My Blog

Étiquette : intelligence artificielle

  • La robotisation va-t-elle révolutionner le quotidien de votre entreprise ?

    La robotisation va-t-elle révolutionner le quotidien de votre entreprise ?

     par Laure Boutron, Directrice Marketing, Exact

    Pour bon nombre d’entre nous, le concept de robotisation renvoit à la science fiction. Pourtant, la réalité rattrape souvent la fiction. A en croire certains spécialistes, les robots feront bientôt fonctionner toutes nos machines et intégreront pleinement notre quotidien, au domicile et au travail, pour nous offrir différents services.

    Cependant, il ne faut pas oublier que le processus de robotisation actuellement employé en entreprise se limite encore à l’automatisation logicielle. Cela ne concerne donc pas les robots humanoïdes. Il est utile pour les entrepreneurs de garder cette distinction en tête pour jauger de la pertinence ou non d’utiliser des robots pour leurs business, et ainsi d’envisager des investissements dans un futur plus ou moins proche.

    Les robots comme extension de notre capacité physique

    Les robots au sens traditionnel du terme reproduisent nos fonctions physiques.

    Mais leur puissance est illimitée et ils peuvent travailler 24 h/24.

    Bien que les efforts pour développer ces robots s’avèrent aujourd’hui payants, notamment dans les secteurs tels que l’industrie (bras robotiques en usine) et la maintenance (drônes pour l’entretien de pilônes electriques), ce n’est pas nécessairement dans ce périmètre de la robotique que les avancées sont les plus pertinentes.

    Ces robots effectuent jusqu’ici des tâches réputées difficiles pour les humains, comme s’occuper de paver les routes, de la maçonnerie ou soulever des charges lourdes. Ils parviennent désormais à effectuer des tâches de plus en plus complexes, comme la chirurgie et nous aident déjà dans la réalisation des tâches répétitives, comme la préparation de commandes en entrepôt, ou, qualifiées, comme la préparation de commandes intelligente. (« intelligent picking »)

    Les robots logiciels ou le « machine learning »

    La même chose vaut pour les robots dits logiciels. Leur usage se répand peu à peu pour les tâches où ils peuvent être plus efficients que les humains. Par exemple, dans le domaine médical, ils sont plus rapides et plus précis dans la gestion de grands volumes de dossiers patients et aident les médecins à établir leurs diagnostics et à accélérer leur prise de décision en matière de traitements. Ceci s’applique également aux avocats, qui peuvent automatiser la recherche d’informations et l’accès aux jurisprudences pour les aider dans l’instructions de leurs dossiers, on parle alors de Legaltech.

    En finance, de simples opérations sont déjà effectuées par des ordinateurs, comme la gestion automatisée des factures.

    Même si nous n’en sommes qu’au début des logiciels de « machine learning », les robots sont désormais en mesure d’appréhender les processus de traitement des flux financiers. Une fois acquis, le traitement manuel ne consistera plus qu’à gérer les exceptions.

    Les robots pour automatiser des tâches répétitives ou dangereuses

    Beaucoup spéculent sur le possible remplacement des emplois par les robots.

    En tant qu’entrepreneur, il convient avant tout de regarder les impacts de la robotisation à court et moyen terme. On peut estimer que les tâches pour lesquelles l’être humain n’apporte pas de valeur ajoutée présentent un intérêt à être prises en charge par les robots. Parmi ces tâches, on note principalement celles qui sont chronophages, répétitives, à faible valeur intellectuelle, ou encore qui sont trop dangereuses.

    Par exemple, l’examen des textes médicaux ou juridiques est progressivement confié aux logiciels robots qui les analysent de manière détaillée et en continu. Ils ont une énorme capacité de traitement de données dans un court laps de temps et peuvent ainsi proposer des options sur la base des résultats de leurs recherches.

    La même chose vaut pour la comptabilité, gouvernée par des règles bien définies. Ainsi, certains processus de gestion comme la facturation peuvent être standardisés et automatisés.

    Quatre questions à se poser avant d’investir dans la robotisation des tâches

    En tant qu’entrepreneur, avant de vous décider à investir dans la robotisation, vous devez vous poser les questions suivantes :

    Quel est votre besoin réel ?

    Vous devez définir un avantage clé de l’utilisation des robots pour votre entreprise. Par exemple, identifiez le niveau de pénibilité du travail effectué, les tâches répétitives, pour lesquelles les machines pourront être plus efficaces ou améliorer la qualité du traitement.

    Par où commencer ?

    Passez l’ensemble de vos processus en revue et repérez ceux qui nécessitent une optimisation de leur efficience.

    Pour quels coûts ?

    C’est là qu’une étude de cas prend tout son sens : comment justifier l’investissement ? À partir de quand un robot devient-il rentable ? Quelles sont les dépenses cachées ou induites comme la reconversion professionnelle ?

    Qui assumera la responsabilité et la pérénnité du projet ?

    Installer et maintenir une flotte de robots est une tâche difficile qu’il ne faut pas sous-estimer. Etablissez clairement les responsabilités de chacun. A qui revient la responsabilité des robots ? Est-ce celle du département utilisant les robots ou du département IT ?

    Prenez en considération le fait que la robotisation n’est pas seulement une question technologique. Une installation réussie tient compte des aspects sociaux et de culture d’entreprise. Il faudra notamment reconsidérer les tâches et missions des employés une fois qu’une partie de leur travail sera effectuée par une solution logicielle ou un robot.

    Et les humains dans tout ça ?

    Globalement, la robotisation dans l‘entreprise présente un intérêt si elle permet de supprimer les tâches de faible valeur ajoutée pour le salarié ou l’entrepreneur. Tout le monde a à gagner de cette robotisation là. Cette transformation des processus doit cependant s’accompagner d’une réflexion plus globale sur l’objectif de l’entreprise, sur son organisation et l’implication de chacun.

    L’anticipation est le maître mot, à la fois en matière de business (process métiers, outils, communication à l’éco-système) mais aussi, en matière d’accompagnement interne (formation, reconversion, modification des missions).

     

     

  • Après le mobile-first, place à l’AI-first !

    L’intelligence artificielle optimisera bientôt l’information produit

    Par François-Emmanuel Lamellière – CEO Quable

    Les marques et les distributeurs consacrent beaucoup de temps et d’énergie à gérer le catalogue présentant les produits qu’ils ont à vendre. Répertorier, décrire, enrichir, traduire… Autant d’activités longues et fastidieuses… mais qui pourraient être largement automatisées dans un futur proche grâce à l’intelligence artificielle.

