Transformer les données en or : stratégies éprouvées pour exploiter l'actif le plus précieux de votre organisation

Transformer les données en un atout devrait être une priorité pour les entreprises.

Montrez-moi les données !

En général, les organisations ont accès à d'immenses volumes de données. Obtenir ce « nouvel or noir » n'est pas nécessairement le problème. La difficulté réside dans l'exploitation de ces données, qu'il s'agisse de données clients directes ou de données provenant d'objets connectés (IoT). Comment puis-je utiliser au mieux cet atout précieux et le mettre au travail ?

La chose la plus importante que toute organisation puisse faire est de mettre en place une stratégie de gestion des données efficace et holistique — et d'en faire une priorité !

Premièrement, il faut comprendre quelles données vous possédez ; deuxièmement, être capable de les analyser ; et troisièmement, pouvoir appliquer une couche d'intelligence par-dessus ces données « pour soit piloter d'autres types d'expériences, de calculs ou de flux de travail », explique Simha Sadasiva, cofondateur et PDG d'Ushur.

Pour atteindre cette stratégie de gestion des données complète, un partenaire est nécessaire. Cet allié doit permettre aux entreprises non seulement d'examiner les données dont elles disposent, mais aussi d'automatiser leur analyse grâce à des techniques d'intelligence artificielle et d'apprentissage automatique, afin de compléter les données manquantes ; « soit en interagissant avec différentes parties prenantes, soit en leur fournissant des informations sur la proximité du client en fonction des données qu'elles ont déjà dans leur back-office », poursuit Sadasiva.

Sources de données

Les sources de données traditionnelles sont celles qui existent dans les entreprises depuis un certain temps. Cela peut inclure des bases de données de gestion de données ou SQL, qui peuvent être structurées*, ou des bases de données de documents non structurées**, comme « des solutions comme Mongo », explique Sadasiva. Ce sont les données qui résident dans le back-office de l'entreprise.

Mais dans l'environnement connecté d'aujourd'hui, de nouvelles sources de données proviennent des parties prenantes qui interagissent avec les entreprises.

« Pensez aux utilisateurs finaux, aux agents, aux partenaires commerciaux, et même aux employés dans une certaine mesure. Ils contribuent aux sources de données sous forme de photos, d'images et de vidéos, etc. », déclare Sadasiva.

Ces sources de données plus récentes — comme un reçu client/employé — nécessitent des techniques d'intelligence artificielle pour être exploitables. Par exemple, en utilisant la reconnaissance optique de caractères (OCR) sur un reçu, les organisations peuvent extraire automatiquement les informations et les réinjecter dans un entrepôt de données au niveau du back-office. « Cela nécessite d'énormes capacités et la capacité de transférer ces informations de manière sécurisée vers le back-office », précise Sadasiva.

Le bon type de données

Du point de vue de l'automatisation et de l'intelligence machine, les techniques d'apprentissage profond peuvent analyser tous ces types de données que les entreprises possèdent actuellement — sources humaines ou historiques. Les organisations doivent combiner cet ensemble de données sous-jacent avec de l'apprentissage supervisé et non supervisé.

Ushur, par exemple, a créé des outils qui tirent parti des données existant dans le cœur de l'entreprise et agissent sur cet apprentissage supervisé et non supervisé en exploitant l'ensemble de données que les entreprises possèdent déjà.

Il existe de nombreux types de données analysables, provenant d'un nombre encore plus grand de sources. Mais un problème survient, bien que peut-être moins pertinent pour le back-office de l'entreprise.

Alimenter les systèmes avec de mauvaises données ou des données biaisées peut entraîner des résultats négatifs nuisant à une entreprise ou une institution. Il suffit de regarder l'outil de recrutement IA sexiste d'Amazon que le géant technologique a abandonné l'an dernier. Ou encore, en 2016, il est apparu que les algorithmes d'évaluation des risques utilisés dans les tribunaux américains — pour décider du sort et de la liberté des accusés — sont biaisés sur le plan racial, infligeant des peines plus clémentes aux Caucasiens qu'aux Afro-Américains malgré l'absence de différence dans le type de crime commis.

