Posts in Intelligence artificielle

Les catalogues produits : des données délicates à manipuler

mai 14th, 2020 Posted by Data Science, Intelligence artificielle, Retail & Marketplace 0 thoughts on “Les catalogues produits : des données délicates à manipuler”

S’il y a bien une tâche au quotidien qui donne des insomnies à beaucoup de gens qui travaillent dans le domaine du retail, c’est le nettoyage de catalogues de produits. En effet, les personnes en charge de la qualité des catalogues produits – que ça soit au sein d’une marketplace, d’un distributeur, d’une marque ou d’une agence – sont confrontés à ce problème de qualité de données au sein de leur catalogue, et sont souvent amenés à devoir rectifier, nettoyer, enrichir leur catalogues de produits.

 

Bien que la tâche semble anodine, elle est d’une traître complexité à résoudre et souvent les tâches de nettoyage se font à la main et prennent énormément de temps. La complexité réside dans la nature hétérogène propre aux données de produits, mais également dans la variété de problèmes que l’on peut rencontrer en manipulant des catalogues de produits.

 

Cet article a pour but de mettre en exergue les raisons qui font que les tâches de nettoyage, et donc d’amélioration de la qualité des données de produit, sont complexes à résoudre et font que certains projets peuvent prendre plus de temps que prévu.

Introduction

La qualité des données de produit constitue une des clés les plus importante pour gérer des données de produits. En effet, des données de produits de bonne qualité permettent de construire de belles fiches produits, bien renseignées, précises et complètes. Lorsque l’on fait de la vente en ligne, c’est une composante essentielle pour bien vendre ses produits. Un produit bien décrit et détaillé, ça inspire confiance, on sait ce que l’on achète sans pour autant avoir vu le produit, et cette relation de confiance est essentielle pour éviter les mauvaises surprises lors de la réception du produit.

 

Plusieurs éléments constituent la chaîne de qualité de la donnée de produit, parmi lesquels on retrouve les données manquantes, les champs incorrects (mal remplis) ou encore les fiches produits doublonnées. 

 

Ces problématiques de qualité de données sont en général instigatrices de grands chantiers dont les gestionnaires de catalogues de produits sont responsables. Cette volonté forte d’automatisation de la chaîne de qualité de la donnée est motivée par un besoin de contrôle sur la vie de la donnée au sein d’une marketplace, mais également d’un besoin d’efficacité. 

 

En effet, le quotidien des gestionnaires de catalogues est trop souvent ponctué de travail manuel de vérification, de nettoyage et d’enrichissement, dont l’exécution est rébarbative et longue. L’automatisation de ces tâches permettrait au responsable de catalogue d’améliorer davantage la qualité de ses fiches produits, d’intégrer plus de catalogues, et surtout les intégrer beaucoup plus vite. 

 

Néanmoins, l’automatisation de la mise en qualité des fiches de produits n’est pas chose aisée, et est souvent très coûteuse en interne. Deux raisons à cela : la nature des données de produits et le type d’erreur rencontré. 

Particularité des données de produits

Les données de produits sont difficiles à manipuler car il s’agit d’un type de données bien particulier, qui est un mélange de données structurées (en général un tableau excel de valeurs, qui regroupe les catégories de produits et certains attributs propres aux produits) et de données non-structurées (des photos, des descriptions ou des catégories en texte libre). 

 

Il est assez rare de retrouver ce genre de données mixtes dans d’autres applications. On pourra citer notamment les données médicales, pour lesquelles on a en général des données d’imagerie associées à des données structurées, mais en règle générale c’est une caractéristique plutôt propre aux catalogues de produits.

 

Les méthodes pour traiter des données structurées et des données non-structurées sont fondamentalement différentes, et c’est là qu’intervient une des difficultés de travailler avec des données de produits. Certains acteurs sont très bons pour travailler avec des données non-structurées, et parmi ceux-ci, on distingue même souvent une distinction de spécialisation entre l’analyse d’images et l’analyse de texte (car les méthodes de traitement de ces deux types de données sont également bien distinctes). D’autres acteurs, sont spécialisés dans l’analyse de données structurées, et là encore, les méthodes d’analyse et les problèmes techniques rencontrés ne sont pas les mêmes.

Les images

L’analyse d’image est une discipline bien connue des data scientists, et consiste à extraire un certain nombre d’informations à partir d’images ou de photographies. Les méthodes d’analyse d’images consistent pour la plupart à décomposer l’analyse de l’image sur des parties très localisées de l’image, afin d’en déduire des associations de formes et de couleur et donc une disposition spatiale de l’image en termes de contenu (objets dans l’image par exemple). 

 

Les photographies des produits contiennent en général une grande quantité d’information sur le produit, notamment on peut déterminer sa catégorie principale ses sous-catégories en fonction de la nomenclature interne de classification, mais également déterminer précisément la couleur du produit et toutes les déclinaisons qui en découlent. 

 

Mettre en place un système d’analyse d’image pour un catalogue de produit permet de compléter automatiquement certains attributs des produits (par exemples, la catégorie, les sous-catégories, les couleurs, certaines caractéristiques techniques, etc.), et donc c’est un gain de temps notable comparé à l’exécution manuelle de la tâche.

 

Néanmoins, bien que l’intelligence artificielle permette de modéliser précisément certaines choses, il faut toujours garder en tête que ce n’est pas une baguette magique, et qu’on ne peut pas créer d’information. Ainsi, si l’information n’est pas présente dans les données, alors il ne faut pas s’attendre à ce qu’un modèle d’intelligence artificielle le fasse, car ça sera la déception à coup sûr.

L’analyse des descriptions des produits

L’analyse de texte consiste à extraire des informations cibles contenues dans un texte (souvent un texte libre), typiquement une description dans le cadre d’une fiche produit. Ce type de modélisation, dont les architectures à l’état de l’art permettent d’extraire des éléments assez subtils dans du texte, peut s’avérer utile lorsque les fournisseurs ne renseignent pas entièrement les catégories de leurs produits, et ne donnent qu’une brève description du produit.

