Culture RP a rencontré Alexis Monier, co-founder d’AfterData.
Pourquoi avoir créé cette solution métiers et pour quels enjeux stratégiques ?
L’explosion du volume des données est surement le phénomène qui marquera le début du 21ème siècle au même titre que l’invention de l’écriture, du train ou de l’électricité. Les bénéfices que l’ensemble de la société peut tirer de l’essor de la Data sont gigantesques. Néanmoins, ces avantages sont aujourd’hui préemptés par les organisations disposant d’équipes d’experts de la donnée et de data scientists. Cela rend très élitiste l’accès à cette technologie. Notre proposition est de rendre accessibles les bénéfices de l’intelligence artificielle à tout responsable métiers sans aucun prérequis technique.
Les enjeux les plus fréquemment traités sont : la prévision du désabonnement des clients, la segmentation marketing, la prédiction de pannes, l’identification de défauts sur une chaine de montage ou la prévision des ventes.
En termes de Machine Learning, d’Intelligence Artificielle quelles sont les bonnes pratiques ?
Le principal écueil du machine learning est de commencer par passer un temps considérable à travailler sur ses données sans avoir commencé à se demander quel usage en sera fait. Cela revient à aller faire ses courses avant d’avoir choisi une recette. Cela limite les chances de résultat. Un point clé est donc de définir la cible.
Ensuite, le machine learning se heurte à de nombreuses idées reçues. Tout d’abord le volume de données nécessaires. On imagine souvent qu’il faut détenir un grand nombre d’informations avec des décennies d’historique pour être en mesure de réaliser une prédiction efficace. En pratique, des données mêmes très restreintes permettent souvent de procurer un bénéfice important et immédiat. De plus, des techniques existent pour « peupler » des bases de données un peu limitées.
[Ensuite] Par ailleurs, on imagine généralement que les algorithmes d’intelligence artificielle sont réservés aux grands groupes du CAC 40. Les quelques PME et ETI qui ont été précurseurs en matière d’intelligence artificielle ont notablement accru leur position concurrentielle.
Enfin, les budgets nécessaires sont beaucoup plus limités que ceux de la majorité des projets informatiques, d’autant que le ROI est strictement démontrable.
Notre solution d’analyse prédictive et d’intelligence artificielle est [destinée] parfaitement adaptée aux responsables métiers qui ne disposent pas de spécialistes de la donnée telle que les Data Scientist.
Pouvez-vous nous en dire plus sur votre solution ?
Notre singularité est en effet d’avoir comme interlocuteurs des responsables marketing, commerciaux, responsables étude ou de production. Nous allons étudier avec eux leurs problématiques, les prioriser et évaluer leur faisabilité au regard des données disponibles. La solution qu’ils vont utiliser est une interface métier qui est adaptée à chaque client et utilise le vocabulaire propre de chaque secteur d’activité. D’une part, notre plateforme automatise une grande partie des traitements et d’autre part, nos data scientists affinent les algorithmes en fonction des caractéristiques des données de chaque client.
Quels sont exactement les grandes thématiques métiers qui peuvent recourir à cette solution et à quels niveaux d’analyse peuvent-ils prétendre ?
Les applications sont nombreuses. Voici quelques exemples [.] : Un opérateur de téléphonie mobile dépense en moyenne l’équivalent de 24 mois d’abonnement pour conquérir un nouveau client. On comprend donc l’intérêt de tout faire pour lutter contre les résiliations de contrats. Le Machine mearning permet d’identifier 70% à 85% des clients qui résilieront dans les 3 prochains mois. L’opérateur pourra ainsi mener une action de fidélisation et limiter l’attrition de ses clients. Dans un autre contexte, l’analyse de l’historique des achats des clients, de leurs caractéristiques et éventuellement de leur navigation sur le site web de l’entreprise permet de comprendre leurs parcours d’achat, leurs motivations et ainsi mettre en place des campagnes d’up selling ciblées. Dans le domaine industriel, les données provenant d’objets connectés tels que des ascenseurs par exemple permettent de prédire les pannes et ainsi de déclencher des actions de maintenance préventive.
Pouvez-nous nous donner un exemple de cas client qui pourrait nous permettre de mieux comprendre les objectifs quali et quanti escomptés ?
Un exemple particulièrement intéressant est celui d’une chaine de restaurants italiens situés généralement dans des zones commerciales. L’enjeu était de prévoir le nombre de clients pour chaque service. Les données disponibles étaient essentiellement l’historique des tickets de caisses. Nous avons complété les bases de données externes telles que : les jours de la semaine, les vacances scolaires et la météo. Il a ainsi été possible d’adapter le personnel nécessaire et de diminuer de 10% le coût des ressources humaines mais également de diminuer de 25% le taux de rebut de matières premières.
Pour une marque, la question de limiter le taux de départ à la concurrence de ses clients est un axe quotidien de sa relation client. Utiliser des algorithmes pour détecter des signaux faibles de départ à la concurrence est un moyen, y en a t-il d’autres ?
Il y a, en effet, de nombreux moyens complémentaires aux algorithmes. Tout d’abord, l’objectif de toute marque est de faire en sorte que le moins de clients possible ne se posent la question du désabonnement. Cela passe par la fidélisation, la communauté de consommateurs, la perception de la qualité… Ensuite, la connaissance des clients et l’expérience permettent de modéliser des comportements tel que le churn. Mais cela reste bien moins précis que le machine learning.
À l’ére d’une utilisation de la donnée sans véritable accord de l’intéressé, quels sont les gardes fous pour garantir la vie privée de tout un chacun ? Quelles sont les critères légaux en Europe sur l’utilisation des données et est-il opportun pour le business de limiter l’accès de celles-ci quand on sait notamment qu’elles peuvent, dans l’avenir, nous permettre de mieux anticiper la surproduction et préserver les ressources de notre planète ?
La mise en application du RGPD donne un cadre européen très strict sur l’utilisation des données et garantit un usage raisonné de celles-ci.
La question environnementale est plus délicate car elle ne bénéficie d’aucun garde-fou juridique. Ce point est tout à fait corrélé à la problématique des objectifs (ou de l’absence d’objectif… évoqué précédemment. Le stockage des données devrait être limité aux informations dont l’usage est identifié ou au moins envisagés. Aujourd’hui, nous entreposons et entretenons des volumes colossaux de data sans le moindre esprit critique. Une grande partie de ces données n’est même pas consultable faute de qualité suffisante.
Quelles sont, selon vous, les prochaines tendances du Machine Learning, de l’Intelligence Artificielle et des Datas ?
2 courants complémentaires sont déjà en cours.
La généralisation de l’intelligence artificielle qui va se nicher dans tous les objets du quotidien pour apporter des services toujours plus individualisés et proches des consommateurs.
La démocratisation qui permettra à toutes des entreprises de décupler leur efficacité dans les mêmes proportions que ce dont les grands groupes bénéficient déjà.
