![](\"https:\/\/www.artefact.com\/wp-content\/uploads\/2020\/11\/GettyImages-1223789411.jpg\" "\\"data-driven\\"")
<\/span><\/div><\/div><\/div>ACTUALIT\u00c9S \/ NUM\u00c9RIQUE<\/p>\n<\/div>
7 janvier 2021 Les solutions d'intelligence artificielle (IA) et d'apprentissage automatique (ML) gagnent s\u00e9rieusement du terrain dans les entreprises. Ces derni\u00e8res ann\u00e9es, les entreprises ont d\u00e9pens\u00e9 de plus en plus d'argent pour investir dans des solutions \u2018bo\u00eete noire\u2019 dans l'espoir de d\u00e9velopper des algorithmes de pointe qui les aideront \u00e0 travailler mieux, plus intelligemment et plus efficacement.\u00a0<\/span><\/p>\n Consid\u00e9rez, par exemple, le r\u00e9cent battage m\u00e9diatique autour d'AutoML. <\/span>Solutions automatis\u00e9es d'apprentissage automatique. faciles \u00e0 utiliser, d'une plus grande pr\u00e9cision que les mod\u00e8les d'apprentissage automatique traditionnels et d'un d\u00e9ploiement en temps r\u00e9el plus rapide.<\/span><\/a>. Depuis que Facebook a pr\u00e9sent\u00e9 AutoML comme l'\u00e9pine dorsale de ses solutions d'IA\/ML en avril 2016, Google, Salesforce, Amazon et Microsoft ont tous d\u00e9ploy\u00e9 leurs propres solutions AutoML personnalis\u00e9es.\u00a0<\/span><\/p>\n Le principal avantage de solutions telles qu'AutoML est \u00e9vident : elles permettent aux utilisateurs de d\u00e9ployer rapidement des solutions d'IA\/ML \u00e0 faible co\u00fbt et pr\u00eates pour la production. Toutefois, \u00e0 l'instar d'autres syst\u00e8mes d'IA \u2018bo\u00eete noire\u2019, leur utilisation \u00e0 des fins de prise de d\u00e9cision automatis\u00e9e pr\u00e9sente \u00e9galement des lacunes importantes.\u00a0<\/span><\/p>\n Ces syst\u00e8mes mod\u00e9lisent g\u00e9n\u00e9ralement les r\u00e9sultats \u00e0 l'aide de l'apprentissage automatique - \u00e0 moins qu'ils ne soient aliment\u00e9s par de grandes data. Ils classent les caract\u00e9ristiques des utilisateurs dans des segments sp\u00e9cifiques (tels que l'\u00e9tat de sant\u00e9 ou la situation financi\u00e8re, par exemple) sans expliquer pourquoi.<\/span><\/p>\n Cette situation est tr\u00e8s probl\u00e9matique, non seulement en raison du manque de transparence, mais aussi parce que l'ex\u00e9cution d'une telle cartographie automatique des utilisateurs risque d'alimenter l'algorithme de prise de d\u00e9cision avec des biais possibles, h\u00e9rit\u00e9s de pr\u00e9jug\u00e9s humains et d'artefacts de collecte cach\u00e9s dans la formation data. Cela peut conduire \u00e0 des d\u00e9cisions injustes ou erron\u00e9es.<\/span><\/p>\n Pour \u00e9viter ce probl\u00e8me, les d\u00e9cideurs des entreprises devraient plut\u00f4t alimenter ces syst\u00e8mes \u2018backbox\u2019 avec des ensembles data plus fiables - qu'ils peuvent affiner en d\u00e9veloppant leur intelligence causale, c'est-\u00e0-dire la compr\u00e9hension des relations de cause \u00e0 effet entre ce que font leurs clients et la mani\u00e8re dont cela affecte leur entreprise.\u00a0<\/span><\/p>\n La causalit\u00e9 n'est pas un concept nouveau. Traditionnellement, la causalit\u00e9 a \u00e9t\u00e9 d\u00e9duite \u00e0 l'aide de tests A\/B et d'analyses de ressemblance entre les groupes de test et de contr\u00f4le. Le probl\u00e8me de cette approche, cependant, est que plus le nombre ou la complexit\u00e9 des interventions est \u00e9lev\u00e9, plus il est difficile de s\u00e9lectionner des groupes de contr\u00f4le similaires et imitatifs.