IA et analyse prédictive : quel avenir ?

Les progrès de l'IA et de l'analyse prédictive auront des ramifications au-delà des capacités technologiques de l'entreprise. Les organisations seront confrontées à de nouveaux défis en termes de compétences, de mise en œuvre et plus encore. Comment les marketeurs peuvent-ils se préparer au changement ?

Dans cette série, nous avons vu comment les progrès évolutifs de l'industrie de l'analyse conduisent naturellement à l'intégration de l'intelligence artificielle (IA) pour créer des modèles prédictifs précis.

Dans le premier article, nous avons exploré le potentiel de l' IA et de l'analyse prédictive en tant qu'outils marketing , entraînés par des améliorations technologiques qui sont passées d'une automatisation basée sur des règles à quelque chose de plus proche de la sensibilité. Nous en voyons des exemples partout, des applications comme Waze de Google à la protection contre la fraude financière et aux recommandations personnalisées sur Amazon.

Le deuxième article de la série était basé sur des cas d'utilisation concrets de cette technologie , présentant une grande variété d'entreprises qui ont utilisé l'apprentissage automatique et l'IA pour prédire les comportements des consommateurs et créer de meilleurs résultats commerciaux. Ces opportunités sont désormais ouvertes à toutes les entreprises, mais les saisir est une tâche plus complexe que le simple achat de nouveaux logiciels.

Le troisième et dernier article de notre série se concentrera sur l'avenir de l'analyse prédictive et les défis auxquels l'industrie est confrontée.

Défis de mise en œuvre

Même s'il peut sembler inévitable qu'un outil commercial aussi puissant soit adopté en masse, la réalité est plus nuancée que cela. Les dirigeants veulent des décisions plus intelligentes et plus rapides, mais il y a une sorte d'acte de trapèze élevé dans l'équilibrage des données, des personnes et de la technologie lorsqu'il s'agit de transformer une entreprise en un modèle d'analyse prédictive basé sur l'IA.

La mise en œuvre de cette technologie nécessite un changement idéologique pour les entreprises, pas seulement un investissement en capital, et la formation du personnel à partir de zéro en analyse de données est impérative.

Cela survient à un moment où la confiance des dirigeants dans l'expertise numérique de leur organisation semble diminuer. La dernière enquête Digital IQ de PwC montre une baisse de la confiance des dirigeants dans les capacités de leur équipe :

Le niveau d'expertise ne diminue pas; l'industrie change tout simplement si rapidement que le personnel ne suit pas.

Par conséquent, si l'analyse prédictive basée sur l'IA doit occuper une place centrale dans la boîte à outils du DSI/CMO, quelques obstacles importants devront être surmontés.

Dans cette dernière partie de notre série sur l'analyse prédictive, nous décrirons certains des défis auxquels cette industrie sera confrontée à l'avenir, avant de discuter des solutions que les entreprises peuvent commencer à mettre en œuvre dès aujourd'hui.

Qualité des données

Dans une récente enquête menée par Protoviti auprès des cadres supérieurs , les données ont été classées comme le plus grand obstacle à l'adoption généralisée de l'analyse prédictive au sein des entreprises. La qualité était l'un des principaux modificateurs utilisés pour ajouter de la spécificité à un terme aussi nébuleux que « données ».

Même la « qualité » nécessite une définition plus précise avant que nous puissions décider de la manière de relever un défi aussi gargantuesque.

Les données de haute qualité seront cohérentes dans leur format (même à grande échelle), reflétant le scénario du monde réel qu'elles décrivent et permettront des recherches fiables et reproductibles.

Nous pouvons prendre comme exemple un ensemble de données sur les départs de trains de Waterloo de 2010 à 2014 qui contient des écarts entre les périodes et utilise des conventions de dénomination incohérentes. Les humains sont aux prises avec des lacunes dans des ensembles de données comme celui-ci, mais nous pouvons nous adapter et peut-être même obtenir les données d'ailleurs. L'intelligence artificielle ne peut tout simplement pas fonctionner avec des données incomplètes comme celle-ci, car elle ne peut fonctionner qu'avec ce qui est introduit dans le système.

