In the code : mieux connaître les clients grâce à l’intelligence artificielle

Imaginez, en tant que directeur des ventes ou chef d’entreprise, avoir la possibilité de prévoir à l’avance quand vos clients commanderont tel ou tel service ou prestation nécessaire à leur activité. Vous seriez beaucoup plus précis et rapide que vos concurrents. Grâce à une vision fiable de l’avenir, votre planification des ressources serait plus facile et mieux ciblée qu’aujourd’hui.

Vous pourriez gérer et planifier plus efficacement des sujets spécifiques comme :

• l’amélioration de la segmentation existante ;
• la planification et l’exécution des campagnes visant des segments clients spécifiques ;
• la préparation et la planification des ressources de votre entreprise.

Le projet présenté a très vite montré l’efficacité obtenue en associant la CRM (gestion de la relation client/customer relationship management), le Big Data et l’intelligence artificielle.

Les entreprises doivent constamment personnaliser et optimiser leurs offres et leurs processus pour établir et maintenir des relations solides avec leurs clients. Cette personnalisation des offres est effectuée à l’aide de systèmes de gestion de la relation client, dans lesquels les entreprises réunissent l’ensemble des informations concernant leurs clients.

Avec l’arrivée de l’intelligence artificielle, une entreprise peut exploiter ces énormes volumes de données enregistrées dans ses systèmes internes (CRM, ERP, par exemple) et enrichies de données publiques (prévisions météo, etc.) pour une stratégie axée sur les clients. Mais attention : vous devez en même temps veiller à maintenir une relation durable avec vos clients, et à ce que ces derniers continuent à vous communiquer leurs données en toute confiance. Vous devez garantir, de façon crédible et transparente, que le cyberrisque est minimum et que vous respectez la législation (RGPD, par exemple).

Les analyses Big Data et l’intelligence artificielle sont déjà utilisées avec succès, notamment pour l’amélioration des segments clients, les prévisions des besoins de ces groupes de clients, la définition du meilleur moment d’achat ou la planification du personnel du service à la clientèle. Ces quatre exemples montrent à eux seuls qu’une utilisation adéquate de l’intelligence artificielle et d’autres technologies est économiquement pertinente.

Il est important de commencer par une analyse précise des besoins des clients, et il est facile de la visualiser. Supposons que vous dirigiez un commerce de détail dans un secteur où l’activité peut stagner. Si vous pouvez placer votre offre au bon moment, elle remportera davantage de succès. Le fait de savoir précisément à quel moment les clients décident d’acheter représente un avantage concurrentiel considérable. Un avantage qui vous permet, par exemple, d’accroître votre part de marché.

Dans le projet mentionné, ELCA a analysé les transactions ERP historiques et les données à la disposition du public afin de déterminer la prochaine fenêtre d’achat de produits spécifiques pour chaque client. Etant donné que le commerçant avait reçu des clients l’autorisation d’utiliser les données et qu’il disposait d’un système de répartition opérationnel, nous avons utilisé les technologies et les algorithmes les plus modernes.

Le problème a été abordé à l’aide d’une approche par classification au lieu d’une approche par régression. Pour notre client, ce n’était pas le montant de la commande (prix et quantité) qui était le plus important, mais le fait de savoir quand le client pourrait passer sa prochaine commande, afin de le contacter au moment opportun et de l’accompagner dans sa décision d’achat. Le modèle devait donc répartir les clients dans différentes catégories. Cette classification peut être la suivante, par exemple :

• 0 : les clients qui effectueront un achat dans les prochains x jours.
• 1 : les clients qui n’effectueront un achat qu’après x jours, mais au cours des 12 prochains mois.
• 2 : les clients qui n’effectueront aucun achat au cours des 12 prochains mois.

Enfin, les différents jeux de données ont été regroupés afin de générer des informations utiles pour le modèle d’apprentissage machine nécessaire. Cette combinaison constituée de données de modèles de produits, de contacts et de clients crée un premier jeu de fonctions définies en tant que fonctions relatives au compte.

Chaque ligne de données définitives de l’apprentissage machine est constituée de trois types de fonctions : les fonctions relatives au compte, les caractéristiques du mois en cours et les caractéristiques de la commande précédente. Les fonctions qui se rapportent au mois en cours sont générées principalement à partir de données externes afin d’établir un lien avec les variations de prix et de température au fil du temps. Enfin, sont également utilisées certaines caractéristiques de la commande précédente : était-ce une grosse ou une petite commande ? Quand la transaction est-elle intervenue par rapport à la précédente?

Ce travail a permis d’obtenir une longue liste de 122 fonctions. Ces fonctions s’appuient sur les connaissances que contient le système CRM de l’entreprise ainsi que sur les analyses des parcours clients (customer journeys). Un parcours client est un diagramme sur lequel apparaissent toutes les commandes d’un client et les informations sur les prix et la météo au fil du temps. Les parcours clients ont servi de point de départ pour comprendre les modèles de commandes des clients, l’influence des données externes et le comportement général des clients. D’autres fonctions ont encore été créées par la suite, après une phase d’essai et d’erreur lors de la création et des tests des modèles d’apprentissage machine.

Différents modèles d’apprentissage machine ont été utilisés afin de comparer la qualité des résultats :

• modèles linéaires (régression linéaire) ;
• modèles d’arbres (arbre supplémentaire et arbre décisionnel) ;
• modèles d’ensembles (forêt aléatoire, arbres supplémentaires et régresseur d’ensachage) ;
• modèles de voisins, réseaux neuronaux, réseaux de mémoire à court et long termes.

Il faut cependant retenir que seulement quelques échanges entre des spécialistes et des scientifiques des données ont permis d’établir un modèle précis et que des interprétations erronées ont pu être évitées.

L’exemple montre que la qualité des données, l’efficacité des processus et les systèmes d’une unité organisationnelle déterminent quelle approche est la plus pertinente. Des mesures et des outils connus, tels qu’un système de distribution (CRM) efficace ou une exploitation habile des données disponibles (Big Data, par exemple), peuvent souvent résoudre les problèmes les plus importants.

Mais si vous souhaitez bénéficier des prévisions les plus fiables ou découvrir de nouveaux secteurs d’activité, vous devez avoir recours à l’intelligence artificielle. Dans ce cas, vous devez également savoir que les exigences au niveau de l’organisation sont plus complexes. L’exemple qui précède montre que les nouvelles technologies comme l’intelligence artificielle complètent la boîte à outils du commerçant, et ce de façon pertinente. Cela ne change rien au fait que la clé d’une relation professionnelle réussie reste la confiance du client. Pour préserver cette confiance, la protection des données et la cybersécurité doivent être traitées en priorité et faire l’objet d’une communication adaptée.