Intelligence Artificielle et Gestion des Données : Exemples d’Applications de l’IA

Imaginez que l’on puisse normaliser sa base de données clients, créer des champs calculés, des segments ou même auto-générer des dashboards d’analyse avec l’Intelligence Artificielle… Ces cas d’usage de l’IA se développent à grande vitesse depuis 2023. De nouveaux émergent régulièrement, rendus possibles par les progrès de l’Intelligence Artificielle et par la détermination des éditeurs Data Tech à intégrer l’IA à leur plateforme. 

« En quoi l’Intelligence Artificielle peut-elle m’aider à mieux gérer, exploiter et analyser mes données clients ? ». C’est précisément à cette question que nous allons tâcher de répondre dans cet article.

Nous allons passer en revue 12 cas d’usage de l’IA concernant la gestion des données clients, que ce soit au niveau de la préparation des données ou de leur analyse.

Cabinet de conseil en Données Clients et CRM, CustUp aide les entreprises à améliorer leur Performance Client par une meilleure gestion et exploitation des données.

La normalisation des données est un préalable nécessaire à leur bonne exploitation. Elle consiste, vous le savez certainement, à homogénéiser le format des données dans votre base de données clients. Cela concerne généralement certains champs particuliers, comme par exemple les adresses postales, les numéros de téléphone, les dates, mais pas uniquement.

Certains logiciels de gestion des données permettent d’effectuer les opérations de normalisation de données avec l’aide de l’Intelligence Artificielle. C’est le cas par exemple de Dataiku. Dans la capture d’écran ci-dessous, Dataiku analyse les différents formats utilisés pour les dates, leur distribution et suggère un format unique.

Retour au sommaire de l’article

La normalisation des données n’est qu’un exemple parmi d’autres de la manière dont on peut exploiter l’Intelligence Artificielle pour préparer les données de sa base.

En réalité, un nombre croissant d’opérations associées à la préparation des données peut faire l’objet d’une automatisation ou d’un guidage par l’IA. Ceci a une conséquence importante : la préparation des données, de plus en plus, peut être à la portée des équipes métier. 

Reprenons l’exemple de Dataiku, qui est l’une des plateformes les plus innovantes pour le moment sur le volet IA. Sur Dataiku, vous avez la possibilité d’utiliser une IA conversationnelle pour réaliser des opérations de transformation des données. Dans l’exemple ci-dessous, l’utilisateur demande à l’IA de ne conserver dans la colonne “Zip” (les adresses postales) que les 5 premiers chiffres, à l’exclusion du ZIP+4 (qui est une spécificité du système postal américain).

L’utilisateur peut également demander à l’IA de supprimer les espaces contenus dans une colonne, comme le montre la capture d’écran qui suit.

Dataiku est sans doute aujourd’hui la plateforme qui exploite au mieux l’IA en ce concerne la préparation des données. D’autres plateformes intégreront à l’avenir ces fonctionnalités basées sur l’IA. Il y a peu de doute à avoir à ce sujet…

L’intégration de l’IA dans les étapes de préparation des données prolonge un processus qui avait déjà été initié par le développement du “no code” : l’autonomisation progressive des équipes métier dans les opérations de manipulation des données.

Retour au sommaire de l’article

L’Intelligence Artificielle peut également être utilisée pour dédupliquer ou dédoublonner les données. Plusieurs logiciels proposent des fonctionnalités d’IA en la matière. Mentionnons notamment Smart Data Quality, développé par Heka.ai. La plateforme, développée avec des algorithmes de machine learning, détecte et supprime automatiquement les doublons contenus dans la base que vous lui soumettez.

Amazon Web Service propose également un module d’IA, baptisé Entity Resolution, qui sert à matcher et dédupliquer des données, le tout basé là encore sur une technologie de machine learning. Ce module permet de gérer l’étape complexe de la déduplication des données multi-sources sans compétences techniques avancées. Le schéma ci-dessous détaille les étapes de fonctionnement du module.

Entity Resolution offre la possibilité de choisir le type de matching que l’on souhaite : déterministe et probabiliste.

