My Blog

Étiquette : prédictif

  • Quelle stratégie pour faire parler les données et en tirer un avantage compétitif ?

    Big data et analyse prédictive :
    comment convertir les données en valeur ?

    PAR LUC RIO, DIRECTEUR ANALYTICS CHEZ AVANADE FRANCE

    La baisse du coût du stockage, l’augmentation massive de la production des données et la cloudification des systèmes d’information ont conduit les entreprises repenser la valorisation de leurs data. Quelle stratégie pour faire parler les données et en tirer un avantage compétitif ?

    En 2010, Eric Schmidt, CEO de Google, déclarait qu’en deux jours l’humanité générait un volume d’informations équivalent à celui créé entre la naissance de la civilisation et le nouveau millénaire. En 2017, nous recevons quotidiennement 5 fois plus d’informations qu’en 1986. Enfin, selon Wikibon, en 2020 la génération de données sera 44 fois plus grande qu’elle n’a été en 2009.

    Avec la prédominance des réseaux sociaux et l’accès haut débit mobile, la plus grande partie de données émises et partagées dans le monde est générée par les utilisateurs eux-mêmes : blogs, réseaux sociaux, sites de partages d’images, de musique et de vidéos. Ainsi, aujourd’hui, une seconde sur internet c’est :

    ·      8 000 Tweets envoyés
    ·      800 photos téléchargées sur Instagram
    ·      3 000 appels Skype
    ·      50 000 Go de trafic internet
    ·      65 000 recherches sur Google
    ·      72 000 vidéos visionnées sur Youtube
    ·      2 700 000 emails envoyés
    (Source : Internet Live Stats, octobre 2017)

    En parallèle, les smartphones sont devenus des hubs de contrôle personnels pour tous les objets connectés (trackers d’activité, maison connectée, voiture connectée, etc.) : on estime qu’en moyenne un individu possède 2,5 appareils. Cette masse gigantesque de données, structurées et non structurées, augmente de manière exponentielle et se comprend sous le terme générique de big data.

    La croissance des données est tirée par plusieurs facteurs :

    ·      Les coûts du traitement des données sont presque 60 fois inférieurs aujourd’hui qu’il y a 10 ans.
    ·      Le coût de la bande passante est 40 fois moins important qu’il y a 10 ans.
    ·      Le prix moyen des capteurs est passé de 1,30$ il y a 10 ans à 0,60$ aujourd’hui, ce qui favorise notamment le déploiement de l’Internet des objets à grand échelle.

    La diminution drastique du coût du hardware, en particulier le stockage, a été probablement décisive dans la croissance des données ces dernières années. Si le stockage valait encore 100 dollars pour un gigabyte, la problématique du big data ne se posait pas.

    Confrontées à l’effervescence autour du big data, les DSI ont dû envisager différemment leur politique de stockage de données provenant d’une multitude de sources. Aujourd’hui les données des entreprises proviennent de capteurs installés dans les usines et sur les outils de production, des objets connectés, du trafic web et mobile, des médias sociaux. Mais prises isolément, toutes ces données n’ont qu’une valeur « au poids », c’est-à-dire marginale. La valeur ne se crée qu’avec la contextualisation, quand on arrive à les regrouper, les mettre en relation et les décrypter pour donner du sens.

    Certes, les entreprises manipulaient et exploitaient déjà leurs données avec les techniques de « Business Intelligence », mais les nouveaux types de données informelles et non structurées ont vite fait ressortir les insuffisances de ces outils classiques en termes de puissance, de rapidité, de flexibilité et de précision pour tirer des enseignements du big data. Cette rupture explique l’arrivée des outils analytiques avancés qui analysent des volumes de données jusqu’ici inimaginables pour apporter des réponses précises aux questions posées.

    Selon une étude réalisée en 2014 par EY auprès de 152 entreprises françaises avec des effectifs de 500 à 2 000 personnes :

    ·      45% des entreprises collectaient des données non structurées,
    ·      30% ont recruté des profils spécifiques dédiés au traitement et à la gestion de la data,
    ·      18% avaient des plans d’action big data en cours de déploiement,
    ·      10% des entreprises disposaient d’outils d’analyse prédictive,
    ·      Pour 70% des entreprises interrogées, l’ensemble des ressources dédiées au traitement des données client représentait moins de 10 personnes.

    Certes, la situation a évolué depuis, mais pour beaucoup le concept du big data reste encore difficile à appréhender. Pourquoi ? Parce qu’il s’applique à toute la chaîne de valeur de l’exploitation des données : de la collecte à la sécurité, en passant par l’analyse et la stratégie globale de l’entreprise. Le big data est avant tout une prise de conscience du potentiel non exploré des masses de données disponibles. Leur exploitation plus cohérente et transversale par la data science et des outils analytiques avancés et prédictifs représente pour les entreprises un levier inédit de productivité et de croissance.

    Analyse prédictive : contextualiser la donnée pour créer de la valeur

    L’exploitation des données massives répond à trois enjeux majeurs pour chaque entreprise : améliorer la performance opérationnelle/industrielle, la performance commerciale, la connaissance client.

    Historiquement on utilisait les statistiques pour réaliser des comptages simples et analyser des fréquences. Ensuite le data mining a commencé à mettre en relation des différents phénomènes tout en prenant en considération des volumes plus importants de données, mais principalement accessibles et structurées. Aujourd’hui, en s’appuyant sur des algorithmes, sur le machine learning et la data science, l’analyse prédictive permet d’exploiter tout type de données pour mettre en place de nouveaux modèles d’interprétation et de prédiction, en tirer des prévisions sur des évolutions futures et émettre des recommandations sur les actions à mener. Citons les exemples les plus répandus :

    ·      Maintenance prédictive : analyser les signaux de la chaîne de production pour anticiper des défaillances et changer les pièces avant que la panne ne se produise.

    ·      Détection des fraudes : détecter des fraudes ou des pannes pour agir avant qu’elles ne se produisent.

    ·      Analyse des comportements des clients : comprendre leurs motivations, identifier les meilleures façons de les prospecter et de les fidéliser pour proposer à chacun des services personnalisés au bon moment par le canal le plus pertinent.

