3. FredCavazza.net@fredcavazza #eCoCo
Sommaire
• Définitions et domaines d’application
Qu’est-ce qu’une intelligence artificielle ?
À quoi ça sert ? Où sont-elles exploitées ?
• Fonctionnement et limites
Comment ça marche ?
Qu’est-ce qu’une IA ne peut pas faire ?
• L’avènement du marketing augmenté
Comment exploiter les IA dans le marketing ?
4. FredCavazza.net@fredcavazza #eCoCo
La victoire d’AlphaGo (Google)
contre Lee Se-dol en 2016
La victoire de Deep Blue (IBM)
contre Garry Kasparov en 1997
Nous vivons dans une époque formidable…
Les IA défient et supplantent les plus grands cerveaux du monde
8. FredCavazza.net@fredcavazza #eCoCo
Avec les disques vocaux
(arbres conversationnels)
Dans les jeux vidéo (ex : pathfinding)
Cela fait 20 ans que vous utilisez
des IA sans vous en rendre compte
9. FredCavazza.net@fredcavazza #eCoCo
IA faible = système conçu pour une seule
tâche (ex : reconnaissance d’image)
Intelligence artificielle ?
IA forte = système capable de traiter de
multiples problèmes (en théorie)
Un concept technologique visant à utiliser les
machines pour simuler l’intelligence humaine
L’intelligence artificielle est un concept, l’IA forte est pour le moment une utopie
10. FredCavazza.net@fredcavazza #eCoCo
Intelligence augmentée ?
L’intelligence augmentée (Amplified Intelligence)
consiste à augmenter les capacités humaines par des
artefacts qui leur permettent d’être plus performants
Les capacités analytiques et computationnelles des machines
additionnées aux capacités emphatiques et intuitives des humains
11. FredCavazza.net@fredcavazza #eCoCo
Machine learning ?
Le machine learning est une branche de l'intelligence
artificielle axée sur des processus d'apprentissage
permettant à une machine d’évoluer
Apprentissage
supervisé
pour des tâches
bien définies :
• Classification
• Prévisions
• Classement
• …
Apprentissage
non-supervisé
pour traiter des
données en vrac :
• Clustering
• Associations
• Réduction de
dimensions…
Apprentissage
renforcé
pour réagir à des
événements connus :
• Recommandations
• Aide à la décision
• Scoring
• …
La discipline d’intelligence artificielle actuellement la plus en vue
12. FredCavazza.net@fredcavazza #eCoCo
Les différents types d’algorithmes de ML
Arbres de décision Réseaux bayésiens
Réseau neuronaux Forêt d’arbres
Il n’y a pas de bon ou mauvais algorithme, mais de
mauvais paramétrages ou jeux de données
13. FredCavazza.net@fredcavazza #eCoCo
Deep Learning ?
Une méthode de machine learning qui permet un
apprentissage non supervisé en s'appuyant sur
l'analyse de données hétérogènes
Une méthode particulièrement bien adaptée au traitement de larges
jeux de données (big data) pour identifier des modèles (« patterns »)
permettant d’extrapoler des observations-clés (« insights »)
14. FredCavazza.net@fredcavazza #eCoCo
Les métiers concernés par les IA
• Radiologues : détection de cancers
• Avocats : analyse de la jurisprudence
• Support / SAV : traitement des questions génériques
• Hôtellerie : traitement des demandes génériques
• Assurance : identification des facteurs de risque et des profils
suspects (ex : arnaques)
• Banque : anticipation des besoins en fonction des dépenses
(ex : crédit immobilier, recommandations patrimoniales)
• …
Tous les secteurs sont concernés à partir du
moment où il faut exécuter des tâches répétitives
ou analyser de grandes quantités de données
16. FredCavazza.net@fredcavazza #eCoCo
Pourquoi maintenant ?
• De gros progrès sur les algorithmes
• Beaucoup plus de données disponibles, et
plus facilement accessibles (dans le cloud)
• Plus de puissance de calcul et à moindre
coût (puces graphiques, puces dédiées,
facturation à l’utilisation…)
Les planètes sont alignées pour une généralisation de
l’utilisation d’intelligences artificielles en entreprise
18. FredCavazza.net@fredcavazza #eCoCo
Machine learning
Comment exploiter une IA ?
