A l’occasion de la conférence AWS Summit Paris du 2 avril, Marc Cabocel AWS Solutions Architect et Adrian Pellegrini Chief DataScience Office Blue DME nous ont proposé une session sur les nouvelles capacités données aux entreprises grâce au Machine Learning. Découvrez avec Margo ce qu’il fallait retenir de cette session.

Premier constat, 40% des initiatives de transformations digitales sont supportées par de l’IA. Grâce au Cloud, la disponibilité des ressources de computing à la demande est garantie et le stockage des données est sécurisé, il s’agit là d’avantages majeurs comparativement à des infrastructures traditionnelles complexes et coûteuses à manœuvrer et sécuriser.

AWS quant à lui fournit des services de Machine Learning qui sont prêts à l’emplois et managés, et ils peuvent être utilisés par n’importe quel développeur ou data scientist. 90% de la roadmap de développement des services est basée sur les demandes client. Ainsi plus de 200 nouvelles fonctionnalités de Machine Learning ont été mises à disposition l’année dernière, sachant que la plateforme peut supporter n’importe que type de framework.

Amazon fournit un service à destination des data scientists qui s’appelle Sagemaker et permet de créer des algorithmes, de les entraîner et les déployer sur les environnements de production. AWS entraîne aussi ses propres modèles de Machine Learning et les fournit sous forme d’API, ces services sont répartis dans différentes catégories fonctionnelles comme par exemple : vision, speech, langage, chatbot, forecast…

Textract est une de ces APIs qui permet de faire de la reconnaissance de caractère (OCR), AWS fournit aussi des SDK pour interagir facilement avec cette API. Le bénéfice direct pour le client de ces services est un coût de quelques centimes à l’appel de l’API avec quasi aucune compétence en Machine Learning nécessaire pour l’utiliser.

Forecast est un autre service qui permet de faire des prévisions sur des séries temporelles (estimation du chiffre d’affaires à la fin de l’année, planning d’inventaire, force de travail, demande de produit…). Une série temporelle est représentée en abscisse par le temps et en ordonnée par une autre métrique. À partir d’une série temporelle on peut ainsi extraire une tendance. Dans certains cas les séries le permettent sans algorithme et dans d’autres cas il est nécessaire de passer par du Machine Learning pour pouvoir faire une prévision sur la série. Les méthodes traditionnelles ne gèrent pas par exemple la saisonnalité, les données additionnelles et le besoin d’historique de données, ce qui n’est plus nécessaire et ne pose donc pas de problème avec un service comme Forecast.

Personalize permet de faire de la recommandation en temps réel, de la recommandation de produits, objets semblables, recherche personnalisée, notifications et email (pour le marketing personnalisé). 30% des pages vues sur Amazon sont basées sur des recommandations. Ce service fonctionne comme Forecast avec peu d’historique et en temps réel pour les recommandations réalisées. Pouvoir réaliser une recommandation en une fraction de seconde est d’ailleurs un enjeu clé !

Blue DME nous a ensuite présenté le cas concret de Emil Frey France (ex-PGA Motors) une entreprise française créée en 1978 et basée au Futuroscope de Poitiers, qui compte parmi les principaux acteurs français de la distribution automobile.

Le cas d’usage concret retenu est celui du vendeur qui a été équipé d’un CRM permettant de

• Collecter de la donnée (Data Catching)
• Analyser de la donnée (Data Analytics)
• Mettre en place des processus métier pour bien faire le travail

Pour accompagner ce déploiement, Blue DME a développé Tony, un chatbot qui va aider le commercial à convertir plus pour rendre actionnable efficacement les données collectées et lui restituer la valeur de la saisie rébarbative de ces données.

Dans le cadre d’un plan de transformation digitale en cours, Emil Frey a donc décidé de déployer un CRM et de nombreux outils mais qui étaient peu utilisés, par les commerciaux en particulier. Les objectifs étant d’augmenter la vitesse de rotation du stock et d’augmenter le taux de conversion.

Sur la base d’un algorithme de Machine Learning, Tony permet de fournir des recommandations d’actions au vendeur sur les leads qui arrivent. Le chatbot prend en compte le feedback de la part des commerciaux (soit ils acceptent les recommandations soit ils les refusent) et permet de mettre en place une logique d’adaptation automatique  de l’algorithme en fonction du feedback, de manière à améliorer les recommandations futures.

Au-delà d’un algorithme de recommandation, Tony embarque aussi un algorithme de pricing et de scoring client. En amont, la collecte des données client 360 et des données externes a par ailleurs été mise en place.