    L’analyse prédictive est un outil décisionnel inédit et efficace, capable d’aider à redéfinir toutes les activités de l’entreprise, redistribuer les ressources, entamer une transformation organisationnelle, etc. Pour utiliser pleinement le potentiel accumulé des leurs données et acquérir un avantage compétitif, les entreprises doivent rapidement intégrer de nouvelles méthodes d’analyse dans leur stratégie globale.

  • Etude Rocket Fuel   » The Next Wave of Digital Marketing « 

    82 % des responsables marketing reconnaissent l’importance du marketing prédictif pour rester compétitif 

    Selon une étude Rocket Fuel menée par Forrester, les responsables marketing déclarent vouloir s’appuyer sur la technologie prédictive basée sur l’IA (Intelligence Artificielle) pour organiser et exploiter l’important volume de données dont ils disposent. Ainsi, 66 % des personnes sondées déclarent que leur données clients et marketing proviennent de sources distinctes, rendant leur compréhension difficile. Et 82 % des responsables marketing reconnaissent l’importance du marketing prédictif pour rester compétitif.

    Le rapport intitulé « The Next Wave of Digital Marketing » et paru en août dernier, a été réalisé par l’Institut Forrester et commandité par Rocket Fuel auprès de 579 dirigeants marketing dans 6 pays (France, Allemagne, Italie, Royaume-Uni, Etats-Unis). A eux seuls, ils sont en charge de plus de 1,2 milliard de dollars d’achat d’espace publicitaire. Les résultats de cette enquête mettent en lumière les obstacles auxquels font face les annonceurs et les agences media, à savoir la gestion de la data, la difficulté à toucher de nouveaux consommateurs en fonction de là où ils en sont dans leur parcours d’achat, ainsi que la possibilité de délivrer des messages personnalisés et pertinents.

    David Gosen, GM Platform Solutions & SVP International, chez Rocket Fuel explique : « L’étude Forrester montre que les marques n’arriveront à croître et prospérer qu’en misant sur les technologies prédictives basées sur l’IA (Intelligence Artificielle). A l’heure actuelle, seulement 30 % des responsables marketing déclarent exploiter leur propre data afin de mieux comprendre le besoin du consommateur. De plus, 63 % des personnes interrogées estiment qu’elles rencontrent des difficultés à proposer des campagnes personnalisées, par manque d’insights. Or, cela doit changer si les marques veulent précisément toucher les potentiels consommateurs au moment précis où ils seront susceptibles d’interagir positivement à l’exposition d’une publicité, leur adresser le bon message et ce en fonction de leur parcours client, tout en se donnant les moyens de rester compétitifs. »

    Les responsables marketing reconnaissent que le marketing prédictif basé sur l’IA leur permet de consolider leurs performances publicitaires et de gagner en insights. 86 % des personnes interrogées déclarent ainsi souhaiter utiliser davantage l’IA pour booster leurs insights marketing, sur les douze prochains mois ; alors que 80 % prévoient d’utiliser l’Intelligence Artificielle pour offrir du contenu pertinent, optimisé et cross-device. Enfin, 86 % pensent que les technologies prédictives pourront les aider à gagner en personnalisation et en optimisation créative.

    L’étude de Forrester « The Next Wave of Digital Marketing is Predictive » propose 16 pages de statistiques à la fois qualitatives et quantitatives ainsi qu’une analyse approfondie du secteur. Les lecteurs pourront bénéficier du point de vue de responsables marketing qui se doivent d’adapter leur approche dans un monde où le parcours client n’est plus linéaire et où le big data n’est plus un élément différenciateur en tant que tel. Des informations supplémentaires sont disponibles sur le site dédié à l’étude : rocketfuel.com/TLP.
    En plus de l’étude, le site présente une sélection d’interviews vidéo avec un analyste Forrester.

  • Comment préparer son CRM pour scruter l’avenir ?

    Préparer le CRM pour l’analyse prédictive 

    Imad Alabed, Directeur senior, Pivotal & Knova

    Les barbecues estivaux sont un must de l’été… À condition que le temps soit de la partie. L’organisation est la clé. Pendant que certains observent le ciel, à l’affût des nuages, et s’attellent à allumer le feu, d’autres écoutent leurs articulations, premières donneuses d’alerte de l’arrivée de la pluie. Grâce aux progrès de la météo, la plupart d’entre eux consultent directement les prévisions sur leur application mobile, pour s’assurer qu’une averse ne viendra pas gâcher la cuisson des burgers. Quoi de plus agréable que d’avoir la garantie que tous ces efforts seront récompensés !

    Autrefois, la majeure partie des entreprises se fiaient à leur instinct et à leurs expériences passées pour prendre leurs décisions. Aujourd’hui, la concurrence les oblige à s’appuyer sur des faits et des chiffres plus que sur leur intuition : lors d’une récente étude menée par Aberdeen Group sur l’analyse et l’intelligence économique, 46% des personnes sondées se sont déclarées forcées de passer à une activité plus pilotée par les données pour faire face à la pression de la concurrence. Aujourd’hui, pour améliorer ses performances, une entreprise doit être capable de convertir des tendances historiques et des données collectées en temps réel en données exploitables.

    Scruter l’avenir

    Il ne suffit pas d’accéder aux données pour maintenir son avantage compétitif : les collaborateurs de l’entreprise, à chaque échelon, doivent agir sur la base de ces données. D’après la définition d’Aberdeen Group, l’analyse prédictive est une technologie qui permet aux entreprises d’analyser des données structurées et non structurées afin d’identifier des tendances-clés et corrélations, tout en prédisant la probabilité de certains comportements client. Les solutions de gestion de la relation client (CRM) sont des partenaires idéaux pour engager cette analyse prédictive : elles permettent à l’entreprise non seulement d’optimiser ses opportunités de ventes, mais aussi d’améliorer la productivité de ses responsables de compte. Dans un monde où prendre une mauvaise décision au mauvais moment peut coûter très cher, il est essentiel de pouvoir prédire le « quoi » et le « où ».

    En plus d’améliorer leurs relations client et de garantir la livraison de services de qualité, les entreprises doivent disposer d’informations avancées sur leurs clients, qu’elles puissent associer avec des données d’historique d’achats pour obtenir une vision globale sur leur parcours. En combinant analyse prédictive et CRM sociale, elles peuvent en apprendre davantage sur leurs clients actuels et leurs prospects. Elles sont en mesure d’exploiter les informations des profils, publications et historiques de clics pour créer des profils client plus riches, permettant des analyses plus précises. Dans un environnement en constante évolution, cette vision plus avancée et en temps réel les aide à enrichir les relations avec leurs clients pour renforcer leur satisfaction. Et ainsi mettre en place un cycle de rétroaction positif et obtenir un avantage compétitif définitif.

