Pour ne rien manquer de la transformation digitale

Abonnez-vous au Digest
Recherche
Comment une entreprise de vente de mobilier, consommables, équipements et fournitures de bureau comme Bruneau peut-elle tirer parti du potentiel du machine learning et de l’une de ses déclinaisons, l’analyse prédictive ? Entre stratégie, réflexion et mise en pratique, entretien croisé entre Philippe Lacroix, adjoint au Directeur des Systèmes d’Informations et de l’Organisation chez Bruneau, et Pascal Belaud, Data Insight / Big Data Practice Manager chez Microsoft France.

Machine learning, analyse prédictive… Que signifient ces concepts dont on entend de plus en plus parler ?

Pascal Belaud : Le cerveau humain s’adapte sans problème à une situation nouvelle, même s’il n’a jamais été « formé » pour réagir à cette situation là en particulier. Et dans cette situation, il peut très bien prendre une décision. Le machine learning, c’est un peu la même chose mais pour les ordinateurs : c’est faire en sorte qu’ils puissent comprendre les choses nouvelles qui leur sont présentées sans avoir forcément besoin d’être explicitement programmés au préalable. On commence à se rapprocher, disons-le, de l’intelligence artificielle.

L’analyse prédictive est l’une des déclinaisons possibles du machine learning. C’est la capacité d’analyser un flux important de données, le Big Data, et de déduire de cette analyse un modèle prédictif. Un modèle qui, par exemple, va permettre de prédire le bon produit à vendre à la bonne personne, le taux d’affluence dans les urgences d’un hôpital un jour donné, ou si il faut répondre ou non à un appel d’offres compte tenu du contenu textuel présent dans celui-ci, etc.

Le machine learning, "une véritable opportunité d’évolution du processus de prévisions des ventes"

Quel est l’intérêt pour une entreprise comme Bruneau de développer le machine learning ?

Philippe Lacroix : Pour nous, c’est par exemple une véritable opportunité d’évolution du processus de prévisions des ventes. Nous avons aujourd’hui des mécanismes de calcul de prévisions qui peuvent certainement faire l’objet de certaines améliorations, et les capacités qu’offre le machine learning pourraient nous aider à concaténer un bon nombre de données – de ventes, de stocks, d’achats, d’approvisionnement, mais aussi autour du marketing client et produit -.

L’analyse de ces données et la mise-à-jour de cette analyse en fonction des semaines voire de la journée précédente est très importante. On ne parle pas que d’une prévision du chiffre d’affaire ! Cela a également des impacts sur la gestion de stocks, mais aussi sur notre prévision d’activité au niveau de notre call center par exemple.

Car comment mieux servir les clients ? Avant tout, il faut avoir les produits. Et pour ceux qui ne souhaitent pas commander via Internet – ils sont entre 35 et 40% -, il faut que l’on dispose des ressources humaines pour accueillir leurs commandes. Plus l’analyse des données que nous aurons sera pertinente et récente, et plus nous serons en capacité de gérer notre approvisionnement et le staffing dans nos calls center.

A l’inverse de ce que l’on peut régulièrement lire dans la presse, l’innovation peut donc bien venir de la DSI ?

Philippe Lacroix : Au sein de Bruneau, la DSI est très en veille sur les aspects innovations technologiques. On propose très fréquemment des innovations à nos directions métiers, sur les questions de mobilité par exemple. C’est, en partie, grâce à ce travail de veille et de propositions que les directions métiers découvrent de nouveaux potentiels. C’est aussi ça, le rôle de la DSI.

"De quelles données a-t-on besoin pour mettre en place le modèle voulu ? Est-ce des données internes à l’entreprise ou bien des données externes - par exemple le trafic routier, la météo, etc - ?"

En amont, comment définit-on une stratégie de machine learning ?

Pascal Belaud : Tous les projets de machine learning traitent de la donnée. C’est la porte d’entrée du machine learning et de l’analyse prédictive. La première question à se poser est donc : « De quelles données a-t-on besoin pour mettre en place le modèle voulu ? »  Est-ce des données internes à l’entreprise ou bien des données externes – par exemple le trafic routier, la météo, etc – ? Assez logiquement, la seconde question qui vient derrière est : « Dispose-t-on de ces données ? »

Reste ensuite à définir la qualité de ces données, qu’elles soient internes ou externes. Si ces données ne sont pas fiables, le modèle prédictif ne pourra jamais être juste. Le travail sur la qualité de la donnée est donc loin d’être négligeable. Ce qui est intéressant, c’est que si l’entreprise n’a jamais eu l’occasion de traiter ce problème de qualité de la donnée, le machine learning peut être un bon déclencheur.

Quid de l’éthique, ou des questions relatives à la vie privée ?

Pascal Belaud : En effet, il est indispensable de prendre en compte ces questions-là dès la phase de réflexion, en amont de la mise en pratique. Pour moi, il y a trois principaux questionnements : l’éthique, la vie privée et les relations sociales au sein de l’entreprise.

En soi, les données analysées ne sont pas des données illégitimes ou illicites. Mais la force du machine learning est de faire dire des choses à ces données. Et c’est ces « choses » qui peuvent poser question.

Est-ce acceptable, par exemple, de prédire si un employé va démissionner de son entreprise ? Les données de ressources humaines qui ont éventuellement été utilisées pour faire ce modèle prédictif sont tout à fait légitimes. Mais le fait de pouvoir arriver à prédire une démission ne peut-elle pas être perçu en retour comme une entorse à la vie privée ?

Les modèles de machine learning sont très innovants et très disruptifs. Quand on travaille sur ces questions au quotidien, il y a des choses qui nous semblent évidentes. Mais ce n’est pas le cas de tout le monde ! Il est donc nécessaire de rappeler, par exemple, que lorsque le modèle prédit quelque chose à plus de 93%, il est possible de tomber dans la zone des 7%. Le danger, c’est d’oublier cela.

Il y a donc un travail de pédagogie à effectuer au sein de l’entreprise : qu’est-ce que l’on fait avec les modèles, comment les utilise-t-on, etc. Et de rappeler que l’on garde toujours un œil critique sur les résultats obtenus. Cela permet d’aller au-delà des aprioris.

Après la stratégie et la réflexion, la pratique. Chez Bruneau, quelles sont les prochaines étapes ?

Philippe Lacroix : Cette année, nous allons essayer de mettre en place une démonstration de faisabilité autour du machine learning afin de le comparer à notre modèle de prédiction actuel. Nous allons voir si, à partir des diverses sources de données existantes, en provenance de différents SI, nous avons la capacité à alimenter efficacement ce type de serveurs afin d’obtenir des résultats pertinents. Et quand je dis pertinents, je rejoins entièrement Pascal Belaud : il ne faut pas prendre les statistiques au pied de la lettre, il y a la perception humaine et l’expérience des acteurs de cette prévision qui comptent énormément. C’est indispensable.