 

Toutefois, ce type de modélisation est en général assez lourd à mettre en place, et est coûteux à entraîner (au même titre que les modèles d’analyse d’images). En règle générale on préfèrera mettre en place des modèles moins complexes, qui certes peuvent laisser passer quelques erreurs ou ne pas détecter autant de subtilités, mais qui vont chercher la bonne information rapidement, quitte à prévoir une boucle de rétroaction avec le gestionnaire de catalogue une fois en production.

 

Là encore, attention, comme tout modèle d’intelligence artificielle, on ne peut pas créer d’information. C’est à dire que si les descriptions des produits ne sont pas suffisamment exhaustives en termes de contenu, alors ce n’est pas la peine d’attendre d’un modèle de classification qu’il trouve l’information là où elle n’est pas.

L’analyse des catégories de produits

 

Les données structurées sont des données qui, comme leur nom l’indique, possèdent une structure, c’est à dire qu’on peut les ranger dans un joli tableau excel avec des colonnes bien définies et clairement nommées. Ce type de données est en général le plus rencontré, peu importe le secteur d’activité de l’entreprise, et contrairement à ce que l’on peut penser, ce ne sont pas les données les plus faciles à traiter

 

En effet, les problèmes de qualité de données les plus souvent rencontrés portent sur ce type de données. Valeurs manquantes, mal renseignées, partiellement renseignées, certains champs au mauvais endroit, autant de problèmes que l’on a déjà tous rencontré au moins un fois, et on en passe. 

 

Paradoxalement, les données structurées sont sans doute le format le plus important pour traiter des données de produits, étant donné que la plupart des systèmes de gestion de données de produit (Product Information Management, PIM) utilisés par les marketplaces sont conçus sur un schéma de données structurées. Et donc, pour que l’intégration d’un catalogue de produit sur une marketplace s’effectue correctement, chaque champ du catalogue doit être correctement renseigné, ce qui est assez lourd à construire, tant pour les marques que pour les marketplaces et tous les acteurs intermédiaires comme les agences ou les intégrateurs de flux.

 

Ainsi, le nettoyage et l’enrichissement d’un catalogue de produits prend du temps et nécessite souvent des interactions entre les fournisseurs et les intégrateurs. Cela a donc un coût non-négligeable, ce qui renforce l’intérêt d’une automatisation (au moins partielle) du nettoyage de catalogues de produits.

Quels problèmes rencontre-t-on dans des catalogues de produits ?

Des problèmes de qualité de données, on peut en trouver autant que l’imagination le permet. Les données de produits sont particulièrement sujettes à des problèmes de qualité. Ceci est principalement causé par le fait que les catalogues de produits sont en général des agrégats de plusieurs catalogues de marques, et donc sont la résultante d’un savoureux mélange de processus de gestion de données bien distincts. En effet, il n’y a pas de raison qu’un fournisseur A emploie les mêmes règles de remplissage de son catalogue qu’un fournisseur B. 

 

Plus généralement, ce genre de problème de qualité de données intervient lorsque les entreprises travaillent avec des données qui proviennent de sources multiples et hétérogènes. Par exemple, une marketplace doit gérer les données de plusieurs marques (fournisseurs) distinctes, au même titre qu’un CRM est alimenté par plusieurs canaux de communication (un formulaire de contact, une entrée en contact via LinkedIn, parmi tant d’autres).

 

Les données de produit sont particulièrement sujettes à des problèmes de qualité, et à cela s’ajoute une particularité propre aux données de produits : le caractère hétérogène, à la fois au niveau du contenu (une grande variété de produits différents, et les articles de mode ne se traitent pas de la même façon que les articles de bricolage), mais aussi au niveau du type de donnée (des images, du texte libre et beaucoup de catégories). 

 

Cet article passe brièvement en revue les trois problèmes de qualité de données les plus rencontrés lorsque l’on doit gérer des catalogues de données de produits.

Les champs manquants

Ce n’est pas prendre un grand risque que de dire qu’aucun gestionnaire de catalogue produit n’a reçu du premier coup un fichier de produits où tout était à sa place, sans aucun élément manquant. Les données manquantes sont probablement le problème le plus rencontré dans la gestion des catalogues de produits. 

 

Les raisons qui conduisent à ce phénomène s’expliquent en partie par le fait que le nombre de champs à remplir (catégories, sous-catégories, les descriptions en plusieurs langues, les caractéristiques techniques, etc.) est souvent élevé et très exhaustif. Par ailleurs, ce travail de remplissage de données de produits doit souvent répondre à une norme bien précise (qui dépend en général de la marketplace ou du retailer), et les fournisseurs (les marques) doivent compléter ce genre de fichier pour toutes les normes, ce qui est potentiellement rébarbatif.

 

L’imputation (le remplissage) de données manquantes est une tâche délicate qui dépend de la nature du phénomène qui a conduit au non-remplissage du champ, et qui est souvent négligée par les méthodes standard d’imputation qui utilisent l’intelligence artificielle. Néanmoins, dans le cadre du remplissage d’un catalogue de produit, les raisons qui conduisent au non-remplissage ne dépendent en général pas de la nature du produit, et donc l’intelligence artificielle permet de compléter efficacement les champs manquants à partir des éléments à dispositions (les images, les descriptions et les caractéristiques renseignées). 

 

Attention toutefois à l’excès d’enthousiasme, il faut que l’information figure dans les données renseignées pour que ce genre d’approche fonctionne, il n’existe pas de modèle magique qui crée de l’information.

Les champs incorrects

Ahhhh les champs incorrects quelle douleur ! Oui, vous en avez déjà vu, c’est certain. Des tailles de vêtement rangées dans la colonne du prix, des matériaux rangés dans la colonne des codes barres, on pense qu’on a tout vu jusqu’à ce qu’on découvre une nouvelle anomalie dans les champs.

 

Techniquement parlant, on parle ici de détection d’anomalies (valeur aberrante). Les manières de détecter ce genre d’anomalies sont assez standards, c’est à dire qu’on va regarder chaque champ un par un, et on va regarder les produits pour lesquels la valeur du champ en question n’est pas cohérente avec le reste des produits. 