Données
brutes
Données
structurées
Liste de
caractéristiques
Modèle de
classification
Données
classifiées
Pré-
traitement
Extraction de
caractéristiques
Apprentissage
supervisé
Classification
contrôlée
Deep learning
Données
brutes
Modèle de
traitement
Données
agrégées
Apprentissage
non-supervisé
Traitement
non-contrôlé
19. FredCavazza.net@fredcavazza #eCoCo
Machine learning vs. Deep learning
Machine learning Deep learning
Avantages
• Maitrise du modèle de classification
• Possibilité de contrôler et d’ajuster
le traitement
• Construction autonome du
modèle de traitement
• Traitement de données brutes
(ex : images)
Inconvénients
• Nécessite des données structurées
• Extraction manuelle des
caractéristiques par des experts
• Impossibilité de valider le
modèle de traitement
• Impossibilité d’ajuster le
traitement
Il n’y a pas de bon ou mauvais choix de méthode, mais
un compromis en fonction de données disponibles
20. FredCavazza.net@fredcavazza #eCoCo
Les principaux algorithmes utilisés
Classification
Modélisation de plusieurs groupes
de données dans des classes
existantes. Sert à répartir des
individus dans des groupes selon
leur profil (ex : segmentation RFM).
Clustering
Regroupement d'individus
partageant des caractéristiques
communes, mais dans des classes
non-existantes ou non-définies (ex :
définir des micro-segments).
Regression
Regroupement des données à
l'aide de corrélations. Une forme
de calcul probabiliste de la valeur
future d'une action (ex : probabilité
de clic ou de transformation).
Les IA au service de la performance et du ROI
21. FredCavazza.net@fredcavazza #eCoCo
L’apport des IA dans une
campagne publicitaire
Le déroulement d’une campagne :
1. Définition des objectifs
2. Définition de l’audience et des critères de ciblage
3. Création des bannières et des pages d’atterrissage
4. Test et optimisation des créations
5. Choix des supports et des modalités
6. Paramétrage de la campagne
7. Définition du budget et du mode de facturation
8. Mise en place des indicateurs de performance
9. Lancement de la campagne
10. Suivi des performances et optimisation des enchères
11. Clôture et édition d’un rapport de fin de campagne
12. Analyse des performances et calcul de la contribution
La machine ne remplace en aucun cas l’humain,
et encore moins le publicitaire ;-)
23. FredCavazza.net@fredcavazza #eCoCo
Les IA exploitées dans le marketing
• Micro-segments (analyse du parcours et du comportement)
• Personnalisation de bannières (en fonction du profil et/ou du
segment)
• Génération de contenus (en fonction du profil et du comportement -
ex : landing page)
• Pilotage des campagnes (optimisations en temps réel)
• Écoute des conversations (analyse sémantique et évaluation du
sentiment)
• Analyse prédictive (anticipation de résultats)
• Évaluation de la contribution et optimisation des dépenses…
De nombreux cas d’usages pragmatiques
24. FredCavazza.net@fredcavazza #eCoCo
Phrasee : moteur d’analyse sémantique de l’impact
de mots et phrases dans un email
Sentient Ascend : Tests multi-variables automatisés
capable de gérer des milliers de permutations
GumGum : placement de publicités en fonction
d’un contexte visuel
Quatre solutions concrètes
Target2sell : personnalisation des pages de
catégorie et des listes de résultats
25. FredCavazza.net@fredcavazza #eCoCo
+18% de chiffre d’affaires
+38% de taux de conversion
Des premiers résultats probants
Des progressions spectaculaires, mais
qui nécessitent de nombreux pré-requis
28. FredCavazza.net@fredcavazza #eCoCo
Les enjeux de l’IA dans le marketing
• Des algorithmes très puissants qui nécessitent
beaucoup de données (pas toujours disponibles)
• De nombreuses solutions existantes, mais très
obscures et difficile à comparer et assembler
(marketing stack)
• Une course à l’armement qui peut vite devenir contre-
productive (paramétrage, optimisation…)
• De gros éditeurs qui veulent préempter le domaine et
brouillent la compréhension des usages (sur-
simplification du discours de vente)
29. FredCavazza.net@fredcavazza #eCoCo
Par où commencer ?
1. Amasser des données en prévision de leur exploitation
ultérieure (attention à la GDPR) (et la ePR !)
2. Développer une culture data pour diversifier les sources
3. Lancer des projets pilotes pour susciter l’adhésion
4. Identifier les solutions les plus pertinentes en fonction
des faiblesses de votre parcours client
5. Impliquer les équipes déjà en place plutôt que d’en
recruter de nouvelles
Le principal facteur-clé de succès sont
les collaborateurs, pas les algorithmes