur de prévision, marge de capacité, performance du service, consommation d'énergie et d'eau ajustée à la charge de travail, et coût par charge de travail et par installation.

11Services de terrain & opérations de terrainCapacité de la main-d'œuvre, routage des services et tarification client.

Prévision des besoins de main-d'œuvre pour la fabrication, l'infrastructure des centres de données et les services de terrain en utilisant la demande historique, les types d'emplois et les rôles.
Application de la classification NLP et de l'extraction d'informations aux bons de commande de construction et de services immobiliers.
Développement de modèles propriétaires pour le routage des travailleurs de service, la tarification au niveau du client et l'allocation de la main-d'œuvre.
Identification des opportunités de coûts de main-d'œuvre et de capacité à travers les fonctions de service soutenant l'infrastructure matérielle.

Mise en œuvre technique

Modèles et technologies

Classification NLP Extraction d'informations Prévision de la demande Optimisation du routage

La classification NLP et l'extraction d'informations ont converti les bons de commande en champs validés. Les prévisions de la demande et de la durée de service ont estimé la charge de travail par rôle, région et période.

Un optimiseur de routage sous contraintes a assigné le travail en fonction des compétences, des horaires, des déplacements et des exigences de rendez-vous. Un modèle de tarification distinct a évalué l'effort de service, le coût et les données commerciales au niveau du client.

De la donnée à la décision

Entrées: Texte du bon de travail, historique de service, types d'emplois, compétences requises, lieux, disponibilité des travailleurs, temps de trajet et coûts de service.
Sorties du modèle: Exigences de travail structurées, prévisions de la demande et de la durée, affectations réalisables et estimations de tarification au niveau du client.
Décisions: Planification de la dotation en personnel et de la répartition sous contraintes de compétences, d'horaires et de service ; évaluation de la tarification par rapport à l'effort attendu et aux exigences commerciales.
Évaluation: Précision de l’extraction des champs, erreur de prévision de la demande et de la durée, faisabilité du planning, achèvement dans les délais, temps de trajet et marge par intervention.

Chiffres clés du programme.

Valeur du programme par rapport aux dépenses en IA et technologies adjacentes.

Programme	Valeur du programme	Investissement
Publicité dans l’édition	2 Md$	75 M$
Opérations agentiques	1 Md$	133 M$
Technologie hypothécaire	240 M$	40 M$
IA générative	200 M$	50 M$
Publicité d'entreprise	190 M$	10 M$
Publicité immobilière	81 M$	10 M$
Analytique de la santé	50 M$	8 M$
Place de marché d'assurance	12 M$	4 M$

Leadership des alliances.

Je développe des entreprises partenaires via des stratégies GTM conjointes, l'intégration de produits et l'exécution sur le terrain, en assumant la responsabilité de la croissance des revenus et de la productivité des partenaires.

01Revenus de canalCroissance des revenus de canal partenaire de près de 8×.

Augmentation des revenus de canal de 17 M$ à environ 132 M$ en moins d'un an pour une entreprise dont la croissance des revenus de canal stagnait. Dans une autre entreprise, expansion du compte de résultat d'un partenariat OEM de 85 M$ à plus de 133 M$.

02Pipeline qualifié · Partenariats MSPPlus de 1,3 Md$ de pipeline qualifié.

Génération de plus de 1,3 Md$ de pipeline qualifié en complément des nouveaux revenus de quota des partenaires. Construction de pipeline à travers plusieurs entreprises via une planification conjointe de la direction générale, une cartographie des comptes et des programmes GTM coordonnés entre les fournisseurs de cloud, les intégrateurs de systèmes, les partenaires logiciels et les fournisseurs de services managés (MSP).

03Écosystèmes mondiaux · Alliances SIDéveloppement d'entreprises partenaires à partir de zéro et expansion mondiale.

Création d'une activité de partenariat technologique générant 60 M$, en partant d'une phase avant les premiers revenus, et expansion d'un autre écosystème de 10 à plus de 100 partenaires à travers quatre régions mondiales.