    Analyser les visions de la « boule de cristal »

    Gérer l’imposant volume d’informations et la vitesse à laquelle elles circulent fait partie des plus importants défis que les entreprises doivent relever. Selon Aberdeen, 96 % d’entre elles font une mauvaise utilisation des données. La précision des données à analyser reste une gageure et un enjeu pour elles. Pour fournir la meilleure analyse, il est en effet essentiel que les données soient préparées de manière adéquate. L’importance de cette étape explique que certains analystes consacrent plus des trois quarts de leurs temps pour la préparation des données pour l’analyse. En automatisant cette étape, il est possible de préserver la gouvernance des données tout en limitant la pression sur l’informatique. Les experts en analyse prédictive du cabinet Gartner recommandent d’alimenter les solutions d’automatisation des ventes avec des données complètes, précises et nettoyées, avant même de déployer des capacités d’analyse.

    Mais la qualité des données n’est pas le seul facteur de risque ; parfois, les informations sont réparties entre tellement d’emplacements et disponibles dans tellement de formats qu’une consolidation est impossible. Pour résoudre cela, les entreprises doivent intégrer les données dans une vue unifiée du client sur l’ensemble des systèmes, de façon à renforcer leur précision et leur pertinence. Les entreprises qui exploitent des systèmes d’analyse sont à 42 % plus susceptibles de normaliser les données collectées sur plusieurs canaux pour faciliter l’intégration logicielle. Outre la nécessité de disposer de données « nettoyées », les outils d’analyse prédictive doivent également avoir accès à un large éventail de sources de données, pour pouvoir « apprendre » de chacune d’elles. En même temps, il est important d’éviter d’intégrer trop de sources trop rapidement. Une approche agile, exploitant des données moins volumineuses et déjà consolidées, assure un retour sur investissement plus rapide et une expansion incrémentielle pour prendre en compte des sources plus complexes, tout en garantissant la prise en charge continue d’une campagne d’analyse prédictive.

    Conclusion

    Bien que les solutions CRM collectent déjà des volumes d’informations très importants, les outils d’analyse prédictive offrent un niveau d’information encore plus avancé. Une solution CRM intégrant des capacités d’analyse prédictive permet de présenter des informations exploitables en temps réel, pour des prises de décisions stratégiques facilitées pour les équipes de ventes, d’opérations, de marketing et de direction.

    La plupart des systèmes CRM sont extrêmement flexibles et intègrent des modèles de données complets faciles à modifier ou étendre. Cette flexibilité assure l’adaptabilité de votre solution CRM à des besoins toujours changeants. Malgré cela, de nombreuses entreprises n’ont encore mis aucune gouvernance de données en place. Nous vous recommandons de préparer la mise en place d’une force d’analyse prédictive, en vous lançant dans une opération de nettoyage de vos données dès aujourd’hui

  • Pourquoi et comment utiliser le marketing prédictif

    Marketing prédictif : attention au buzzword !

    Tribune de Jean-René Boidron, CEO de Kameleoon & Ancien Vice-Président de CroissancePlus

    Nous vivons à l’ère de la promesse absolue, celle où il n’y a plus aucune limite à l’imagination de ce qu’il est possible de réaliser. Les opportunités croissantes offertes par les technologies conduisent aux promesses les plus folles comme celle de relier Los Angeles à San Francisco en train électromagnétique en 30 minutes ou de coloniser Mars, et tout ça d’ici 2025. La promesse absolue est aussi devenue une arme marketing redoutable : beaucoup d’entreprises ne s’embarrassent plus d’expliquer ce qu’il est possible de faire ou de ne pas faire. Elles utilisent les « buzzwords » du moment et promettent la lune du jour au lendemain. Sur le podium de ces promesses absolues, le marketing prédictif est en bonne place.

     Le marketing prédictif existe depuis toujours

    En réalité, nous faisons du marketing prédictif depuis l’existence même du marketing. Nous tenons compte des expériences passées pour éclairer l’avenir. En réalisant que la fréquentation de son magasin de prêt-à-porter est forte le samedi et faible le lundi, le commerçant prédit qu’il va en être de même à l’avenir et décide de recruter un vendeur supplémentaire le samedi et de rester fermé le lundi. De même, il prédit que certains articles se vendront mieux en hiver qu’en été ; l’expérience acquise va même lui permettre d’affiner ses prises de décision à la semaine près pour optimiser ses ventes. Sa clientèle devenant plus importante, il va également commencer à segmenter ses clients pour maximiser ses ventes en offrant à chacun une gamme qui a le plus de chances de répondre à ses besoins.

     Ce que l’analyse prédictive va apporter…

    Bon nombre de segmentations manuelles sont faites sur un seul critère : CSP, genre, client fidèle ou non, etc. D’autres plus élaborées vont croiser deux critères : CSP avec genre, fréquence d’achat avec lieu de résidence, etc. A partir de 3 critères, un logiciel spécialisé sera indispensable et au-delà il faudra utiliser des algorithmes spécialisés surtout s’il s’agit de traiter des milliers de clients. Avec l’augmentation massive des informations et de la capacité de traitement, l’intelligence artificielle va déjà permettre d’automatiser un ensemble de tâches de manière exhaustive et sans erreur. Mieux, des algorithmes de machine learning vont tenir compte en permanence de l’évolution des comportements et des caractéristiques des clients pour redéfinir en temps-réel qui appartient à quel segment et quel est son comportement futur le plus probable. Ils vont dégager des tendances, trouver des corrélations et « faire parler » les données dans le but de maximiser la conversion.

    Dans l’absolu, cette tâche pourrait être réalisée manuellement mais elle exigerait une armée d’analystes nuit et jour pour la réaliser. Débarrassé du traitement fastidieux des données, ces algorithmes de machine-learning vont permettre au marketeur de se concentrer sur sa stratégie et les actions qu’il souhaite réaliser.

