Parole d'expert

[Interview] Le machine learning au service du marketing

Interview Taha Zemmouri de DataGenius

Pour notre première interview, Taha Zemmouri de la start-up Lyonnaise DataGenius a répondu positivement à notre demande. Taha est un ingénieur spécialisé en intelligence artificielle et en machine learning. Nous avons voulu en savoir plus sur son activité, obtenir son point de vue sur l’intelligence artificielle et le machine learning. Que nous réserve leurs applications dans le domaine du marketing ?

Place à l’interview !

Céline – Bonjour Taha, merci d’avoir accepté de répondre aux questions de Zeste d’Inbound. Tu es le fondateur et le dirigeant de DataGenius, peux-tu nous en dire un peu plus sur ton entreprise ?

Taha Zemmouri – Bonjour. DataGenius, c’est une société spécialisée dans le développement et l’intégration de processus de machine learning et d’intelligence artificielle. Encore en mode start-up, l’entreprise créée en 2017 compte aujourd’hui 6 collaborateurs. Vous pouvez nous retrouver au Réseau Entreprendre Rhône, 40 rue de Bruxelles, à Lyon.

Notre conviction la plus profonde est que la data science et l’intelligence artificielle sont au cœur d’une rupture sociétale et économique majeure. L’intelligence artificielle permet déjà aujourd’hui aux travailleurs de gérer plus efficacement leurs temps. Et ainsi se concentrer sur des tâches à plus forte valeur ajoutée et qui font sens : créer, imaginer et innover ?

Chez DataGenius, nous voulons accompagner les entreprises Françaises dans la révolution de l’intelligence artificielle, quelques soient leur problématiques et leur taille.

Qu’est-ce que le machine learning ?

C’est l’apprentissage automatique.

Le machine learning c’est une des technologies récentes d’intelligence artificielle qui permet aux ordinateurs d’être « en autonomie » sans avoir été programmés au préalable pour une tâche donnée. Toutefois, pour parfaire leur connaissance et se développer, les ordinateurs ont besoin de beaucoup de données à analyser. Le big data est donc l’essence du machine learning.

On peut estimer que l’IA date de la naissance de l’ordinateur, la machine de Turing.

Le machine learning va aider les entreprises à s’affranchir du mécanisme et ainsi mettre en place des algorithmes qui vont apprendre à lier des données d’entrées et des données de sorties. Un algorithme spécifique va « s’entrainer » grâce aux nombreux exemples dont la société le nourrira. L’apprentissage est basé sur des statistiques, remis le plus souvent possible au goût du jour.

Pour prendre un contre-exemple, la tenue d’un blog doit être pilotée, quand nous cliquons sur un bouton une page doit s’afficher. Cela revient à dire que pour une entrée, le bouton, il y a une sortie, la page. Les usages dans ce contexte-là sont donc limités car l’écriture d’un système de règle n’est pas envisageable, ne comporte pas de valeurs ajoutées.

Pour conclure, le machine learning prend toute son ampleur quand nous ne sommes pas capable / quand c’est difficile de coder « en dur ».

Le machine learning est un constituant de l'intelligence artificielle
Le machine learning est un constituant de l’intelligence artificielle

As-tu des exemples de processus machine learning qui n’ont pas fonctionné ?

Il y a déjà pas mal de petites pépites dans le domaine. Les GAFA repoussent chaque jour les limites du machine learning, et ce n’est pas toujours une réussite.

Par exemple, Amazon a abandonné un projet d’IA mis en place en 2014. Le processus de machine learning devait trier les CV de candidats postulant aux différentes offres d’emploi de la société. L’entreprise s’est rendu compte que le programme a conclus qu’il fallait rejeter les candidatures des femmes aux postes techniques à cause des données des dernières embauches. Analyse correcte pour une machine mais difficilement acceptable pour la société.

Tu travailles aujourd’hui avec de nombreuses entreprises : quand ton équipe et toi rencontrez une entreprise pour la 1ère fois, quelles sont les questions qui reviennent le plus souvent ?

Nous avons aujourd’hui deux types de rendez-vous qui se distinguent.
D’un côté, nous rencontrons des responsables très au courant de ce qu’ils veulent. Par exemple, dans le secteur bancaire, ils sont assez matures sur le sujet. Leurs cahiers des charges sont précis, ils savent ce qu’il est envisageable de faire et où est-ce qu’ils veulent aller.

D’un autre côté, nous échangeons avec des sociétés qui envisagent le potentiel du machine learning et/ou par effet de mode « nos concurrents s’y mettent, il ne faut pas que nous soyons en retard sur cette technologie ». Nous aimons écouter dans les deux cas 

Dans notre métier, nous passons donc par une grande phase d’évangélisation. Nous expliquons, pas à pas, le processus du machine learning, s’éloignant d’une nébuleuse pour devenir quelques choses de plus concrets et applicables aux problématiques des entreprises. Ce n’est pas forcément compliqué.