 

Par exemple, on va analyser pour chaque ligne les valeurs renseignées dans le le champ “taille” (pour des données de mode), et lever une alerte s’il y a une incohérence, comme par exemple un prix en euro dans le champ “taille”, là où tous les autres champs valent soit une taille lettrée (S, M, L, XL, etc.), soit une taille chiffrée normé (38, 40, 42, etc.). 

 

Détecter ce genre d’anomalies équivaut à entraîner un modèle de machine learning à :

  • comprendre la nature de chaque champ dans le fichier de produit,
  • détecter les anomalies au sein des valeurs d’un même champ, conditionnellement à la nature du champ et à la nature du produit.

Ce dernier point est crucial car une anomalie dépend également de la nature du produit. Par exemple, la taille d’une cravate est souvent exprimée en centimètres, là où la taille d’une chemise est exprimée en lettres (S, M, L, …) ou en chiffre. 

 

Ainsi, la détection d’anomalies est une tâche qui nécessite qu’un modèle ait une compréhension fine du catalogue de produit et des éléments qui le constitue.

Les produits en doublons

Parmi les problèmes fréquemment rencontrés dans la gestion des catalogues de produits, on pourra citer le problème des fiches produits en doublons. Deux fiches produits sont considérées comme étant des doublons si elles réfèrent au même modèle de produit et à la même marque

 

Ce genre de phénomène est gênant car cela réduit drastiquement l’expérience utilisateur des visiteurs du site de vente en ligne. En effet, lorsqu’un utilisateur cherche un produit en particulier sur un site, il ne s’attend pas à avoir sous les yeux des copies d’un même produit. Ce n’est pas clair pour l’acheteur si les produits sont les mêmes ou non, et donc le taux de conversion est naturellement plus bas, car dans le doute l’utilisateur va acheter le produit ailleurs.

 

Corriger les doublons dans un catalogue de produit peut paraître simple, mais cela soulève quelques difficultés que l’on n’a pas tendance à identifier avant de se lancer. En effet, il peut arriver que certains fournisseurs disposent de plusieurs déclinaisons d’un même produit (par exemple avec des finitions légèrement différentes, quelques accessoires en plus, etc.). Ces déclinaisons présentent souvent des attributs communs (comme les photographies, les descriptions et la plupart des caractéristiques), ce qui a tendance à rendre le dédoublonnage difficile (les différences étant subtiles, l’information est difficile à identifier). A contrario, certaines fiches produits doublonnées (même modèle, même marque) peuvent présenter quelques différences, notamment dans la description ou encore dans le titre, et pour autant référer au même produit.

 

Il faut donc construire un modèle capable de faire la part des choses entre les petites différences que peuvent comporter les fiches produits, et leurs similarités. Ce juste milieu est compliqué à construire sans un a priori métier fort, c’est pourquoi il est souvent nécessaire de prévoir une boucle de rétroaction avec des gestionnaire de catalogues, pour ré-entraîner régulièrement le modèle à bien détecter les produits présents en doublons.

En conclusion

La qualité des données de produits a une influence forte sur la vitesse d’intégration et de mise en ligne des catalogues de produits. Cela représente un coût, en général un coût humain car les choses sont souvent faites à la main, et c’est le point de départ de nombreux projets de création de référentiels produits unifiés (RPU). 

 

Les données de produits présentent une particularité que l’on retrouve rarement ailleurs : elles ont des types de données multiples, avec des données non-structurées (les images, les descriptions), et des données structurées (les caractéristiques, les catégories, le tout rangé dans un tableur Excel).

 

Certains acteurs sont spécialisés pour travailler sur un type particulier de données, et très peu de solutions existent pour traiter l’ensemble de la chaîne de qualité de la donnée. Attention également avec les solutions basées sur des données non-structurées : en général les approches sont basées sur du Deep Learning, et les coûts d’entraînements et de maintenance sont en général plus élevés.
N’hésitez pas à nous contacter si vous rencontrez ce type de problématiques. 

L’Intelligence Artificielle au service des Directions des Achats

mars 27th, 2020 Posted by Intelligence artificielle, Procurement 0 thoughts on “L’Intelligence Artificielle au service des Directions des Achats”

Dans cette course à la performance que se livrent les entreprises, l’Intelligence Artificielle représente un des leviers les plus intéressants, parmi toutes les nouvelles technologies. A tel point que, d’après une étude réalisée par Accenture, d’ici 2035 L’IA serait capable d’augmenter de près de 38% la productivité et la rentabilité des entreprises. 

 

Poussée par l’augmentation des données disponibles et la baisse du coût de la puissance de calcul, l’Intelligence Artificielle se retrouve de plus en plus dans de nombreuses applications. Après s’être répandue dans les applications grands publics, l’Intelligence Artificielle est en train de se déployer dans des solutions digitales dans de nombreux domaines professionnels. Notamment auprès des métiers des achats, dont l’activité, par nature, dépend fortement des données.

 

L’IA intervient aujourd’hui dans l’objectif d’assister la Direction des Achats dans certaines missions, essentiellement les tâches répétitives. Grâce à l’automatisation de certains processus que l’IA permet, les machines pourraient être considérées comme de véritables collaborateurs. Il est intéressant de savoir comment cette collaboration pourrait s’établir, et l’impact qu’elle pourrait avoir sur le métier de Directeur des Achats.  

 

Les bénéfices de l’IA 

 

La différence entre l’Intelligence Artificielle et la programmation classique se trouve à la fois dans les moyens mais aussi dans les mécanismes d’acquisition des connaissances. Les technologies dotées d’IA peuvent traiter des scénarios non structurés et développer un processus d’apprentissage en continu. Cela veut dire que les machines mettant à profit l’Intelligence Artificielle peuvent réaliser des tâches qui demandent des capacités propres au cerveau humain comme le raisonnement, la recherche d’information, l’apprentissage…

 

Les informations 

L’IA a la capacité d’analyser une grande quantité d’information, et permet de livrer rapidement des informations beaucoup plus pertinentes. Cela facilite et améliore la prise de décision des équipes achats. 