     …Et ce qu’elle ne va pas entraîner

    1ère réalité : ne pas confondre automatisation et prédictif

    Il convient déjà de ne pas confondre l’analyse prédictive avec la « simple » automatisation qui résulte de la mise en place de règles « manuelles ». Définir une règle qui pousse un bon de réduction à un visiteur qui reste 3 minutes sur une page, c’est bien mais c’est de l’automatisation, pas de l’intelligence artificielle. L’allocation dynamique de trafic en A/B testing, c’est bien mais c’est aussi de l’automatisation, pas du prédictif.

    2ème réalité : le machine learning ne remplace pas l’intelligence humaine, il la complète.

    Un algorithme n’est pas conscient de ce qu’il fait. Son succès vient de l’intelligence humaine, en l’occurrence celle d’un analyste ou d’un data scientist qui va le « mettre en situation » pour qu’il soit efficace. Il n’existe aucun algorithme d’apprentissage universel capable de prédire le comportement d’un visiteur. Chaque situation nécessite un paramétrage bien précis pour obtenir de bons résultats, à commencer par la qualité des données traitées ; or seul un humain est en mesure de « nourrir » correctement l’algorithme.

     3ème réalité : l’algorithme n’a pas d’idée, il constate.

    Il ne définira ni votre stratégie, ni vos actions. S’il est en mesure d’identifier la probabilité d’achat d’un visiteur, il n’a aucune espèce d’idée de la décision à prendre selon cette probabilité. Le marketeur se doit de définir la bonne stratégie à appliquer pour optimiser son chiffre d’affaires et sa marge.

     Pourquoi et comment utiliser le marketing prédictif 

    La combinaison de la puissance de calcul et de la puissance des algorithmes permet de traiter aujourd’hui intelligemment des situations que l’on n’a jamais été en mesure de gérer correctement auparavant. Dans le domaine du marketing digital, l’analyse prédictive ouvre la porte à des opportunités nouvelles pour personnaliser le parcours client et augmenter ses ventes. Mais l’humain est indispensable, en amont comme en aval, pour cadrer l’algorithme à une situation donnée et pour décider des actions à réaliser. C’est plutôt une bonne nouvelle et c’est bon à savoir pour ne pas écouter les marchands de sable.

     

     

  • 4 étapes pour engager rapidement les prospects

    Relever le challenge du Marketing et des Ventes :
    4 étapes incontournables avec l’analyse prédictive

    Par Christelle Dhrif, Directrice Marketing & Communication de Sidetrade

    Les méthodes de prospection B2B ont connu un changement significatif ces dernières années. Désormais, les clients n’attendent plus d’être démarchés pour se renseigner sur une entreprise et ses produits. A l’ère de l’hyper-connectivité, il suffit de quelques clics pour connaître un marché et comparer les offres concurrentes. Le processus d’engagement commercial s’en retrouve par conséquent considérablement complexifié.

    Dans ce nouveau contexte, les marketeurs et commerciaux 2.0 sont à la recherche de nouveaux leviers pour engager plus rapidement les prospects et les convertir en clients. Ce contexte met en valeur les solutions avec une approche data-driven. En effet, les algorithmes de machine learning de telles solutions permettent de collecter et traiter la donnée disponible sur un prospect et son organisation et de la transformer en leviers d’action directement exécutables pour savoir qui cibler, avec quelle offre, et à quel moment.

    Si la promesse semble incroyable, l’intelligence artificielle permet aux directions commerciales et marketing d’accéder à ce graal dès aujourd’hui. Zoom sur les étapes indispensables pour y parvenir.

    Etape 1 : la collecte de données en masse

    L’analyse prédictive requiert toutes les données disponibles sur le marché local – ou global –, qu’il s’agisse de données firmographiques ou individuelles, au niveau de chaque contact. Ces données sont collectées à partir de centaines de sources internes et externes, indexées en temps réel  puis confrontées et analysées pour construire un modèle prédictif.

    Etape 2 : la construction de modèles prédictifs

    Cette étape exige que les données soient en amont normalisées (filtrage, arrondi, analyse factorielle, sélection de paramètres…) et modélisées à partir de différentes techniques statistiques suivant le résultat désiré. Ces modèles (modèles Linéaires Généralisés, réseaux neuronaux, Machines Vecteurs Supports…) doivent ensuite être évalués et continuellement comparés et testés, afin de définir quel est le processus qui permet de construire le meilleur modèle prédictif.

    Etape 3 : l’extraction de données business

    Les centaines de scores de propension obtenus par les modèles prédictifs sont traduits en données utilisables par le marketing et les équipes commerciales comme la Customer Lifetime Value (Valeur Vie Client). L’information est largement distribuée et partagée sous la forme de flux continus et actualisés.

    Etape 4 : la transformation des données en actions

     Une fois les données collectées, agrégées et extraites, les utilisateurs finaux sont alors en mesure d’obtenir des insights leur permettant d’accélérer et d’orienter la prise de décision tout au long du cycle client. Les directions métier peuvent accéder à ces données via un outil front end spécifique ou directement à partir des solutions de CRM ou de Marketing Automation, accélérant ainsi la transformation des data en actions. Par exemple, les scénarios d’e-mailing aux prospects et clients peuvent être ajustés en temps réel ; les campagnes, plus rapidement implémentées.

    A l’heure de la Data Science as a Service (DaaS), les entreprises n’ont plus besoin d’investir dans des développements de systèmes d’information spécifiques internes ou des services de consulting sophistiqués. L’émergence d’un nouveau marché de plateformes d’intelligence artificielle B2B exploitant pleinement les capacités de l’analyse prédictive facilite la mise à disposition des données au sein des organisations, ouvrant une nouvelle porte dans l’engagement client via la data.

    L’écrasement de l’organisation hiérarchique et la multiplication des points de prise de décision modifient fondamentalement la gestion de l’information. Forester estime que 89 % des directions commerciales et marketing B2B envisagent de recourir à des modèles prédictifs à court terme pour mieux piloter leur cycle client. Sans surprise, l’analyse prédictive fait partie des tendances à adopter pour rester compétitif dans un monde dominé par la data…

     

     

  • Plateformes prédictives : mutualisation ou rétention des données

    5 questions clé à se poser

    Par Jean-Cyril Schütterlé, Directeur Produit et Data Science de Sidetrade

    Avec l’émergence de plateformes prédictives SaaS, la question du partage des données se pose : mutualiser ses données tout en acceptant de cohabiter avec des concurrents sur une même plateforme, ou jouer la carte de la rétention et se priver ainsi d’une technologie promettant d’accélérer la performance ?