Les meilleures technologies d'IA au monde ne peuvent utiliser que les données que nous fournissons, il est donc crucial que les entreprises soient conscientes de ces pièges potentiels et sachent comment les éviter. Plus de données signifie généralement de meilleurs résultats de l'analyse prédictive basée sur l'IA, mais il doit s'agir des bonnes données pour répondre au problème commercial que vous souhaitez résoudre.

Avoir la bonne équipe en place est une excellente façon de commencer sur cette voie.

Recruter et former aux bonnes compétences

La technologie d'analyse prédictive est de plus en plus sophistiquée, mais le niveau de connaissances au sein de l'industrie n'évolue pas nécessairement au même rythme.

Un rapport de Capgemini a révélé que 77 % des entreprises considèrent le manque de compétences adéquates comme le plus grand obstacle à une transformation numérique réussie :

Un rapport ClickZ est allé plus loin pour identifier les domaines de compétences les plus souhaitables, par rapport à leur niveau de sophistication actuel au sein des organisations.

Il n'était pas surprenant de voir l'analyse classée comme la compétence la plus importante, compte tenu de son potentiel d'utilisation dans toutes les fonctions marketing. C'était peut-être un peu plus surprenant de voir l'analytique comme le domaine avec le plus grand écart de compétences.

Source : ClickZ

L'analyse englobe une variété de techniques et de types d'enquête sur les données. La plupart des travaux d'analyse entrepris aujourd'hui relèvent soit de la description (que s'est-il passé ?) soit de l'exploration (pourquoi cela s'est-il produit ?).

Bien que le niveau de compétence nécessaire pour exploiter la technologie derrière les futurs systèmes d'analyse prédictive diminuera probablement avec le temps, les entreprises doivent toujours s'assurer que leur personnel possède une connaissance détaillée de l'analyse des données avant d'investir dans de nouveaux systèmes d'intelligence artificielle passionnants.

Heureusement, il existe de nombreuses ressources et qualifications pour faciliter cette formation, tant que les entreprises sont prêtes à investir. La théorie et la pratique doivent être considérées comme des éléments fondamentaux de cette formation.

Dans Analytics: How to Win with Intelligence , les auteurs postulent qu'un centre d'excellence analytique devrait être formé dans les grandes entreprises, le chef de service relevant du CTO :

Le but de cette approche est de donner à l'analytique une base clairement définie à partir de laquelle ses experts peuvent enseigner aux autres au sein de l'organisation.

Nous pouvons cependant voir cela sous un autre angle. Tous les membres d'une équipe marketing n'ont pas besoin de connaître le fonctionnement interne d'une plateforme d'analyse pour en bénéficier. Cela devient de plus en plus vrai à mesure que ces plates-formes deviennent dépendantes de l'apprentissage automatique pour créer des modèles prédictifs.

Quoi qu'il en soit : une large base de connaissances reste indispensable . Sans avoir la capacité de poser les bonnes questions ou de savoir de quoi la technologie est capable (et de quoi elle n'est pas capable), les résultats ne seront pas adaptés à l'objectif.

Il existe donc une école de pensée de plus en plus répandue selon laquelle les formations en arts libéraux seront un complément de plus en plus important aux statisticiens et aux ingénieurs. La capacité de poser les bonnes questions comme cadre d'une hypothèse, puis d'enquêter sur les résultats, sera essentielle, tout comme les compétences générales requises pour les présenter aux principaux intervenants.

Essentiellement, il faut un village pour obtenir des analyses correctes de nos jours. Mais s'assurer que la qualité de vos données est adaptée à votre objectif et que vous disposez d'un équilibre des compétences dans votre équipe d'analyse est un bon début.

Gestion de données

Les données ne manquent pas à l'ère moderne, et les quantités ne feront qu'augmenter à mesure que les appareils de l'Internet des objets (IoT) continueront de se frayer un chemin dans les foyers du monde entier.

Chaque entreprise dispose d'une source potentiellement lucrative de données propriétaires et tierces à portée de main. Les solutions basées sur le cloud, qui peuvent stocker des données à distance en grande quantité, répondent en partie à la question de savoir où les données doivent être conservées.