    Après le mobile-first, place à l’AI-first ! Les algorithmes d’intelligence artificielle sont partout !

    Il faut raison garder. L’intelligence artificielle actuelle, se résume à des algorithmes toujours plus avancés visant à reproduire un comportement observé. Mais ils changent déjà la donne et, même si nous sommes encore à des versions très primitives, l’intelligence artificielle optimise déjà les déplacements avec Uber. C’est aussi l’intelligence artificielle qui permet de commander un billet de train en conversant avec un chatbot… et depuis quelques semaines, Google home, permet de réaliser une liste de course chez Monoprix !

    Bref, cette technologie fait déjà partie du quotidien avec des applis ou des usages grand public désormais incontournables : la traduction automatique, en temps réel ou très légèrement différée, la reconnaissance de formes, …

    Cette révolution des usages et des pratiques via des algorithmes toujours plus sophistiqués arrive aussi dans le monde professionnel, notamment au travers des outils de l’écosystème SaaS. Ce que souligne l’étude* publiée en septembre dernier par Tata Consultancy Services : 80% des dirigeants investissent actuellement dans l’IA et presque 100% projettent d’investir d’ici 2020.

    Dans les métiers du marketing et du e-commerce impliquant le traitement de multiples informations associées aux produits (descriptif, classification, SKU, images et documents associés), des solutions intelligentes avec de vrais impacts métiers permettent d’améliorer la qualité des informations et d’accélérer leur diffusion. Par exemple, les solutions de retraitement automatique des images ne cessent de s’améliorer et apportent désormais un vrai service aux directions marketing.

    On peut aussi évoquer les tableaux de bord intelligents améliorant les workflows, avec assistance à la traduction pour se développer à l’international avec une simplicité jamais égalée…

    Et les défis restent nombreux. Par exemple, comment les marques vont-elles se référencer à l’avenir sur les assistants vocaux ? C’est une vraie question. Clairement, la solution passera par une information produit de qualité et évolutive, pour un référencement optimal.

    PIM+AI : le duo gagnant

    Dans l’optique de déployer des stratégies de contenu marketing viables et cohérentes, les marques et les distributeurs doivent être en capacité de centraliser et d’harmoniser toutes les données techniques et marketing de leur référentiel produits au sein d’une base de données unique.

    Demain, couplé au PIM, l’AI et ses corollaires que sont le language processing et le machine learning… permettront, de manière « automatique », de corriger les descriptifs produits, de les améliorer, en complétant certaines données manquantes, en proposant des visuels adaptés pour tels devices, des traductions, …

    Non seulement, ce duo intelligent fiabilisera la donnée, mais il permettra aussi d’optimiser la rédaction des fiches produits en fonction de chaque canal de vente (texte plus court sur le mobile que le web par exemple). Il pourra même, à terme, proposer automatiquement des améliorations pour ouvrir rapidement de nouveaux canaux de communication avec une extrême réactivité (places de marché, social shopping, assistants vocaux…).

    Dans un futur proche, les technologies avancées d’intelligence artificielle renforceront aussi la collaboration entre les équipes marketing et commerciales. Certains projets de mise en place de chatbot comme tiers facilitateur au sein du PIM voient déjà le jour pour aider les équipes à collaborer et réduire le time-to-market.

    On observe ainsi une vraie continuité entre les avancées permises par l’AI et les solutions qui facilitent le quotidien des professionnels (comme Google Translate). Au fond, l’AI et son écosystème sont en passe de devenir incontournables pour fiabiliser la qualité de l’information produit et sa diffusion et constitueront très prochainement un auxiliaire naturel des directions marketing dans leur environnement multicanal.

    *Etude Tata Consultancy Services « Devenir plus Intelligent : comment 13 secteurs d’activité utilisent l’intelligence artificielle », septembre 2017.

     

     

  • RGPD : l’intelligence artificielle au service de la protection des données personnelles sensibles

    Conformité RGPD : l’intelligence artificielle au service de la protection des données personnelles sensibles

    De Alain Biancardi, Vice Président Sales Expert System 

    L’ère du web relationnel a ouvert une brèche. Nous nous exposons au quotidien en divulguant nos informations personnelles au fil des clics et laissons volontairement ou involontairement des traces à partir desquelles il est possible de reconstituer tout ou partie de notre personnalité. La collecte et la circulation de volumes croissants de données est devenue difficilement contrôlable, comment protéger nos données personnelles sensibles ?

    Selon les termes du RGPD (Règlement Général sur la Protection des Données), en mai 2018, les entreprises devront montrer qu’elles sont capables de constituer un registre référençant traitements et processus internes manipulant des données à caractère personnel, prouver que ces données leur sont utiles et les dépersonnaliser.
    Les entreprises s’engagent donc à protéger cette data qui peut être un véritable vivier de données sensibles selon les secteurs d’activités. Comment l’intelligence artificielle peut-elle devenir un levier d’identification de ces données et comment mettre en place son processus de mise en conformité ?

    La protection des données vaut avant tout pour les données sensibles

    Les données sensibles désignent des éléments renvoyant à des informations à caractère identifiant, biométrique, idéologique, de santé, comportementales, financières, … relevant des données individuelles. Une fois recueillies dans des bases de données, des liens peuvent être établis entre ces informations et l’identité de leur propriétaire : il devient alors possible que ces données strictement confidentielles soient utilisées de façon malveillante par certains individus ou certaines entreprises, sans le consentement initial de leur propriétaire.

    Selon les secteurs d’activité, certains contenus représentent de véritables viviers de données sensibles. Les secteurs B-to-C comme la banque-assurance, les télécoms ou le e-commerce sont les plus concernés par le RGPD car les départements marketing et relation client de ces sociétés analysent l’expérience et la voix du client (emails, verbatim, enquêtes), afin d’établir des profils détaillés de leurs clients leur permettant de leur proposer les services les plus adaptés à leurs besoins. Les documents touchant le domaine juridique tels que les contrats ou même les décisions de justice et les procès-verbaux regorgent également de données personnelles. On livre parfois volontairement une manne d’informations incroyable, que ce soit à des recruteurs à travers un curriculum vitae ou sur un forum médical. Enfin, et c’est peut-être le point le plus critique, les données personnelles de santé qu’on retrouve dans les dossiers patients concentrent des informations sensibles qu’on ne veut certainement pas voir piratées ou utilisées à mauvais escient.

