Contexte et objectifs

• Exploiter les données existantes dans Microsoft Dynamics 365 CRM pour améliorer la productivité des équipes commerciales et service client.
• Développer et déployer des modèles prédictifs (ex. prévision de ventes, scoring leads, churn) intégrés directement dans Dynamics 365 afin d'aider la prise de décision.

Missions principales

• Collecte et préparation des données CRM : extraction des entités (opportunités, comptes, activités, historique des interactions), nettoyage et création de features pertinentes.
• Conception, entraînement et évaluation de modèles de Machine Learning pour la prédiction des ventes et la classification/priorisation des leads.
• Intégration des modèles et des recommandations au sein de Microsoft Dynamics 365 (par ex. via Power Platform, Azure ML, APIs ou plugins) pour fournir des actions exploitables aux utilisateurs.

Livrables attendus

• Rapport technique détaillant la méthodologie, les jeux de données, les transformations, les modèles testés et les résultats (métriques de performance, validation croisée).
• Prototype fonctionnel intégré à Dynamics 365 qui affiche prédictions/recommandations au niveau opportunité/lead.
• Guide d'utilisation et document d'accompagnement pour la mise en production (architecture, endpoints, monitoring, mise à jour des modèles).

Compétences requises et technologies

• Maîtrise de Python et des bibliothèques ML courantes (scikit-learn, pandas, numpy). Expérience en deep learning un plus.
• Connaissance de Microsoft Dynamics 365 CRM, Power Platform (Power Automate / Power Apps) et des services Azure (Azure ML, Azure Functions, Azure Data Factory) pour l'intégration.
• Compétences en data engineering (ETL), évaluation de modèles et déploiement de services de prédiction.

Modalités d'encadrement et évaluation

• Encadrement par un tuteur technique ayant connaissance de Dynamics 365 et d'IA ; réunions de suivi hebdomadaires.
• Critères d'évaluation : qualité des jeux de données et features, performance et robustesse des modèles, qualité de l'intégration et impact métier démontré (ex. gains de productivité, taux de conversion amélioré).

Impact attendu

• Automatisation de recommandations décisionnelles pour les commerciaux et le support, réduction du temps de qualification des leads.
• Mise en place d'un pipeline reproductible permettant d'actualiser les modèles et d'adapter les prédictions au fil des données CRM.