    Quelques questions simples peuvent guider l’arbitrage :

    1. La confidentialité des données de mon entreprise sera-t-elle préservée en dépit de la mutualisation ? 

    Une véritable plateforme prédictive garantit en principe la confidentialité des informations qu’elle exploite. Tout comme un institut de sondage révèle les tendances de l’opinion sans jamais divulguer l’identité ni les convictions individuelles des personnes qu’il a interrogées, l’objectif d’une plateforme d’optimisation du processus de vente, par exemple, est de découvrir des règles de prospection applicables à de nouveaux prospects, pas de publier les données dont l’analyse a permis d’établir ces règles. Connaître la nature exacte d’une transaction passée entre une entreprise A et son fournisseur B ne présenterait d’ailleurs qu’un intérêt très ponctuel pour adapter une stratégie commerciale. En revanche, déceler que généralement, les contacts possédant un profil spécifique réagissent mieux à une offre commerciale qu’à une autre, ouvre des pistes d’actions très concrètes.

    1. Mon organisation est-elle la seule à détenir les données en question ? 

    Si l’on considère les informations figurant sur des transactions comme les bons de commandes ou les factures, elles sont en principe détenues à la fois par l’entreprise et ses partenaires commerciaux. Sauf clause contractuelle particulière, rien n’empêchera donc ces partenaires de laisser leur propre plateforme prédictive mutualiser les informations figurant par exemple sur les documents que vous leur avez adressés, quelle que soit votre volonté de rétention.

    1. Le domaine sur lequel portent les données est-il réellement objet de concurrence ?

    Ainsi qu’en témoigne l’existence d’associations professionnelles, des sociétés rivales peuvent avoir un intérêt à collaborer et à partager des informations relatives à leur environnement de marché, sans que le jeu de la libre-concurrence soit pour autant faussé. C’est dans ce cadre qu’évoluent les plateformes prédictives.

    1. Puis-je autant bénéficier des données des autres que les autres bénéficieront des miennes ? 

    L’intérêt de la mutualisation pour votre organisation sera fonction de la représentativité des données exploitées par la plateforme prédictive. Dans l’hypothèse où les entreprises utilisatrices du service sont peu différentes de votre organisation, les données risquent d’être redondantes avec les vôtres et de n’améliorer que marginalement la précision de la plateforme prédictive. En revanche, dès lors que les données proviennent de sources variées, elles s’enrichissent mutuellement. De surcroît, sur une plateforme comptant de nombreux clients, les termes de l’échange vous sont d’autant plus favorables que vos données ne représentent qu’une faible fraction du volume total de l’information exploitée.

    1. Existe-t-il une alternative à la mutualisation des données qui permette une performance satisfaisante de la plateforme prédictive ? 

    En fonction des indicateurs prospectifs concernés, de la qualité des données dont dispose déjà votre organisation, de l’accessibilité de bases tierces, il sera plus ou moins aisé et onéreux de vous procurer par vous-même les données complémentaires indispensables à un bon apprentissage par les algorithmes de la plateforme. Compte-tenu des niveaux d’investissement requis en compétences Data Science et infrastructures Big Data indispensables à ce jour à la mise au point de traitements prédictifs, la mutualisation proposée par les plateformes correspond sans aucun doute au scénario le plus rationnel économiquement. Néanmoins, dans des domaines oligopolistiques, sur des marchés techniques ou pour lesquels les données pertinentes sont concentrées entre un petit nombre d’acteurs, l’offre de mutualisation pourrait être défaillante ou dépourvue d’intérêt. On imagine mal, par exemple, qu’une mutualisation entre acteurs de la filière nucléaire à des fins d’identification d’opportunités commerciales puisse avoir du sens.

    Les plateformes prédictives offrent aux organisations une occasion d’apprendre des grands volumes de données qu’elles accumulent. Dans nombre de situations, elles peuvent considérablement accélérer cet apprentissage en mutualisant les données en provenance de leurs clients. A bien des égards, l’utilisation d’une plateforme prédictive s’apparente au recours à un cabinet de conseil dont on attend une expertise accumulée au fil des missions dans des sociétés successives sans pour autant que soit compromise la confidentialité des informations particulières sur lesquelles cette expertise repose.

     

     

  • Plateformes prédictives : le challenge de la data

    Plateformes prédictives: comment arbitrer entre mutualisation et rétention des données ?

    Par Jean-Cyril Schütterlé, Directeur Produit et Data Science de Sidetrade

    Les technologies de Machine Learning ne tiennent leurs promesses d’automatisation des traitements que lorsqu’elles disposent de données suffisamment représentatives du domaine auquel elles s’appliquent. La détection des spams est d’autant plus efficace que l’algorithme d’apprentissage a été alimenté de nombreux exemples. Un système de pilotage de voiture autonome ne sera opérationnel que s’il a appris à reconnaître les autres véhicules et la signalisation routière à partir d’images prises dans la circulation. Une application d’aide au diagnostic nécessitera l’accès à des banques d’images médicales, un moteur de traduction automatique s’appuiera sur des bibliothèques de textes déjà traduits etc.

    Ce principe ne se dément pas lorsque le Machine Learning est mis en œuvre dans le monde de la gestion. Les entreprises l’ont bien perçu. Elles ont ainsi fait émerger des rôles de Chief Data Officers avec pour objectif de décloisonner les données qui dorment dans des silos organisationnels.

    Cependant, puisque la performance dépend de l’accumulation rapide de données représentatives, ne faut-il pas aussi faire tomber les murs séparant chaque organisation du monde extérieur ?

    Plateformes prédictives : le challenge de la data

    L’émergence de plateformes prédictives SaaS (ou DaaS, Data as a Service) proposant d’appliquer le Machine Learning à des thématiques variées (détection d’opportunités commerciales, optimisation des processus de vente, modélisation et planification financière, détection des risques de défaut, prévision des délais de paiement, etc.) soulève la question avec une acuité particulière. Chaque plateforme héberge en effet les données confiées par ses clients sur une infrastructure commune. Il est donc techniquement très simple de les mutualiser afin d’augmenter la profondeur du champ d’investigation des algorithmes et, par conséquent, la qualité de l’information restituée à l’utilisateur.