    Le véritable enjeu de la protection des données sensibles est donc d’empêcher toute identification ou cartographie par la data de leur propriétaire.

    Processus de mise en conformité et identification des données sensibles

    Les étapes d’un projet global de mise en conformité avec la réglementation de protection des données personnelles sont les suivantes : identification et classification des données, chiffrement et masquage des données, supervision des fichiers et des données, blocage des attaques, audit et reporting de conformité.

    Dans ce processus, l’intelligence artificielle et notamment l’analyse sémantique prend en charge l’étape d’identification et de classification des données personnelles en détectant et en marquant les données sensibles à partir des contenus non structurés de l’entreprise. Les solutions d’intelligence artificielle fondées sur la sémantique permettent en effet l’identification automatique de n’importe quelle donnée personnelle (nom de personne, n° sécurité sociale, adresse, maladie, …) mais aussi de relations (distinction des rôles et des interactions entre les entités nommées).

    L’analyse sémantique permet également d’aller plus loin dans le processus de mise en conformité RGPD en opérant les phases d’anonymisation / pseudonymisation qui peuvent être une option très pertinente pour la mise en œuvre de l’étape de masquage des données.

    Constituer son équipe d’experts

    Pour que leur projet de mise en conformité avec le règlement européen sur la protection des données soit réussi et efficace, les entreprises devront s’entourer des meilleurs experts, que ce soit au niveau de l’intégration du projet, au niveau juridique ou au niveau technologique, notamment pour l’anonymisation des données personnelles.

    Ne pas se limiter aux données visibles de la personne est très important : les informations cachées dans les concepts et dans les mots peuvent également permettre d’identifier les individus. Il faut des dispositifs capables de comprendre ces données. En ce sens, l’intelligence artificielle est un outil stratégique pour un traitement des données plus rapide et plus précis et pour mieux détecter les données sensibles.

  • Intelligence artificielle, Data Driven, Strategies d’influence…RDV à Cannes #CRMMmeetings

    Intelligence artificielle, Data Driven, Strategies d’influence…RDV à Cannes #CRMMmeetings

    Le 8 novembre prochain à Cannes débutera la nouvelle édition des Customer Relationship & Marketing Meetings 2017 organisée par le groupe WeYou. Cette manifestation qui dure deux journées est dédiée aux professionnels de la relation et de la connaissance client, des études et du marketing digital. Elle a pour objectif de favoriser les rencontres professionnelles entre Top Décideurs (annonceurs et dirigeants) et Exposants par le biais de rendez-vous pré-organisés et qualifiés en amont de l’événement dans un lieu d’exception (le palais des festivals de Cannes).

    A ces rendez-vous d’affaires s’ajoute une série de conférences thématiques que j’aurai le plaisir de co-animer avec Thierry Spencer, auteur du blog Le sens du client .
    Le programme de cette année comporte trois thématiques  : l’Intelligence artificielle, le Data-driven au cœur des grandes mutations et les Stratégies d’influence sociale et digitale, nouveaux usages et bonnes pratiques.

    TEMPS FORTS

    Intelligence Artificielle : comment construire une expérience client renouvelée ?
    Mercredi 8 novembre 9h00-10h30

    Les marques se doivent de comprendre les attentes individuelles des consommateurs et d’orchestrer des milliers de contenus personnalisés pour proposer une expérience client pertinente. Pour construire cette expérience, l’Intelligence artificielle enrichit et bouleverse le marketing et la relation client.
    Comment exploiter la data efficacement avec des algorithmes pour déceler les motivations de conversion des consommateurs ? Comment produire de nombreux contenus et messages totalement personnalisés en s’appuyant sur des mécaniques algorithmiques ?
    Comment proposer des parcours client scénarisés et optimisés en temps réel grâce à l’intelligence artificielle ?

    Keynote de Stéphane Mallard suivi d’une table ronde avec les intervenants suivants :

    • Stéphane MALLARD Evangéliste Digital BLU AGE
    • François LAXALT Senior Marketing Director TINYCLUES
    • Raquel GARCIA PERONA Marketing manager SUEZ
    • Olivier ONDET SVP lot & Analytics ORANGE BUSINESS SERVICE

    Le data-driven au cœur des grandes mutations du marketing et de la relation client
    Mercredi 8 novembre 18h00-19h30

    Keynote de Gilles Babinet suivi d’une table ronde avec les intervenants suivants :

    Les marques ont besoin de fluidité, d’adaptabilité, de réactivité. Si l’on convient que le client est tout sauf figé, la marque doit nécessairement être, elle aussi, mobile et réactive.
    Etre « data-driven », c’est fournir les moyens, par les données toujours plus nombreuses, de bien connaître sa cible et son environnement. Etre « data-driven », c’est pouvoir tracer et entrer en relation avec les individus tout au long de leur parcours, qu’ils soient connus comme des « consommateurs » pas toujours identifiés ou comme des « clients » proches de l’entreprise.
    Comment devient-on une entreprise pilotée par la donnée pour prendre des décisions pertinentes et éclairées ?
    Comment encourager l’expérimentation ? Comment adapter la gouvernance ?
    Des professionnels partageront leurs retours d’expériences et les pistes d’action.

    • Gilles BABINET Digital champion de la France auprès de LA COMMISSION EUROPÉENNE, responsable des enjeux de l’économie numérique et chargée de promouvoir les avantages d’une société numérique en France
    • Sébastien BOUCHER Directeur Digital HAVAS VOYAGES
    • Matthieu RUAULT Directeur Solutions marketing digital & Smart data VOYAGES-SNCF.COM
    • Thibault LAGORCE Directeur Général NP6 CONSULTING


    Stratégies d’influence sociale et digitale : nouveaux usages et bonnes pratiques
    Jeudi 9 novembre 9h30-11h00

    La communication par les canaux publicitaires traditionnels n’est plus seule à solliciter et influencer les clients. Aujourd’hui, les clients se tournent plutôt vers leurs amis, leurs abonnés, ou même les personnalités et célébrités sur Facebook, Twitter, Youtube, Instagram, Snapchat, Pinterest et autres plateformes avant de décider d’acheter. Plus que jamais, il semble essentiel pour une marque de ne pas uniquement délivrer un message mais d’inciter ses utilisateurs à faire vivre ce message. Les marketeurs et responsables de la relation client ne peuvent donc plus ignorer le potentiel de ces « influenceurs », ceux qui créent et génèrent de vraies conversations en ligne à propos d’une marque ou même d’une idée.
    L’Influencer Engagement » ou Earned Media séduit de plus en plus les entreprises. Qui sont les influenceurs ? Comment les entreprises s’y prennent elles pour les gérer ? Quels sont leurs conseils et les pièges à éviter ?