 

La productivité 

D’après une étude de l’éditeur de solutions de gestion des achats GEP, L’IA peut réduire entre 25 et 60 % la durée moyenne du traitement des processus achats, notamment car elle est travaille 24 heures sur 24, 7 jours sur 7.

 

Les économies 

Toujours d’après cette étude de GEP, une analyse des dépenses et du panel fournisseurs avec l’IA pourrait générer entre 5% et 40% d’économies supplémentaire. En outre, elle permet aussi de réduire entre 30% et 40% les coûts de traitement. Par exemple, en affectant le support technique de niveau 1-2 à des chatbots. 

 

 L’IA pour le traitement des données 

 

Une Intelligence Artificielle est un ensemble d’algorithmes entraînés à apprendre et à restituer des tâches simples. L’IA arrive à obtenir des capacités similaires à celles d’un cerveau humain sur ces tâches simples, grâce à cette capacité d’apprentissage et de déduction. Combiner la rapidité et la puissance de ces algorithmes à l’intelligence et à l’esprit analytique humain laisse entrevoir de nombreuses opportunités pour les entreprises. 

 

La majorité des organisations ont à leur disposition des données provenant de sources très diversifiées. Les contrats, les transactions, les fichiers, les rapports, les catalogues, autant d’éléments qui génèrent de grands volumes de données dans vos bases. Il apparaît comme évident que cela présente un intérêt stratégique de les connecter avec les données achats. 

 

L’Intelligence Artificielle est une solution innovante et efficace en réponse aux trois défis du traitement des données : 

  • La qualité des données à l’entrée
  • La classification des données selon des catégories exploitables
  • Le volume à traiter 

 

Grâce à l’Intelligence Artificielle, les données sont consolidées automatiquement et indexées en temps réel. Cela permet à vos équipes de ne pas perdre de temps à traiter les données à la main et aussi de les exploiter en continu. Ainsi, toutes les décisions des achats sont prises en adéquation avec les besoins réels et actualisés de chacun des métiers de votre organisation. 

 

L’IA pour le P2P 

 

Le “Procure-to-Pay”, aussi nommé Purchase-to-Pay ou P2P, englobe 3 processus principaux du cycle de vie des achats : la demande d’achat, l’achat, et le règlement du paiement. 

 

Le processus Procure-To-Pay couvre généralement les étapes allant de la recherche de produits à la mise à jour du compte fournisseur. Entre ces deux étapes, on retrouve notamment: 

 

  • La recherche de produits
  • La création d’un panier
  • La création de la demande d’achat
  • Le traitement et l’autorisation de la demande
  • La création du bon de commande ou d’achat
  • La réception des marchandises
  • L’évaluation de la conformité à la commande
  • La réception de la facture
  • Le rapprochement et le traitement de la facture
  • Le règlement du paiement
  • La mise à jour du compte fournisseur

 

Bien entendu, chaque entreprise définit son propre processus P2P, et peut y ajouter ou retirer des étapes.

 

En quoi consistent les solutions Procure-to-Pay ?

 

Elles se définissent comme des solutions qui présentent les offres des fournisseurs aux utilisateurs, grâce à des catalogues électroniques type Punch-Out, e-catalogue ou API. Puis elles digitalisent, automatisent, et optimisent les processus achats et financiers cités précédemment. Ces solutions prennent en charge à la fois les activités de contrôle, vérification, validation et gestion documentaire. Cela octroie aux entreprises un meilleur contrôle de leurs achats et une plus grande efficacité. 

 

Les applications concrètes de l’IA dans le P2P

 

L’analyse intelligente des données délivre de la valeur à chaque étape du processus Procure-To-Pay. Cela donne la possibilité à la fois d’optimiser l’efficacité de chacune des étapes et de perfectionner l’ensemble de la chaîne P2P. Le déploiement de solutions utilisant de l’IA présente donc un réel intérêt, à tous les niveaux du processus :  

 

Traitement et exploitation des données

  • Automatiser la consolidation, le dédoublonnage et la distribution des données dans les catégories.
  • Mieux cibler les gisements d’économies.
  • Accélérer la prise de décision.
  • Approfondir la connaissance des marchés.
  • Mieux anticiper les risques fournisseurs.

 

Gestion des catégories d’achats

  • Améliorer la structure et standardiser la nomenclature de chaque catégorie d’achats.
  • Mieux identifier les économies d’échelle potentielles.
  • Affiner la précision des indicateurs.

 

Automatisation et temps réel

  • Intégrer les données entrantes selon un cadencement choisi, qui peut être horaire.
  • Identifier immédiatement les anomalies et les tendances.
  • Dessiner des trajectoires référentes pour chaque action.
  • Améliorer la contribution de chaque responsable achats à la performance globale.

 

Analyse décisionnelle

  • Mesurer les variables de coûts avant et après un événement achats pour améliorer les actions collectives.
  • Réduire les coûts totaux de possession (TCO). Un précédent article centré sur le TCO peut contribuer à donner à ce bénéfice de l’IA toute sa dimension.

 

Reporting

  • Générer automatiquement des rapports sous différents formats, intégrant des tableaux de bord.
  • Personnaliser les analyses en fonction des sujets et des destinataires.  

 

Gestion des contrats

  • Mettre en œuvre des techniques neuro-linguistiques pour réviser les contrats rapidement et en profondeur.
  • Gérer le calendrier de rédaction de façon dynamique, avec notifications sur les clauses clés.
  • Détecter et signaler les écarts dans une perspective commune client/fournisseur d’amélioration continue.

 

L’Intelligence Artificielle facilite la vie de la Direction des Achats, et permet de se concentrer sur des tâches à forte valeur ajoutée comme le sourcing, l’innovation, la stratégie, etc. 

