Image
Interview-Exasol-IA-Data-Retail-Ecommerce-HUBDAY-HUBInstiutte-MaximeTricoire

Retail & E-Commerce : pourquoi l'IA devient-elle indispensable ?

Par : Maxime Tricoire
31 janvier 2022
Temps de lecture : 10 min
Chapo

Face à un monde ultra concurrentiel, retailers et e-commerçants cherchent à prendre de l'avance ! Une situation qui pousse ces derniers à se doter d'outils leur permettant d'anticiper les événements et d'adopter une gestion proactive de leurs activités. Dans cette interview Helena Schwenk, VP Chief Data & Analytics Office chez Exasol, revient sur l'utilisation de l'IA et du Machine Learning par les commerçants et évoque l'impact de ces technologies.

En partenariat avec
Body

Nouveau call-to-action

Retrouvez Exasol lors du HUBDAY Future of Retail & E-Commerce, le 8 et 9 février 2022 !


HUB Institute : L'IA est l'une des technologies les plus populaires aujourd'hui, et ce quel que soit le secteur d'activité. Comment voyez-vous l'utilisation actuelle de l'IA par les entreprises ?

Helena Schwenck ExasolHelena Schwenk : Pour la majorité des entreprises aujourd'hui, l'utilisation de l'IA se traduit par la mise en place et le fonctionnement de ce que l'on pourrait appeler du "Machine Learning opérationnel", aussi nommé "IA faible". En opposition à ce terme, l'IA dite "forte" représente une intelligence artificielle capable d'effectuer de bout en bout des tâches qui nécessiteraient en temps normal une interaction humaine. Largement popularisé par les œuvres de science-fiction, celle-ci n'en est pour le moment qu'au stade de la R&D, même si certaines applications (IBM Deep Blue, autopilot de Tesla…) sont d'ores et déjà disponibles.

Une des branches populaire de l'IA est le Machine Learning. Il est aujourd'hui principalement utilisé à des fins d'analyse prédictive, et a été un outil clé pour aider les entreprises à développer leurs capacités d'analyse. La technologie leur a notamment permis de dépasser le monde traditionnel des rapports et des tableaux de bord qui décrivaient "ce qui s'est passé et pourquoi" pour entrer dans le monde de l'analyse prédictive qui décrit "ce qui va se passer", permettant aux entreprises d'optimiser leurs actions et processus décisionnels. Sur ce cas précis, plusieurs cas d'usages se distinguent :

  • La régression et la classification, aussi appelées "apprentissage supervisé", où l'on sait ce que l'on cherche à prédire. Cela permet par exemple dans le secteur de l'assurance de prédire les risques de défaillance liés à un prêt, ou dans le domaine de l'IT de détecter si un e-mail est un spam ou non.
     
  • Le regroupement, aussi appelé "apprentissage non supervisé", où l'on ne sait pas encore ce que l'on cherche à prédire. Ce dernier est utilisé afin d'identifier des patterns récurrents, de connecter différentes variables entre elles ou encore afin d’améliorer les modèles supervisés en mettant en place une boucle de feedback.
     
  • L'apprentissage par renforcement et l'apprentissage profond, qui permettent d'atteindre un nouveau niveau d'automatisation de bout en bout. L'avantage principal est que ces modèles s'adaptent facilement et que l'utilisation de volumes de données plus importants permet d'obtenir de meilleurs résultats. Cette technique est idéale pour les tâches plus complexes, comme la reconnaissance d'images et de la parole, mais nécessite une programmation et des cadres dédiés, associés à un environnement matériel/de calcul puissant.

Les e-commerçants en particulier semblent très intéressés par cette technologie. Quels avantages l'IA peut-elle offrir aux entreprises de ce secteur ?

HS : Étant donné la nature des activités des e-commerçants, il est tout naturel que ces entreprises s'intéressent à ce domaine. L'IA, et l'apprentissage automatique, sont des outils clés pour les entreprises souhaitant se doter d'un avantage concurrentiel. La technologie offre plusieurs avantages parmi lesquels :

  • Améliorer l'expérience client : la personnalisation (site web, applications) et les recommandations permises par l'IA ont un effet positif sur les comportements d'achats des consommateurs, conduisant généralement à des ventes moyennes plus élevées.
     
  • Augmenter la fidélisation des clients : en détectant les causes de désabonnement, l'IA permet aux entreprises d'agir de manière proactive et donc d'anticiper un potentiel abandon du client.
     
