Intelligence causale : La clé de l'amélioration des performances de l'IA dans les entreprises

Les solutions d'intelligence artificielle (IA) et d'apprentissage automatique (ML) gagnent sérieusement du terrain dans les entreprises. Ces dernières années, les entreprises ont dépensé de plus en plus d'argent pour investir dans des solutions ‘boîte noire’ dans l'espoir de développer des algorithmes de pointe qui les aideront à travailler mieux, plus intelligemment et plus efficacement. 

Considérez, par exemple, le récent battage médiatique autour d'AutoML. Solutions automatisées d'apprentissage automatique. faciles à utiliser, d'une plus grande précision que les modèles d'apprentissage automatique traditionnels et d'un déploiement en temps réel plus rapide.. Depuis que Facebook a présenté AutoML comme l'épine dorsale de ses solutions d'IA/ML en avril 2016, Google, Salesforce, Amazon et Microsoft ont tous déployé leurs propres solutions AutoML personnalisées. 

Le principal avantage de solutions telles qu'AutoML est évident : elles permettent aux utilisateurs de déployer rapidement des solutions d'IA/ML à faible coût et prêtes pour la production. Toutefois, à l'instar d'autres systèmes d'IA ‘boîte noire’, leur utilisation à des fins de prise de décision automatisée présente également des lacunes importantes. 

Ces systèmes modélisent généralement les résultats à l'aide de l'apprentissage automatique - à moins qu'ils ne soient alimentés par de grandes data. Ils classent les caractéristiques des utilisateurs dans des segments spécifiques (tels que l'état de santé ou la situation financière, par exemple) sans expliquer pourquoi.

Cette situation est très problématique, non seulement en raison du manque de transparence, mais aussi parce que l'exécution d'une telle cartographie automatique des utilisateurs risque d'alimenter l'algorithme de prise de décision avec des biais possibles, hérités de préjugés humains et d'artefacts de collecte cachés dans la formation data. Cela peut conduire à des décisions injustes ou erronées.

Pour éviter ce problème, les décideurs des entreprises devraient plutôt alimenter ces systèmes ‘backbox’ avec des ensembles data plus fiables - qu'ils peuvent affiner en développant leur intelligence causale, c'est-à-dire la compréhension des relations de cause à effet entre ce que font leurs clients et la manière dont cela affecte leur entreprise. 

Comment fonctionne l'intelligence causale

La causalité n'est pas un concept nouveau. Traditionnellement, la causalité a été déduite à l'aide de tests A/B et d'analyses de ressemblance entre les groupes de test et de contrôle. Le problème de cette approche, cependant, est que plus le nombre ou la complexité des interventions est élevé, plus il est difficile de sélectionner des groupes de contrôle similaires et imitatifs. 

Les modèles graphiques causaux, quant à eux (modèles graphiques probabilistes qui codent des hypothèses sur le processus de génération de la data), résoudre ce problème. L'un des modèles graphiques causaux les plus populaires est le réseau bayésien. Il ressemble à une toile d'araignée ou à un réseau de connexions qui révèlent l'effet de chaque variable sur les autres.

(Ci-dessus : un exemple de réseau bayésien montrant l'impact de différents facteurs sur les ventes)

Pour en expliquer le fonctionnement, considérons une situation où vous consolidez votre retour sur investissement marketing. Pour plusieurs marques de produits de grande consommation, étant donné que la plupart des ventes se font hors ligne, dans un magasin de détail, un réseau bayésien peut identifier les connexions inter et intra entre les efforts internes de marketing numérique et hors ligne, le prix, la concurrence, les facteurs externes tels que les marchés des matières premières, et les ventes hors ligne. Trois types d'informations peuvent alors être extraits : 

1. Description (par exemple, les commentaires sur Amazon ont été directement à l'origine de 10 000 EUR de recettes supplémentaires).

2. Prédictif (par exemple, investir 10% de plus dans la publicité au CPM peut générer 3 000 EUR de recettes supplémentaires).

3. Prescriptive (Par exemple, pour le même budget, Facebook peut recevoir 30% d'investissement en plus et l'investissement dans le courrier électronique peut être réduit de 5%).

Identifier les relations de cause à effet

La Casual Intelligence aide les décideurs à comprendre le ‘pourquoi’ de leur data. 

Les relations de cause à effet peuvent être plus difficiles à déceler que vous ne le pensez. De nombreux analystes considèrent qu'il y a relation de cause à effet lorsque deux facteurs sont apparemment influencés l'un par l'autre au fil du temps ; ils peuvent tous deux sembler augmenter et diminuer de la même manière. Cependant, il s'agit là d'une erreur. De telles tendances peuvent être purement fortuites et une corrélation n'implique pas une relation de cause à effet. C'est ce que les statisticiens appellent une ‘corrélation fallacieuse’ - elle n'existe pas nécessairement. 

