Les décisions basées sur les données sont devenues déterminantes au sein des entreprises et ce, dans toutes les industries. Grâce à des analyses plus sophistiquées, qui offrent un éclairage plus exhaustif, les dirigeants seront en capacité d’optimiser leurs prises de décisions. Que ce soit pour comprendre les préférences des clients ou encore créer des produits personnalisés, les données, les analyses et l’IA sont dorénavant utilisées à travers toutes les fonctions des entreprises.
Éduquer l’interne en matière de traitement des données
L’IA est aujourd’hui sur toutes les lèvres et nous observons son adoption à grande échelle, notamment via l’aide d’outils spécifiques, tels que l’architecture low-code et no-code. Le marché regorge d’outils de divers fournisseurs de produits et d’hyper scalers, relativement simples à utiliser.
Cependant, avant de créer de tels modèles, les entreprises doivent informer les utilisateurs sur les données existantes et celles disponibles en dehors de l’entreprise, telles que les données syndiquées ou partenaires. Les utilisateurs peuvent tirer parti des outils d’analyse pour étudier les données et créer des tableaux de bord qui offrent des informations spécifiques sur la situation de l’entreprise.
Les outils qui s’appuient sur des capacités low-code et no-code permettent aux utilisateurs de créer rapidement et simplement des modèles d’IA. Cependant, il est crucial d’être conscient de ses limites et de ses pratiques avant de s’y appuyer pour une prise de décision. Avec la disponibilité d’un très vaste nombre de modèles pré-formés ou zéro-shot, l’IA banalisée peut conduire au phénomène du « embarrassment of riches » dans lequel une surabondance de ressources conduit à une consommation ostentatoire. Il n’est pas nécessaire d’être un data scientist pour utiliser ou créer des modèles d’IA. Néanmoins, être conscient des concepts mathématiques et scientifiques fondamentaux et comprendre les hypothèses sous-jacentes inhérentes aux modèles offrent aux utilisateurs de déterminer les modèles et techniques pour résoudre leurs problèmes.
Par exemple, les planificateurs de la demande peuvent utiliser la régression linéaire afin de prévoir l’offre et la demande. Cependant, pendant la phase de construction du modèle, ils doivent prendre en compte certaines hypothèses telles que la relation linéaire, l’absence de multicolinéarité et l’absence d’autocorrélation. Concernant la demande intermittente, la régression linéaire nécessite d’autres modèles. L’IA peut identifier et générer ces modèles, néanmoins, elle a tendance à graviter vers une prévision de volume nul car il s’agit de la demande la plus attendue. Cependant, si l’utilisateur change l’heure d’hebdomadaire à mensuelle ou trimestrielle, il est possible d’obtenir de meilleurs résultats. Sur la base des statistiques de sortie du modèle, l’utilisateur doit rechercher des statistiques pertinentes pour vérifier l’ajustement du modèle et utiliser uniquement les coefficients statistiquement pertinents.
Les utilisateurs doivent être suffisamment sensibilisés afin de les aider à identifier les modèles d’analyse ou d’IA qui seront applicables à leur structure, sans forcément avoir une parfaite maîtrise de la science des données. Par exemple, lors de la modélisation d’une part de portefeuille d’une épicerie, en supposant qu’une distribution Erlang-2 donne les meilleurs résultats, un professionnel n’est pas censé le savoir.
Généralement, la planification d’entreprise implique des décideurs en matière de demande et d’offre, de finances, de marketing et de ventes. Toutes ces parties prenantes ont cruellement besoin d’informations à des moments différents, couvrant différents points de données et différentes périodes. Les planificateurs de la demande doivent donc anticiper suffisamment, afin de connaître les futures demandes hebdomadaires. Le planificateur d’approvisionnement recherche alors les contraintes de matériels/capacités au quotidien. Le planificateur de production étudiera ainsi l’impact des promotions sur l’inventaire au niveau hebdomadaire. L’équipe marketing et finance, elle, aura alors besoin des projections de croissance du marché au niveau mensuel. Ainsi, il est crucial de comprendre quelles informations sont nécessaires pour chaque partie prenante.
Les professionnels doivent également tenir compte de l’incertitude du modèle lorsqu’ils prennent des décisions. En effet, les modèles de simulation à événements discrets aident à comprendre l’impact de différents facteurs sur l’entreprise. Par exemple, l’équipe marketing souhaite comprendre l’impact des promotions, des stratégies des concurrents et des conditions de marché projetées. Si nous examinons de plus près un produit alimentaire, les
promotions entraînent généralement une augmentation temporaire de la demande sans impact à long terme. Comprendre cet effet temporaire et utiliser certains outils en conséquence s’avère donc crucial. Ainsi, la plupart des planificateurs de la demande saisissent l’impact des conditions météorologiques possibles et des ‘sentiments’ des clients pour finaliser les demandes à court terme. L’utilisation d’un modèle d’IA peut clairement prêter mains fortes. Néanmoins, pour un produit telle que la crème glacée, il sera nécessaire de vérifier si sa distribution a changé. L’IA apprendra alors des données antérieures et prédira l’impact de la température sur la demande. Mais si le changement de distribution est dû à des fermetures de magasins et aux problématiques de stocks, alors étudier l’impact historique de la température serait trompeur.
La gouvernance et la qualité des données sont devenues indispensables
Alors que les entreprises s’appuient de plus sur la donnée, elles doivent mettre en œuvre des protocoles de gouvernance robustes afin de protéger ses – internes et externes. Les collaborateurs doivent être ainsi sensibilisés à l’accès et à l’utilisation de ces dernières afin de créer une culture d’autoresponsabilité, de transparence et de confiance au sein du lieu de travail.
L’IA influence toutes les interactions numériques. Il est donc crucial de maintenir des réglementations en place pour protéger les intérêts des clients. La loi sur l’IA en Europe tente de concevoir des contrôles pour les systèmes de plomb d’IA. Il est donc important d’avoir une catégorisation des risques des applications numériques et de les gérer – et plus spécifiquement dans des secteurs fortement réglementés.
Les résultats du modèle doivent être explicables, exempts de biais et responsables. La gouvernance des données et l’IA responsable (via la consommation des seuls actifs de données autorisés) deviendront cruciales avec l’adoption généralisée de l’IA. Les professionnels doivent apprécier la qualité de la donnée. En effet, des données peu qualitatives offrent des informations biaisées ou peu utiles à la prise de décision. Par exemple, un planificateur d’un retailer peut s’appuyer sur ses données de ventes des trois dernières années pour la prévision de la demande. Néanmoins, il faut être véritablement conscient qu’il existe une asymétrie inhabituelle telle qu’une augmentation ou une baisse de la demande pour certaines catégories. Lors de l’utilisation de ces données pour saisir la
saisonnalité de la demande, certaines corrections doivent être apportées pour mieux utiliser ces données et, in fine, prévoir la demande.
Pour conclure, les entreprises peuvent tirer pleinement parti de la donnée, de l’analyse et de l’IA pour prendre des décisions éclairées et résoudre des problématiques spécifiques.
