Intelligence Artificielle

Digital-émois Intelligence Artificielle

IA : mon nouveau soutien produit

digital-emois.fr

Le machine learning permet d’extraire facilement et simplement un maximum d’insights de l’analyse big data et du web social pour créer de  la valeur. Cette agrégation de tout ce qui est dit sur la marque permet de mettre en évidence des insights et des tendances non détectable avec l’analyse humaine. Voici différentes applications concrètes d’assistance à la veille et conception des offres :

Veille sociale

Sur les réseaux sociaux, les contenus intégrant des images se généralisent et génèrent plus d’engagement qu’un simple texte ou qu’un lien. Face à cette vague de fond, la société Linkfluence, spécialisée dans le Social Listening, a intégré la reconnaissance d’images pour permettre aux marques d’avoir une analyse plus exhaustive des publications sociales qui les concernent. Cette technologie, basée sur le machine learning, permet aux marques de mieux appréhender leur présence sur le web et les usages qui sont faits de leurs produits. Grâce à l’analyse des images, les marques identifient plus facilement leurs influenceurs et ambassadeurs et en cas de crise elles peuvent ajuster leur action.

En complément de la reconnaissance d’image, le machine learning est capable depuis tout récemment, d’intégrer également une reconnaissance de la personnalité de l’internaute. Cette analyse de sentiment intègre des paramètres comme l’affect, l’humeur et l’émotion pour mieux l’intégrer à un scénario marketing.

Veille tarifaire

Autre activité que le machine learning simplifie grandement en permettant aux e-commerçants de suivre les prix de leurs concurrents.

Les marques ont besoin dans un contexte marché aussi compliqué que celui dans lequel elles opèrent actuellement, d’une stratégie de prix temps réel et contextualisé. Grâce à des algorithmes de matching les produits identiques d’un e-commerçant avec ceux de ses concurrents sont détectés et associés. Leurs prix sont alors mis sous surveillance quotidienne avec un système d’alertes pour permettre à la marque d’être réactive. C’est l’algorithme qui détermine par exemple la meilleure fréquence de suivi de chaque produit et chaque site.

En observant et analysant les variations de prix d’une marque concurrente le machine learning est capable d’anticiper les prochaines variations et d’en déduire la stratégie de prix de la marque. Un outil comme Profitero suit activement 450 millions de produits dans plus de 5000 sites de vente au détail, dans plus de 45 pays !

Positionnement tarifaire

Certains des outils de surveillance des tarifs vont jusqu’à intégrer la politique tarifaire interne et la politique commerciale. Ils croisent alors ces données avec celles de la concurrence pour produire des rapports de recommandation sur le positionnement prix à tenir. Ces super-assistants peuvent même gérer la mise à jour automatique des tarifs. Ainsi le système Amazon pilote plus de 2,5 millions changements de prix par jour [1] !

Recommandation produit

Les moteurs de recommandation produit sont déjà très développé et nous sommes nombreux à avoir déjà expérimenté la puissance des technologies de personnalisation, sans s’en rendre compte. C’est par exemple, la possibilité  de trouver un ancien collègue via la fonction « Personnes que vous connaissez peut-être » de LinkedIn. Ces moteurs de recommandation permettent d’anticiper de façon très précise les préférences des acheteurs via des algorithmes spécifiques utilisant des données historiques.

A l’image de la solution IBM Product Recommendations, ces moteurs de recommandation produit fournissent des recommandations d’achat personnalisés dynamiques sur les canaux Web, mobiles et email. Ils génèrent automatiquement des recommandations de produit sur la base des caractéristiques spécifiques d’un client, de ses achats antérieurs, de ses comportements d’achat actuels et passés, et de règles métier.

Le système utilise les données de comportement des visiteurs générées pendant chaque session, par exemple les termes de recherche entrés et les produits consultés et applique des algorithmes basés sur les tendances actuelles pour créer des recommandations de produits à la fois optimales, pertinentes et en quasi-temps réel.

Les moteurs peuvent aussi s’appuyer sur la reconnaissance visuelle. L’algorithme apprend alors de l’individu en l‘invitant à sélectionner les visuels le plus proche de son besoin. Le machine learning analyse les visuels des différents produits d’un site par exemple afin de proposer des produits visuellement similaires au produit source et cela en basant uniquement sur l’image, sans aucun attribut produit permettant définir une similarité. Cela permet par exemple au visiteur d’un site de disposer d’un aperçu plus large de la gamme d’offre disponible et de lui éviter de devoir visiter trop de pages pour trouver le produit qu’il cherche !