Retour au sommaire de l’article

Les champs calculés permettent de créer de nouvelles informations signifiantes à partir des informations existantes. Ils font partie, avec les attributs et les événements, des trois grandes catégories de données que peut contenir une base de données clients. Un exemple classique de champ calculé : le chiffre d’affaires cumulé, qui est calculé au niveau de chaque contact en faisant l’addition de tous les événements transactionnels associés à ce contact. 

La création de champs calculés est un cas d’usage intéressant de l’Intelligence Artificielle dans le domaine de la gestion des données clients. Plusieurs outils ont développé des fonctionnalités permettant de produire des champs calculés sur la base de commandes conversationnelles. Citons encore une fois l’exemple de Dataiku (qui a décidément pris une petite longueur d’avance sur ses concurrents…). Dans l’exemple ci-dessous, l’utilisateur demande à l’IA de calculer l’âge des comptes à partir des informations contenues dans la colonne date. La création de ce champ calculé s’effectue sur simple demande exprimée en langage naturelle.

Retour au sommaire de l’article

Toute entreprise qui s’intéresse à la gestion des données clients s’intéresse aussi à la gestion des données produits. Nous allons vous présenter un autre cas d’usage de l’Intelligence Artificielle qui vous intéressera certainement. Il consiste à utiliser l’IA pour préparer les données produits.

La plateforme Unifai est probablement la plus en pointe dans ce domaine. Le moteur d’IA développé par Unifai permet de normaliser, catégoriser et enrichir les données produits. Les données, une fois préparées, peuvent être synchronisées dans les différents outils de l’entreprise : ERP, PIM, solutions marketplace, PLM, etc.

Unifai propose 5 modules d’IA : 

• Catégoriser les produits selon l’arborescence de la marque (classification jusqu’à 5 niveaux, création de nouvelles catégories).
• Enrichir les attributs produits à partir de textes (descriptions produits, fiches techniques…).
• Matcher les différentes bases de données produits (enrichissement automatique des attributs manquants à partir de sources externes, comparaison des prix avec ceux de la concurrence, réconciliation des bases de données).
• Formater les colonnes de votre base de données produits selon votre nomenclature.
• Normaliser les fiches produits.

Retour au sommaire de l’article

Grâce au no code, les équipes métier peuvent aujourd’hui avoir la main sur la construction des segments et audiences. Cela passe par la création de règles de segmentation, le choix des variables (attributs, événements) – le tout de manière visuelle, sans SQL.

Mais l’Intelligence Artificielle permet d’aller plus loin en guidant les utilisateurs dans la création de segments pertinents. Car le challenge aujourd’hui est surtout de réussir à définir la bonne combinaison d’attributs, d’événements, de règles et d’opérateurs pour créer des segments qui ont un sens marketing. Salesforce a annoncé le lancement de “Marketing GPT”, une IA générative qui proposera de multiples usages, notamment sur le volet de la création de contenus.

L’un des cas d’usage de Marketing GPT concernera la segmentation. Couplé à Data Cloud, Marketing GPT aidera les marketers à générer des segments plus pertinents. Le fonctionnement est le suivant : l’utilisateur indique en langage naturel l’objectif du segment. Derrière, l’IA suggère des règles de segmentation pertinentes.

Nous attendons toujours de voir ce que donnera cette fonctionnalité que, par définition, nous n’avons pas encore pu tester. Mais il n’y a aucun doute à avoir sur le fait que la génération de segments intelligents constituera un précieux cas d’usage de l’IA à l’avenir.

A l’heure où ces lignes sont écrites (décembre 2023), Treasure Data a déployé une Intelligence Artificielle générative « maison », embarquée dans sa plateforme CDP. Cette IA, appelée « Copilot », assiste l’utilisateur métier dans plusieurs types d’opérations de données, dont la segmentation client. Comme le montre la capture d’écran ci-dessous, l’utilisateur peut faire générer les règles de segmentation en dialoguant avec l’IA en langage naturel.

L’IA générative de Treasure Data assiste l’utilisateur dans la production des segments clients.