Cependant, même si une entreprise utilise un entrepôt de données comme Hadoop, les informations doivent toujours être transférées vers une plate-forme d'analyse et transformées en informations via des modèles statistiques.

La question de savoir comment s'assurer exactement que les plates-formes d'analyse et les systèmes d'IA suivent le rythme reste un casse-tête pour de nombreuses entreprises.

La gestion des données présente également d'autres défis : de l'exploration de données au stockage et, en fin de compte, à la transformation des informations en informations utiles.

Un article publié en 2013 par des scientifiques de l'Université George Washington et de l'Université américaine, intitulé Big Data: Issues and Challenges Moving Forward, a résumé ces problèmes potentiels :

Avec le lancement prochain du règlement RGPD de l'UE , ces questions sont plus importantes que jamais. Il est de la responsabilité de l'entreprise de s'assurer que toutes les données sont conformes aux lois locales et d'éliminer en toute sécurité les données qui ne sont pas conformes.

Si une chose est certaine, nous ne pouvons pas laisser à l'IA le soin de passer ces appels. Les modèles prédictifs d'IA évalueront toutes les données historiques qui leur sont présentées et, si une entreprise s'apercevait plus tard que des données erronées ont été introduites dans sa plate-forme d'analyse d'IA, toute conclusion tirée devra être déclarée invalide.

Retracer les étapes de calculs aussi complexes et déboguer les variables indésirables s'avérerait une tâche impossible. Par conséquent, toute entreprise qui envisage d'intégrer des mégadonnées dans un modèle prédictif basé sur l'IA doit être prudente avec ses sources de données.

Image : Wikimédia

Responsabilité

Cette catégorie sert de terme générique pour une série de défis mineurs, mais toujours importants.

L'IA et l'analyse prédictive ont des rôles clairement définis et importants dans des secteurs tels que les soins de santé. 80 % des dirigeants d'hôpitaux considèrent ce domaine comme « important », et on comprend aisément pourquoi. Tout outil capable de repérer les modèles historiques liés aux maladies et de prédire leur comportement futur s'avérera inestimable dans ce domaine.

Le cas n'est pas aussi clair lorsqu'il s'agit de marketing. Sans aucun doute, nous pourrions tous bénéficier de prédictions précises basées sur le passé. Cela s'applique à toute la société, en fait.

Cependant, il existe un argument selon lequel la modélisation prédictive a certaines limites dans une industrie qui prospère grâce à de nouvelles idées. La tentation avec les systèmes d'IA sophistiqués et les modèles prédictifs est de céder le contrôle et de s'en tenir à ce que nous savons continuer à générer de la croissance.

De plus, l'analyse prédictive peut devenir une prophétie autoréalisatrice. Nous voyons qu'un certain message, produit ou segment d'audience devrait se convertir à un taux plus élevé, nous réalisons donc un changement de budget pour en tirer parti. Si la prédiction se réalise, est-ce parce que la prédiction était exacte, ou parce que nous avons agi pour la rendre exacte ?

Enfin, nous devons considérer le rôle de la créativité humaine dans ce processus. Comme nous en avons discuté dans notre article sur la création de contenu basée sur l'IA, la capacité humaine à innover et à concevoir de nouvelles solutions créatives est une capacité que l'IA ne maîtrise pas encore tout à fait. En tant que tel, nous devons utiliser la technologie pour libérer nos équipes afin de tirer le meilleur parti de leur capacité à élaborer des stratégies sur le long terme.

Comme pour toute technologie d'IA, l'un des facteurs de réussite les plus cruciaux est le rôle que les gens joueront pour tirer le meilleur parti des outils à leur disposition. En examinant spécifiquement l'analyse prédictive, cela signifie assurer le bon équilibre entre des données de qualité, la meilleure technologie et des personnes capables de connaître les limites de la technologie.

Ceci conclut notre série en trois parties sur l'IA et l'analyse prédictive. Si vous avez manqué les deux versements précédents, suivez les liens ci-dessous pour un récapitulatif :

• Comment l'IA peut-elle permettre aux marketeurs de prédire l'avenir ?
• 5 entreprises utilisant l'IA pour prédire l'avenir et le profit