Comment les meilleures entreprises utilisent l'apprentissage automatique

Au cours de la dernière année, la manie de l'apprentissage automatique a balayé le monde des affaires. Selon Arthur Samuel, l'informaticien qui a inventé le terme il y a un demi-siècle, l'apprentissage automatique est défini comme le sous-domaine de l'informatique qui utilise de grands ensembles de données et des algorithmes de formation pour "donner aux ordinateurs la capacité d'apprendre sans être explicitement programmés".

De nombreux cadres ont le sentiment intuitif que l'apprentissage automatique constituera un changement de paradigme aussi important qu'Internet et l'ordinateur personnel. Une enquête récente menée par PwC a indiqué que 30 % des chefs d'entreprise pensaient que l'IA serait la plus grande perturbation de leur industrie d'ici cinq ans. Rien qu'en 2016, plus de 5 milliards de dollars de financement de capital-risque ont été inondés dans les startups d'apprentissage automatique. Le McKinsey Global Institute note que l'apprentissage automatique a "une large applicabilité à de nombreuses activités de travail courantes", y compris la reconnaissance de formes, la génération et la compréhension du langage naturel et l'optimisation des processus.

Pourquoi l'apprentissage automatique est important maintenant

Le battage médiatique récent est motivé par trois développements clés, qui ont réduit la barrière à l'entrée pour les organisations de tous les secteurs et de toutes les étapes qui souhaitent appliquer l'apprentissage automatique :

• Plus de données et un stockage moins cher : l'essor des outils basés sur le cloud et la chute des coûts de stockage des données via des services tels qu'Amazon Redshift signifient que plus de données que jamais sont générées et stockées régulièrement par des applications critiques pour l'entreprise.
• Bibliothèques open source : des bibliothèques d'apprentissage automatique largement disponibles telles que TensorFlow et scikit-learn de Google rendent les algorithmes de pointe plus accessibles à un public plus large de scientifiques des données et d'ingénieurs logiciels généralistes.
• Plus de puissance : le développement de plates-formes basées sur le cloud et de matériel personnalisé optimisé pour l'apprentissage automatique signifie que ces applications peuvent s'exécuter plus rapidement et à moindre coût, ce qui augmente leur adéquation à une variété de besoins commerciaux.

Dans l'abstrait, il existe des preuves convaincantes d'investir dans l'apprentissage automatique. Mais comment les organisations utilisent-elles réellement cette technologie ? De quelles manières l'apprentissage automatique est-il déployé aujourd'hui pour aider les entreprises à créer de la valeur, à réduire les coûts et à générer un retour sur investissement ?

Dans cet article, nous partageons des études de cas illustrant comment des entreprises de toutes tailles utilisent l'apprentissage automatique pour répondre à cinq analyses de rentabilisation clés : l'acquisition d'utilisateurs, le support client, les prévisions, la prévention de la fraude et la gestion des personnes.

1. Acquisition d'utilisateurs

Dans les grandes lignes, l'entonnoir d'acquisition de clients pour un consommateur ou une entreprise typique comporte trois étapes : segmenter votre clientèle pour comprendre et répondre à leurs besoins, les engager avec le bon message au bon moment et les convertir en utilisateurs de votre produit.

L'apprentissage automatique a été largement utilisé par les startups et les grandes entreprises dans l'ensemble de l'entonnoir d'acquisition d'utilisateurs. Amazon en est un exemple clé - dans sa lettre aux actionnaires de 2017, le PDG Jeff Bezos a souligné la manière dont l'apprentissage automatique contribue à l'expérience Amazon.com "sous la surface" en alimentant les recommandations de produits et d'offres en fonction des préférences des utilisateurs. Mais segmenter les utilisateurs et leur montrer des produits pertinents n'est que la première étape : de nombreux détaillants utilisent l'apprentissage automatique pour ajuster à la volée l'image de marque, la copie et les prix promotionnels afin de maximiser la probabilité d'une vente pour un client donné.

Sur le front de l'entreprise, Salesforce a récemment lancé Einstein, un produit qui examine les données CRM pour fournir des recommandations personnalisées afin d'augmenter les chances qu'un prospect particulier se convertisse à partir d'un argumentaire de vente, allant jusqu'à suggérer le bon moment pour envoyer un e-mail.

2. Assistance client

Bien sûr, l'acquisition de clients n'est que la première étape. Que ce soit pour le commerce électronique ou l'entreprise, fidéliser les utilisateurs et limiter le taux de désabonnement nécessite de fournir un support client rapide et efficace.

Des dizaines de marques utilisent désormais l'apprentissage automatique pour améliorer l'expérience du support client. Par exemple, le supermarché brésilien Ocado a utilisé les API d'apprentissage automatique de Google pour créer un système personnalisé qui mesure le sentiment des demandes d'assistance client et place les réponses négatives en haut du signal d'assistance. Le résultat est qu'Ocado répond aux messages urgents quatre fois plus rapidement, créant une opportunité précieuse de reconquérir les clients à haut risque de devenir des détracteurs.

