Data Insider

Le Machine Learning au service du business

Les usages du machine learning

Le machine learning est aujourd’hui au cœur de l’ingénierie financière, médicale ou industrielle. Cette technologie permet de résoudre des enjeux, jusqu’à peu réservés à l’expertise humaine et de déployer des solutions offrant des performances à grande échelle. Dans ce guide, nous allons aborder les différents usages du machine learning au service des entreprises, le contexte de son exploitation et les différents secteurs d’activité dans lesquels il s’applique.

Pourquoi utiliser le machine learning ?

Le machine learning, aussi appelé apprentissage automatique, est une technologie qui concentre, exploite et analyse des volumes de données de masse de façon automatisée. Il offre alors la possibilité de prédire une évolution, des tendances ou des pronostics en déterminant une corrélation à partir de données d’un même ensemble, préalablement définies et relatives à un métier ou une industrie. Le machine learning permet le développement d’algorithmes efficaces à partir de modèles statistiques et d’éléments quantitatifs pour une analyse en temps réel. L’apprentissage automatique peut produire des résultats et des analyses de recherche qui sont ensuite vérifiés dans la vraie vie.

Comment est utilisé le machine learning en entreprise ?

Le machine learning peut se définir comme un sous-ensemble de l’intelligence artificielle et s’appuie sur la collecte des données. Il est soumis à des modèles statistiques afin de déterminer des prédictions sur des évènements à venir. C’est en quelque sorte une technologie qui fonctionnerait comme un cerveau qui retient une information et apprend à partir d’un contexte pour améliorer ses performances.

taxonomie

Comment améliorer les performances en entreprise grâce au machine learning ?

Dans la programmation informatique traditionnelle, un programme exécute un message, une information enregistrée, pour délivrer un résultat : la lecture d’une carte à puce, le lancement d’une rampe de convoyeur sur une chaîne d’approvisionnement, la commande d’un nouveau produit, etc. Dans le cas du machine learning, ce sont les données collectées qui vont être analysées pour projeter et anticiper au mieux une tendance ou une prochaine action, grâce à des systèmes de recommandation. Par exemple, la suggestion de nouveaux articles de vente à partir d’un article précommandé, sur la base d’expérience d’achats de précédents clients, ou encore l’analyse d’un risque de fraude sur un paiement en ligne selon l’historique et les lieux de transactions déjà utilisés, l’identification d’une tumeur bénigne ou maligne à partir des imageries médicales de patients enregistrées dans la base de données d’un groupe hospitalier, etc.

L’originalité des solutions de machine learning repose sur leur capacité d’apprentissage à partir d’expériences sans avoir besoin d’être programmées. En d’autres termes, il suffit d’implémenter un modèle statistique et de lui fournir des données. On peut ensuite ajuster les paramètres du modèle en fonction des données pour améliorer les résultats. Et plus il y a de données, plus le modèle est affiné. Les scientifiques de données (aussi appelés data scientists) entraînent les modèles de machine learning en injectant des sous-ensembles de données - aussi appelés bibliothèques de données - et les soumettent à des expérimentations de prédictions qui sont ensuite comparées avec les événements véritablement produits.

Un des exemples d’application les plus anciens est celui de la météorologie où des relevés de températures, de pluviométrie, de pression atmosphérique sur plusieurs dizaines d’années permettent de prévoir des risques de pluie, d’ensoleillement ou même la trajectoire d’une tempête sur un territoire dans les jours à venir.

Le modèle fonctionne alors comme un mécanisme interne et donne des résultats automatiques à partir des données qui lui ont été préalablement fournies et qu’il a exploitées. Et plus on lui fournit de données, plus la modélisation s’affine et les résultats prédits sont prouvés.

 

Le machine learning dans la finance

Beaucoup d'entreprises de la finance sont encore incapables d’exploiter tout le potentiel de cette technologie pour plusieurs raisons : le manque d’organisation de leurs données collectées, une incompréhension de son usage et l’inadaptabilité à adopter de nouvelles structures et méthodes de travail. En dépit de ces obstacles, de plus en plus d’entreprises financières prennent au sérieux l’usage de cette technologie et à juste titre : réduction des coûts opérationnels, amélioration de la productivité et de l’expérience utilisateur, meilleure conformité avec la régulation et renforcement de la sécurité informatique.

Des entreprises de plus grande taille ou des groupes financiers ont les moyens de se doter des outils de machine learning les plus sophistiqués. Mais il existe plusieurs algorithmes de machine learning en open source disponibles pour démarrer des projets de modélisation. La nature quantitative de l’industrie financière et le volume de données historiques collectées font de la finance un des domaines favoris pour la mise en application du machine learning.

