Annexe 3 : Entretien Frédéric Bornuat
96 / 112
Titulaire d'un DESS en Marketing, il débute sa
carrière dans le secteur de la grande distribution au sein du groupe
Carrefour puis intègre une société de marketing
relationnel spécialisée dans l'exploitation comportementale des
bases de données clients du retail.
Après plusieurs années, il intègre le
groupe Cegid en charge du CRM puis encadre les équipes d'analytique et
de Data Science au sein du marketing corporate. Depuis 3 ans, il est le Chief
Data Officer du groupe Cegid dans la Direction des Technologies et pilote avec
les équipes R&D et IT l'ensemble des initiatives dans le domaine de
la Data et de l'intelligence artificielle.
Biographie tirée du sommet AI Summit à Lyon
(2018)
97 / 112
L'intelligence artificielle au sein des services
marketing
Précision : Dû à
un problème d'enregistrement, une partie de l'entretien a
été tronquée. L'entretien retranscrit sera donc
réaménagé de sorte que l'introduction prévue soit
lisible au début de la retranscription et non pas en fin comme
enregistrée.
98 / 112
L'intelligence artificielle au sein des services
marketing
- Merci d'avoir proposé cette rencontre aujourd'hui dans
vos locaux, et ce afin de dis-
cuter un peu plus longuement que si nous l'avions fait hier
lors du IA Summit de Lyon à l'INSEEC.
- C'est plus simple de se poser une heure ici dans mes bureaux et
tout le monde y
gagne (rires).
- Je vais vous poser quelques questions réglementaires
désormais. Êtes-vous toujours
d'accord pour que je conserve l'enregistrement de notre
discussion ?
- Oui sans problème.
- Est-ce que vous avez évoqué des choses
confidentielles qu'il faut que je supprime de
cet échange ?
- Non je ne vous ai pas cité d'informations personnelles,
de clients ou de partenaires
qui pourraient fuiter. Ce sont des éléments
descriptifs de notre pratique et cette pratique-là elle n'est pas
confidentielle. Loin de là.
- Plus vous personnellement, j'aimerais avoir un très bref
résumé de votre emploi au-
jourd'hui, vous l'aviez déjà un peu
évoqué tout à l'heure, mais cette fois-ci de
manière un peu plus institutionnelle désormais ainsi que votre
mobilité professionnelle que vous avez pu avoir
précédemment et enfin que certains détails personnels que
vous voudriez peut-être évoquer.
99 / 112
L'intelligence artificielle au sein des services
marketing
- Je vais le faire de manière rétroactive. En tant
que CDO j'appartiens à la direction des
technologies. Il y a deux axes sur lesquels je travaille
principalement : l'ensemble des initiatives qui sont destinées à
l'innovation autour de la Data et l'IA, cela m'occupe avec les équipes
R&D et Product Management du groupe (les deux sont extrêmement
liées), c'est la vocation fondamentale et première de mon
rôle ; et puis j'ai une casquette plus « classique » si je puis
dire car le poste de CDO est assez récent, et là je m'occupe de
tout ce qui est interne concernant la Data Science et Data Gouvernance dans le
groupe en travaillant cela avec la DSI.
Avant cela, mon expérience au sein du groupe Cegid a
été de m'occuper du CRM et de l'Analytics dans la Direction
Marketing en sachant que j'avais dans ce giron là tout ce qui est l'user
and research marketing (étude marketing sur la marque, les
marchés, nos clients, leur satisfaction etc.) avec la partie business
analytics que j'ai indiqué. C'est avec l'équipe qui a
été constitué et initialement j'avais été
embauché au sein de Cegid pour m'occuper du CRM dans le groupe. C'est un
peu mon histoire et mon historique au sein du Groupe Cegid.