 

Intégrer l’Intelligence Artificielle dans le P2P est annonciateur d’un gain significatif en efficacité. Toutefois, il s’agit d’un projet à part entière. Cela demande du temps, des ressources et de l’énergie. Dans ce cadre, les vertus de l’IA ne se limiteront pas qu’aux achats, mais auront des effets bénéfiques dans toute l’entreprise. L’adhésion de tous est primordiale. La mise en relation de l’impact de l’IA sur la stratégie globale de l’entreprise peut aider en ce sens.

 

L’IA pour le RPA

 

La dénomination RPA signifie Robotic Process Automation, ou automatisation des processus robotiques, en français. Deloitte a partagé une définition assez claire : « [Les solutions d’automatisation des processus robotiques] peuvent traiter n’importe quelles données d’entrée en exécutant, telle une macro, une série d’actions préprogrammées et en suivant des règles métiers prédéfinies. »

 

Quand vous entendez parler de RPA (Robotic Process Automation), il y a de fortes chances que cela vous évoque soit l’automatisation des lignes de montage, soit la numérisation et la reconnaissance automatique des factures pour les plus à jour. Ne fermez pas l’article en vous disant que cela ne concerne pas les Directions des Achats ! La RPA peut vraiment vous aider à rendre votre fonction encore plus performante ! Nous allons voir dans la partie suivante quelques exemples pratiques. 

 

Depuis ses débuts comme technologie d’automatisation appliquée à la capture des données, la RPA a considérablement progressé. Dans un premier temps, elle s’est orientée vers les usages de numérisation des documents, notamment dans le domaine des Achats et de la gestion des approvisionnements. Aujourd’hui, cette technologie fait maintenant plus largement référence à toute automatisation des processus métiers, appelés BPA – Business Process Automation. De plus, elle s’est enrichie des apports des dernières technologies liées à l’Intelligence Artificielle. 

 

L’IA et la RPA au service des Achats

 

Vous vous demandez si la RPA peut-elle être utile pour la gestion des Achats de votre organisation ? Réfléchissez au nombre d’heures que vous ou vos équipes passez à effectuer des tâches répétitives et à faible valeur ajoutée à chacune des étapes de votre processus d’achats. La RPA vous offre un large éventail de possibilités pour optimiser les processus et réduire les temps de traitement.

 

Voici une liste non-exhaustive d’usage de l’IA et la RPA pour les achats :

 

  • Centraliser, nettoyer et catégoriser les données pour l’analyse des dépenses.
  • Récolter des données pour la compréhension du marché.
  • Créer et remplir des modèles de coût
  • Remplir des modèles d’optimisation avec des données commerciales et d’offres fournisseurs.
  • Rédiger des contrats à partir de modèles, d’offres sélectionnées et de soumissions d’offres fournisseurs en ligne.
  • Créer et envoyer des bons de commandes automatisés basés sur les niveaux des inventaires, et les tendances des points de vente.
  • Automatiser la réception et le rapprochement des factures (N-way matching).
  • Une file d’attente automatisée pour les paiements et des escomptes dynamiques ou pour paiement anticipé basés sur le rapprochement, l’acceptation du fournisseur, et l’analyse de la trésorerie.
  • L’achat guidé dans le catalogue : indiquer aux employés d’une organisation s’ils devraient faire leur achat dans tel ou tel catalogue, envoyer une demande au support Achats, ou simplement faire un « achat au comptoir ».
  • L’achat guidé hors catalogue qui détermine si un besoin doit être couvert par un achat sur catalogue, une demande de devis, ou encore un appel d’offre orienté sourcing stratégique.

 

Nous le rappelons, c’est une liste non-exhaustive. On aurait également pu parler du mapping des données, ou l’intégration inter-systèmes des référentiels de données. Dans ces problématiques, la RPA peut vous permettre d’harmoniser et unifier vos processus dans vos différentes entités. Tout cela sans la mise en place d’interfaces techniques, à la fois coûteuses, complexes, et chronophages. 

 

Conclusion 

 

Les Directions des Achats ont tout intérêt à considérer l’Intelligence Artificielle comme une aubaine et à saisir les opportunités qu’elle présente pour leur métier. Aujourd’hui, le rôle de la Direction des Achats est plus que jamais stratégique. En prenant part l’orchestration de la transformation digitale de son organisation, elle crée encore plus de valeur pour son entreprise. 

 

Pour y arriver, les nouvelles technologies, notamment l’Intelligence Artificielle, sont de véritables leviers d’innovation. L’IA intervient sur l’ensemble des missions de la Direction des Achats. Grâce à cette dernière, de nombreuses tâches fastidieuses peuvent être automatisées. Cela libère vos équipes qui peuvent ainsi se concentrer sur des missions à plus forte valeur ajoutée. Démocratiser l’accès à ces technologies devient donc primordial. Il vous faudra privilégier les solutions faciles à prendre en main et rapides à déployer. 

 

Si vous souhaitez échanger sur vos problématiques et voir si l’Intelligence Artificielle peut vous aider, n’hésitez pas à nous contacter.

Data et IA : l’arme magique des équipes marketing ?

mars 16th, 2020 Posted by Data Science, Intelligence artificielle, Procurement, Retail & Marketplace 0 thoughts on “Data et IA : l’arme magique des équipes marketing ?”

L’intelligence artificielle est en train de révolutionner de nombreux secteurs et de nombreux métiers. Les métiers du marketing ont été parmi les premiers à utiliser l’IA. Grâce à cette nouvelle technologie, les entreprises peuvent désormais profiter d’analyses et d’informations plus pertinentes. Parmi les bénéfices de cette technologie, on peut inclure l’optimisation et la meilleure orientation des campagnes grâce à une connaissance client plus fine et l’anticipation des tendances futures. Toutefois, il y a quelques écueils à éviter. 

 

Les données en marketing

 

Ces dernières années, le volume de données disponibles pour les marques ne cesse d’augmenter. En effet, le développement du e-commerce, des objets connectés, des nouveaux canaux de communication (les réseaux sociaux, les tchats en ligne, etc.) ont permis aux marques de récolter un très grand nombre d’informations sur leurs clients, leurs prospects, malgré la récente mise en place d’une réglementation rgpd stricte. Ainsi, les marques peuvent croiser leurs sources d’informations pour connaître en détail le profil de leurs acheteurs : leur âge, leurs loisirs, leur environnement, leurs centres d’intérêts, leurs achats, leurs retours, leurs visites en boutique, etc. 