    Keynote de Fréderic Cavazza suivi d’une table ronde avec les intervenants suivants :

    • Frédéric CAVAZZA Marketing Influenceur
    • Jérémie CLÉVY PDG MELTYGROUP
    • Patrice HILLAIRE Directeur Médias Sociaux LA POSTE
    • Johanna GALLOU Influenceuse

  • Quand les machines anticipent mieux les défaillances techniques que les êtres humains

    D’ici 2020, les machines anticiperont mieux les défaillances techniques que les êtres humains

     La nouvelle étude GE Digital, qui concerne directement la France, souligne l’impact considérable des nouvelles technologies dans l’industrie : 39 % des décideurs des services IT et de la gestion d’équipes de terrain interrogés déclarent que la maintenance prédictive permettrait de mieux gérer leurs équipements

     Une nouvelle étude de Vanson Bourne, sponsorisée par ServiceMax, le leader des solutions de Field Service Management qui fait partie de GE Digital, révèle que 75% des leaders IT et de la gestion d’équipes de terrain estiment que les machines bénéficieront d’une meilleure prédiction de leur santé que les êtres humains d’ici 2020.

    Les responsables IT et de la gestion d’équipes de terrain interrogés estiment que les innovations technologiques et les machines sont capables de mieux prédire l’échec, et que des mesures préventives ou des actions d’ « auto-guérison » sont largement considérées comme bénéfiques pour les résultats financiers d’une entreprise. Par exemple :

    • 46 % des sondés estiment que les machines qui sollicitent elles-mêmes de l’aide permettront aux entreprises de gérer plus efficacement leurs équipements
    • 39 % des personnes interrogées déclarent que la maintenance prédictive permettrait de mieux gérer les équipements qui composent leurs actifs
    • 44 % des sondés affirment que le « digital twin » ou jumeau numérique avec la maintenance prédictive et l’intelligence artificielle aiderait à prévenir les défaillances majeures.
    • 69 % des personnes interrogées souhaiteraient que leur digital twin personnel les accompagne et que les professionnels de la santé agissent sur leur santé de manière non invasive en anticipant les actions et en prenant des mesures préventives.

    Cette nouvelle étude « After The Fall: Cost, Causes and Consequences of Unplanned Downtime » a été menée auprès de 450 décideurs des services informatiques et de la gestion d’équipes de terrain (Field Service management) des secteurs des télécoms, de la distribution, de la logistique et des transports, au Royaume-Uni, aux États-Unis, en France et en Allemagne. Selon Gartner, d’ici 2020, 10 % des travaux d’urgences sur le terrain seront déclenchés et programmés par intelligence artificielle. Cette nouvelle étude souligne l’impact considérable des nouvelles technologies – telles que l’intelligence artificielle, l’analytics et l’utilisation d’un digital twin – sur la surveillance des machines industrielles, la prévention de la défaillance d’un équipement et la maintenance préventive.

    « De la même façon que les entreprises souhaitent éviter tout imprévu avec leurs équipements conduisant à une perte coûteuse de production ou de service, nous souhaitons réduire nos propres « défaillances » humaines », a déclaré Mark Homer, Vice President Global Customer Transformation for ServiceMax, chez GE Digital. Nous savions auparavant détecter un disfonctionnement seulement lorsqu’il était visible – qu’il s’agisse d’une personne, d’un équipement ou d’un composant d’une machine. Aujourd’hui, les organisations sont pleinement conscientes de la valeur ajoutée d’une visibilité en temps réel sur la santé et la performance de leurs actifs critiques, et de la nécessité d’une maintenance ou d’une intervention préventive et d’un accès aux données chronologiques via les analyses prédictives. D’après cette dernière étude, plus de la moitié des entreprises prévoient d’investir dans un digital twin d’ici les trois prochaines années. La valeur de ces informations digitales dans un contexte industriel commence à générer de l’intérêt pour la maintenance préventive dans un contexte humain. »

  • Fraude en ligne : L’IA automatise la revue manuelle des transactions

    Fraude en ligne : L’IA automatise la revue manuelle des transactions

    HiPay intègre le Machine Learning pour la détection de la fraude et automatise le traitement des transactions « challengées » par le module de scoring

    L’Intelligence Artificielle plébiscitée par les retailers, c’est ce que montre une étude récente de SLI Systems : recommandation de produit, service client, chatbot, réalité augmentée… autant d’usages orientés utilisateurs. Mais pour les marchands, une des principales préoccupations reste la fraude en ligne.

    Le nombre de transactions sur les sites d’e-commerce ne cesse de croître, il a progressé de plus de 20 % sur le premier trimestre de l’année 2017 en France selon le rapport de la FEVAD. Mais les pertes dues à la fraude continuent elles aussi de croître. En France, la fraude à la carte de paiement a représenté 400 millions d’euros en 2016.

    Pour lutter contre la fraude, les acteurs du paiement tels que HiPay proposent des solutions logicielles basées sur le scoring. A partir de règles prédéfinies par le marchand et sous la supervision d’une équipe dédiée chez le prestataire, l’application calcule pour chaque transaction en cours un score qui permet d’évaluer son niveau de risque. Ce score détermine l’état final de la transaction comme étant autorisée, bloquée ou « challengée » (c’est-à-dire nécessitant une revue manuelle), ou active une demande d’authentification de type 3D-Secure.

    Dans le cadre d’une revue manuelle, la transaction est placée en suspens jusqu’à son traitement par une intervention humaine. Une attente qui tend à dégrader l’expérience d’achat des utilisateurs légitimes. L’idée d’utiliser l’Intelligence Artificielle pour automatiser cette phase manuelle n’est pas nouvelle. Mais les progrès récents dans le domaine notamment grâce au Machine Learning permettent d’envisager des solutions autonomes qui apprennent et s’adaptent par elles-mêmes.

    Avec la solution de lutte contre la fraude HiPay Sentinel, l’éditeur français se lance à son tour dans le Machine Learning. Développé en interne par l’équipe de R&D, le module prédictif Smart Decision est capable d’avaler des teras de données transactionnelles, comportementales et contextuelles relatives aux transactions, afin de prendre automatiquement une décision pertinente en cas de transaction « challengée ».