    Prenons l’exemple d’une plateforme d’évaluation de leads commerciaux. La mise en commun des informations détenues dans l’ensemble des bases CRM des sociétés utilisant ce logiciel permettrait d’analyser les comportements d’achat de leurs clients sur un spectre beaucoup plus large et d’anticiper leurs besoins beaucoup plus précisément qu’en exploitant séparément chaque source de données. Cependant, des concurrents peuvent figurer parmi les utilisateurs de la plateforme. Les sociétés sont donc assurément réticentes à voir leurs données exploitées au bénéfice de possibles rivaux.

    Mutualisation versus rétention de l’information

    Le dilemme est ainsi posé : personne ne souhaite partager ses données mais chacun bénéficierait d’un accès à celles des autres. Il s’agit par conséquent pour le décideur de naviguer entre deux écueils tout aussi dangereux : brider des technologies qui s’avèrent cruciales pour la performance future de son organisation ou laisser des tiers bénéficier de ses informations propriétaires qui, comme le proverbial dentifrice, ne pourront être remises dans le tube une fois divulguées.

    Faute de pouvoir jouer les passagers clandestins, l’organisation doit établir un bilan coût-avantage qui permette d’opter au cas par cas entre rétention et mutualisation des données.

  • Quand l’analytique se met au service des villes intelligentes …

    Bâtir les fondations informatiques des villes intelligentes

     Par Marc Royer Expert Scale-out NAS, Datalake and Big Data Analytics chez Dell EMC

    Les Nations Unies prévoient que d’ici à 2050, environ 70 % de la population mondiale sera concentrée dans des zones urbaines, contre 54 % en 2014. Pour les municipalités, cette progression de leur population n’est pas sans conséquence. Des technologies émergentes telles que l’Internet des Objets, les capteurs ou l’analytique sont appelées à jouer un rôle crucial pour le développement durable des environnements urbains, pour affecter ou gérer les ressources de la manière la plus efficace possible. Or, à mesure que ces smart cities deviendront une réalité, il sera essentiel de mettre en place des technologies qui supportent les nouveaux services et répondent à l’évolution des besoins.

    Une question d’échelle 

    Dans une ville intelligente type, on estime que chaque arrêt de bus et lampadaire contiendra en moyenne huit capteurs. Avec quelque 250 000 objets connectés dans un environnement urbain typique, cela peut représenter jusqu’à deux millions de capteurs, produisant tous en temps réel des données qu’il faudra traiter pour en extraire l’essentiel. Par exemple, l’incidence des encombrements de la circulation sur les niveaux de pollution pourrait être utilisée au sein d’un système aiguillant les automobilistes vers des itinéraires bis de façon à réduire cette pollution.

    Cependant, pour qu’une ville soit véritablement intelligente, ses systèmes doivent pouvoir accéder à des volumes considérables de données et les traiter. C’est en cela queles « Data Lake » ou « lacs de données » se révèleront précieux, car ils rassemblent des masses de données de différents types et formats, qu’ils rendent immédiatement accessibles aux outils analytiques avancés. Face au volume et à l’éventail des données non structurées que les villes intelligentes vont produire, les « Data Lake » évolutifs offrent le meilleur moyen d’interpréter ces informations, quelle qu’en soit la forme ou la provenance.

    Analyse en temps réel

    Les villes intelligentes doivent toutefois aller au-delà de la collecte de données : il leur faut également les analyser le plus rapidement possible pour permettre aux infrastructures ou aux services d’y réagir.

    C’est particulièrement le cas lorsqu’il s’agit de répondre en urgence à un incident et au nombre de variables qui entrent en jeu.

    Les services d’urgence devront être alertés et recevoir des informations avec un maximum de rapidité afin de venir en aide aux personnes touchées et d’éviter toute aggravation de la situation. En outre, la circulation devra être déviée de manière intelligente pour contourner la zone concernée, les réseaux de communications devront présenter une flexibilité suffisante pour rediriger leur capacité là où elle est nécessaire et les informations être rassemblées pour tenir les citoyens au courant de l’incident.

    Il est donc indispensable que les villes intelligentes fassent appel à des outils de pointe pour le traitement et l’analyse des données, notamment en termes de latence en mémoire pour le stockage externe.

    Le potentiel de l’analytique prédictive

    Les citoyens des villes intelligentes pourront aussi à avoir accès en permanence à des informations et à des services personnalisés. Une méthode essentielle pour répondre aux attentes de ces « citoyens numériques » est l’analytique prédictive, qui permet de prévoir leurs besoins et d’affecter des ressources de manière appropriée en fonction de l’interrogation des lacs de données.

    En cas d’urgence médicale par exemple, l’analytique prédictive pourra diriger un patient vers l’hôpital apte à prendre en charge sa pathologie à ce moment-là, avec un minimum de temps d’attente.

    L’optimisation de la circulation est une autre application intéressante. Les autorités pourraient prévoir les flux de trafic et les conséquences de certains événements, tels que l’ouverture des écoles ou une grande manifestation sportive. Ces informations pourraient alors être exploitées pour augmenter les tarifs du stationnement afin de dissuader les automobilistes de se rendre dans la zone concernée.

    L’analytique prédictive exige la collecte de données sur plusieurs années afin de disposer de la profondeur nécessaire, une autre raison pour laquelle les lacs de données et le stockage évolutif seront des éléments majeurs de l’infrastructure d’une ville intelligente.

    Unifier les capacités informatiques 

    L’échelle, la complexité et l’éventail des exigences qui pèseront sur les infrastructures et les services urbains dans un avenir proche sont considérables.

    Elles nécessiteront des fondations informatiques robustes, agiles, évolutives et sécurisées. Des technologies de stockage et de traitement de données de nouvelle génération seront indispensables.

    Indubitablement, les derniers progrès des systèmes hautement évolutifs, à faible latence, dotés de capacités analytiques avancées, servent les besoins fondamentaux des villes intelligentes. Lorsque ces capacités seront réunies dans le cadre d’une plate-forme, alors la création de villes intelligentes pourra véritablement s’accélérer.

     

  • e-RH – Choisir le bon modèle de recrutement prédictif

    « Recruteurs, je veux vous parler de l’intelligence artificielle… »

    Par Saad Zniber, co-fondateur de YATEDO

    Dans le travail de tout recruteur, il y a incontestablement une partie très rébarbative. Lorsqu’on recherche un profil, il faut diffuser une offre d’emploi puis trier les candidatures et enfin contacter les profils retenus. Ces processus peuvent être automatisés et gérés beaucoup plus efficacement par une intelligence artificielle. Non seulement le recruteur gagne du temps, mais il gagne aussi en qualité !