Au premier rendez-vous, on se doit de répondre à 2 questions primordiales :

  1. Qu’est-ce que le machine learning ?
  2. A quoi cela peut nous accompagner dans nos problématiques métiers ?

Nous avons des usages classiques que nous mettons en avant :

Automatisation robotisée des processus

Ou RPA, consiste à mettre en œuvre des « robots logiciels » pour automatiser au maximum les tâches fastidieuses et sans valeurs ajoutées que l’on retrouve en entreprise. Cette démarche permet de libérer en moyenne 20% du temps de l’utilisateur, qui pourra, dès lors, être plus utilement consacré à des actions présentant une vraie valeur pour l’entreprise.
Détection de fraude

Les systèmes anti-fraude traditionnels, basés sur l’analyse manuelle, présentent souvent une rigidité, pouvant bloquer des processus décisifs de l’entreprise. Les algorithmes de machine learning analysent de nombreux scénarii d’opérations frauduleuses afin de détecter un schéma similaire dans l’entreprise auditée. Gain de temps (et d’argent) ! Le fisc français commence à exploiter ce type d’IA.
Optimisation des relations client

Exploiter la data consommateurs permet de devancer les attentes et besoins des prospects et clients. Le machine learning, en traitant de grandes quantités de données recueillies sur les réseaux sociaux, l’objets connectés et autres fichiers clients… permet de décrypter les comportements d’achat.

Mais c’est un métier où il faut surtout écouter et s’adapter aux problématiques de chacun.

Quelles sont les sociétés qui ont des besoins en machine learning ?

Toutes les entreprises ont besoin de machine learning (rire).
Plus sérieusement, deux types d’entreprises ont tout intérêt de se lancer dans le machine learning ; de la start-up qui proposent des services basés sur de l’IA aux entreprises plus classiques, où l’intelligence artificielle peut venir en support. Nous avons été approchés par des sociétés tertiaires : assurances, banques, transports… Les points communs de ces sociétés sont qu’elles ont une taille assez conséquente et qu’elles brassent beaucoup de données.

Quel lien peut-on faire entre data, intelligence artificielle, machine learning et marketing ?

De nos jours, les consommateurs veulent être autonomes, indépendants. A nous, entreprises, de faire coïncider l’offre avec leur désir « du moment », clé ultime du marketing digital.

À partir des data collectées par les formulaires, les cookies, la géolocalisation sur les smartphones, les objets connectés (montres, voitures…), les cartes de fidélité des magasins, ou encore les réseaux sociaux, les entreprises ont autant de points de contact pour transformer data en énergie pour vendre mieux et plus, fidéliser et engager.

Créer de nouveaux ciblages

Le machine learning non supervisé (l’apprentissage par la machine se fait de façon totalement autonome) va chercher de nouvelles habitudes de comportement. Et ainsi communiquer une offre la plus adéquate possible.
Détection de churn

Le churn volontaire est souvent le résultat d'une insatisfaction sur l'offre ou la qualité des services. Le machine learning peut anticiper les départs clients grâce aux comportements du clients comme la désinscription à une newsletter. C’est de l’analyse prescriptive.
Yield management

L’optimisation du prix pricing (yield management). Grâce à la data (de sites concurrents, les ventes marroniers…), le processus de machine learning va tenter de prédire au plus juste l’évolution des prix.

Dis-moi quel client tu es, je te dirai comment consommer

Les processus de machine learning sont un avantage indéniable pour les actions des services marketing :

  • Une personnalisation plus accrue, en ayant un message toujours plus précis et toujours plus précis au niveau de l’offre et du timing du push,
  • Une expérience clients optimisée,
  • Des campagnes marketing plus pertinentes selon l’engagement du prospect,
  • Une meilleure résilience au changement des habitudes du marché.

Mais cela nécessite encore d’avoir un volume de données important.

Exemple de feuilles de route d'action marketing et machine learning
Exemple de feuilles de route et d’interaction machine learning (par Andy Betts)

Si je te dis « chatbot » ?!

Je réponds qu’il y a deux grandes familles de chatbots à distinguer : les chatbots à interactions « faibles » et « fortes ». Dans le premier cas, chaque question est anticipée par l’homme afin que, le community manager par exemple, puisse apporter une réponse fiable grâce à une analyse précise des mots-clés utilisés. Pour le second, le chatbot pourra mener une conversation en toute autonomie, et même faire preuve d’émotion et d’humour.

Un conseil pour se lancer dans le machine learning ?

3 sites incontournables pour moi :

On vous donne rendez-vous à nos conférences et petits-déjeuners pour en savoir plus, en toute simplicité. C’est sans engagement, et nous pouvons répondre à vos questions et vous conseillez sur les méthodologies à suivre.

Ou contactez-nous directement, on ne mord pas.

Un dernier mot ?

Tiramisu 🍰

Propos recueillis par Céline.

J’ai trouvé il y a quelques années mon chemin et une passion pour l’inbound marketing en voie 9¾

♥️ Voyages en 2cv | ♥️ Aïkido | ♥️ DIY & Craft

No Comments Found

Leave a Reply