We applied topological data analysis to hospital data on atrial fibrillation patients. Instead of sorting patients into pre-defined buckets, we mapped 5,106 patient records across 15 clinical factors into a shape-based grouping — letting the structure of the data reveal its own natural clusters.

Nous avons appliqué l'analyse topologique des données à des données hospitalières sur des patients atteints de fibrillation auriculaire. Au lieu de classer les patients dans des catégories prédéfinies, nous avons cartographié 5 106 dossiers selon 15 facteurs cliniques en un regroupement basé sur la forme — laissant la structure des données révéler ses propres groupes naturels.

The result: five distinct patient phenotypes with sharply different stroke risk — groupings a conventional model would have missed entirely.

Le résultat : cinq phénotypes de patients distincts aux risques d'AVC très différents — des regroupements qu'un modèle conventionnel aurait complètement manqués.

Not all word of mouth works the same way. "Simple contagion" spreads person to person — one exposure is enough. "Complex contagion" needs social reinforcement from several sources before someone adopts. Which mechanism drives your growth completely changes how you should seed a campaign.

Le bouche-à-oreille ne fonctionne pas toujours de la même façon. La « contagion simple » se propage de personne à personne — une seule exposition suffit. La « contagion complexe » nécessite un renforcement social de plusieurs sources avant l'adoption. Le mécanisme en jeu change complètement la manière de lancer une campagne.

Using extended persistent homology — a technique from topological data analysis — we classify which mechanism is at play on a network and predict its parameters accurately, even with noisy, incomplete real-campaign data. That directly informs seeding, influencer selection and referral design.

Grâce à l'homologie persistante étendue — une technique d'analyse topologique des données — nous identifions le mécanisme à l'œuvre sur un réseau et prédisons ses paramètres avec précision, même avec des données de campagne réelles bruitées et incomplètes. Cela oriente directement le seeding, le choix d'influenceurs et le parrainage.

An in-house mobile app that forecasts when a customer is about to run out of a recurring item — and proactively prompts a reorder, instead of waiting for the customer to remember.

Une application mobile interne qui prévoit quand un client va manquer d'un produit récurrent — et propose de recommander à l'avance, sans attendre que le client y pense.

It's the same forecasting logic as our retention work, pointed at inventory instead of churn: model the interval between purchases per customer and per product, then surface the reorder at exactly the right moment.

C'est la même logique de prévision que notre travail sur la rétention, appliquée aux stocks plutôt qu'à l'attrition : modéliser l'intervalle entre les achats par client et par produit, puis proposer la recommande au bon moment.

Original product built in-house — the interface below is a design mockup, not a screenshot.

Produit original développé en interne — l'interface ci-dessous est une maquette, pas une capture d'écran.

The useful churn question isn't if — it's when. A customer flagged "likely to churn in six months" needs a completely different response than one at risk this week. A yes/no label throws that timing away.

La bonne question sur l'attrition n'est pas si — c'est quand. Un client « susceptible de partir dans six mois » appelle une réponse totalement différente d'un client à risque cette semaine. Une étiquette oui/non jette cette information temporelle.

We use Kaplan-Meier survival analysis — the same method used for patient survival in clinical trials — applied to customer lifetime. It correctly handles still-active ("censored") customers instead of discarding them, and lets us compare retention curves across segments: acquisition source, first-purchase size, geography, feature adoption.

Nous utilisons l'analyse de survie de Kaplan-Meier — la méthode employée pour la survie des patients dans les essais cliniques — appliquée à la durée de vie client. Elle traite correctement les clients encore actifs (« censurés ») au lieu de les écarter, et permet de comparer les courbes de rétention par segment : source d'acquisition, taille du premier achat, géographie, adoption de fonctionnalités.

Stat below is from a modeled demonstration cohort, not real company data.

La statistique ci-dessous provient d'une cohorte de démonstration modélisée, pas de données réelles.