Retour au sommaire de l’article

Dans ce cas d’usage, il s’agit d’utiliser l’IA pour prédire le comportement futur des clients sur la base de leurs comportements passés. Ce cas d’usage est basé sur des fonctionnalités nourries par des algorithmes auto-apprenants (machine learning). Le marketing prédictif est l’une des grandes familles de cas d’usage de l’IA dans le domaine du traitement des données clients.

Qlik, par exemple, permet de prédire un comportement en fonction de l’évolution de variables qui sont automatiquement détectées comme influentes. Exemple : je suis un établissement hôtelier, je souhaite sécuriser mes réservations de séjour. L’IA détecte que les variables clés sont la période du prochain séjour et le prix, et peut prédire l’évolution du taux d’annulation en fonction des actions marketing déployées : communications, offres promotionnelles…Le tableau de bord ci-dessous fait état des résultats de l’analyse prédictive produite par l’IA de Qlik.

Nous aurions pu également prendre l’exemple de TinyClues ( qui appartient à l’écosystème de solutions Splio), une solution de gestion d’audiences et de campagnes basée sur l’IA, qui utilise des algorithmes de deep learning capables de détecter (prédire) les futurs acheteurs de tous produits, même en m’absence d’intention explicite.

La Customer Data Platform de Splio intègre de son côté plusieurs algorithmes d’IA et d’apprentissage automatique pour anticiper les futurs comportements des clients : next best action, next best offer, next best canal, next best product…L’idée est toujours la même : améliorer l’efficacité des sollicitations et communications par un meilleur ciblage des offres, des messages, des recommandations, des produits, des canaux…

Splio n’est pas la seule Customer Data Platform à proposer ces modèles prédictifs. Citons également Adobe (Real-Time CDP) ou encore Treasure Data qui propose à ses utilisateurs une vingtaines d’algorithmes d’Intelligence Artificielle sur l’étagère, à la main du métier, pour prédire le comportement des clients et adapter les actions / ciblages en conséquence.

Nous restons ici dans l’univers du prédictif. Il s’agit d’un cas d’usage plus étroit, plus spécifique, mais très intéressant d’un point de vue business. L’idée est simple : prédire les revenus futurs des clients, segment par segment. L’un des acteurs à proposer cette fonctionnalité est Optimove, une plateforme de marketing automation – Customer Data Platform. Dans l’exemple ci-dessous, nous avons la liste des 5 segments créés dans la plateforme. Optimove indique le revenu futur par segment, calculé à partir d’une analyse des données clients à disposition dans la plateforme (notamment les résultats des campagnes précédentes, mais pas uniquement).

Retour au sommaire de l’article

L’analyse sémantique des verbatims clients permet d’identifier les thèmes récurrents, les mots-clés principaux utilisés par les clients. Ces analyses étaient autrefois produites « manuellement ». On a vu ces dernières années apparaître sur le marché des plateformes d’avis clients offrant des fonctionnalités d’analyse sémantique basé sur l’IA, automatisant la production des analyses.

Les progrès de l’IA étendent le champ des possibles en manière d’analyse sémantique. Qlik, encore lui, propose un score de sentiment.

Ce score de sentiment complète les traditionnels scores de satisfaction que vous devez certainement connaître : Net Promoter Score, CSAT, Customer Effort Score (CES)…Le score de sentiment est calculé par l’IA (Qlik utilise l’API d’Open AI), sur la base de tous les verbatims clients disponibles. Il exprime le ressenti global des clients d’une manière sans doute plus précise qu’un score NPS ou CSAT.  Sur la capture d’écran ci-dessous, le score de sentiment apparaît en haut à droite.

L’analyse sémantique des avis clients et la production de scores de ce type sont un cas d’usage important de l’IA.

Retour au sommaire de l’article

L’Intelligence Artificielle peut être utilisée pour générer des analyses de données. C’est ce que permet de faire notamment Pecan.ai, qui intègre dans sa plateforme une IA conversationnelle.  

Le fonctionnement est le suivant : 

• L’utilisateur rédige sa demande, qui peut prendre la forme d’une question. Par exemple : “Chaque semaine, quelle est la probabilité qu’un client a effectué un achat dans les 30 derniers jours devienne un client VIP dans les 90 prochains jours ?”.
• Pecan.ai transforme cette demande en requête SQL.
• Cette requête SQL est ensuite utilisée pour produire la visualisation de données / l’analyse souhaitée.

