My Blog

Étiquette : learning

  • RH et digital : les défis à relever

    Quels défis RH à relever avec le digital selon MARKESS by exaegis

    MARKESS by exægis évalue le marché français des solutions RH et des services associés à près de 2,8 milliards d’euros en 2018, en croissance de +7,8% par rapport à 2017.

    Ce marché devrait conserver une croissance supérieure à +7% d’ici 2020. Sa part dans le marché plus global des logiciels et services IT français devrait continuer à croître, passant de 4,8% en 2017 à 5,1% en 2019 puis avoisiner les 3,2 milliards d’euros en 2020.

    Ce marché est boosté par la digitalisation des processus RH qui progresse et est désormais multi-dimensionnelle (sociale, mobile, dans le cloud…) en réponse aux défis que doivent relever les RH : automatiser, accélérer le traitement des processus mais avec également un souci accru d’améliorer la relation collaborateur.

    Quand les RH se transforment en professionnels du marketing

    Le besoin est perceptible depuis plusieurs années et ne fait que croître : il s’agit pour les RH d’engager davantage le collaborateur, de simplifier son parcours dans l’entreprise mais aussi de (re)gagner sa confiance et d’établir un lien plus fort avec lui. Aussi, au même titre que les experts de la relation client créent une expérience client, les RH s’attachent de plus en plus à l’expérience collaborateur : 43% des DRH voient la création d’une telle expérience comme un enjeu majeur en 2018 alors qu’ils n’étaient que 32% à la considérer comme tel en 2016.

    Au-delà de l’enjeu RH, en mettant en place des outils et des stratégies de marketing RH, c’est aussi un défi “client” que cherchent à relever les entreprises en s’appuyant sur la “symétrie des attentions” qui admet que d’une expérience collaborateur peut découler une satisfaction client.

    Devenir maître de la donnée RH

    Les RH doivent donc traiter le collaborateur avec la même attention que celle donnée au client et cette équité de traitement doit aussi se retrouver entre les collaborateurs. Les RH doivent être justes et équitables. Cela suppose d’améliorer la connaissance collaborateur, ce qui passe par une gestion maîtrisée et optimale des données RH. Des données de qualité sont une condition sine qua non à cela mais aussi à des actions et une politique RH plus performante. L’enquête menée en 2018 par MARKESS by exægis auprès de DRH sur la gestion des données montre qu’ils se fixent des priorités relevant surtout de la gouvernance des données RH (confidentialité, intégrité, compliance…).

     Intelligence artificielle : un rêve ou déjà une réalité dans les RH ?

    Disposer d’une donnée juste, fiable et en quantité suffisante permet à la fonction RH d’innover en lançant des projets autour de l’intelligence artificielle (IA), du machine learning (ML), des robots conversationnels (ou chatbots). Ces technologies s’immiscent peu à peu dans la fonction RH, avec des usages concrets qui se dessinent tant dans le recrutement, la mobilité, la formation… Pour autant, seuls 17% dans décideurs RH interrogés par MARKESS by exaegis indiquent avoir déjà investi dans l’IA ou être prêts à le faire à plus ou moins court terme.

    Pour en savoir plus RDV le au salon RH le 18 et 19 novembre à la Cité des congrès à Lyon 

  • Comment le Machine Learning peut permettre de lutter contre la fraude ?

    Comment le Machine Learning peut permettre de lutter contre la fraude ? 

    Par Raphaël Savy, Directeur Europe du Sud, Alteryx

    Depuis quelques années, l’Intelligence Artificielle (IA) et le Machine Learning (ML) occupent le devant de la scène, de nombreuses entreprises y ayant recours pour développer leurs solutions et/ou services. Si l’IA est un concept global, le Machine Learning est une technologie qui permet aux machines d’accéder aux données afin qu’elles puissent apprendre, prédire et classer les informations.

    Le Machine Learning a été un instrument clé pour résoudre certains problèmes tels que la détection des spams, la recommandation ciblée de produits, le diagnostic médical précis, etc. Et pas que… Selon une enquête du Groupe RELX, plus de 91 % des cadres supérieurs interrogés ont compris que l’IA et le ML sont importants pour la transformation digitale de leurs entreprises.

    AI et ML dans le workflow analytique

    L’IA et le Machine Learning s’inscrivent dans le processus analytique et ce de trois façons. D’abord, grâce à l’analyse descriptive pour informer sur les actions passées. Ensuite, via l’analyse prédictive afin d’informer sur ce qui pourrait se produire ou pourquoi quelque chose s’est produit. Enfin, l’analyse prescriptive qui indique quelles sont les prochaines étapes.

    Ces trois étapes s’inscrivent donc dans le spectre analytique afin de mieux répondre à ces questions et ainsi avoir le cycle de vie complet de l’analyse. Pour cela, les organisations doivent disposer de données fiables, faciles à trouver et de bonne qualité. Ensuite, elles devront préparer les dites données afin de construire des modèles. Grâce à l’IA et le Machine Learning, les entreprises peuvent enrichir et exploiter ces informations. Enfin, via des modèles préétablis, elles pourront tester les résultats obtenus et les réitérer tout au long du cycle de vie.