    Concrètement, comment ça marche ?

    Il y a d’abord une phase d’apprentissage dans laquelle on alimente l’algorithme avec d’une part les données transactionnelles provenant des marchands : données de paiement en ligne(mais également de paiement en magasin, ce qui permet d’avoir une meilleure connaissance du client), données des impayés provenant des banques.

    On alimente d’autre part avec des données comportementales concernant les utilisateurs : vélocité des transactions sur une certaine période, heure d’achat, montant de la commande, contrôle de cohérence, etc. Lesdonnées contextuelles sont elles aussi intégrées dans l’apprentissage. On pense par exemple aurisque que peut représenter l’envoi d’une commande à une certaine adresse, ou celui que représente l’utilisation d’un certain moyen de paiement, etc. « L’ensemble de ces données sont utilisées pour entraîner les algorithmes à qualifier le risque en fonction de tous ces paramètres, sachant qu’il y a plusieurs centaines de paramètres, et à établir des modèles d’apprentissage spécifiques à chaque marchand » explique Alexandre Czech, Chef de Projet Data Science chez HiPay.  

    Après cette phase d’apprentissage, l’algorithme devient un module prédictif complètement autonome et qui a la capacité d’évoluer en fonction de l’activité du marchand. Par exemple, en cas de pic d’activités pendant les soldes, il saura ne pas qualifier de comportement frauduleux des utilisateurs qui reviennent plus fréquemment avec des montants de panier plus élevés.

    L’enjeu de l’automatisation

    Grâce à cette innovation, le temps de réponse pour l’utilisateur est instantané quel que soit le scoring de la transaction, un plus appréciable en terme d’expérience utilisateur.

    « Pour les e-commerçants, les résultats de détection des fraudes seront globalement meilleurs qu’avec une intervention humaine, certains comportements frauduleux étant relativement difficiles à appréhender dans certains cas » poursuit Cyril Tanneau, Head of Data Analyticschez HiPay.

    Avec le module prédictif, le taux de détection des fraudes est très variable et dépend de l’expertise de l’équipe dédiée à la fraude, mais on peut le réduire jusqu’à 50 % dans certains cas. « Notre objectif est d’optimiser le taux d’acceptation : on va chercher à optimiser le nombre de transactions qu’on laisse passer tout en limitant le nombre de transactions qu’on va bloquer. On ne sait jamais si la transaction qu’on a bloquée était légitime ou non, notre curseur va être de maximiser le taux d’acceptation tout en limitant la fraude, en observant sur le long terme comment se comporte notre algorithme. L’enjeu principal est que l’utilisation des algorithmes soit bénéfique pour le business de nos clients » précise le Chef de Projet Data Science de HiPay.

    Pour les clients qui n’ont pas d’équipe dédiée et qui traitent les informations de fraude par différents collaborateurs en surcharge de temps, le gain de temps est considérable.

    « La prochaine étape, c’est de déployer le Machine Learning sur l’ensemble des briques de paiement. Nous travaillons sur l’optimisation de chacune de ces briques pour perfectionner le parcours client, maximiser les performances… » nous confie Cyril Tanneau.

    Propos recueillis par @PierreTran journaliste

     

     

  • IA : la part entre le buzz et la réalité dans les entreprises

    Intelligence Artificielle : une enquête de SAS fait la part entre le buzz et la réalité dans les entreprises

    Une enquête menée par SAS auprès de dirigeants de 100 entreprises européennes.

    • 55% des dirigeants s’interrogent sur l’avenir des emplois humains face à l’automatisation et à l’autonomie offertes par cette technologie.
    • Seules 20% des entreprises jugent leurs équipes de data science suffisamment préparées, et 19% d’entre elles ne possèdent pas d’équipe de data scientists.
    • 76% des entreprises estiment ne pas disposer  d’une infrastructure adaptée à l’IA, 29% ne dispose d’aucune plate-forme spécifique.

    L’intelligence artificielle (IA) donne lieu à un grand battage médiatique. Néanmoins, pour la plupart des entreprises européennes interrogées dans le cadre d’une récente enquête de SAS, le leader de l’analytique, l’adoption de l’IA n’en est encore qu’à ses balbutiements, voire au stade du projet. La bonne nouvelle, c’est qu’il en est question dans la majorité d’entre elles, certaines ayant même commencé à mettre en place des projets. Le potentiel de l’intelligence artificielle suscite beaucoup d’optimisme même si, de leur propre aveu, peu d’entreprises sont déjà prêtes à en tirer parti.

    Le frein à l’adoption de l’IA n’est pas tant le déficit technologique – la plupart des dirigeants admettent d’ailleurs que les options disponibles sont nombreuses – que le manque de compétences en science des données pour valoriser cette technologie naissante, sans parler des obstacles organisationnels et sociétaux.

    Enjeux de société

    Selon 55 % des personnes interrogées, le principal défi de l’intelligence artificielle concerne l’avenir des emplois humains face à l’automatisation et à l’autonomie offertes par cette technologie. Les destructions d’emplois, mais aussi le développement de nouvelles professions exigeant des compétences liées à l’IA, font partie des effets potentiels sur le marché du travail les plus cités.

    Le deuxième problème avancé concerne les questions éthiques : 41 % des participants se demandent si les robots et les systèmes d’intelligence artificielle doivent œuvrer « pour le bien de l’humanité » ou au service d’une seule entreprise, et s’interrogent sur le devenir des personnes qui auront perdu leur emploi en raison de ces systèmes.

    Les data scientists sont-ils prêts à relever le défi de l’intelligence artificielle ?

    Les entreprises ne sont que 20 % à juger que leurs équipes de data science sont suffisamment préparées, tandis que 19 % d’entre elles ne possèdent aucune structure de ce type.

    Si 28 % d’entre elles ont prévu de recruter des data scientists pour développer des compétences organisationnelles, elles sont 32 % à vouloir développer les compétences de leurs équipes d’analystes actuelles par le biais de formations, de conférences et d’ateliers.

    D’autre part, la confiance est aujourd’hui un problème majeur dans la plupart des entreprises.

    Près de la moitié des dirigeants (49 %) font d’ailleurs état de difficultés d’ordre culturel dues à un manque de confiance dans l’intelligence artificielle et plus généralement dans les solutions « black box ».