    Le sourcing est un processus critique. S’il est raté, la valeur ajoutée du recruteur devient nulle. Aujourd’hui, il est donc préférable de confier le sourcing à des algorithmes. Pourquoi ? Car même chez les recruteurs les plus expérimentés, qui ont constitué au fil des ans un carnet d’adresses impressionnant, leur performance en sourcing n’arrive pas à la cheville des capacités d’une intelligence artificielle. En effet, quand un bon recruteur active un réseau susceptible de toucher plusieurs milliers de candidats, l’outil gère lui des dizaines de millions de profils. Pour autant, la quantité est-elle forcément synonyme de qualité ? Si on utilise le bon outil avec le bon modèle, alors oui !

    Choisir le bon modèle de recrutement prédictif
    Car c’est un peu ça le problème… Les apôtres du recrutement prédictif utilisent des modèles assez douteux. En gros, voici leur pitch : « pour trouver le talent dont votre entreprise a besoin, nous allons établir un profil idéal à partir du croisement de milliers de données internes et externes. Puis, nous allons rechercher et sélectionner des candidats qui matchent avec ce profil. » Autrement dit, ils ne font que répéter les bons vieux usages : « Dans mon entreprise, les diplômés HEC ont très bien réussi donc je ne vais recruter que des diplômés HEC. » Au final, la stratégie de recrutement est celle du clonage et des préjugés. Dans un monde qui évolue vite et où chaque entreprise peut se faire ubériser en l’espace de 6 mois, cette stratégie est vouée à l’échec !

    Si le modèle du recrutement prédictif est séduisant intellectuellement (je recrute des profils identiques à ceux qui ont réussi dans mon entreprise), il est faux. Pourquoi ? Parce qu’il trouve son origine dans les préjugés des recruteurs (lesquels choisissent des critères selon leur propre expérience personnelle) et selon l’idée que les recettes d’hier vont fonctionner demain.

    Une autre IA est possible
    Une intelligence artificielle est une technologie pouvant raisonner comme un être humain. Pour en retirer de réels bénéfices, le recruteur doit se laisser guider par l’outil. Car c’est bien l’intelligence artificielle qui va lui fournir son profil idéal.

    Prenons un exemple. Je souhaite recruter un responsable marketing. Je vais demander à mon outil d’intelligence artificielle d’identifier le profil le plus à même de réaliser ce job. Scannant des centaines de millions de données (disponibles sur le web, les réseaux sociaux…), l’outil analyse les parcours, les compétences et les diplômes de centaines de milliers de responsables marketing (mais aussi d’autres professionnels du marketing dont les titres sont différents mais les missions relativement semblables). Suite à cette analyse, l’outil va définir ce qui constitue l’essence d’un responsable marketing : il a telles compétences, il a connu tel parcours professionnel, il a fait ce type d’études,…

    Grâce à ces informations, je visualise nettement à quoi ressemble la perle rare. Il faut maintenant affiner ce profil en fonction de certains critères qui me sont propres. Par exemple, je souhaite que le candidat évolue dans telle région ou dispose d’une certification Y. Egalement, je cherche quelqu’un ayant un fort potentiel (donc une personne qui a connu une évolution de carrière rapide) et plutôt passionné (donc une personne menant des projets en dehors de son travail pour acquérir de nouvelles compétences). Ce travail d’affinage permet alors d’établir une short-list de candidats réellement pertinente.

    Adapt or die 
    D’ici à 5 ans, le métier de recruteur va radicalement se transformer. Toute la partie sourcing a vocation à être complètement automatisée. Même la prise de rendez-vous avec les candidats sera à terme gérée par l’intelligence artificielle. Ces fameux chatbots, dont on parle tant actuellement pour les plateformes e-commerce, seront chargés d’enclencher les premiers échanges avec les candidats. Dans le même temps, le tri des CV et l’animation de la CVthèque sera optimisée par les outils, permettant au recruteur de se libérer des tâches administratives et donc de se concentrer sur deux missions prioritaires : faire passer des entretiens d’embauche et prendre la décision finale !

  • Prédictif, recrutement et mobilité : le nouveau trio des DRH

    Comment le recrutement prédictif s’applique à la mobilité ? 

     Par Simon Baron Chief Science & Innovation @AssessFirst
    Le recrutement prédictif est devenu la méthode la plus avancée pour sélectionner des candidats. Cela s’explique par le besoin des professionnels RH de s’appuyer sur des éléments tangibles pour prendre leurs décisions, et le poids du CV qui a considérablement baissé.

    Dans le même temps, la politique de mobilité dans l’entreprise s’est considérablement musclée avec la mise en place des entretiens de carrière et la construction de parcours professionnels. Les collaborateurs sont en demande d’évolution et l’entreprise veut capitaliser sur les personnes qu’elle a formées et qui se retrouvent dans son projet.

    Le point commun de ces sujets ? Le besoin d’anticiper la capacité des gens à réussir dans un poste pour lequel ils ont peu (ou pas) d’expérience. Le recrutement prédictif a montré que c’était possible. Voyons ce qui est transposable dans le cadre de la mobilité.

    #1 – Cartographier les facteurs de la réussite

    Les métiers sont tellement amenés à évoluer que ce n’est plus tant l’expérience qui est le meilleur indicateur de la réussite que les attributs personnels. C’est ce qui va principalement faire que les personnes restent ou partent, se plaisent ou non, et sont en mesure de porter les évolutions de leur activité. Le tout est de connaître ces critères dans les postes clés de l’entreprise.

    Le mieux est de procéder en trois temps : en premier lieu, il s’agit d’identifier les caractéristiques partagées par les personnes en poste (en posture de réussite). Qu’ont-elles en commun ? Pour avoir une mesure objective de cet aspect, il est conseillé de passer par des techniques adaptées. Par exemple, utiliser des tests pour accompagner des prises de décisions, proposer aux personnes en poste de les compléter. Il est possible de constater les résultats obtenus, et ce qu’il faut attendre des collaborateurs aspirants à cette fonction. C’est le principe même du recrutement prédictif.