\u00a0<\/span><\/p>\n Les mod\u00e8les graphiques causaux, quant \u00e0 eux (<\/span>mod\u00e8les graphiques probabilistes<\/span><\/a> qui codent des hypoth\u00e8ses sur le processus de g\u00e9n\u00e9ration de la data), <\/span>r\u00e9soudre ce probl\u00e8me. L'un des mod\u00e8les graphiques causaux les plus populaires est le r\u00e9seau bay\u00e9sien. Il ressemble \u00e0 une toile d'araign\u00e9e ou \u00e0 un r\u00e9seau de connexions qui r\u00e9v\u00e8lent l'effet de chaque variable sur les autres.<\/span><\/p>\n (Ci-dessus : un exemple de r\u00e9seau bay\u00e9sien montrant l'impact de diff\u00e9rents facteurs sur les ventes)<\/span><\/i><\/p>\n Pour en expliquer le fonctionnement, consid\u00e9rons une situation o\u00f9 vous consolidez votre retour sur investissement marketing. Pour plusieurs marques de produits de grande consommation, \u00e9tant donn\u00e9 que la plupart des ventes se font hors ligne, dans un magasin de d\u00e9tail, un r\u00e9seau bay\u00e9sien peut identifier les connexions inter et intra entre les efforts internes de marketing num\u00e9rique et hors ligne, le prix, la concurrence, les facteurs externes tels que les march\u00e9s des mati\u00e8res premi\u00e8res, et les ventes hors ligne. Trois types d'informations peuvent alors \u00eatre extraits :\u00a0<\/span><\/p>\n 1. Description<\/b> (par exemple, les commentaires sur Amazon ont \u00e9t\u00e9 directement \u00e0 l'origine de 10 000 EUR de recettes suppl\u00e9mentaires).<\/span><\/p>\n 2. Pr\u00e9dictif<\/b> (par exemple, investir 10% de plus dans la publicit\u00e9 au CPM peut g\u00e9n\u00e9rer 3 000 EUR de recettes suppl\u00e9mentaires).<\/span><\/p>\n 3. Prescriptive <\/b>(Par exemple, pour le m\u00eame budget, Facebook peut recevoir 30% d'investissement en plus et l'investissement dans le courrier \u00e9lectronique peut \u00eatre r\u00e9duit de 5%).<\/span><\/p>\n La Casual Intelligence aide les d\u00e9cideurs \u00e0 comprendre le \u2018pourquoi\u2019 de leur data.\u00a0<\/span><\/p>\n Les relations de cause \u00e0 effet peuvent \u00eatre plus difficiles \u00e0 d\u00e9celer que vous ne le pensez. De nombreux analystes consid\u00e8rent qu'il y a relation de cause \u00e0 effet lorsque deux facteurs sont apparemment influenc\u00e9s l'un par l'autre au fil du temps ; ils peuvent tous deux sembler augmenter et diminuer de la m\u00eame mani\u00e8re. Cependant, il s'agit l\u00e0 d'une erreur. De telles tendances peuvent \u00eatre purement fortuites et une corr\u00e9lation n'implique pas une relation de cause \u00e0 effet. C'est ce que les statisticiens appellent une \u2018corr\u00e9lation fallacieuse\u2019 - elle n'existe pas n\u00e9cessairement.\u00a0<\/span><\/p>\n Il est facile de tomber dans le pi\u00e8ge de l'identification de \u2018corr\u00e9lations fallacieuses\u2019 - et de nombreux d\u00e9cideurs finissent par prendre des d\u00e9cisions bas\u00e9es sur des hypoth\u00e8ses inexactes. Ces erreurs sont si fr\u00e9quentes que <\/span>le Financial Times qualifie les corr\u00e9lations fallacieuses de \u201ckryptonite\u201d de la ru\u00e9e vers l'IA de Wall Street<\/span><\/a>.