Recrutement d'intégrateurs de systèmes (SI) mondiaux, notamment Deloitte, KPMG, EY, Accenture et PwC. Lancement de six plans d'affaires conjoints avec la direction générale à travers l'écosystème de partenaires.

04Intégrations de produitsPlus de 295 intégrations connectant les partenariats aux produits.

Livraison d'intégrations API, de plateformes et de partenaires certifiés, parallèlement à 15 capacités API/SDK et 12 applications de production.

05Accompagnement des partenairesPlus de 1 600 commerciaux et spécialistes partenaires accompagnés dans le cadre des programmes.

Pour un programme de canal auparavant non numérisé au sein d'une entreprise opérant également dans un secteur hautement complexe et réglementé par le gouvernement fédéral, accélération de la productivité des partenaires en réduisant le délai de l'onboarding à la mise en liste de 12 à 4 semaines, du contrat à la première vente de 120 à 60 jours, et de l'implémentation de 32 à 6 semaines.

Leadership produit.

Stratégie produit avec responsabilité du compte de résultat, des nouvelles entreprises aux portefeuilles établis. Résultats sélectionnés dans les domaines des plateformes d'entreprise, de la croissance des consommateurs, de la tarification, de la rétention et des redressements d'activités.

01Leadership produit · Responsabilité du compte de résultatCroissance de l'EBITDA d'environ 9,3 % d'une année sur l'autre.

Assomption de la responsabilité de la performance produit et commerciale pour une activité majeure à revenus récurrents, augmentant l'EBITDA d'environ 9,3 % d'une année sur l'autre tout en élargissant sa base de clients.

02Logiciel d'entreprise · Nouvelles entreprisesDe zéro à 50 M$ de revenus récurrents annuels (ARR) supplémentaires.

Création et commercialisation d'un nouveau produit logiciel d'entreprise, le développant de zéro à 50 M$ de revenus récurrents annuels (ARR) supplémentaires, avec la responsabilité directe du produit et du compte de résultat.

03Commercialisation · Nouveaux revenusPrès de 8× les revenus tiers en moins d'un an.

Transformation des capacités internes en une offre commerciale, multipliant par près de 8 les revenus tiers en moins d'un an grâce à des produits numériques et des flux de travail clients intégrés.

04Tarification · MonétisationCroissance du chiffre d'affaires d'environ 240 %. Rentabilité atteinte en sept mois.

Refonte de la tarification et de la monétisation, entraînant une croissance du chiffre d'affaires d'environ 240 % et le retour de l'entreprise à la rentabilité en sept mois.

05Produits de consommation · AdoptionCroissance des utilisateurs actifs mensuels de plus de 400 % et annuels de plus de 200 %.

Simplification du parcours client sur le web et le mobile, augmentant les utilisateurs actifs mensuels de plus de 400 % et les utilisateurs actifs annuels de plus de 200 %.

06Engagement · RétentionCroissance de l'engagement de 14 % et 1,7 Md $ de nouveaux revenus.

Augmentation de l'engagement client de 14 % d'une année sur l'autre et génération de 1,7 Md $ de nouveaux revenus grâce à l'expansion de l'écosystème et à des initiatives de rétention personnalisées ayant également réduit l'attrition des abonnements.

07Plateformes d'entreprise · Capacités développeursEnviron 120 M $ de revenus récurrents annuels (ARR) et adoption complète de l'IT interne.

Reconstruction d'une plateforme logicielle d'entreprise et extension de ses capacités développeurs, la faisant passer à environ 120 M $ de revenus récurrents annuels (ARR) et atteignant un taux d'adoption de 100 % au sein de l'organisation informatique interne.

08Stratégie de portefeuille · Croissance rentableCroissance annuelle du chiffre d'affaires d'environ 19 % et TCAC de l'EBITDA de 12 %.

Refonte d'un portefeuille de produits et simplification de l'offre, générant une croissance annuelle du chiffre d'affaires d'environ 19 % et un TCAC de l'EBITDA de 12 % sur 3,5 ans, tout en ramenant les activités déficitaires à la rentabilité.

Voir les points forts de la carrière