J'ai aussi passé 8 ans au sein de Catalyna Marketing
qui est une société de marketing relationnel travaillant dans le
domaine du retail et de la grande consommation. J'ai principalement
été Chef de Projet dans cette organisation pour le marché
du retail et dans le domaine de ce qui ne s'appelait pas encore du Big Data
mais qu'on appelait « méga base de données » mais mon
histoire a toujours été, et cela fait 20 ans que je travail,
autour de la data et je dirais que mon expérience s'est
façonnée dans le monde B2C puisque la manipulation des
données étaient des données consommateurs principalement
issus des tickets de caisse des retailers. Mon héritage il est là
et il a été aussi très profitable dans mon parcours parce
que je le mets à profit dans un monde plus B2B et qui est moins en
ancrage par rapport au monde B2C.
100 / 112
L'intelligence artificielle au sein des services
marketing
J'ai démarré ma carrière chez Carrefour
et j'y ai passé quelques mois avec un bref passage par ce que le retail
m'a toujours plu donc j'ai commencé par là.
- Pour quel emploi ?
- Dans le merchandising à l'époque où les
supermarchés Carrefour théâtralisaient leurs
espaces de vente et ils avaient besoin de collaborateurs pour
travail sur des plans merchandising et ce qui m'intéressait
déjà le plus à l'époque c'était l'analytics
autour des plans merchandising, sur la performance du positionnement des
produits dans les points de vente et donc j'étais très
attaché à cela. Après moi j'ai une formation de Marketing,
ce qui s'appelait un DSS en Marketing à l'époque et j'ai
été assez tôt attiré par le retail et la Data et
donc ça fait 20 ans que j'ai progressivement un peu dérivé
mais pas trop. Ça a du sens mais ça n'empêche pas qu'un
jour je pivoterai mais j'ai conservé cette forme de ligne directrice. Et
puis le marché et les évolutions ont fait que l'on ne s'ennuie
pas. On est sur un métier, on le sait, très vivace et qui
évolue très vite, ce n'est pas un métier je dirais
très réglementaire ou legacy ou régalien dans les
entreprises donc il y a encore je dirais un boulevard à faire pour
exercer des activités dans le domaine de la data puisque le
numérique ça a perduré et il y aura forcément le
besoin d'exploitation de solutions de la donnée. C'est une certitude.
- {Concernant l'implémentation dans les services} (...) La
situation aujourd'hui a un
petit peu évolué, à savoir qu'il n'y a
plus vraiment de Marketing dans les Business Unit, donc d'un point de vue
organisationnel tout a été organisé et
transféré de manière globale au niveau marketing.
L'entité Business Analyst est d'un point de vue
organisationnel lié à une entité qui s'appelle LeadGen (le
Lead Generation c'est l'acquisition de comptes de développement de la
base installée). Les équipes de Business Analyst travaillent
à côté des équipes de
L'intelligence artificielle au sein des services
marketing
marketing automation : ils ont pour fonction de mettre en
oeuvre les programmes marketing dans la solution marketing « Marketo
» qui est couplée dans notre CRM et qui nous permet d'orchestrer
les campagnes multicanales qu'on conduit avec nos clients et nos prospects.
Et puis il y a à côté de cela une
troisième équipe qui est une cellule de
Télémarketing, qui est la cellule historique en fait et qui
travail en combinaison avec le marketing automation : ça peut être
du mail, réseaux sociaux, l'historique, le téléphone et on
continue bien évidemment à qualifier et pré qualifier des
leads à travers la cellule de télémarketing et cela nous
permet de scorer des comptes que l'on donne à la cellule
télémarketing.
Donc nous aujourd'hui la cellule data science a
été détachée depuis ma nomination il y a 3 ans en
tant que CDO, pour qu'elle soit transverse à la totalité du
groupe et pas exclusivement réservée à la partie Marketing
du groupe. Les deux Data Scientist qui travaillent avec moi travaillent
beaucoup pour la team Marketing (70% de leur job) mais ils travaillent aussi
avec la fonction Ressources Humaines par ce qu'on mène aussi des travaux
avec eux ; avec ceux du Cloud également autour de la
problématique du prédictif avec le Cloud autour des machines et
des incidents. Ils travaillent aussi en combinaison avec le Marketing et la
vente sur des plans d'action qui sont on va dire de type circuit court avec que
du marketing et de la vente. On va dire que s'il y a une base à scorer
de 10 000 clients et que y'a pas un dispositif marketing d'accompagnement et
bah nous on fournit la cible qui est automatiquement appelée (souvent
dans cet apanage) en fonction des scores qu'on établit. Là encore
récemment on a moins travaillé dans un cadre d'acquisition
business mais plutôt dans un cadre défensif pour scorer des
comptes qui ont été attaqués par un concurrent bien
identifié et de faire un score de « churn » pour identifier
les clients qui sont les plus à risque « versus » ceux qui le
sont le moins. Là on est dans une situation plutôt
défensive pour dire « quelles sont les actions qu'il faut que l'on
prenne » ...