    Préparation des plates-formes

    L’étude cherchait également à évaluer la préparation des entreprises quant à l’infrastructure nécessaire à l’intelligence artificielle. Un contraste est apparu entre les dirigeants qui estiment disposer d’une infrastructure adaptée à l’IA (24 %) et ceux qui pensent avoir besoin de renouveler et d’adapter leur plate-forme actuelle (24 %), voire ne disposent d’aucune plate-forme spécifique (29 %).

    Selon Oliver Schabenberger, Executive Vice President et Chief Technology Officer chez SAS, « les progrès accomplis par les algorithmes qui exécutent – avec une précision époustouflante – des tâches réalisables par l’être humain sont incroyables. » Et d’ajouter : « Le fait qu’un algorithme puisse battre le meilleur joueur de go au monde est extraordinaire. Nous pensions que le jeu de go était impossible à informatiser – par l’homme – mais une machine l’a fait pour nous. Après avoir assimilé les règles, le système a appris à jouer, et il a dominé le meilleur représentant de notre espèce. Nous pouvons utiliser ces connaissances pour créer des systèmes qui répondent aux problèmes des entreprises aussi bien, voire mieux, que les systèmes statiques dont nous nous servons aujourd’hui. Nous pouvons créer des systèmes qui assimilent des règles métiers, puis apprennent à les respecter et finissent par les améliorer. C’est précisément l’objectif de SAS. »

    Pour connaître les autres conclusions de l’enquête, téléchargez le compte rendu complet 

  • L’intelligence artificielle au service des assureurs comme des assurés

    L’intelligence artificielle au service des assureurs comme des assurés

    Par Alain Biancardi, Vice President Sales Expert System

    À l’heure où la gestion des sinistres représente 80% de l’activité des assureurs, il devient urgent de s’interroger sur les moyens de gagner en productivité et en profitabilité, tout en maintenant un niveau de satisfaction client élevé dans un climat concurrentiel particulièrement rude.

    L’intelligence artificielle pourrait-elle s’imposer comme la garante de cet équilibre, plus que jamais primordial pour les assureurs, entre profitabilité et satisfaction client ?

    UNE LECTURE DES DONNÉES CHRONOPHAGE

    Au sein des compagnies d’assurance, les milliers de documents reçus chaque jour nécessitent un travail conséquent mais obligatoire de lecture, d’interprétation, d’identification des éléments clés et des informations indispensables dans le traitement d’un dossier. Ceci afin d’étudier le bien-fondé d’une demande de remboursement, d’identifier les éventuelles tentatives de fraudes, de vérifier l’alignement entre la demande du client et les éléments pris en charge par sa police d’assurance, etc.

    Cette tâche, particulièrement chronophage, peut pourtant être déléguée à une technologie reposant sur des algorithmes d’intelligence artificielle qui reproduisent la capacité humaine à comprendre l’information dans son contexte.

    UN CROISEMENT DES DONNÉES À AUTOMATISER

    Les outils de ce type identifient tous les formats de documents aussi hétérogènes soient-ils, extraient les informations relatives aux pertes, dommages ou diagnostics médicaux à partir des rapports collectés et identifient la nature du dommage décrit dans le rapport. Ils vérifient ensuite s’il est couvert ou non par la police d’assurance souscrite, et importent les données pertinentes dans la base de données de sinistres afin d’aider les experts lors de la validation finale des demandes.

    La mise en corrélation automatique de tous les éléments du dossier d’un client permet d’éviter les situations conflictuelles en cas de souscription de plusieurs polices d’assurance. Les éventuelles incohérences affichées entre la version de l’assuré et le témoignage rapporté dans une documentation officielle sont plus facilement identifiées. Ceci afin de mieux qualifier le coût de prise en charge et d’indemnisation, et de répondre de manière factuelle aux demandes du client.

    UN TRAITEMENT DES DONNÉES PLUS RAPIDE ET PLUS FIABLE

    Outre une réduction significative de la durée de validation manuelle – les documents qui mettent en moyenne une heure pour être contrôlés par un agent sont traités en quelques secondes –, l’automatisation du process d’extraction des données pertinentes diminue les risques d’erreur d’interprétation humaine, pour une productivité accrue. Les experts ne passent plus des milliers d’heures chaque année à effectuer ce travail préliminaire pourtant essentiel. Ils peuvent ainsi se concentrer sur des tâches à plus forte valeur ajoutée, tandis que les compagnies d’assurance réalisent des économies significatives.

    En parallèle, le temps de traitement des informations (réduit en moyenne de 53%) étant considérablement raccourci, l’assuré peut recevoir plus rapidement– une réponse plus précise à sa requête. In fine, son remboursement, effectué plus rapidement, devrait concourir à accroître sa satisfaction et sa fidélité. De même, certaines tâches simples peuvent être entièrement gérées de façon automatisée, 24 heures sur 24 et 7 jours sur 7. En cas de demande de remboursement au montant peu élevé par exemple, les experts peuvent programmer des règles de remboursement croisées avec les règles de conformité prédéfinies, pour que l’ordre de paiement puisse être émis  instantanément, sans intervention humaine et même en dehors des heures et jours ouvrés.

    S’il n’est pas question que les algorithmes remplacent l’humain, l’intelligence artificielle peut représenter un formidable allié assistant les experts dans leur prise de décision et leur permettant de se concentrer sur des tâches à plus forte valeur ajoutée. À la clé pour les assureurs, une meilleure productivité, et des clients satisfaits.

     

  • Baromètre AFRC – Intelligence Artificielle vs Humain : quel avenir pour la relation client de demain ?

    L’AFRC publie : Le Baromètre AFRC de l’Effort Client

    Nouveauté 2017 : Focus sur l’Intelligence Artificielle

    Conçue et organisée par l’AFRC (l4association Française de la Relation Client), la 5ème édition de la Relation Client en Fête qui a lieu du 2 au 6 octobre 2017, a pour vocation de valoriser les stratégies d’entreprises avec les Palmes de la Relation Client (le 2 octobre), les initiatives collectives avec les 24h de la Relation Client (le 4 octobre) et enfin, de publier en exclusivité les résultats d’études prospectives (le 6 octobre), pour comprendre les leviers de la Relation et de l’Expérience Client de demain.

    La Relation Client dans le secteur du e-commerce, des télécoms, des transports et de la santé, est-elle facile ou difficile ? Quel(s) type(s) d’effort(s) doit fournir le consommateur ? Quel canal est jugé le plus efficace lors de la recherche d’information? Les Français préfèrent-ils les robots ou le contact humain ?