La chercheuse en IA, le professeur Joanna Bryson, a déclaré à l'époque : « Si les données sous-jacentes reflètent des stéréotypes, ou si vous entraînez une IA à partir de la culture humaine, vous trouverez des biais. »

La solution consiste à éliminer les stéréotypes et les biais, et à s'assurer que les données les reflètent.

Données non structurées** vs structurées*

Les données structurées font généralement référence aux bases de données, comme SQL. Il s'agit d'informations structurées qui peuvent être organisées, soit sur la base d'informations clients, soit sur des types d'informations spécifiques à un problème métier particulier.

En revanche, les données non structurées peuvent être un « gros bloc » d'informations textuelles. « Cela peut être une description de problème qu'un client a formulée, par exemple via un e-mail ou un document PDF », explique Sadasiva. « À l'intérieur peuvent se trouver des pépites d'informations structurées, telles que le nom du client, son numéro de téléphone, son numéro de réclamation, de police ou de carte de crédit. »

Ce type d'information est appelé données semi-structurées, qui peuvent être enfouies dans des données non structurées. La capacité d'extraire ces informations semi-structurées à partir de données non structurées nécessite des techniques d'« intelligence artificielle » à la pointe de la technologie.

Un cas d'affaires pour les données

La meilleure façon de démontrer l'intérêt business d'une bonne gestion des données est l'exemple de la surcharge d'e-mails.

Les grandes entreprises reçoivent des dizaines de milliers d'e-mails de clients. « Les parcourir manuellement pour les trier, les router et les envoyer au bon service et à la bonne personne avant de répondre au client est absurde », dit Sadasiva. « C'est un problème de premier niveau qui demande une quantité significative de travail manuel. »

Résoudre ce problème nécessite la capacité d'extraire et de séparer les données semi-structurées présentes dans l'information non structurée d'un e-mail. « Un large ensemble d'outils de données peut être utilisé pour extraire ces informations client et les router automatiquement vers la bonne personne et agir sur ce texte. C'est un exemple simple de la façon dont vous pouvez appliquer l'automatisation sur des données qu'une entreprise possède déjà », poursuit Sadasiva.

« La plupart des entreprises ont des millions d'octets d'informations non structurées, sous forme d'e-mails, de descriptions de problèmes, d'articles ou de sources d'information qu'elles peuvent exploiter. »

« Ce sont des informations héritées qu'elles possèdent déjà. En y appliquant la science des données, les entreprises peuvent les rendre utiles pour l'entraînement de modèles informatiques, réduisant ainsi la quantité de travail manuel pour l'avenir. »

Exploiter vos données clients : une nouvelle façon de penser

Tout repose sur le micro-engagement, selon Sadasiva, qui consiste en de courts fragments d'interaction aller-retour entre consommateurs et entreprises. Lorsque les entreprises commencent à considérer chaque interaction avec un consommateur ou un client comme un micro-engagement, cela les amène à repenser l'ensemble du parcours client et à le segmenter entre prospection, intégration du client, support, vente additionnelle, vente croisée et maintien de la relation avec l'utilisateur final.

Il existe divers types d'engagement possibles tout au long du parcours client. En appliquant la science des données pour interagir et collecter ces informations auprès du client, de véritables insights peuvent être obtenus.

« C'est une sorte de nouvelle ère, une nouvelle façon d'évaluer à quel point une marque est proche de son client, et à quel point le client se sent proche de la marque », déclare Sadasiva.

Appliquer une combinaison d'intelligence artificielle, d'analytique de données et d'apprentissage automatique (etc.) à ce niveau de micro-engagement sur les données clients peut transformer l'engagement client.