Le moteur de recommandation va devenir un incontournable dans le parcours client, du fait de la multitude de produit, mais surtout de cette exigence de réponse personnalisée.

Rédaction de fiches produit

Des solutions pour produire de façon automatisée le contenu des fiches produit en langage naturel sont désormais disponibles. LabSense par exemple, rédige à grande échelle et à une vitesse extrême des textes à partir de données Concrètement, un algorithme permet de comprendre et de structurer les datas des entreprises et de les interpréter ensuite en langage naturel de façon automatique et en temps réel.

LabSense travaille notamment pour des e-commerçants qui ont besoin de rédiger des fiches pour leurs centaines, voire milliers, de produits à partir de leurs caractéristiques. “Un client qui commercialise les offres de 300 000 hôtels dans le monde souhaitait une fiche unique pour chaque établissement. Une fois les paramétrages effectués, il a fallu une nuit de temps-machine pour rédiger les 300 000 fiches”[2]. Au-delà de l’aspect rédactionnel, les contenus rédigés sont optimisés pour gagner en visibilité sur Internet, grâce au SEO.

Les moteurs de recherche étant plus en plus exigeants concernant la qualité du contenu et le respect de la sémantique,  les algorithmes intègrent un champ sémantique. C’est en tout cas la promesse d’une plateforme de machine learning telle que Scribeur. Son algorithme innovant permet de réaliser un audit sur les meilleurs contenus indexés par Google, afin d’en extraire les mots-clés les plus pertinents et de  définir un environnement sémantique pertinent.

 

Le développement de ces solutions évoluant très rapidement et sans cesse, le but de cet article est d’illustrer des cas d’usage marketing. Ce propos n’est en rien exhaustif mais il permet simplement de prendre conscience de cette tendance de fond, et de l’arrivée irrémédiable de ces nouveaux assistants dans tous les domaines du  marketing… Retrouvez d’autres applications marketing [ici]

[1] Etude Profitero I Décembre 2014

[2] Edouard de Ménibus, Cofondateur de Lab Sense

 

Digital-émois Intelligence Artificielle

Machine Learning : tu ne m’avaleras pas

digital-emois.fr

Intelligence artificielle, deep learning, robotisation du monde…

Une révolution en marche

Les machines s’introduisent dans notre vie quotidienne et les consommateurs sont déjà exposés quotidiennement à l’Intelligence Artificielle.

Google l’utilise pour compléter ses requêtes de recherche par la saisie semi-automatique, Facebook et Amazon utilisent des algorithmes prédictifs pour formuler des recommandations basées sur l’historique de lecture ou d’achat de l’utilisateur.

On observe la multiplication des assistants virtuels dans les systèmes d’exploitation des smartphones et les japonais vivent déjà avec  Pepper, un robot humanoïde capable d’identifier l’humeur des clients et de reconnaître leurs visages…

C’est une évidence, la prochaine génération de consommateurs aura grandi avec ces technologies numériques et exigera des marques qu’elles anticipent ses besoins et apportent des réponses instantanées et personnalisées. Les marques doivent donc se préparer et en particulier leurs marketeurs.

“Les technologies, l’automatisation et l’intelligence artificielle nous placent à l’aube de la quatrième révolution industrielle »[1].

Le marketing révolutionné ?

Pour le marketing, le machine learning va plus loin que la simple utilisation de données pour mieux cibler. Les algorithmes de machine learning peuvent apprendre des réponses, des comportements des clients ou prospects.

Il devient alors un assistant, un complément d’analyse, un bras droit précieux du marketeur indispensable à ses activités. Le Marketing et la connaissance client doivent capitaliser sur toutes ces nouvelles possibilités.

Le machine learning transporte le marketing traditionnel dans l’ère du  marketing dynamique. Dorénavant, le marketeur agit et communique en comprenant l’environnement des clients et leur état émotionnel.  Il permet d’identifier quels sont les moments adéquats pour convertir et donne les moyens d’atteindre le consommateur au meilleur moment : où qu’il se trouve, sur n’importe quel canal web ou physique avec un produit unique et  un prix contextualisé.