    Le Baromètre AFRC de l’Effort Client, réalisé par Médiamétrie, permet de mesurer à partir du CES -Customer Effort Score-, l’Effort des consommateurs dans leurs parcours client selon plusieurs critères, tels que : l’effort financier, physique, cognitif, relationnel, le temps d’attente ou la lourdeur du parcours. Depuis cette année, le Baromètre étudie également dans quelles situations les consommateurs ont volontiers recours aux assistants virtuels, ou au contraire, préfèrent le contact humain dans leur parcours client. Pour cette édition, quatre secteurs sont analysés : Télécoms, E-Commerce, Santé et les Transports en commun.

    Le Baromètre AFRC de l’Effort Client permet pour chaque secteur, de comparer le niveau d’effort et le type d’effort fournis, de mesurer la perception de la Relation Client, et d’envisager des pistes d’amélioration. Le Baromètre permet également de savoir dans quelle(s) situation(s) l’Intelligence Artificielle est préférée (ou pas) à la relation humaine.

     Quel que soit le secteur étudié sur l’ensemble du parcours client, le temps passé constitue l’effort principal des consommateurs ;

    La préférence entre la relation humaine et l’Intelligence Artificielle varie selon les secteurs, l’humain est prédominant en santé, et suivant les étapes du parcours d’achat, l’humain est privilégié pour la SAV et les réclamations pour tous les secteurs.

    • E-Commerce : une perception globalement positive de la Relation Client ;
    • Transports : une relation complexe en fin du parcours, lorsque la situation se présente (réclamations, SAV) ;
    • Santé : l’Humain est incontournable dans la relation au patient ;
    • Télécoms : enjeux d’écoute et d’accompagnement dans la Relation Client (réclamations, SAV).

     

     

     

     

     

     

     

     

     

     

     

     

     

     

     

     

     

     

     

     

     

     

     

     

     

     

     

     

     

     

     

     

     

    (intégralité des résultats sur demande)

     

    Méthodologie : Etude quantitative réalisée par Internet sous système CAWI (Computer-Aided Web Interview) en cinq vagues, auprès de 5000 individus, âgés de 15 ans et plus, durant l’été 2017. 

     

     

    Conçue et organisée par l’AFRC, la 5ème édition de la Relation Client en Fête qui a lieu du 2 au 6 octobre 2017, a pour vocation de valoriser les stratégies d’entreprises avec les Palmes de la Relation Client (le 2 octobre), les initiatives collectives avec les 24h de la Relation Client (le 4 octobre) et enfin, de publier en exclusivité les résultats d’études prospectives (le 6 octobre), pour comprendre les leviers de la Relation et de l’Expérience Client de demain.

     

     

    A propos de Médiamétrie :

     

    Leader des études médias, Médiamétrie observe, mesure et analyse les comportements du public et les tendances du marché. Créée en 1985, Médiamétrie développe ses activités en France et à l’international sur la Télévision, la Radio, l’Internet, le Cinéma, le Téléphone Mobile, la Tablette et le Cross-Médias. En 2016, Médiamétrie a réalisé un chiffre d’affaires de 88,5M€.

     

     

     

  • Quand les DSI « précurseurs » utilisent le Machine Learning pour résoudre leurs problèmes quotidiens

    e Machine Learning fournit des résultats, à l’heure où auparavant il était considéré comme une simple mode

     Les DSI « précurseurs » utilisent déjà le Machine Learning pour résoudre leurs problèmes quotidiens

    Selon une étude par ServiceNow® (NYSE : NOW) menée auprès de 500 directeurs des systèmes d’information (DSI) du monde entier, l’adoption du Machine Learning se fait enfin dans l’entreprise. Mais pour en exploiter tout le potentiel, ces responsables technologiques doivent repenser leur business.

    Dans le cadre de l’étude de ServiceNow intitulée « The Global CIO Point of View », des DSI exerçant dans 25 secteurs industriels et 11 pays différents (45 en France), ont été interrogés afin de mieux connaître les avantages concurrentiels du Machine Learning et comprendre comment ils accueillent la « main-d’œuvre numérique », notamment en créant de nouveaux emplois qui mettent l’accent sur l’utilisation de machines intelligentes. Le cabinet IDC estime que les investissements dans le Machine Learning vont être multipliés par six d’ici 2020*, et une récente analyse indique que « Machine Learning specialist » représente un des postes les plus recherchés dans le secteur IT **.

    En France, des Hommes travaillent étroitement avec des machines intelligentes pour une meilleure précision, une vitesse accrue et une croissance améliorée

    Cette étude souligne un sentiment de confiance croissant pour le Machine Learning chez les cadres supérieurs en France, leur permettant une prise de décision plus rapide et plus précise.  Le logiciel de Machine Learning permet d’analyser et d’améliorer ses performances sans intervention humaine directe, ce qui leur permet de prendre des décisions de plus en plus complexes au fil du temps.

    • Près des deux tiers (65 %) des personnes interrogées déclarent avoir automatisé des tâches de routine — alertes de sécurité, par exemple — et parvenir maintenant à l’automatisation de décisions complexes, telles que la réponse aux alertes de sécurité.
    • 95 % des DSI interrogés déclarent qu’ils en tireraient une valeur significative notamment pour améliorer les décisions. En fait, 80 % d’entre eux estiment que des décisions prises par une machine sont plus précises que si elles sont prises par un être humain.
    • 60 % des personnes interrogées ont déclaré que la prise de décisions manuelle représente un processus fastidieux en ressources humaines (employés et managers), ce qui confirme le potentiel élevé de l’automatisation. Selon les DSI, cette automatisation du processus décisionnel devrait contribuer à l’augmentation des revenus de leur entreprise (78 %).

    « Il existe trois types de décisions candidates à l’automatisation : les décisions liées à la catégorisation, à l’évaluation ou aux prévisions », a déclaré Matthieu De Montvallon, Directeur Technique chez ServiceNow France. « Le travail quotidien tel que l’attribution de tickets d’incidents IT ou l’affectation de contacts produisent d’ores et déjà des résultats concrets.  Le Machine Learning n’est plus une utopie mais bel et bien une réalité. »

    Les spécialistes du Machine Learning, seuls, ne seront pas en mesure d’aider les DSI à réussir leur transformation digitale

    Plus de trois quarts (78 %) des DSI en France ont indiqué amorcer des efforts de transformation digitale dans leur entreprise, et environ trois DSI français sur cinq (62 %) estiment que le Machine Learning y joue un rôle essentiel. Plus de la moitié (58 %) des DSI français interrogés déclarent avoir utilisé le Machine Learning dans leur entreprise et 33 % d’entre eux prévoient d’adopter cette technologie.