 

L’objectif de cette collecte de données est d’atteindre le Graal de toute équipe marketing : la satisfaction du client dans son expérience avec la marque. Une expérience client ou utilisateur réussie, c’est lorsque vous avez comblé, voire surpassé, les besoins et attentes de votre client en laissant un souvenir positif et fort. Pour y arriver, la première étape est de connaître vos clients pour personnaliser leur expérience. Vous comprenez donc l’intérêt de collecter un maximum d’informations et de les analyser ensuite. Vous pouvez ainsi prendre des décisions éclairées pour parvenir à vos objectifs.

 

Dans le contexte actuel de forte concurrence, les équipes marketing vont devoir redoubler d’efforts pour atteindre ce Graal. Pour collecter des données et les utiliser, l’intelligence artificielle aura un véritable impact pour les métiers marketing. 

 

L’IA en pratique dans les métiers marketing

 

L’IA pour prédire

 

Une fois collectées, les données doivent être analysées pour être utilisées à bon escient. La puissance de l’intelligence artificielle mise au service de l’analyse des historiques de vente, et l’analyse sémantique sur les réseaux sociaux, permet aux marques d’en déduire des prévisions de vente et de détecter des tendances. Ces résultats les aident à optimiser leurs stocks pour satisfaire la demande sans rupture, optimiser les livraisons. Prévoir l’avenir en détectant des tendances a un impact direct sur le chiffre d’affaire : moins d’invendus, des clients satisfaits et donc plus fidèles, plus de vente. Mais surtout sur les marges, avec des prévisions justes, il est plus facile de négocier avec ses fournisseurs et d’anticiper ses coûts logistiques. 

 

L’IA pour communiquer

 

La satisfaction des clients passe aussi par la relation qu’ils entretiennent avec la marque. La démultiplication des canaux de communication a renforcé ce besoin de communiquer des consommateurs pendant ou après l’acte d’achat. Le challenge des équipes marketing se trouve aussi dans la rapidité et la pertinence des réponses apportées. Dans ce contexte, l’intelligence artificielle a permis l’essor de solutions de chatbot permettant de répondre aux questions rapidement et sans interruption. L’IA aide aussi les conseillers en relation client en les guidant dans leur conversation et en les assistant en poussant les bonnes informations. 

 

L’IA pour personnaliser

 

Pouvoir dresser des profils détaillés de ses clients et prospects permet aux marques d’établir une segmentation plus fine. Par conséquent, les marketeurs peuvent personnaliser l’expérience client, notamment en e-commerce. Les sites peuvent dynamiquement et intelligemment s’adapter à l’internaute pour lui fournir une expérience personnalisée, pour lui proposer des articles qui lui correspondent. Vous augmentez ainsi les chances de vendre. La personnalisation du discours améliore considérablement l’expérience client. 

 

Dans la continuité de personnalisation, vous pouvez utiliser l’intelligence artificielle dans les campagnes de publicité. Les algorithmes sont capables de vous aider à proposer des promotions ciblées selon les goûts, les envies, les besoins de vos différents profils de clients. L’analyse concurrentielle avec de l’IA vous donne la possibilité d’optimiser les prix en quasi-temps réel. Longtemps dédiée à l’hôtellerie et aux transports, cette pratique de prix dynamiques s’étend à de plus en plus de secteurs. 

 

Quelques conseils 

 

L’intérêt et l’impact, que peut avoir l’intelligence artificielle sur les métiers du marketing, ont déjà fait leurs preuves. Cependant, nous souhaitons aussi aborder les points sur lesquels être attentifs. Il ne s’agit pas là de relativiser le pouvoir de l’intelligence artificielle, mais plutôt de vous alerter pour vous permettre de réussir vos projets d’IA. 

 

La qualité des données 

 

Le premier point que nous souhaitons mettre en lumière est certainement le plus important de cette dernière partie. L’intelligence artificielle est puissante si et seulement si les données sont fiables. Autrement dit, si elles sont propres : aucun doublon, une nomenclature unifiée, les informations complètes, etc. Une nomenclature non unifiée dans vos données entraîne de nombreux doublons. Le danger des doublons est réel. Si vous avez beaucoup de doublons dans votre base client, votre connaissance client sera faussée. Dans ce cas, non seulement votre relation client risque d’en pâtir, mais vos prévisions seront fausses, ce qui vous entraînera vers de mauvaises décisions. Si vous multipliez les doublons dans vos produits, au-delà d’une expérience utilisateur complexe, vous risquez aussi de pénaliser votre SEO : en effet Google traque les “duplicate content” sur les sites internets et ne référencera pas des fiches produits en doublons trop nombreux par exemple. 

 

Plus vous avez de données, plus ce travail de traitement est long. Plus vous avez de sources de collecte, plus ce travail est fastidieux. Le temps que cela représente, et donc le coût, amène de nombreuses entreprises à sous-traiter. Les risques d’erreurs augmentent, car la connaissance métier des données est essentielle. Aujourd’hui, il existe des solutions d’automatisation du traitement des données par l’intelligence artificielle, comme UNiFAi. 

 

Avec l’essor du Big Data, tout le monde s’est mis à collecter et stocker des données. Mais si vous basez vos analyses, vos actions automatisées sur des données de mauvaise qualité, vous obtiendrez des résultats de très mauvaise qualité. Les risques sont évidemment principalement financiers, mais votre image peut aussi être touchée. 

 

Le déploiement de l’IA

 

Les possibilités de l’intelligence artificielle sont si larges que les projets représentent très souvent un grand terrain de jeu dans lequel on peut vite se perdre. Nous vous conseillons de bien cadrer les projets un à un et de les implémenter un à un. L’objectif est aussi de pouvoir réduire le temps de mise en place de ces projets et intensifier le déploiement à grande échelle. 

