5 points à ne pas manquer pour des solutions IA réussies dans le retail : retour du séminaire PICOM

Le PICOM, pôle de compétitivité dédié au commerce, organisait le 17 juin un séminaire sur « l’IA dans le retail » afin de présenter aux acteurs de ce secteur les innovations et possibilités d’usage de l’intelligence artificielle dans leurs magasins ou en ligne.

Grâce aux diverses conférences, table rondes tout au long de la journée et à la présence d’entreprises innovantes exposant leurs solutions IA tournées vers les retailers, le séminaire était l’occasion de découvrir ce qui se cache derrière les termes d’intelligence artificielle, machine learning, deep learning, mais aussi plus concrètement de découvrir les cas d’usage pouvant révolutionner les manières de travailler des retailers.

Verteego dont le CEO, Ruppert Schiessl, intervenait à deux reprises tout d’abord parmi les présentations des startups technologiques puis lors de la table-ronde sur « L’IA pour piloter la relation client », a résumé pour vous en 5 points ce qu’il fallait retenir de la journée.

1. L’IA doit faire partie des investissements technologiques prioritaires pour les retailers

Sans surprise, l’IA est parmi les nouvelles technologies l’une des plus disruptives si l’on considère le « computer vision » (branche de l’intelligence artificielle dont le principal but est de permettre à une machine d’analyser, traiter et comprendre une ou plusieurs images), le « deep learning », et la génération de langage naturel.

Mais il serait réducteur de considérer l’IA seulement comme une nouvelle tendance. D’après l’étude de Thomas Husson, du cabinet de conseil Forrester, l’intelligence artificielle fait partie des investissements technologiques les plus rentables sur le long-terme. Pour reprendre le graphique de Forrester, il est possible d’étudier la rentabilité de ces solutions en les classant en trois catégories:

  • Les investissements technologiques à faible rentabilité : réalité virtuelle / augmentée, IoT, assistant commercial conversationnel, marketplaces, applications web progressives (autant d’outils qui incorporent peu ou pas d’IA).
  • pour une rentabilité moyenne : les chatbots, les services d’inscriptions, les caisses automatisées, les livraisons dans la journée, les centres d’expérience.
  • plus conséquents en termes de développement mais aussi plus rentables, le cabinet mettait en avant les outils incorporant du machine learning comme les solutions de prévisions, les magasins digitaux, les outils d’analyse intelligents, de personnalisation du service / produit, les stratégies omnicanales.

Plus concrètement, cette slide extraite d’une présentation de Verteego permet de se rendre compte de la rentabilité et du retour sur investissement rapide permit par des solutions intégrant du machine learning.

Pourtant aujourd’hui, les français sont en marge de cette révolution IA dans le retail. Pourquoi un tel retard ? Thomas Husson, de chez Forrester, pointait du doigt la pratique française consistant à investir dans des POC de façon éparse au lieu de développer de réelles stratégies technologiques sur l’ensemble des processus retail.

«Ce n’est pas en faisant un POC ici ou là que l’on va faire du Amazon Go, il faut automatiser toute la chaîne de production et de distribution. Les entreprises françaises sont des boites à POC, elles ont des difficultés à industrialiser leurs solutions IA. Le retard de la France ne vient donc pas des consommateurs mais des retailers et de leur frilosité à investir dans l’IA».

Thomas Husson

2. Attention aux attentes trop hâtives concernant l’IA

Signe de cette frilosité, les retailers voient parfois les projets d’intelligence artificielle comme des investissements coûteux et risqués. La cause principale de cette vision ? L’intelligence artificielle est trop souvent vue comme une baguette magique prête à résoudre tous les problèmes, notamment les plus complexes, dès le premier POC initié. Une telle conception de l’IA ne peut qu’engendrer de la déception. Comme tout changement de fond, l’intelligence artificielle repose sur des conditions préalables et nécessaires qu’il ne faut pas négliger si l’on souhaite obtenir des résultats concluants.

Cette réalité n’est pas sans rappeler la loi de Roy Amara selon laquelle nous avons tendance à surestimer l’effet d’une nouvelle technologie à court terme, c’est-à-dire que nous en attendons trop par rapport à ce qui est possible aujourd’hui, et à en sous-estimer l’effet sur le long-terme. Ce fut le cas pour internet au début des années 2000, l’IA connaît exactement la même histoire.

Pour réussir la transformation avec l’aide de l’intelligence artificielle, seule une démarche progressive sur un périmètre restreint au départ fonctionne afin de comprendre en profondeur les problématiques et les attentes utilisateurs.

