Dans le passé une dizaine d’années, la révolution numérique nous a surplus de données. C’est passionnant pour un certain nombre de raisons, mais surtout en ce qui concerne la façon dont l’IA pourra révolutionner davantage l’entreprise.
Cependant, dans le monde du B2B – l’industrie dans laquelle je suis profondément impliqué – nous connaissons toujours une pénurie de données, en grande partie parce que le nombre de transactions est considérablement inférieur à celui du B2C. Ainsi, pour que l’IA tienne sa promesse de révolutionner l’entreprise, elle doit également être capable de résoudre ces petits problèmes de données. Heureusement, c’est possible.
Le problème est que de nombreux scientifiques des données se tournent vers de mauvaises pratiques, créant des prophéties auto-réalisatrices, ce qui réduit l’efficacité de l’IA dans les scénarios de petites données – et finalement entrave l’influence de l’IA dans l’avancement de l’entreprise.
L’astuce pour appliquer correctement l’IA aux petits problèmes de données consiste à suivre les bonnes pratiques de science des données et à éviter les mauvaises.
Le terme «prophétie auto-réalisatrice» est utilisé en psychologie, en investissement et ailleurs, mais dans le monde de la science des données, il peut simplement être décrit comme «prédisant l’évidence». Nous le voyons lorsque les entreprises trouvent un modèle qui prédit ce qui fonctionne déjà pour elles, parfois même «par conception», et l’applique à différents scénarios.
Par exemple, une entreprise de vente au détail détermine que les personnes qui ont rempli leur panier en ligne sont plus susceptibles d’acheter que les personnes qui ne l’ont pas fait. Ils prédisent l’évidence !
Au lieu de cela, ils devraient appliquer des modèles qui aident à optimiser ce qui ne pas fonctionnent bien — en convertissant les primo-accédants qui n’ont pas encore d’articles dans leur panier. En résolvant ce dernier problème – ou en prédisant ce qui n’est pas évident – cette entreprise de vente au détail sera beaucoup plus susceptible d’avoir un impact sur les ventes et d’acquérir de nouveaux clients au lieu de simplement garder les mêmes.
Pour éviter le piège de créer des prophéties auto-réalisatrices, voici le processus à suivre pour appliquer l’IA à de petits problèmes de données :
- Enrichissez vos données : Lorsque vous constatez que vous n’avez pas une tonne de données existantes sur lesquelles travailler, la première étape consiste à enrichir les données que vous possédez déjà. Cela peut être fait en exploitant des données externes pour appliquer une modélisation similaire. Nous le voyons plus que jamais grâce à la montée en puissance des systèmes de recommandation utilisés par Amazon, Netflix, Spotify et plus encore. Même si vous n’avez fait qu’un ou deux achats sur Amazon, ils ont tellement d’informations sur les produits dans le monde et les personnes qui les achètent, qu’ils peuvent faire des prédictions assez précises sur votre prochain achat. Si vous êtes une entreprise B2B qui utilise une « dimension unique » pour classer vos offres (par exemple, « grandes entreprises »), suivez l’exemple de Pandora et décortiquez chaque client selon les degrés les plus détaillés (par exemple, le titre de la chanson, l’artiste, le sexe du chanteur, construction de la mélodie, rythme, etc.). Plus vous en savez sur vos données, plus elles deviennent riches. Vous pouvez passer de données de faible dimension avec des prédictions triviales à des connaissances de grande dimension avec des modèles de prédiction et de recommandation puissants.