    Dans un second temps, il est possible d’opérer une validation de cette manière : est-ce que les critères identifiés sont ceux qui font défaut aux personnes en échec dans la fonction ou qui sont déjà parties ? Quand c’est le cas, il est certain de tenir les secteurs de validation de la mobilité.

    Enfin, il est possible de mesurer l’évolution actuelle ou à venir des postes de l’entreprise. Quelles transformations sont-ils en train de subir ? Qu’est-ce que cela implique comme nouvelles compétences ?

    L’entretien de carrière est un moment opportun pour le collaborateur de penser sa carrière, mais on oublie qu’il s’agit d’une opportunité incroyable pour les RH d’auditer les aspects précédemment évoqués. Par exemple, de plus en plus de services RH propose aux collaborateurs de compléter des questionnaires de personnalité. Cela permet de travailler avec le collaborateur à un projet qui lui correspond, et peut permettre aux RH de prendre la mesure des indicateurs précédemment évoqués.

    #2 – Évaluer le potentiel des collaborateurs

    Si on suit la logique du recrutement prédictif, il ne s’agit pas d’évaluer le potentiel de mobilité d’un collaborateur au regard de son poste actuel, mais plutôt en fonction de ses qualités personnelles. Comment s’assurer que le collaborateur pourra s’adapter à une nouvelle fonction ?

    A ce niveau, il est essentiel de valider le potentiel d’apprentissage. La meilleure technique à ce jour pour l’obtenir est à travers des tests de raisonnement. Ils permettent de valider deux choses :

    – Plus la personne obtient un score fort à un test de raisonnement, plus elle aura de facilité à apprendre des savoirs qui lui sont aujourd’hui inconnus. En fait, à travers cet indicateur, vous allez pouvoir prendre la mesure du périmètre sur lequel peut évoluer votre collaborateur : peut-il aller vers une sphère plus stratégique de son activité, changer presque complètement de métier, ou au contraire a-t-il besoin de rester proche de son savoir d’origine ?

    – Plus la personne est à l’aise pour raisonner d’un point de vue conceptuel, plus elle aura de capacité à apprendre des savoirs théoriques. Si ce n’est pas le cas, il est préférable d’accompagner le collaborateur avec du mentoring sur le terrain.

    Les RH se demandent souvent à partir de quel score à un test de raisonnement ils peuvent s’assurer qu’une mobilité est réaliste. La meilleure réponse à cette question est toujours la même : quel est le niveau des personnes qui font le job actuellement ? Si elles y arrivent avec certains scores, ils doivent servir de référence à ce sujet. D’ailleurs, le palier se dessine généralement facilement : en dessous d’un certain niveau, soit les gens partent, soit ils échouent majoritairement.

    Le second critère pour évaluer le potentiel consiste à valider la capacité d’une personne à adopter un rôle nouveau. C’est typiquement le cas lors d’une mobilité géographique : le collaborateur possède l’expertise liée au poste, mais est-il capable de prendre de la hauteur et d’adopter un rôle managérial ?

    Évaluer ce potentiel relève davantage de la personnalité du collaborateur. L’intérêt dans le cadre de la mobilité, c’est de pouvoir valider les comportements déjà mis en œuvre par le collaborateur et sur lesquels il pourra s’appuyer dans ce rôle. Dans la logique du recrutement prédictif.

    #3 – Valider l’implication des collaborateurs

    Dans les projets de mobilités, il est compliqué de savoir ce que les collaborateurs veulent faire. Ce qu’il faut savoir, c’est que le futur engagement du collaborateur dans son nouveau poste va se jouer à 3 niveaux :

    –       Les activités confiées. Le collaborateur peut se représenter un poste sans prendre la mesure de ce qu’il implique concrètement. L’enjeu des RH est ici de s’assurer qu’il ne retrouvera pas les tâches qui l’ennuient aujourd’hui, et qu’il pourra accéder à d’autres qui lui manquent aujourd’hui,

    –       Le futur manager. Les collaborateurs demandent parfois une mobilité parce qu’ils ne s’y retrouvent plus avec leur manager. Pour éviter le même schéma, il faut savoir quels styles de leadership les tirent vers le haut, et quels styles sont incompatibles avec leurs attentes,

    –       Le cadre de travail. Bien que l’on reste dans la même entreprise lors d’une mobilité, on peut sous-estimer les décalages existant dans la façon de travailler entre les services.

    Comment s’assurer de cet aspect ? Si on se réfère à ce qui fonctionne pour le recrutement prédictif, et qui permet de diminuer considérablement le turn-over, il faut de la même manière mesurer les motivations des collaborateurs satisfaits et engagés pour s’assurer que les prétendants possèdent des facteurs d’engagement en phase avec la fonction visée.

    #4 – Exemple de projet mis en œuvre 

    Une entreprise de 5000 salariés souhaite identifier le potentiel managérial au sein de ses collaborateurs. Les managers sont une population clé. Ils sont environ 600 en poste, souvent issus des mobilités internes. L’enjeu est de limiter le turn-over en poste, et de comprendre les différences de performance en poste entre les managers.

    La première étape a été d’auditer la population en poste, en leur faisant passer des tests. Les résultats ont ensuite été rapprochés de leur performance afin d’identifier les facteurs différenciant les managers au plus haut potentiel. Il a été possible de cibler ces facteurs clés de la réussite chez cette population. Ils ont été consolidés dans un modèle prédictif du succès managérial.

    La méthode a été déployée de sorte que les collaborateurs en mobilité ont pu être évalués au regard de leur potentiel managérial. En validant leur profil vis à vis du modèle prédictif, les RH ont pu s’assurer que les collaborateurs possédaient les prérequis indispensables à la réussite sur ce poste.

    #5 – Conclusion

    Le recrutement prédictif peut tout à fait s’appliquer dans une logique de mobilité, car il s’agit d’un contexte où l’on s’attache exclusivement à valider le potentiel des collaborateurs à évoluer sur un autre poste. Mettre en place cette démarche en interne a un double

    intérêt : elle permet aux personnes de mieux se connaître en complétant des tests et en échangeant lors de l’entretien de carrière, et elle permet de valider objectivement le potentiel de chacun dans une fonction cible. Comme tout démarche de mesure, elle nécessite cependant d’avoir un certain volume de personnes en poste, et ne peut s’appliquer que sur de petits effectifs.