L’automatisation de processus

Beaucoup de tâches manuelles et répétitives peuvent désormais être automatisées grâce au machine learning. À partir d’outils de programmation, on peut désormais rassembler, manipuler et exploiter de très larges bases de données en temps record. Parmi les usages les plus fréquents de l’automatisation, on peut citer par exemple les communications générées dans les centres d’appels, les chatbots, la dématérialisation de processus administratifs ou encore la gamification des outils de formation. Les métiers de la relation client dans le secteur bancaire et financier ont été les premiers transformés depuis l’intégration de ces processus d’automatisation.

En termes de sécurité et de protection contre la fraude, le machine learning garantit aussi au secteur financier plus d'efficacité et de productivité. Que ce soit la détection d’activités frauduleuses sur des comptes bancaires, le vol d'identifiants ou des cyberattaques sur les réseaux d’infrastructures, la finance a vu sa vulnérabilité se réduire considérablement depuis l’adoption de processus automatisés et du machine learning. Le machine learning a aussi fait émerger de nouveaux acteurs dans le secteur financier comme PayPal, Skrill, Plaid, et bien d’autres. Ces startups issues du secteur des nouvelles technologies ont développé des outils de paiement à destination des consommateurs et des entreprises d’e-commerce.

Au sein même des banques de détail, le machine learning a permis aux collaborateurs de pouvoir obtenir des informations relatives à leurs clients de façon plus efficace et plus fiable afin de mieux les aiguiller sur certains produits. Quant à la finance de marché, l’ingénierie boursière s’est développée à partir du machine learning afin de mieux servir les traders, d’augmenter la capacité d’échange sur les marchés et d’offrir de meilleurs outils d’analyse.

Choisir entre acheter ou développer sa propre solution de machine learning

Plusieurs arguments entrent en ligne de compte quand on décide d’arbitrer entre développer sa propre solution de machine learning ou acheter un outil clé en main. L’un des premiers arguments est le coût des ressources des ingénieurs et data scientists. Peut-on se doter d’une équipe capable de construire un algorithme à partir de solutions en open-source ? Est-on en mesure de l’adapter en fonction des données qui lui sont fournies ? Quid des mises à jour et des bugs ? Le deuxième argument présenté est souvent celui de la propriété de la solution de machine learning. Lorsque l’entreprise fait appel à une solution disponible sur le marché, cette dernière est présentée davantage comme un service car elle comprend les mises à jour et une assistance en cas d’erreur technique. Mais elle doit être compatible avec les systèmes d’information de l’entreprise. Enfin, le troisième argument qui détermine le choix d’une solution de machine learning est celui de l’agilité. Est-on capable de choisir une solution facile d’accès mais qui peut tenir compte des évolutions technologiques et être supportée par des infrastructures constamment renouvelées ? Des arbitrages sont nécessaires pour adopter la solution la mieux adaptée à son besoin.

Le machine learning pour la bourse

En bourse, le machine learning a été déployé au cours des 30 dernières années pour permettre ce que nous appelons aujourd’hui « le trading de masse ». À partir d’un modèle statistique choisi, et en tenant compte de différents facteurs, on peut désormais effectuer un volume de transactions en temps réel d’une amplitude inégalée. Le machine learning consiste alors à former un algorithme à partir des différentes bases de données retenues qui va automatiquement affiner ses résultats pour prédire au plus juste les performances des actifs boursiers échangés. Les résultats observés offrent finalement un avantage significatif par rapport aux méthodes de courtage traditionnelles, qui font encore appel à des opérations manuelles, sujettes à des risques d’erreurs plus élevés. Le machine learning permet aussi d’éliminer des facteurs de risques propres à l’humain comme la prise de décision liée aux émotions.

Le machine learning dans le domaine de la santé

Le machine learning au sein du monde médical a étendu le champ des possibles tant sur la partie recherche que sur la partie gestion administrative. L’apprentissage automatique combinée aux données collectées par les organismes de santé - tout en respectant la confidentialité de l’identité des patients - optimise la productivité des tâches répétitives et chronophages, et améliore la qualité et la personnalisation des soins offerts.

Dans des explorations un peu plus poussées, le machine learning permet aujourd’hui des prises de rendez-vous et des suivis de consultations avec le recours d’assistance virtuelle, la réalisation d’opérations chirurgicales de pointe guidées par le médecin, ou encore l'automatisation des prescriptions de médicaments. Il existe également aujourd’hui des solutions permettant de faciliter la distribution de médicaments par zones géographiques grâce à la collecte de données sécurisées pour certaines pathologies. C’est notamment le cas de Sophia Genetics qui collabore avec une centaine de centres hospitaliers en France pour optimiser les résultats d’analyses génétiques. La startup française propose une plateforme d’analyse conçue par ses bio-informaticiens et basée sur du machine learning et un moteur d’intelligence artificielle. Il s’agit en quelque sorte d’un super séquenceur, capable de délivrer les premiers résultats en seulement deux heures. Ces prouesses techniques offrent aux cliniciens et généticiens plus de rapidité dans la détermination de leurs diagnostics. Côté administratif, le machine learning assure une meilleure communication avec les organismes d’assurances publics et privés.