Plus récemment, des « bots » conversationnels trient désormais les demandes d'assistance sans l'aide d'un opérateur humain, en utilisant un langage naturel automatisé pour fournir une première réponse qui peut répondre aux demandes de routine telles que l'émission d'étiquettes de retour. En plus de réduire les coûts d'assistance jusqu'à 30 %, les chatbots peuvent accroître la satisfaction des clients en répondant plus rapidement, et l'étendue de leurs capacités augmentera à mesure que leurs capacités de compréhension s'amélioreront. Avec 44 % des consommateurs américains qui préfèrent interagir avec des chatbots plutôt qu'avec des humains, les entreprises en contact direct avec les consommateurs qui investissent dans l'apprentissage automatique auront un énorme avantage.

3. Prévision

Dans le back-office, une grande variété d'organisations commencent à utiliser l'apprentissage automatique pour créer des modèles de prévision plus robustes, granulaires et précis.

En 2016, Walmart a organisé un concours sur la plateforme de recrutement en science des données Kaggle, demandant aux candidats d'utiliser les données historiques de 45 magasins pour créer un modèle qui prévoyait les ventes par département pour chaque magasin. Le géant de l'assurance AIG a réuni une équipe de science des données de 125 personnes pour créer des modèles d'apprentissage automatique, dans le but d'améliorer la capacité de l'entreprise à anticiper les sinistres et à prévoir les résultats.

Même le conglomérat mondial de lunettes Luxottica utilise l'apprentissage automatique pour prévoir la demande : il ajoute 2 000 nouveaux styles à sa collection chaque année, et utilise l'apprentissage automatique et les données des lancements précédents pour prédire les performances des ventes.

4. Sécurité et détection des fraudes

En 2016, la fraude a coûté à l'e-commerçant moyen plus de 7 % de son chiffre d'affaires total. Les salaires des employés chargés de la gestion des fraudes, les rétrofacturations et les transactions légitimes refusées en raison de faux positifs contribuent tous à ces dépenses.

L'apprentissage automatique commence à prouver son potentiel en tant qu'outil puissant pour surveiller intelligemment des millions de transactions en temps réel, réduisant ainsi le gaspillage dû à la fraude. PayPal est un leader dans ce domaine : ils ont utilisé des outils open source et leur vaste trésor de données de transaction pour créer un moteur d'intelligence artificielle à partir de zéro, dans le but principal de réduire le nombre de fausses alarmes produites par leurs anciens modèles de fraude.

Les humains sont toujours dans la boucle pour former le modèle et résoudre les ambiguïtés, mais le premier résultat est stupéfiant : depuis la mise en œuvre de leur nouveau modèle, PayPal a réduit de moitié son taux de faux positifs. Pour les entreprises à la recherche d'une solution haut de gamme, des startups comme Sift Science peuvent consommer les données d'une entreprise et appliquer les signaux de fraude de l'ensemble de leur réseau d'entreprises clientes, garantissant ainsi que les dernières techniques des fraudeurs sont rapidement détectées.

5. Gestion des personnes

L'embauche, la gestion et la fidélisation de personnes de grande qualité sont à la base de toutes les compétences en affaires. L'une des parties les plus onéreuses de l'embauche consiste à filtrer des centaines ou des milliers de CV pour constituer une liste restreinte d'entretiens ; plus de la moitié des recruteurs déclarent que c'est la partie la plus difficile de leur travail. Ce problème est résolu par des startups comme Restless Bandit, qui crée un système de gestion des candidats utilisé par des entreprises comme Adidas et Macy's pour filtrer les CV en fonction des décisions que les responsables du recrutement ont prises dans le passé.

Fondamentalement, ces algorithmes peuvent être formés pour ignorer les préjugés humains inconscients et même signaler un langage biaisé dans les descriptions de poste, ce qui signifie que l'apprentissage automatique a le potentiel d'identifier des candidats très performants et diversifiés qui peuvent être négligés par les recruteurs humains lors d'un premier passage. Sur le front de la rétention, l'apprentissage automatique peut augmenter le mentorat de grands managers et aider les employés à mieux performer en générant des conseils de carrière spécifiques et impartiaux, basés sur d'anciens employés ayant des profils similaires.

Avec 44 % des consommateurs américains qui préfèrent interagir avec des chatbots plutôt qu'avec des humains, les entreprises en contact direct avec les consommateurs qui investissent dans l'apprentissage automatique auront un énorme avantage.

L'impact de l'apprentissage automatique va croître

Dans cet article, nous avons passé en revue certaines des façons les plus importantes dont l'apprentissage automatique peut créer une valeur directe et immédiate pour diverses organisations. Ce serait une erreur de considérer l'apprentissage automatique comme une sorte de panacée d'entreprise - en fin de compte, les performances d'un système d'apprentissage automatique sont aussi bonnes que les données sur lesquelles il est formé, et les décisions clés d'une entreprise sont souvent des « cas extrêmes » qui nécessitent une mesure de jugement humain et une expérience anecdotique pour être évaluées.

Au lieu d'être éblouis par le potentiel abstrait de l'apprentissage automatique, les dirigeants devraient aborder la question de l'investissement dans cette technologie en faisant le point sur leurs principaux défis commerciaux et en les confrontant à la capacité clé de l'apprentissage automatique : tirer du sens d'une tonne de données . Compte tenu de la diversité des études de cas ci-dessus, les chances que les techniques d'apprentissage automatique puissent être utiles peuvent être plus importantes que prévu.