 

Présente chez les acteurs “digital-natives” depuis leurs créations, les acteurs traditionnels ont plus de difficultés à implémenter cette nouvelle technologie. C’est, en effet, plus complexe car, pour beaucoup, ils sont encore en phase de digitalisation. La conduite du changement d’aussi grands effectifs et de processus ancrés augmente le temps nécessaire à une adoption intégrale. Les acteurs traditionnels ne voulant pas louper le train de l’IA, ont trouvé une bonne alternative en développant des équipes Data pour ne pas prendre trop de retard. 

 

Pour conclure, 

 

Les données à la disposition des équipes marketing sont nombreuses. Elles augmentent leur valeur lorsqu’elles sont utilisées avec de l’Intelligence Artificielle. Au service de l’expérience et la satisfaction de vos clients, ce combo devient une arme magique pour les équipes marketing. 

Si vous souhaitez échanger sur vos données, Maximilien Baudry, notre co-fondateur et Docteur en IA sera ravi de pouvoir vous conseiller.  

 

10 startups qui installent de l’IA dans le retail

février 7th, 2020 Posted by Intelligence artificielle, Retail & Marketplace 0 thoughts on “10 startups qui installent de l’IA dans le retail”

L’Intelligence Artificielle s’intègre dans de plus en plus d’industries. Le retail n’y échappe pas non plus. En effet, les nouvelles habitudes des consommateurs ont amené des contraintes aux acteurs d’un marché ultra-concurrentiel. Un des avantages des distributeurs réside dans leur capacité naturelle à produire énormément de données, notamment d’usage consommateurs. Exploitées par l’IA, ces dernières permettent d’optimiser toute la chaîne du retail : le marketing, la production, la logistique, les achats. Cela, pour, in fine, mieux satisfaire des clients de plus en plus exigeants. Il existe de nombreuses startups qui installent de l’Intelligence Artificielle dans le retail. Voici une petite sélection.

Webotit, pour des conversations avec les clients

 

Créée en 2017, cette startup française propose aux marques une plateforme de commerce conversationnel pour répondre en masse à leurs clients sur leur site internet et les plateformes de messagerie. Webotit a aussi développé une solution de paiement par messagerie. En combinant de l’IA, des chatbots, cela permet aux agents conversationnels à vocation transactionnelle de répondre 24/24h avec un gain de productivité important.

Belive.ai, pour digitaliser les magasins

 

Believe.ai est une startup picarde qui a créé une suite de solutions cloud basée sur la reconnaissance d’images par l’IA. Elle met à disposition de ses clients, entre autres, une gondole intelligente qui signale les ruptures de produits, un panier de courses qui encaisse automatiquement, mais aussi pour la restauration un plateau qui encaisse vos plats automatiquement.

Emersya, pour mieux visualiser les produits en ligne

 

Depuis 6 ans, cette startup propose aux marques de présenter les produits en 3D dans des vitrines interactives à partager et incruster dans les sites de e-commerce. Les internautes peuvent changer les rendus à la volée et d’interagir avec les produits pour en visualiser des animations ou des éclatés. La dernière innovation proposée par Emersya est l’essayage instantané de produit en réalité augmentée sans quitter le site web.

OneStock, pour les stocks des distributeurs

 

OneStock permet aux distributeurs d’avoir une vue unifiée des stocks de références présentes en boutiques, le stock web et le stock des grossistes. La solution proposée par cette startup toulousaine, permet aussi de diriger les envois depuis le point de stockage pouvant honorer la totalité de la commande. L’objectif est de réduire les ruptures de stocks et optimiser les coûts d’expédition.

Focal Systems, pour des caddies intelligents

 

Fondée en 2015, cette startup anglaise a pour objectif de doter les caddies d’intelligence artificielle. Dans un premier temps, Focal Systems propose d’installer des caméras sur les caddies pour filmer les rayons pendant les courses des clients. L’intelligence artificielle détecte les produits manquants et avertir les équipes sur le terrain pour un réapprovisionnement. Depuis peu, ils proposent une solution basée aussi sur des caméras, pour analyser les produits déposés dans le caddie et ainsi permettre le paiement automatique, sans passage en caisse.

Vekia, pour une meilleure gestion des stocks

 

Cette startup lilloise propose une solution en saas pour prédire et mieux anticiper les fluctuations de la demande. Elle est basée sur des algorithmes alimentés par des données de sources variées : météo, réseaux sociaux, historiques d’achat, temps d’acheminement jusqu’au point de vente, etc. Grâce à Vekia, les distributeurs peuvent ainsi mieux gérer les approvisionnements, leurs stocks.

Verteego, pour prédire les ventes

 

Verteego, est une startup qui fournit, entre autres, un outil d’aide à la décision capable de résoudre des problématiques spécifiques comme la possibilité de comparer les produits, les prix et les délais de livraison proposés par deux fournisseurs.

S4M, pour analyser les visites en magasin

 

Cette startup parisienne s’est spécialisée dans le “drive-to-store” et la publicité programmatique. S4M a développé une plateforme technologique, permettant de générer, mesurer et optimiser en temps réel les visites incrémentales en points de vente physiques et en ligne.

Revers.io, pour l’expérience après-vente

 

Revers.io a décidé de s’intéresser à la dernière étape de l’expérience client, l’après-vente : rétractation, échange, retour ou réparation. Cette startup propose une plateforme SaaS qui permet de traiter instantanément les demandes de retours. La connexion à l’ensemble des acteurs logistiques simplifie et automatise la gestion des retours, qui devient plus rapide aussi bien pour les consommateurs que pour les retailers.

UNiFAi, pour améliorer la qualité des catalogues produits

 

La dernière startup qui installe de l’intelligence artificielle dans le retail que nous vous présentons, c’est nous! UNiFAi est une startup parisienne qui propose une solution pour nettoyer, enrichir, et unifier les catalogues produits en quelques clics. L’objectif principal est de réduire le time-to-market des distributeurs sur les marketplaces.