    Mais il existe des domaines clés concernant les processus et les effectifs qui doivent être pris en compte par les entreprises afin de tirer pleinement parti de la technologie de Machine Learning :

    • Seulement 30 % des DSI français ont déjà embauché des salariés disposant de nouvelles compétences pour travailler avec des machines intelligentes.
    • Les DSI français regrettent un manque de compétences pour gérer les machines intelligentes (42 %).
    • Près de la moitié (49 %) des DSI français a redéfini les descriptions de postes pour se concentrer sur le travail avec des machines intelligentes, 41% d’entre eux citent un manque de compétences pour gérer les machines intelligentes et 44% déclarent ne pas avoir le budget nécessaire pour développer ces compétences.
    • Les DSI français citent la qualité des données (53 %) et l’obsolescence des processus (47 %) comme des obstacles importants à l’adoption du Machine Learning.
    • Presque 6 DSI français sur 10 (58 %) ont mis au point des méthodes permettant de corriger les erreurs commises par les machines.

    « Le Machine Learning permet aux entreprises de numériser leur activité selon une approche totalement inédite », a ajouté Matthieu De Montvallon. « Pour exploiter pleinement le potentiel de la technologie de Machine Learning, les DSI doivent revoir leur rôle pour devenir des ‘leaders transformationnels’ qui influencent la façon dont nos entreprises conçoivent les processus métier, organisent les données et recrutent ou forment les salariés. »

    Des avantages pour les DSI « précurseurs »

    Concernant l’utilisation du Machine Learning, un groupe restreint de DSI au niveau mondial (moins de 10 % des personnes interrogées) est en avance sur le reste de la profession. Ces « pionniers » définissent un modèle que les DSI peuvent adopter pour une meilleure utilisation du Machine Learning :

    • Près de 90 % des DSI précurseurs attendent de l’automatisation du processus décisionnel une croissance des revenus (top-line) contre 67 % pour les autres DSI ;
    • Environ 80 % des précurseurs interrogés ont mis au point des méthodes permettant de contrôler les erreurs commises par les machines contre 41 % pour les autres DSI ;
    • Plus de trois quarts de ces DSI ont modifié leurs descriptions de postes pour se concentrer sur le travail avec des machines, contre 35 % pour les autres DSI ;
    • Plus de 70 % des précurseurs ont élaboré une feuille de route concernant les futurs changements de processus métier, contre seulement 33 % pour les autres DSI.

    « Les DSI précurseurs qui associent le Machine Learning à de nouveaux processus métier et de nouvelles compétences favoriseront la croissance de leur entreprise », précise Matthieu De Montvallon. « Ces DSI affichent un haut niveau de maturité dans l’utilisation des technologies fondatrices, ce qui leur permet de se concentrer sur l’innovation, par exemple l’automatisation de processus décisionnels complexes. »

    Cinq étapes pour réaliser la valeur du Machine Learning

    ServiceNow livre ses 5 recommandations auprès des DSI pour amorcer leur voyage vers la transformation digitale à l’aide du Machine Learning :

    1) Construire les fondations et améliorer la qualité des données. La qualité de données représente un des freins majeurs quant à l’adoption du Machine Learning. Si les machines prennent des décisions basées sur des mauvaises données, les résultats n’auront aucune valeur et pourraient augmenter le risque d’une prise de décision erronée. Les DSI doivent utiliser des technologies qui simplifieront la maintenance des données et la transition vers le Machine Learning.

    2) Prioriser en fonction de la réalisation de la valeur. Lors de la mise en place d’une feuille de route, il est impératif de mettre l’accent sur les services les plus couramment utilisés, car l’automatisation de ces services offrira de meilleurs résultats pour l’entreprise. À un niveau plus élevé, quels sont les modèles de travail les plus structurés qui pourraient bénéficier de l’automatisation ? Il faut dorénavant s’engager à réorganiser les services et les processus dans le cadre de cette transformation, et ne pas seulement transposer ou transférer les processus actuels vers un nouveau modèle.

    3) Construire une expérience client exceptionnelle. L’un des principaux vecteurs de la rapidité et la précision de la prise de décision réside dans la création d’une expérience client interne et externe exceptionnelle. Lors de la conception d’une feuille de route pour l’implémentation du Machine Learning, il faut imaginer une expérience client privilégiée et hiérarchiser les investissements par rapport aux objectifs fixés.

    4) Attirer de nouvelles compétences et capitaliser sur la culture. Les DSI doivent identifier les postes de demain et anticiper la façon dont les salariés se comportent avec les machines et commencer à les embaucher et à les former à l’avance. Les DSI doivent construire une culture qui englobe un nouveau modèle de travail et de compétences : cela signifie établir des lignes directrices précises pour les cadres, les ingénieurs et les salariés de première ligne sur leur collaboration avec les machines et l’avenir de l’association Homme-machine.

    5) Mesurer et signaler. Les avantages du Machine Learning peuvent être une évidence pour les DSI, mais d’autres cadres de Direction ou des Comités Executifs ont besoin d’être régulièrement informés de sa valeur ajoutée. Les DSI doivent définir les attentes, élaborer des indicateurs de réussite avant leur mise en œuvre et créer un « business case » solide afin d’acquérir et de maintenir le financement requis. Les DSI pourraient également envisager de construire des « benchmarks » concurrentiels automatisés dans leur secteur d’activité.

    Méthodologie de l’étude

    ServiceNow a demandé au cabinet Oxford Economics d’interroger 500 DSI sur l’utilisation du Machine Learning et de l’automatisation des processus décisionnels. Les personnes interrogées sont basées en Allemagne, en Autriche, en Australie, aux États-Unis, en France, en Nouvelle-Zélande, aux Pays-Bas, au Royaume-Uni, en Suède et à Singapour, et représentent un large éventail de secteurs B2B et B2C. L’étude a été réalisée par le biais d’entretiens téléphoniques assistés par ordinateur (CATI). Fondé en 1981 sous la forme d’une coentreprise avec la faculté de commerce de l’université d’Oxford, le cabinet Oxford Economics est spécialisé dans les études de marchés, d’impact économique ou de Thought Leadership.