Comment l'IA transforme les plaintes clients en insights exploitables

Les vieux jours du mouvement Qualité semblent charmants rétrospectivement : les bannières, les slogans, les prix et les événements de team building. Aujourd'hui, la gestion de la qualité, c'est tout au sujet de l'information — ou, plus précisément, comment éviter de se noyer dedans.

À l'ère des médias sociaux, il y a tant de données riches disponibles de la part des consommateurs que les entreprises devraient être capables de convertir ce feedback en la création de produits parfaits. Si seulement. Le problème est l'ampleur du volume. Comment les marchands, en particulier dans les industries axées sur la qualité comme les produits pharmaceutiques, peuvent-ils donner un sens à toute cette information ?

La réponse courte est qu'ils ne le 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 plaintes de multiples sources à travers le monde. L'unité standard de traitement des plaintes aurait du mal à trier cet apport écrasant, séparant le positif du négatif, le trivial du vital.

En fait, la prépondérance des plaintes est généralement de 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 « traitée ». L'astuce réside dans le filtrage du « bruit » et la concentration sur les retours 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 racines 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 suggestions générées par ordinateur. « À ce stade », dit McCarthy, « nous n'enlevons 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 de données et les relaie aux ingénieurs qualité, plus le niveau de précision est susceptible d'être élevé, dit McCarthy.

Au-delà de satisfaire la priorité évidente de la sécurité des patients, un système piloté par l'IA sera également plus rentable qu'une évaluation manuelle dirigée par des humains. (En supposant que cette dernière soit même possible, compte tenu du déluge d'informations que les fabricants doivent traiter aujourd'hui.)

Mais le coût n'est pas la seule raison de chercher un moyen plus efficace de traiter les plaintes. « Il y a le facteur de vitesse et de ponctualité », dit McCarthy. « Il est important d'arriver à une compréhension solide de la gravité probable et du niveau de risque associé à une plainte, pour que vous puissiez compléter l'enquête sur la cause racine. »

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

Armés de volumes d'entrée croissants, le moteur d'IA peut identifier le nombre et la nature des écarts par rapport aux normes 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 réunis de sorte que si vous voyez un certain motif sur le plancher de production qui a été lié à des données de plaintes post-marché, vous pouvez corréler ces ensembles de données et commencer à prédire que ce certain motif pourrait mener à une plainte », explique McCarthy.

Le feedback devient partie d'un système en boucle fermée par lequel il est réincorporé dans la fabrication du produit. Le fabricant pourrait découvrir qu'un manomètre fonctionne mal. Ou une faille pourrait être détectée à la phase de conception, nécessitant un changement de matières premières et de configurations de production initiales.

Bien que la valeur d'un processus qualité piloté par l'IA semble plus évidente dans les sciences de la vie, McCarthy voit la technologie comme s'appliquant également à un nombre d'autres industries. Les fabricants de dispositifs médicaux, par exemple, ont tout à gagner en pouvant ajuster des équipements d'investissement coûteux avant qu'ils n'arrivent sur le marché. « Au bout du compte », dit McCarthy, « il s'agit de détection de signal. »

La technologie a encore du chemin à faire avant que la modélisation prédictive ne devienne un exercice de confiance 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 elle est loin d'être parfaite. Comment, par exemple, un fabricant de lentilles de contact analyse-t-il de telles plaintes que « grattant », « démangeant », « brûlant », et simplement « une sensation inconfortable » ?

McCarthy s'attend à voir des avancées continues 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 strictes réglementations. L'industrie automobile a aussi tout à gagner de l'utilisation de l'IA pour améliorer la sécurité et intégrer les tests de qualité dans la fabrication.

« Cela est piloté 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 courtes années. »