Pour conclure,

Le retail peut compter sur les startups pour installer l’Intelligence Artificielle dans ce marché. Les acteurs de la distribution vont ainsi pouvoir optimiser chaque étape de la chaîne. Avec l’avènement du Big Data, l’exploitation des données devient cruciale pour faire face à la concurrence croissante. Nous avons présenté ici une dizaine de startups. Il en existe encore beaucoup d’autres, tout aussi intéressantes. Nous en parlerons dans nos prochains articles

5 usages de l’intelligence artificielle dans le retail

janvier 24th, 2020 Posted by Intelligence artificielle, Retail & Marketplace 0 thoughts on “5 usages de l’intelligence artificielle dans le retail”

Le marché du retail est un des secteurs le plus en avance dans sa transformation digitale. Achats effectués depuis un smartphone, promotions diffusées sur les réseaux sociaux, recommandations fondées sur l’historique d’achat… Les usages et les attentes des consommateurs évoluent et bousculent le marché. En boutique ou en ligne, ils attendent une expérience taillée sur mesure. Les retailers historiques mais aussi les pure-players online comme les marketplaces collaborent avec les startups pour les satisfaire.

Les solutions d’intelligence artificielle, concept sur lequel travaillent les scientifiques depuis 60 ans, semblent être plébiscitées dans le retail. En 2019, ils sont 67% à travailler actuellement à ce déploiement, selon une étude menée par Octopeek. Une des raisons de ce plébiscite est la forte adaptabilité de l’intelligence artificielle comparée à des solutions plus classiques utilisant des règles métiers qui deviennent rapidement caduques dans un milieu en transformation permanente. L’intelligence artificielle est présente de la reconnaissance du consommateur à l’accompagnement de l’acte d’achat, en passant par la supply chain et le SAV. En effet, l’intelligence artificielle dans le retail n’est pas seulement dédiée à l’expérience client mais aussi à l’optimisation des métiers et des process de l’ensemble de la chaîne.  

 

L’IA pour gérer vos stocks 

 

La première étape de la satisfaction client est très certainement la capacité à lui délivrer le produit qu’il souhaite. Mais, de plus en plus ces dernières années, il s’agit de lui livrer l’article le plus vite possible. Avec l’émergence d’Amazon dans le retail et sa capacité de livraison rapide a forcé le marché à optimiser la gestion des stocks dans ce sens. L’intelligence artificielle et la robotisation ont permis d’améliorer l’organisation des entrepôts, d’accélérer et faciliter la manutention, mais aussi la coordination du transports pour répondre aux exigences des consommateurs. Certaines solutions de supply chain intègrent l’Intelligence Artificielle pour analyser les ventes et ainsi anticiper l’évolution de la demande et les besoins de restockage.

 

L’IA pour améliorer votre relation clients 

 

La démocratisation des réseaux sociaux a participé à la modification des attentes des clients concernant la communication avec les marques. Elles ont donc dû s’adapter pour proposer un service après et avant vente sur leurs sites mais aussi sur les réseaux sociaux. La majorité des questions des consommateurs peuvent être répondues grâce à des solutions de chatbot basées sur l’intelligence artificielle, et même acheter directement dans Facebook messenger, par exemple.

La publicité et les incitations à l’achat sont aussi optimisés pour personnaliser les messages. L’intelligence artificielle arrive à analyser des attitudes d’achat, à les prédire et à suggérer aux consommateurs le produit le plus adapté à ses attentes du moment. Selon une analyse réalisée par Salesforce dans 30 pays, les recommandations de produits boostées par l’intelligence artificielle ont ainsi, en moyenne, généré, lors de l’édition 2017 du Black Friday, 30 % des revenus de la vente en ligne et 24 % de ceux réalisés lors du Cyber Monday.

 

L’IA pour optimiser l’expérience client

 

Que ce soit en magasin ou en ligne, les marques ont plusieurs possibilités pour améliorer l’expérience de leurs clients. Dans les magasins, des solutions d’intelligence artificielle permettent d’analyser le parcours des clients et révéler les zones chaudes pour optimiser le merchandising. Il existe des solutions fondées sur la reconnaissance faciale (aux US pour le moment) qui permettent de reconnaître les clients étant déjà venus en magasin. Elle peut aussi effectuer des analyses statistiques de la fréquentation en temps réel : âge, sexe et même émotions sont détectables. Les vendeurs ayant accès à ces données peuvent alors adapter leur comportement à l’état d’esprit du client. On peut également citer le tour de force d’Amazon qui a réussi à créer un concept de magasins sans personnel en utilisant une batterie de capteurs pour suivre et mettre à jour le panier de ses clients tout au long de leur visite.

 

L’IA pour optimiser les coûts 

 

En analysant les données les marques ont les moyens d’optimiser les coûts. Les outils dotés d’intelligence artificielle peuvent prédire les ventes, améliorer des descriptions produits, ajuster les prix selon la concurrence, peuvent nettoyer et unifier les catalogues fournisseurs pour mieux négocier, etc. Pour les marques qui veulent se développer sur les marketplaces, elles ont à leur disposition des solutions pour mettre à jour les catalogues intelligemment en quasi temps réelLe double enjeu d’améliorer le côté expérience client et logistique au sens large avec de l’intelligence artificielle pourrait permettre des économies de plus de 300 milliards de dollars d’ici quelques années d’après une étude menée par CapGemini.

 

Pour conclure

 

Pour répondre aux challenges de la transformation digitale, les retailers et marketplaces se tournent de plus en plus vers l’intelligence artificielle. Elle intervient tout au long de la chaîne : recommandations produit, prédictions et analytics, aide à la gestion de l’approvisionnement, chatbots… Bien que la mise en place de cette technologie soit relativement récente, les derniers rapports d’études montrent déjà des résultats significatifs pour le retail. L’un des enjeux de l’AI dans le retail pour les prochaines années semblent être la formation des équipes à ces nouvelles technologies pour une meilleure exploitation. 

N’oubliez pas que l’intelligence artificielle se base sur la donnée, il est donc important de travailler avec des données de qualité !

Newsletter

Ne manquez pas nos articles ! (1 email/mois)