101 / 112
- Auriez-vous un exemple concret ?
102 / 112
L'intelligence artificielle au sein des services
marketing
- C'est plus ou moins confidentiel mais je peux vous dire qu'on
est attaqué sur le ser-
vice comptable (secteur de la paie) avec un acteur qui
pénètre à vitesse grand V le marché et qui nous a
pris une centaine de comptes donc c'est significatif par ce qu'on est sur des
marchés (sans dire qu'ils sont captifs) où érosion d'une
base client est faible et donc ça se joue sur un marché
fermé. La bataille est assez aiguisée sur quelques comptes et
là on a une fuite assez significative et donc face à ce
concurrent qui est hyper spécialisé, par ce que nous on est assez
généraliste malgré tout, notre réaction c'est de
dire qu'on a plus de 3000 comptes, lesquels sont fondamentalement en danger car
attaqués et perdus dans les 2/3 dernières années ? On est
en train de mettre en place une organisation qui permet d'identifier ces
comptes avec 4 segments : des clients dangers, à surveiller, passifs, en
sécurité. On a quatre segments et on va ordonner un plan d'action
pour s'assurer qu'on va réduire au maximum le taux de perte et avoir des
actions coup de poing pour réagir et contrer la conquête de ce
concurrent sur ce marché là. Alors évidemment ça se
joue sur différentes échelles : offre, plan d'action, plan
marketing etc., mais ce qui est sûr c'est que notre rôle est de
cibler et identifier les comptes qui sont susceptibles d'être les plus
attaqués parce qu'ils correspondent à ceux qui sont tombés
dans le passé.
- Et qui ont sûrement les mêmes intérêts
donc.
- Il y a un profil qui se dégage tant au point de vue
géographique que de la taille, et
que de l'équipement. Il y a un modèle de scoring
assez clairement identifié et des éléments propices
à la perte désormais identifiés. Pour faire simple, un
petit cabinet de service comptable de 3 collaborateurs basé à
Paris et qui a un faible niveau d'équipement chez nous : il n'est pas en
danger et on peut dormir tranquille. En revanche à l'inverse, s'il est
en Auvergne Rhône-Alpes et qu'il a une taille assez importante et qu'il
est équipé de la plupart des solutions collaboratives chez nous :
méfiance, on est en danger.
Ceci donne des clés explicatives (pas encore en deep
learning) et permet d'un point de vue de la communication et de
l'explicabilité d'être limpide et d'être très clair
dans la
103 / 112
L'intelligence artificielle au sein des services
marketing
communication. Même si c'est multidimensionnel,
l'être humain a du mal à résonner au-delà de 3
dimensions. On peut donc être plus pédagogique dans la
communication, plus didactique pour définir finalement les cibles et ce
même si on a un score et les segments l'idée n'est pas de dire une
probabilité de perte mais de packager le tout. C'est aussi le principe
de l'exerce de ce métier en Data Science, d'être
pédagogique et de le mettre à la portée des équipes
qui ne sont pas familier à ce genre de domaine.
D'un point de vue technologique, on travaille... on n'est pas
dogmatique. Notre propos c'est d'être pragmatique (comme
évoqué hier). Il faut faire des choix technologique : notre
orientation est de continuer à rentabiliser des investissements autour
de la plate-formes IBM SPSS Modeler mais aussi dès lors que c'est
nécessaire, par ce qu'on a pas les librairies et packages disponibles
sous Modeler, de pouvoir travailler sous Python dès que c'est utile et
nécessaire parfois (on doit scraper des documents, des librairies sont
plus efficaces et pas disponibles dans nos outils) donc on se laisse le libre
cours et libre possible de travailler avec des langages open source.