Il est facile de tomber dans le piège de l'identification de ‘corrélations fallacieuses’ - et de nombreux décideurs finissent par prendre des décisions basées sur des hypothèses inexactes. Ces erreurs sont si fréquentes que le Financial Times qualifie les corrélations fallacieuses de “kryptonite” de la ruée vers l'IA de Wall Street.

Les modèles d'intelligence causale permettent toutefois aux utilisateurs de déterminer les relations avec plus de précision. En comprenant l'impact d'une variable sur une autre, les utilisateurs peuvent mieux comprendre comment et pourquoi certains chiffres ou résultats ont changé - et prévoir (avec plus de précision) si une corrélation va se poursuivre ou rester statique.

Applications commerciales de l'intelligence causale

Le besoin d'intelligence causale varie en fonction de l'industrie, de la maturité de l'adoption de l'IA/ML et de la quantité d'intervention humaine générant et validant les prédictions. Cependant, le processus peut aider les entreprises de tous les secteurs verticaux à développer leur compréhension de trois domaines clés :

• Retour sur investissement marketing (MROI)

Traditionnellement, les spécialistes du marketing ont affiné leur mix média optimal ou leurs budgets marketing à l'aide de modèles de mix marketing (MMM). Il s'agit généralement de modèles macroéconomiques classiques qui mettent l'accent sur les corrélations linéaires entre les investissements dans les médias.

Cela avait du sens lorsque les spécialistes du marketing considéraient qu'un seul entonnoir était la vérité absolue - un parcours linéaire du client, de la prise de conscience à l'achat en passant par la considération. Mais, au fur et à mesure que les Allan Thygesen, de Google, a expliqué que l'entonnoir n'existe plus grâce aux ‘moments riches en intentions".’. Aucun parcours client ne ressemble à un autre et les points de contact peuvent être reliés entre eux sous la forme d'un réseau ou d'une toile d'araignée. Les modèles de causalité peuvent aider les entreprises à estimer l'effet de ces points de contact interconnectés sur les ventes d'une manière évolutive et robuste.

• Développement des ressources créatives

De nombreuses entreprises s'attachent aujourd'hui à générer des audience segmentés pour l'activation marketing. Mais qu'en est-il de la création qu'elles leur proposent ? Est-elle suffisamment attrayante pour attirer leur attention ?

IPG Media Brands a publié un rapport en 2019 qui a testé l'impact des créations sur l'efficacité des publicités. L'étude a montré que la taille, la forme, les couleurs dominantes primaires ou secondaires et les logos augmentaient le CTR de 2X en moyenne. Les implications d'une telle inférence causale peuvent améliorer de manière significative le ROAS ainsi que l'expérience du consommateur grâce à la mise en avant de publicités plus attrayantes que d'autres qui le sont moins.

• Mesure de la promotion

Les marques de produits de grande consommation s'appuient souvent sur des promotions pour stimuler les ventes et se rapprocher des consommateurs. Cependant, elles continuent à mesurer l'impact de cette promotion sur la base de corrélations fallacieuses plutôt que de relations de cause à effet. Elles devraient plutôt procéder à un examen approfondi de la causalité inhérente entre les besoins des produits afin de déterminer les effets de “halo” et de “cannibalisation”, sans oublier d'isoler l'effet des activités et des investissements liés à la promotion des facteurs temporels.

Trois convictions pour réussir

Une plus grande transparence sur le fonctionnement des modèles d'IA/ML et l'exposition des justifications des prédictions faites par ces modèles peuvent aider les décideurs à définir les prochaines étapes. Pour commencer à mettre en œuvre l'intelligence causale et à en tirer une valeur ajoutée, ils peuvent d'ores et déjà s'appuyer sur trois convictions :

1. Commencez à collecter des données plus complètes data : Ne vous limitez pas aux data dont vous disposez déjà. En collaboration avec tous les acteurs commerciaux et techniques, définissez tous les facteurs internes et externes susceptibles d'influencer les performances de votre produit sur le marché. Vous pourrez alors commencer à collecter les data et à consolider toutes les sources de data.

2. Combiner l'IA/ML et l'intelligence humaine : Lorsqu'il s'agit de tracer les voies et les connexions entre différents facteurs, un réseau peut être construit sur la base de statistiques pures. Mais n'oubliez pas de valider et d'affiner le réseau avec l'aide d'experts commerciaux clés afin de réduire les préjugés et de repérer les connexions taboues. 

3. Faites en sorte que les utilisateurs finaux et les parties prenantes soient impliqués dès le départ : L'intelligence causale demande beaucoup de temps, étant donné le large éventail de points data utilisés, ainsi que l'incorporation des contributions des experts humains de l'entreprise. Ces parties prenantes et ces utilisateurs finaux doivent être impliqués dans le processus dès le début.