<\/span><\/p>\n Les mod\u00e8les d'intelligence causale permettent toutefois aux utilisateurs de d\u00e9terminer les relations avec plus de pr\u00e9cision. En comprenant l'impact d'une variable sur une autre, les utilisateurs peuvent mieux comprendre comment et pourquoi certains chiffres ou r\u00e9sultats ont chang\u00e9 - et pr\u00e9voir (avec plus de pr\u00e9cision) si une corr\u00e9lation va se poursuivre ou rester statique.<\/span><\/p>\n Le besoin d'intelligence causale varie en fonction de l'industrie, de la maturit\u00e9 de l'adoption de l'IA\/ML et de la quantit\u00e9 d'intervention humaine g\u00e9n\u00e9rant et validant les pr\u00e9dictions. Cependant, le processus peut aider les entreprises de tous les secteurs verticaux \u00e0 d\u00e9velopper leur compr\u00e9hension de trois domaines cl\u00e9s :<\/span><\/p>\n Traditionnellement, les sp\u00e9cialistes du marketing ont affin\u00e9 leur mix m\u00e9dia optimal ou leurs budgets marketing \u00e0 l'aide de mod\u00e8les de mix marketing (MMM). Il s'agit g\u00e9n\u00e9ralement de mod\u00e8les macro\u00e9conomiques classiques qui mettent l'accent sur les corr\u00e9lations lin\u00e9aires entre les investissements dans les m\u00e9dias.<\/span><\/p>\n Cela avait du sens lorsque les sp\u00e9cialistes du marketing consid\u00e9raient qu'un seul entonnoir \u00e9tait la v\u00e9rit\u00e9 absolue - un parcours lin\u00e9aire du client, de la prise de conscience \u00e0 l'achat en passant par la consid\u00e9ration. Mais, au fur et \u00e0 mesure que les <\/span>Allan Thygesen, de Google, a expliqu\u00e9 que l'entonnoir n'existe plus gr\u00e2ce aux \u2018moments riches en intentions\".<\/span><\/a>\u2019. Aucun parcours client ne ressemble \u00e0 un autre et les points de contact peuvent \u00eatre reli\u00e9s entre eux sous la forme d'un r\u00e9seau ou d'une toile d'araign\u00e9e. Les mod\u00e8les de causalit\u00e9 peuvent aider les entreprises \u00e0 estimer l'effet de ces points de contact interconnect\u00e9s sur les ventes d'une mani\u00e8re \u00e9volutive et robuste.<\/span><\/p>\n
\nLes entreprises investissent de plus en plus dans des solutions d'IA et de Machine Learning qui promettent d'automatiser les processus m\u00e9tier et de stimuler l'efficacit\u00e9. Mais pour obtenir de r\u00e9els retours sur leurs investissements algorithmiques, les chefs d'entreprise doivent d'abord comprendre les relations de cause \u00e0 effet qui ont un impact sur la performance. Cette intelligence causale les aidera \u00e0 renforcer leurs capacit\u00e9s en mati\u00e8re d'IA et \u00e0 am\u00e9liorer leur prise de d\u00e9cision, explique le Dr. Siddharth Mohan, scientifique principal Data<\/strong> \u00e0 Artefact Pays-Bas et France.<\/p>\n<\/div><\/div><\/div><\/div><\/div>Comment fonctionne l'intelligence causale<\/b><\/h4>\n
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2020\/11\/MROI-Offer.png\")
<\/p>\nIdentifier les relations de cause \u00e0 effet<\/b><\/h4>\n
Applications commerciales de l'intelligence causale<\/b><\/h4>\n
\n
\n
![](\"https:\/\/www.artefact.com\/wp-content\/uploads\/2020\/06\/Global-Newsletter-Data-Digest_LinkedIn_600x315_april-1.jpg\" "\\"data-driven\\"")
<\/span><\/div><\/div><\/div>