On fait aussi de la veille technologique donc en suivant
typiquement ce que fait Microsoft autour du machine learning studio, on a fait
quelques tests avec DataQu. Donc on est en veille sur des solutions type Cloud
ou d'autres très propriétaires. On se laisse la
possibilité de pivoter dès que nécessaire car on ne veut
pas s'enfermer dans tel ou tel domaine ou univers technologique : en l'espace
de 6/7 ans, les choses ont extrêmement évolué et il faut
être en capacité de suivre ces évolutions technologiques et
algorithmiques pour ne pas être dépassé par les enjeux et
challenges lancés par Cegid.
- Comment procédez-vous à ces choix d'outils
après ces veilles ?
- Il y a plusieurs évaluations. Une grille d'analyse qui
regroupe des éléments technolo-
giques, techniques, d'usage et économiques. Aujourd'hui
l'UX dans les produits de Data Science c'est un élément
clé. On peut être sur du « coding from scratch » mais
bien souvent quand même on a soit une couche d'attraction soit une
application qui est beaucoup plus enrichie. Les équipes sont
challengées par le temps avec le principe du « time to ana-
104 / 112
L'intelligence artificielle au sein des services
marketing
lyse is time to discovery » et cela se réduit. Il
faut tout le temps aller vite et il y a aussi la nécessité de
collaborer ou échanger. On a des équipes qui évoluent, qui
grossissent, des gens qui sortent et il faut pouvoir assurer également
la capacité de transmettre le savoir de ce qu'on a fait dans le
passé pour assurer une continuité d'activité et c'est un
élément
très important.
C'est aussi un choix
économique car la Data coûte très cher et possède
plusieurs modèles économiques. Ce point est décisif
très clairement.
Un élément technologique, qui n'est pas tant sur
les algorithmes qui sont globalement dans le domaine publique (à part
ceux spécialisés dans la santé ou choses très
singulières qui nécessitent une verticalisation de l'algorithmie)
en revanche tout ce qui est web service et API, des solutions sont à
faire évoluer et peu ouvertes. C'est un point clé : sur le
déploiement des algorithmes, il faut se brancher au système
opérationnel et dans une entreprise comme chez nous il y a du legacy qui
datent d'il y a 15 ans alors que chez certains c'est nouveau avec des solutions
de maintenant ou 5 ans max. Donc la notion d'interopérabilité
entre les solutions de Data Science et opérationnelles (CRM, ERP,
help-desk) c'est un élément clé et on y est de plus en
plus attaché car notre nécessité est de fournir des scores
et des segments mais c'est aussi d'être en capacité d'être
de plus en plus dans une forme de temps réel. Et ça, si on n'a
pas d'API ou web service disponible ce n'est pas possible d'y songer.
- Dans l'implémentation, vous m'avez plus ou moins
répondu en off, j'aurais aimé avoir
des précisions concernant les moyens physiques mis en
oeuvre pour Cegid, à savoir comment au niveau de la communication avec
et au sein de vos équipes Marketing, comment est mise en place
l'installation et comment elle évolue ?
- Comme on est sur un domaine qui est assez méconnu en
réalité, même si aujourd'hui
quand on parle parfois de Big Data ou d'IA les gens sont
familiers avec ces concepts mais cela reste beaucoup des « buzz words
» et les gens n'ont pas creusé et ne savent pas vraiment.
105 / 112
L'intelligence artificielle au sein des services
marketing
Notre créneau c'est à la fois d'avoir un
mécanisme de sensibilisation au sens large du terme. On utilise beaucoup
le réseau social d'entreprise pour démocratiser finalement les
concepts et ensuite pour faire connaître et maitriser un peu ce que l'on
fait on utilise une plateforme collaborative pour travailler avec les
équipes Marketing. Mon souhait c'est d'être très
transparent avec ce que l'on fait. Mon planning est ouvert, on sait sur quoi on
travaille, rien n'est caché et nous sommes une sorte de centre de
service disponible pour les équipes. La notion de transparence est
clé.