    L’adoption du ML a été accélérée par l’augmentation de la puissance de traitement des données, le développement du Big Data et les progrès en modélisation statistique. Il repose sur des méthodes statistiques complexes et une puissance de calcul élevée. Au cœur de ce concept se trouve cependant une idée très simple. En identifiant les relations de cause à effet les plus influentes du passé, une machine peut apprendre à faire des prédictions précises pour l’avenir. Le ML se base sur des ordinateurs puissants qui sont guidés par l’intelligence humaine pour passer au crible des milliards de données et identifier des relations de cause à effet. Ensuite, toutes ces informations sont introduites dans une variété d’algorithmes pour arriver à des prédictions. Avec le temps, les ordinateurs s’améliorent dans l’identification de ces relations de cause à effet, ils exploitent les connaissances qu’ils ont acquises et les utilisent pour affiner les algorithmes. C’est « l’apprentissage » qui a lieu et avec une vitesse de traitement beaucoup plus rapide que celle du cerveau humain.

    La fraude traquée et résolue par le Machine Learning ?

    La détection des fraudes est un défi de taille. Pourtant, les transactions frauduleuses sont rares et ne représentent qu’une très petite fraction de l’activité au sein d’une organisation. Néanmoins, un faible pourcentage de l’activité peut rapidement se transformer en des pertes financières importantes sans les bons outils et systèmes en place pour y faire face. Les cybercriminels sont intelligents. Les stratagèmes frauduleux traditionnels n’étant plus efficaces, ils les ont fait évoluer. La bonne nouvelle, c’est qu’avec les progrès du Machine Learning, les systèmes peuvent apprendre, s’adapter et découvrir de nouvelles façons de prévenir la fraude. Les spécialistes des données ont réussi à résoudre ce problème grâce au ML et à l’analyse prédictive.

    Selon une étude menée par Bluewolf, auprès de 1700 clients de Salesforce, 75% des entreprises qui augmentent leurs investissements dans les technologies analytiques en tirent profit. Par ailleurs, il y a un certain nombre de points forts qui font du ML un outil aussi puissant et efficace dans la lutte contre la fraude :

    Faciliter la prise de décision en temps réel : les systèmes basés sur des règles, pour déterminer les types d’ordres à accepter ou à rejeter, exigent beaucoup de temps et des interactions manuelles. Le ML peut aider à évaluer un grand nombre de transactions en temps réel.

    Améliorer la précision : les cybercriminels se sont perfectionnés et sont devenus plus habiles dans la dissimulation de la fraude. Le Machine Learning peut souvent être plus efficace que l’humain pour détecter des modèles subtils ou non intuitifs afin d’identifier les transactions frauduleuses. Il peut également aider à éviter les « faux positifs », les bonnes commandes qui sont identifiées par erreur comme étant frauduleuses.

    Réagir rapidement au changement : les fraudeurs changeant constamment de tactique, c’est un réel « jeu » du chat et de la souris qui s’installe. Le ML analyse et traite en permanence de nouvelles données, puis met à jour ses modèles de manière autonome afin de tenir compte des tendances les plus récentes.

    Réduire les coûts : les innovations technologiques ont permis de réduire les coûts associés aux solutions de Machine Learning et aux systèmes informatiques capables de les faire fonctionner. Comme le ML améliore la précision, il réduit également les faux positifs coûteux et minimise le temps et les coûts des révisions manuelles.

    En général, les solutions de gestion de la fraude reposent sur deux types de modèles de Machine Learning pour lutter contre la fraude sur les paiements. D’un côté se trouvent des modèles statiques, qui apprennent à identifier la fraude à un moment donné en passant au crible des millions de transactions passées. Les modèles statiques sont efficaces pour identifier les modèles historiques de fraude et ont tendance à bien fonctionner juste après leur mise en place. Le problème, c’est qu’il n’y a aucun moyen de mettre à jour ou d’ajuster ces modèles à mesure que de nouveaux modèles d’activités frauduleuses apparaissent. De l’autre côté se trouvent des modèles de Machine Learning basés sur l’auto-apprentissage qui intègrent continuellement des données provenant de nouvelles transactions pour adapter et reconnaître des modèles de fraude en constante évolution. Les modèles d’auto-apprentissage sont très efficaces pour identifier les dernières techniques de fraude. Cependant, la nature « boîte noire » de ces modèles fait qu’il est pratiquement impossible pour un humain de suivre, contrôler ou ajuster ce que la machine apprend, ce qui signifie que le modèle peut soudainement causer d’énormes problèmes s’il fait de mauvais choix et commence à bloquer des clients fiables.

    Toutes les solutions de Machine Learning ne reposent pas uniquement sur des modèles statiques ou des modèles d’auto-apprentissage. Il existe un juste milieu qui peut compenser les faiblesses du ML en combinant un système automatisé avec une approche fondée sur des règles. Les règles servent de fil conducteur pour permettre aux entreprises de mieux contrôler en temps réel les décisions prises en matière de fraude.

  • 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.