Le machine learning au service du marketing

Anticipation de la demande, optimisation des campagnes d’acquisition et de rétention des clients, calibrage des programmes de fidélité, etc. L’apprentissage automatique a rendu le marketing plus efficace, plus sophistiqué et mieux personnalisé. Nul doute que les directions marketing sont aujourd’hui capables d’améliorer la qualité de la satisfaction client tout en observant une croissance exponentielle de leur base de marché grâce au machine learning.

Entre les collectes de données remontées directement depuis les points de vente et le développement des régies publicitaires sur les plateformes de réseaux sociaux, il est désormais possible d’apprendre au mieux de ses consommateurs et de déployer un message attractif et bien ciblé pour une meilleure évangélisation du produit. Ainsi, en collectant les données relatives aux passages de visiteurs dans un point de vente (le nombre d'articles et leurs catégories, la durée et les pics de trafic, etc.), on peut identifier les articles qui ont rencontré le plus de succès selon leurs caractéristiques et les heures de visite, afin de ré-agencer le point de vente et améliorer le passage en caisse. Un autre exemple est la mise en place de l’outil de gestion des campagnes publicitaires de Facebook qui permet de déployer des campagnes de promotions, de leads, et de conversions des utilisateurs sur une page officielle. L’outil Ads manager va ensuite, par un système de calibrage automatique, ajuster l’exposition des posts en fonction des impressions, des vues et des clics des utilisateurs au fur et à mesure de la durée de la campagne, en favorisant la promotion des posts qui génèrent le plus de traction.

artificial intelligence

Exemple d’enchaînement de publicités proposé à partir d’un outil de machine learning Source : https://www.entreprises.gouv.fr/files/files/directions_services/etudes-et-statistiques/prospective/Intelligence_artificielle/2019-02-intelligence-artificielle-etat-de-l-art-et-perspectives.pdf

 

Le machine learning pour la supply chain

Dans le domaine de la supply chain, le machine learning a permis d’améliorer les processus métiers. Son application a donné lieu à de nombreux progrès : la capacité les projections d’un résultat opérationnel sur une chaine d’approvisionnement ou de mieux calibrer le temps nécessaire pour l’acheminement de marchandises. Le machine learning a aussi aidé les entreprises du secteur à anticiper la durée de vie des équipements de transports.

Les 10 améliorations générées par le machine learning sont :

  • Capacité d’analyse des données collectées
  • Gestion à flux tendu optimisée et réduction de coût
  • Performance et recette marginale augmentées
  • Meilleure visualisation grâce à l’identification de schéma ou modèle
  • Meilleure prise en compte du contexte et identification des facteurs exogènes
  • Anticipation de la demande
  • Amélioration de la durée de vie des équipements et des infrastructures grâce à un usage optimisé
  • Amélioration de la relation client/fournisseurs et de la gestion des achats
  • Meilleure planification
  • Visibilité à 360 degrés.

Comment appliquer le machine learning aux enjeux business ?

Une fois la base de données collectée et organisée, le processus d’apprentissage automatique va pouvoir démarrer.

Voici comment mettre à profit la technologie de machine learning pour le business :

  • Assurer l’intégrité des données collectées et atteindre une masse critique de ces données pour construire un modèle statistique viable qui permettra de dresser des prédictions les plus justes possibles ;
  • rassembler et faire collaborer plusieurs métiers : data scientists, statisticiens ou ingénieurs pour construire un modèle de qualité, produire des résultats exploitables et réaliser des représentations graphiques et visuelles compréhensibles ;
  • déterminer des objectifs concrets et raisonnablement réalisables, en établissant des projections dites exponentielles et conservatrices sur lesquelles on pourra tabler pour analyser les résultats du modèle ;
  • sélectionner les outils de modélisation les mieux adaptés à son besoin ;
  • Affiner son modèle au vu des résultats obtenus et des comparaisons avec les observations dans la vraie vie en favorisant la pondération de certains facteurs de calcul par rapport à d’autres ;
  • anticiper le coût en R&D pour faire évoluer son modèle, même en open-source.

Les 5 étapes clés pour adopter le machine learning

1. Choisir un algorithme. Les algorithmes de machine learning sont disponibles sur des bibliothèques open source.

2. Intégrer la base de données dans l’algorithme.

3. Analyser les résultats.

4. Affiner les résultats.

5. Intégrer l’algorithme dans les processus business.

Vous souhaitez découvrir comment la boîte à outils de Machine Learning de Splunk peut vous aider à développer votre business ? Pour en savoir plus sur nos produits et mener à bien vos projets, cliquez sur la page dédiée.