Vous n'arrivez pas à faire face à une masse de réclamations clients ? L'IA à la rescousse

Les vieux jours du mouvement Qualité semblent rétrospectivement pittoresques :les bannières, les slogans, les prix et les événements de team-building. Aujourd'hui, la gestion de la qualité est une question d'information - ou, plus précisément, comment éviter de s'y enfouir.

À l'ère des médias sociaux, il y a tellement de données riches disponibles auprès des consommateurs que les entreprises devraient être en mesure de convertir ces commentaires en création de produits parfaits. Si seulement. Le problème est celui du volume. Comment les marchandiseurs, en particulier dans les industries axées sur la qualité telles que les produits pharmaceutiques, peuvent-ils donner un sens à toutes ces informations ?

La réponse courte est qu'ils ne peuvent pas, pas sans l'aide de l'intelligence artificielle et de la science émergente de la modélisation prédictive.

Un fabricant de médicaments reçoit généralement des dizaines de milliers de commentaires et de plaintes provenant de plusieurs sources dans le monde. L'unité de traitement des plaintes standard aurait du mal à trier cette entrée écrasante, séparant le positif du négatif, insignifiant de la vie en danger.

En fait, la prépondérance des plaintes est généralement de nature à faible risque, selon Steve McCarthy, vice-président de l'innovation numérique chez Sparta Systems, un fournisseur de logiciels de gestion de la qualité. Néanmoins, dit-il, chaque plainte doit être « touchée ». L'astuce consiste à filtrer le « bruit » et à se concentrer sur les commentaires vraiment importants.

Avec les améliorations du traitement du langage naturel, l'IA est devenue un moyen de plus en plus viable d'interpréter toutes ces données. L'idée est de laisser l'automatisation trier les données brutes, puis de présenter à l'unité de traitement des plaintes une évaluation de la gravité, des causes profondes possibles et même des suggestions d'action.

Il reste - du moins pour l'instant - le travail des gens d'accepter ou de rejeter les catégorisations et les suggestions générées par ordinateur. "À ce stade", déclare McCarthy, "nous ne retirons pas l'humain du processus de prise de décision, mais nous essayons d'améliorer la capacité de prendre des décisions plus intelligentes et plus efficaces."

En théorie, le système devrait améliorer ses capacités analytiques avec l'expérience. C'est la base de l'apprentissage automatique, un aspect clé de l'IA moderne. Plus il digère les données et les transmet aux ingénieurs qualité, plus le niveau de précision qu'il est susceptible d'avoir est élevé, déclare McCarthy.

Au-delà de la satisfaction de la priorité évidente de la sécurité des patients, un système basé sur l'IA sera également plus rentable qu'une évaluation manuelle dirigée par l'homme. (En supposant que ce dernier soit même possible, étant donné le flot d'informations avec lequel les fabricants doivent traiter aujourd'hui.)

Mais le coût n'est pas la seule raison de rechercher un moyen plus efficace de traiter les plaintes. « Il y a le facteur de vitesse et de ponctualité », explique McCarthy. « Il est important de bien comprendre la gravité probable et le [niveau de] risque associé à une plainte, afin de pouvoir mener à bien l'enquête sur la cause première. »

La prochaine étape dans l'utilisation de l'IA - et qui est loin d'atteindre sa pleine maturité à ce stade est la modélisation prédictive. Ayant fait ses preuves en matière de contextualisation des données, de catégorisation des commandes et d'évaluation automatisée des risques, le système peut alors commencer à anticiper les types de réclamations qu'il recevra. Grâce à l'utilisation de l'analyse des tendances, il peut réellement prévoir le niveau de gravité ou de risque qu'une plainte est susceptible de représenter.

Armé de volumes croissants d'entrées, le moteur d'IA peut identifier le nombre et la nature des écarts par rapport aux références de qualité. En effet, dit McCarthy, il apprend de ces données avant même qu'un produit ne soit lancé.

« Ces ensembles de données peuvent être rassemblés de sorte que si vous voyez un certain modèle dans l'atelier qui a été lié aux données de plainte après la commercialisation, vous pouvez corréler ces ensembles de données et commencer à prédire que ce certain modèle pourrait conduire à une plainte, " explique McCarthy.

Le retour d'information fait partie d'un système en boucle fermée par lequel il est réintégré dans la fabrication du produit. Le fabricant peut découvrir qu'un manomètre fonctionne mal. Ou un défaut pourrait être détecté lors de la phase de conception, nécessitant un changement dans les matières premières et les configurations de production initiales.

Alors que la valeur d'un processus de qualité basé sur l'IA semble plus évidente dans les sciences de la vie, McCarthy considère que la technologie s'applique également à un certain nombre d'autres industries. Les fabricants de dispositifs médicaux, par exemple, bénéficieront énormément de la possibilité de modifier des pièces d'équipement coûteuses avant leur mise sur le marché. "En fin de compte", dit McCarthy, "il s'agit de détection de signal."

La technologie a encore du chemin à parcourir avant que la modélisation prédictive ne devienne un exercice fiable et efficace. Ces dernières années, l'IA a fait de grands progrès dans la compréhension des subtilités et des sentiments derrière les réponses humaines, mais c'est loin d'être parfait. Comment, par exemple, un fabricant de lentilles de contact analyse-t-il des plaintes telles que « grattage », « démangeaisons », « brûlure » ​​et simplement « une sensation inconfortable » ?

McCarthy s'attend à voir des progrès continus dans la technologie, alors que les fabricants de sciences de la vie s'efforcent de répondre à la fois aux goûts des consommateurs et aux restrictions réglementaires. L'industrie automobile devrait également bénéficier de l'utilisation de l'IA pour améliorer la sécurité et intégrer des tests de qualité dans la fabrication.

« Il est mis à l'essai dans un certain nombre de domaines », dit McCarthy. « La capacité d'appliquer la modélisation prédictive à ce processus est très excitante. Je ne peux même pas imaginer les capacités que nous aurons dans quelques années."