Si le digital a bouleversé le marketing, y compris dans la pratique même du métier, c’est au tour du machine learning de transformer le métier de marketeur pour sans doute mieux le révolutionner ?

Des marketeurs un peu perdus

Les marketeurs sont face à une dure réalité : s’ils ne s’adaptent pas aux nouveaux usages et ne proposent pas d’expériences suffisamment personnalisées à leurs clients d’autres le feront….

Entrer dans une logique de prédictibilité est la clé du succès car elle permet de se focaliser sur l’anticipation et la vision plutôt que sur résolution de problèmes. C’est véritable changement de paradigme pour le marketeur : il va anticiper et prédire le succès d’une campagne plutôt que de l’analyser a posteriori.

Et c’est bien là toute la différence qui crée la disruption : pouvoir affiner en temps réel et selon la bonne méthode les campagnes marketing grâce à des algorithmes créés à partir de ce que l’on sait sur ses clients.

Les possibilités offertes par le Machine Learning sont infinies … Des données illimitées, un apprentissage machine et une puissance de calcul décuplée vont bientôt rendre omniprésente l’intelligence artificielle. Si jusqu’à présent les technologies sont restées cantonnées à des sujets très techniques comme la data, l’automation marketing… l’avènement annoncé de l’intelligence artificielle va venir bousculer les marketeurs au cœur même de leur savoir-faire.

Déjà que les marketeurs souffraient d’un déficit de compétences pour s’approprier les technologies marketing et l’exploitation des data … Si l’optimisation de leurs activités est délégué à une machine, peut-on imaginer que les marketeurs soient demain des robots ?

[1] Affirmation tirée du dernier Forum économique mondial-Davos – début 2016

Digital-émois Intelligence Artificielle

Rencontre avec le machine learning

digital-emois.fr

La démocratisation des technologies Big Data donne accès à des puissances de traitement considérables qui permettent de traiter des volumes de données ahurissant. Mais, les data aussi volumineuses soient elles, n’ont de valeur qu’accompagnées d’analyses et c’est là tout l’apport du machine learning, de l’apprentissage automatique.

 

Machine à prédire

Avec le machine learning, la machine arrive à apprendre toute seule grâce aux données sans être explicitement programmées pour cela. Le Machine Learning construit des mécanismes prédictifs à partir d’observations passées. Cette démarche présuppose l’existence d’un mécanisme causal. Ainsi, pour prédire un phénomène, il existe deux solutions :

  • élaborer un modèle explicatif en se basant sur la compréhension du mécanisme causal. Cette démarche est menée par les scientifiques.
  • mettre en évidence des corrélations significatives dans un jeu d’observations, c’est-à-dire trouver un modèle prédictif. Le Machine learning, tout comme les statistiques utilisent cette démarche.

Machine basée sur l’apprentissage

Pour faire fonctionner le machine learning, il existe différents types d’apprentissage dont les 2 principaux sont :

  • L’apprentissage supervisé

On donne aux machines un modèle (« teacher ») duquel elles apprennent.

Pour qu’un programme apprenne à reconnaître une voiture, par exemple, on le nourrit de dizaines de milliers d’images de voitures, étiquetées comme telles. Cette technique est relativement ancienne, mais elle a fait un bond avec les récentes avancées technologiques.

La masse de données désormais disponibles ainsi que la puissance de calcul à disposition des ingénieurs multiplient l’efficacité des algorithmes. Ce type d’apprentissage est courant et fait déjà parti de notre quotidien avec par exemple les outils de traduction automatique.

  • L’apprentissage non-supervisé

Si l’apprentissage supervisé revient à construire un modèle de corrélation entre 2 ou plusieurs variables a priori connues – l’apprentissage non supervisé va prendre en compte l’ensemble des variables d’un problème et va en extraire les corrélations les plus fortes. Ce qui est bien plus puissant car cela va au-delà des préjugés humains et met en relief des corrélations cachées qu’aucun d’entre nous n’aurait pu imaginer.

Pour le marketing, le machine learning va plus loin que la simple utilisation de données pour mieux cibler. Il apprend des réponses, des comportements des clients ou prospects.  Avez-vous reconnu votre précieux assistant, bras droit de demain ?