  • Réduction des risques : permet une analyse et une détection plus précise des fraudes et ainsi d'éviter des pertes de revenus liés à des attaques informatiques de plus en plus nombreuses et sophistiquées.
     
  • Meilleure gestion du trafic et gestion des stocks en flux tendu : l'identification et la réaction aux pages chaudes ou froides d'un site web permettent aux entreprises d'anticiper de potentielles ruptures de stock.
     
  • Meilleure gestion des médias sociaux : grâce à l'analyse des textes et des sentiments, les entreprises peuvent fournir une réponse rapide et adaptée aux sujets d'actualité, qu'ils soient positifs ou négatifs.

Pour aller plus loin : "Case Study Exasol x Digital Planet"

Si beaucoup s'intéressent à l'IA, toutes les entreprises ne sont pas égales face à la gestion et l'activation des données. Quels sont les prérequis techniques et culturels pour la mise en œuvre d'une stratégie d'IA efficace ?

HS : Les entreprises qui commencent à explorer l'IA par le biais du Machine Learning sont généralement relativement avancées en termes de maturité analytique. Parmi ce qu'elles ont réussi à mettre en place, on note :

  • Des stratégies de données et d'analyses qui sont directement liées à la stratégie globale de l'entreprise, car sans stratégies claires les progrès seront aléatoires, non coordonnés et auront une faible visibilité au sein de l'entreprise. Si un lien direct et évident n'est pas mis en place entre l'usage de l'IA et les objectifs de l'entreprise, alors il n'y aura pas d’adhésion de la part de la direction. Cela se traduit in fine par une diminution, voir un tarissement, des budgets alloués.
     
  • Une architecture data agile et ouverte, qui permet aux publics de l'entreprise d'accéder aux bonnes données au bon moment. Il est intéressant de noter que, sur ce sujet, la dépendance à une équipe ou à un outil a tendance à ralentir l'innovation. Chaque équipe doit être en mesure de comprendre et d'activer les données provenant de leurs services, car ce sont encore eux qui les comprennent le mieux.
Combinés ensemble, ces différents points permettent de créer une véritable "culture de la donnée" au sein de l'entreprise. Cela conduit généralement à une démocratisation et à une envie plus forte de la part des collaborateurs de travailler avec ces données.

- Helena Schwenk, VP Chief Data & Analytics Office (Exasol)

Cependant, l'adoption de l'IA est également corrélée au plan technologique. Sur ce point, les entreprises doivent se concentrer sur :

  • L'automatisation, car elle va permettre de réduire le temps humain dédié à la valorisation des données, chose d'autant plus importante à l'heure où les volumes de data explosent. C'est également un bon moyen de responsabiliser les équipes techs.
  • L'industrialisation, car ce sont les cas d'usages dégagés qui permettront de voir le potentiel d'innovation des frameworks d'IA.
  • L'interopérabilité, qui permet l'utilisation de technologies spécifiques et garantit la transparence du projet.
  • La gouvernance opérationnelle, en garantissant la simplicité et la fiabilité des analyses, tout en en limitant les coûts.
  • La conception axée sur l'utilisateur, afin de s'assurer que les utilisateurs les plus aguerris comme les plus néophytes puissent s'emparer des outils d'analyse.

Comment accompagnez-vous vos clients dans la mise en œuvre de leurs stratégies liées à l'IA ? 

HS : Nous soutenons nos clients de deux manières distinctes :

  • Améliorer les capacités internes intégrées, afin d' "amener l'analyse aux données" avec des fonctions définies par l'utilisateur (UDF) permettant de créer la possibilité d'exécuter des fonctions codées R, Python ou Java directement dans SQL. Les UDF permettent un niveau de manipulation des données bien supérieur aux niveaux de complexité normaux basés sur SQL, que ce soit en termes de vitesse et de volume. Nous rendons également opérationnelle l'analyse prédictive en temps réel ou quasi réel : les nouvelles données peuvent être analysées immédiatement et les prédictions faites également. Il n'est ainsi plus nécessaire de transmettre les données à un système de Machine Learning externe et d'attendre les résultats.
     
