Retrouvez dès à présent l'ensemble des interventions du HUBDAY Future of Retail & E-Commerce 2022 en vidéo !

Le problème le plus récurrent du machine learning est le scepticisme provenant de l’inaccessibilité du modèle et de l'algorithme, ainsi qu’un manque de transparence lors de la genèse des résultats, même si ces derniers peuvent sembler excellents.

It’s difficult to understand how machine learning models work because it's mostly like a black box, you put some coefficients in there and then you get some output. We want to know how and which factors and features influence and make an impact.

- Carsten Weidmann, Technical Alliance Manager (Exasol)

La technologie d’Exasol est capable d’assurer la confiance dans le processus du machine learning :

• Exasol est un système de gestion de base de données relationnelles qui s'exécute sur un cluster de serveurs de matériel informatique standard
• Exasol s'engage à fournir des solutions d'analyse flexibles, évolutives et puissantes à ses clients, où qu'ils soient ; sur le cloud — public ou privé — ou sur le site
• Exasol est considérée comme la base de données la plus rapide au monde grâce à son architecture technique unique

Exasol is a solution that helps to challenge the data and make the most knowledge out of it.

- Przemyslaw Miskiewicz, Head of Data Engineering (Signa Sports United)

La solution Exasol a permis à Signa Sports de prédire un score CX pour chaque commande client afin d'obtenir un indicateur de l'expérience client ; les intervenants ont fait le point sur ce cas d’usage particulier.

Face au problème lié au taux bas de retours des consommateurs avec Net Promoter Score (l’indicateur de la satisfaction client) suite à leurs achats, Signa Sports a recouru à l’utilisation de la base de données d’Exasol pour mettre en place la collecte des données et leurs stockage afin d’améliorer l’expérience et la satisfaction client grâce à l’analyse prédictive.

Signa Sports a appliqué la technique mathématique SHAP (Shapley Additive exPlanations) qui est une approche utilisée dans la théorie des jeux et qui relie l'explication locale de l'allocation optimale de crédits à l'aide des valeurs de Shapley. Grâce à cette technique et en utilisant les différents paramètres (le temps de traitement, le type de paiement, le montant de la remise, le nombre total d'articles), Signa Sports a pu isoler les paramètres générant l'impact ainsi que leur influence sur le résultat de la prédiction. 

En conclusion, Carsten Weidmann, Technical Alliance Manager (Exasol) résume 2 leçons à retenir :

1. Le machine learning basé sur l'IA peut être utilisé non seulement pour la simple prédiction, mais aussi pour combler et compenser les valeurs et les données manquantes et les données qui manquent (dans le cas de Signa Sports : Net Promoter Score).
2. Les systèmes plus transparents pour les utilisateurs peuvent renforcer la confiance dans les données.

Retrouvez dès à présent l'ensemble des interventions du HUBDAY Future of Retail & E-Commerce 2022 en vidéo !