Voici le schéma explicatif :

D’autres plateformes d’analyse de données développent actuellement des fonctionnalités d’IA de ce type, permettant aux équipes métier d’obtenir des réponses à des questions précises de manière simple, sans code et sans compétences techniques. Là encore, c’est un exemple emblématique de la manière dont l’IA est en train de démocratiser toute une série d’opérations autrefois réservées aux équipes Data / IT.

Pecan.ai n’est pas le seul acteur dans ce domaine. Les logiciels de reporting leaders du marché ont tous intégré des fonctionnalités d’IA plus ou moins puissantes, souvent plus que moins. Un des acteurs les plus avancés est sans doute Qlick qui propose, dans Qlick Sense, une IA conversationnelle qui peut répondre, au choix, en langage naturel ou en générant des schémas.

Force est de constater qu’il s’agit là d’un puissant outil pour obtenir des insights précis à partir des données connectées à la plateforme. Mais il est possible d’aller encore plus loin…

Retour au sommaire de l’article

Imaginez qu’il soit possible de générer de manière automatique des comptes-rendus ou synthèses de tableaux de bord en langage naturel ? Cela est possible avec Qlik. Qlik intègre en bas à droite des rapports un encadré permettant de générer de manière automatique des comptes-rendus des enseignements qui se dégagent du rapport. Pour cela, Qlik utilise l’IA d’OpenAI (connectée par API). Il est possible d’obtenir un compte-rendu pour tout le rapport, ou seulement pour des zones sélectionnées. Par exemple, dans le tableau de bord ci-dessous, si vous sélectionnez les graphiques « CA par pays client » et « CA par pays de l’hôte », vous obtiendrez une synthèse des informations et des enseignements à tirer de ces deux axes d’analyse.

Retour au sommaire de l’article

Qlick Sense permet même d’aller plus loin. Comme le montre l’exemple ci-dessous, l’utilisateur peut envoyer une requête en langage naturel dans une barre de recherche située en haut de l’écran et obtenir un reporting généré par IA en réponse, avec différents types de représentation. Dans cet exemple, la requête est : « compare sales and margin for Store Code ». Cela ouvre tout le champ des possibles pour les équipes métier qui peuvent ainsi obtenir des analyses dynamiques en quelques instants. Vous avez une question précise ? Plus besoin de demander à l’équipe data de produire un tableau ad hoc (et d’attendre plusieurs jours pour l’avoir) : vous obtenez votre rapport en quelques secondes. 

Les deux prérequis pour tirer partie de cette fonctionnalité d’IA : 

• Disposer d’une base de données propre, avec un modèle de données suffisamment structuré, pour que l’IA puisse trouver les réponses aux questions posées.
• Etre en capacité de poser les bonnes questions à l’IA. La difficulté n’est plus de générer des réponses mais de formuler des questions qui font sens !

Nous avons vu la possibilité de générer des tableaux de bord « front scratch ». Mais signalons qu’il est également possible, toujours dans Qlik, d’enrichir un tableau de bord existant en y ajoutant de nouveaux axes / dimensions d’analyse.

Nous arrivons au terme de ce petit tour d’horizon des cas d’usage de l’Intelligence Artificielle dans les domaines de la préparation et de l’analyse des données. Il faut être conscient que ces cas d’usage sont récents à l’heure où nous écrivons ces lignes (fin 2023). On ne peut qu’être impressionné par le nouveau champ des possibles qu’ouvrent ces applications de l’IA. Il n’y aucun doute sur le fait que : 

• Les cas d’usage présentés vont se perfectionner dans les mois et années à venir.
• De nouveaux cas d’usage – certains dont nous n’avons pas encore idée – vont voir le jour prochainement.

Nous scrutons de très près ces évolutions qui vont avoir un impact important sur la manière de gérer et analyser les données à l’avenir – et qui constituent autant d’opportunités à saisir pour les entreprises souhaitant mieux exploiter leurs données.

Retour au sommaire de l’article