  • Interfaces externes optimisées, afin d'accélérer le processus de modélisation du Machine Learning. Nous travaillons notamment sur des processus de "test et d'entraînement" pour identifier le modèle de Machine Learning optimal, un processus qui nécessite en temps normal beaucoup de données et de temps. De nombreux outils ont été créés pour automatiser et simplifier ce processus. L'accent est mis sur l'amélioration des interfaces entre l'entrepôt de données (Exasol) et les outils de Machine Learning tels que AWS Sagemaker (pour un échange simplifié des données et pour l'exportation d'algorithmes) ou TurinTech (pour une intégration profonde et pour l'exportation automatique de l'algorithme de Machine Learning afin d'opérationnaliser ce dernier en aval, et permettre ainsi un scoring en temps réel).

Nous travaillons par exemple avec un grand fabricant d'articles de sport sur l'utilisation intensive d'UDF basés sur R, pour créer et maintenir leur base de données de profils de consommateurs. Cette base de données représente plus de 250 millions de consommateurs et couvre plus de 8 000 points de données temporelles par consommateur. Ces derniers vont du genre du client jusqu'à des notions plus complexes telles que la "propension à acheter l'article X dans les N prochains jours", modélisés à l'aide de combinaisons de données (navigation sur le site web, médias sociaux, informations sur les ventes…). Chaque point de données est mis à jour dans les 24 heures suivant chaque nouvelle interaction numérique effectuée par le consommateur.  

Comment pensez-vous que les stratégies d'IA appliquées au monde du commerce électronique vont évoluer à l'avenir ? 

HS : Une chose est sûre : la performance de tout modèle d'intelligence artificielle ne sera bonne que si les données qui l'alimentent le sont aussi. En conséquence, l'accent devra à l'avenir être mis sur la qualité et la gouvernance des données, c'est-à-dire sur la création d'ensembles de données propres et de grande valeur pour alimenter les processus d'IA. Les bases de données analytiques en mémoire deviendront de fait les moteurs de l'utilisation, que ce soit en termes de création, de stockage et d'importation des caractéristiques dans les outils de test et d'entraînement du Machine Learning, et ce en raison de leur capacité à analyser les grands volumes de données. Les outils de Machine Learning bénéficieront de liens/interfaces beaucoup plus étroits avec les magasins de données de l'entreprise (DataLake, DataWarehouse), ce qui leur permettra de travailler plus efficacement  sur de plus grands volumes de données, et de garantir également une plus grande évolutivité des systèmes.

Pour aller plus loin : "BARC : The Data Management Survey 22"

Les outils de Machine Learning dit "Low Code" ou "No Code" devraient également continuer à s'améliorer, couvrant davantage d'approches et permettant à un plus grand nombre de collaborateurs de se lancer dans le Machine Learning. Une situation qui installera de fait cette technologie comme le principal moteur de la démocratisation de l'analyse de données. Dans le même temps, R et Python deviendront des options de secours de bas niveau lorsque les solutions basées sur l'interface graphique ne seront pas à la hauteur. Le Machine Learning en temps réel continuera également d'évoluer, afin d'offrir la meilleure expérience possible au consommateur. Cela se traduira par un changement radical des solutions vendues "prêtes à l'emploi”, vers des solutions spécifiques aux cas d'utilisation, générées en interne.

La compréhension de l'IA en tant que facteur potentiel de différenciation commerciale continuera aussi à gagner du terrain au niveau de la direction des entreprises. 

- Helena Schwenk, VP Chief Data & Analytics Office (Exasol)

Sur les secteurs verticaux, l'utilisation de l'IA et du Machine Learning continuera de croître, grâce à la démocratisation de l'analyse des données. Une situation qui permettra aux équipes IT et Data Science de se concentrer sur des cas d'utilisation plus complexe, nécessitant par exemple la création de nouveaux pipelines de données. Cela installera de fait la personnalisation de l'expérience client, qui deviendra la norme. Enfin, au-delà de l'utilisation "front end", le spectre d'utilisation de l'IA s'étendra à l'ensemble des processus commerciaux, tel que la supply chain, permettant ainsi une performance globale améliorée au niveau de l'expérience client.


Retrouvez Exasol lors du HUBDAY Future of Retail & E-Commerce, le 8 et 9 février 2022 !

Nouveau call-to-action

Envie de nous partager vos insights ?
Profile picture for user mtricoire
Maxime
Tricoire
Content Manager

Diplômé du MBA Digital Marketing & Business de l’EFAP, Maxime s’appuie sur sa culture du monde digital pour dénicher les dernières tendances et insights. Fort de plusieurs expériences du côté de l’annonceur, il met sa plume au service de nos partenaires pour les aider à élaborer des contenus à fortes valeurs ajoutées. Ses buts : découvrir, informer et éduquer.