My Blog

Étiquette : sidetrade

  • L’intelligence artificielle et l’emploi : opportunité ou menace ?

    Comment l’intelligence artificielle transforme nos métiers?

    Par Valérie Burel, VP Customer Performance de Sidetrade

    L’intelligence artificielle s’illustre aujourd’hui au quotidien et se déploie rapidement dans la plupart des secteurs d’activités, bousculant ainsi les expertises humaines en entreprise. Si un emploi sur deux devrait s’en trouver transformé(1), l’intelligence artificielle ne représente pour autant pas une menace pour ces métiers, qui devraient être redirigés vers des tâches moins répétitives et à plus forte valeur ajoutée. Selon une étude de PwC conduite en mars 2017, 70 % des métiers de l’énergie et 65 % des métiers de la consommation pourraient être automatisés via l’intelligence artificielle.

     L’arrivée de cette nouvelle technologie implique un changement dans la chaîne de valeur et, si elle ouvre la voie à de nouvelles compétences – comme par exemple la cybersécurité – elle représente aussi un défi majeur en termes d’adaptation des compétences et une véritable opportunité pour l’évolution des métiers. Ce défi, il revient à nous, dirigeants et managers, de le relever pour accompagner nos équipes dans cette profonde mutation : vaincre les peurs, accueillir l’innovation, transformer les postes de travail, former les équipes.

    Une opportunité plus qu’une menace

    L’adoption de robots et d’intelligence artificielle pourrait booster la productivité de 30 % dans les entreprises.

    Un argument de poids dans l’adoption de ces technologies, qui représentent un bouleversement majeur pour l’emploi dans l’adaptation des compétences mais également dans l’évolution des tâches quotidiennes de chaque métier. Une étape qui nécessite une importante phase de conduite du changement au sein des entreprises, pour accompagner les métiers concernés et aborder cette transition avec sérénité.

    En effet, la machine permet dès aujourd’hui à l’homme de prendre de nouvelles responsabilités, en travaillant par exemple à l’identification des tâches candidates à l’automatisation. Certaines tâches chronophages et abrutissantes peuvent ainsi d’ores et déjà être éliminées : les échanges avec le client les plus simples à traiter, comme les demandes de duplicata de facture dans le cas d’un litige, sont identifiées par la machine, qui répond automatiquement et en temps réel. L’entreprise gagne en vélocité – la machine étant bien plus réactive que l’homme – ainsi qu’en satisfaction client : le taux d’exactitude de la réponse augmente, la relation client s’en trouve donc améliorée.

    L’enjeu : faciliter la transition

    Aujourd’hui, l’intelligence artificielle en est à sa première phase de développement : l’intelligence dite « assistée ». Elle permet d’automatiser des tâches répétitives et, bien qu’elle ne révolutionne pas encore la nature des tâches en elle-même, s’enrichit et apprend via des algorithmes de Machine Learning. Demain, l’intelligence « augmentée » permettra de faire évoluer les tâches et d’échanger avec la machine directement, pour finalement parvenir à une intelligence « autonome », où les machines apprendront de façon continue pour automatiser la prise de décisions (comme par exemple dans le cas des véhicules autonomes ou des investissements intelligents).Les salariés 2.0, qui travaillent d’ores et déjà au quotidien avec l’intelligence artificielle, voient une occasion en or s’offrir àeux : celle d’apprendre à maîtriser cette technologie dès ses premiers pas, et d’en suivre l’évolution phase par phase. Une opportunité qui se transformera en véritable avantage concurrentiel lorsque l’I.A. sera devenue monnaie courante en entreprise et que les structures rechercheront des individus capables de travailler main dans la main avec ces nouveaux collaborateurs robotisés.

    Pour l’entreprise également, le défi à relever est important : quelles tâches assigner aux employés désormais libérés des actions quotidiennes les plus fastidieuses ? Vers quelles tâches à plus haute valeur ajoutée les orienter ? Comment repenser la relation client en réorganisant la part des échanges automatisés et la part laissée à l’humain, qui peut maintenant se consacrer à des enjeux et des comptes plus complexes ? Comment évaluer la performance dans ce nouveau contexte ? Autant de problématiques stratégiques qui nécessiteront une réponse dans les années – voire mois – à venir.

    Tout l’enjeu consiste à faciliter cette transition, en augmentant par exemple la flexibilité, les efforts de formation, le système de protection sociale…

     Les robots, garants de l’emploi ? 

    Aider à prendre des notes, écrire des emails sous la dictée, suggérer des contacts, programmer les meetings, lancer un appel téléphonique, prioriser les tâches, gérer les réseaux sociaux… Autant de tâches quotidiennes chronophages qui seront, demain, prises en charges par l’intelligence artificielle.

    « L’objectif in fine est d’avoir plus de temps pour soi, pour sa famille, avoir plus d’interactions avec des personnes et prendre du temps pour s’engager dans des activités sociales », pour Catherine Simon, présidente et fondatrice d’Innorobo, le sommet européen entièrement dédié aux technologies robotiques.

    Pourtant, 65 % des Français se disent inquiets par l’autonomie croissante des machines d’après l’Ifop, notamment par son impact sur le marché de l’emploi. Une crainte « qui revient à chaque phase de crise du capitalisme », selon l’historien de l’économie François Jarrige. La robotisation représente finalement la poursuite du processus de mécanisation et d’automatisation entamé depuis la révolution industrielle et qui pourrait à terme fortement abaisser la pénibilité de l’emploi et en préserver la compétitivité.

    Un rapport du cabinet de conseil Boston Consulting Group (BCG) démontre que les taux de chômage des pays les plus robotisés (Allemagne, Corée du Sud, Brésil, USA) sont aussi parmi les plus bas ou les plus régulés – l’Allemagne est parvenue à une diminution de 4 % entre 2013 et 2014.

    L’apport de la robotique n’aurait donc pas d’impact négatif direct sur l’emploi et permettrait même de relancer certains secteurs en perte de vitesse : les investissements robotiques des industries automobiles allemande et japonaise ont par exemple permis de maintenir leurs positions sur le marché automobile et donc les emplois liés à cette filière. 1 million de robots industriels actuellement en service seraient déjà directement responsables de la création de 3 millions d’emploi selon une étude conduite par Metra Martech, et relayée par l’IFR. Le développement de la robotique dans les 5 prochaines années devrait encore créer 1 million d’emplois qualifiés dans le monde.

    La relation au client est réinventée, au même titre que la robotique a révolutionné le processus industriel dans les années 2010 et que le numérique a révolutionné la relation client en BtoC au début des années 2010, c’est aujourd’hui aux entreprises du secteur BtoB de faire leur révolution. Au-delà des métiers, c’est toute la relation aux clients qui doit évoluer. L’entreprise doit donner l’impulsion, en passant par ses salariés, de cette relation client réinventée. L’intelligence artificielle permet aujourd’hui aux entreprises de prendre ce virage et de repenser une relation client plus immédiate, plus directe et plus recentrée au cœur des problématiques business.

     

    [1] Etude du Conseil d’orientation pour l’emploi (COE), janvier 2017

  • 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 : 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.