Clément Guillon, COO de VERTEEGO

3. Pas d’IA sans data

Source : Forrester

La première étape, tous les cabinets de conseils technologiques et éditeurs de logiciels ne cessent de la répéter, c’est l’analyse de la data. Les données (en grande quantité et de bonne qualité) viennent nourrir les algorithmes de machine learning. Pour reprendre l’adage du secteur : « Pas de data, pas de résultat ». Si la quantité est cruciale, la qualité l’est aussi. Pour passer d’un datalake brut à une base de données utilisable, les data scientistes doivent donc nettoyer les données présentes, les trier et sélectionner les plus pertinentes.

4. La roadmap, l’outil-clé pour éviter les impasses

Source : Forrester

La deuxième étape repose sur la décomposition précise de ce qui est attendu par le retailer in fine. Aussi évident que cela puisse paraître, le résultat final ne peut être rendu possible qu’en déterminant des objectifs intermédiaires claires. Autant les cas d’usage basiques sont facilement déployables car déjà abondamment utilisés dans de nombreux magasins, autant certaines solutions plus techniques et plus globales nécessitent plus de temps pour être industrialisables à grande échelle. L’échelonnement progressif en termes de complexité est donc d’autant plus crucial pour avoir des solutions IA qui fonctionnent vraiment. La clé ici est une bonne communication entre équipe technique (les développeurs) et l’équipe opérationnelle. Beaucoup d’entreprises spécialisées en IA parle ici d’une étape d’acculturation. Face à la rencontre des deux univers parallèles que sont le commerce et la programmation, il faut à la fois que les développeurs comprennent la réalité des métiers pour livrer des solutions IA adaptées au travail quotidien, mais il est nécessaire également que les retailers comprennent comment se déroule processus de développement afin d’éviter toute frustration ou impatience.

 » L’IA n’est pas magique. Déployer des solutions en intelligence artificielle, cela prend du temps, même chez IBM, il n’existe pas de modèle pré-entraîné ».

Cyprien Dourster, de chez IBM Watson.

5. La RGPD et IA, liaisons (pas si) dangereuses

Un an après la mise en application du RGPD, il n’est plus possible de faire n’importe quoi avec des données nominatives sans se poser un minimum de questions. Souvent accusée de ralentir la recherche du machine learning, la réglementation européenne était ici mise en avant comme un moyen de mieux organiser la relation entre prestataires et sous-traitants technologiques en termes de responsabilité face à la gestion de données personnelles, mais aussi un excellent exercice pour analyser dimension par dimension les biais cognitifs que peut parfois développer l’IA. Loin de penser l’IA dans le retail et la RGPD comme deux ennemis irréconciliables, les intervenants de la table ronde « Une IA acceptée par le consommateur ? » relevaient les atouts et les contraintes à respecter pour les retailers.

« Vous avez de la chance, à part la RGPD, l’IA prédictif est peu réglementé ».

Eric Barbry, avocat spécialisé en droit des nouvelles technologies

A l’origine, le RGPD est avant tout pensé pour défendre le citoyen. La première préoccupation est donc en ce sens, l’anonymisation des données nominatives. Le but est de pouvoir utiliser les données sans identifier l’utilisateur ou le consommateur qui se cache derrière celles-ci. Les techniques les plus courantes pour permettre cela sont l’anonymisation par hachage, l’agrégation ou la pseudonymisation. L’importance est de taille, car en cas de contrôle et d’audit des données personnelles présentes au sein de l’entreprise, ne pas être conforme à la réglementation peut coûter cher.

« Si l’entreprise ne vous propose pas d’anonymisation, courrez dans le sens inverse. »

Eric Barbry

Le gros avantage réside aussi dans l’explicitation des responsabilités respectives dans la gestion des données. Qui de l’entreprise utilisatrice ou du concepteur algorithmique est responsable en cas de biais cognitifs ou d’ algorithme défectueux ? Le RGPD vient répondre à ces questions au cas par cas.

En résumé, l’IA dans le retail est bien une solution rentable et un pas à prendre pour rester compétitif sur le marché face à l’entrée de (nouveaux) acteurs comme Amazon. Cependant, toutes les solutions IA ne se valent pas. La simplification, la personnalisation et l’automatisation du parcours d’achat digital priment sur les investissements dans des chatbots ou les magasins automatiques. Cette optimisation du processus de vente peut être aussi rendue possible par une meilleure gestion en amont de la supply chain. Source : Forrester

 

par Camille, marketing & content coordinator chez Verteego