La notion de démocratisation et
d'évangélisation est forte : elle se matérialise pour
certains avec de la montée en compétences de la formation pour
ceux qui sont concernés avec un cursus de minimum 3 jours de formation
prévu au plan de formation du groupe Cegid qui traite du sujet du
prédictif. Cela permet d'ouvrir les « shakra » des
équipes. Et puis dans la communication c'est un moment qui est
clé et c'est souvent un travail pour les Data Scientist qui sont souvent
peu à l'aise et assez peu familier. Moi, ayant un « background
» un peu plus Marketing, je suis beaucoup plus sensible à cette
phase là puisque c'est un peu le dernier moment sur lequel quand on va
présenter et situer (avec des points intermédiaires parfois)
quand on parle de restitution finale des travaux, c'est vraiment pas un moment
qu'il faut rater, parce que l'on peut passer à côté du
sujet par ce qu'on aura mal expliqué ou présenté, qu'ils
auront pas vraiment compris véritablement ce que l'on veut leur faire
passer comme message, tant dans la phase explicative de « Build »
(construit les choses, pourquoi on a fait ces choix et prérequis) que
dans la restitution finale sur la forme que cela prend. C'est d'ailleurs
pourquoi dans le début de l'histoire de la Data Science chez Cegid, les
équipes ont été formées au storytelling.
Il y a une pratique aujourd'hui qui s'appelle d'ailleurs le
Data Story Telling. L'idée c'était de dire finalement « ok
vous avez beaucoup de chiffres, beaucoup de choses à raconter. Mais il y
a une forme et des choix à faire pour les raconter et les
présenter ». J'ai beaucoup vu l'évolution des collaborateurs
prient à l'état zéro et ensuite post-formation
storytelling : c'est radicalement différent car plus
léché, beau et sexy. Pour le coup, sur des
106 / 112
L'intelligence artificielle au sein des services
marketing
publics plus de marketeurs, ça leur parle beaucoup plus
quand c'est bien présenté par ce que c'est plus significatif,
plus clair et qu'on n'en met pas des tonnes.
La vérité c'est de dire qu'il y a des messages
à faire passer, et qu'il faut savoir lesquels. Il faut savoir les
maitriser et les présenter sous une forme qui soit explicite pour des
initiés. C'est un exercice qui est un temps fort sur lequel on passe
beaucoup de temps. Moi ce que je vois par rapport aux profils qui sont
passés chez nous, les collaborateurs Data Scientists ne sont pas
forcément prêts à ça et ne sont pas familiers du
sujet parfois ça les désarçonne un peu par ce qu'ils ne
s'attendaient pas à être attendus sur ce terrain là. Et
comme ce sont souvent des matheux ou très techniques, la vulgarisation
de ce qu'ils font parfois ça leur laisse quelques cicatrices car c'est
un exercice sur lequel ils ont été préparés. Notre
rôle en tant qu'entreprise est aussi de les accompagner par rapport
à ça et de proposer des programmes d'accompagnement qui leur
permettent d'être plus à l'aise dans l'exercice futur de ce
moment.
- Concernant l'évolution, donc après la mise en
place, lorsqu'ils utilisent les outils, est
ce qu'ils ont une parole libre dans le sens où ils
pourraient donner des recommandations sur ce dernier ?
- Bien sûr. Pour moi, j'attends de mes collaborateurs
qu'ils soient très responsabilisés.
Quand je parle de veille, moi je fais un peu de veille mais
eux ils doivent en faire à leur échelle. Dans leur fiche de
mission il y a de la veille. Il faut qu'on soit « up to date » et de
leur faire gagner en responsabilisation en réalité, en autonomie
et en sens critique sur là où ils en sont et là où
il faut qu'on évolue. Donc, dans la plateforme technologique on a fait
des évolutions qui étaient utiles et nécessaires. Ils ont
été moteurs dans ces évolutions et ma
responsabilité est de décider s'il faut qu'on y aille ou pas et
à quel rythme.
Mais j'attends beaucoup, quand je recrute aussi, que mes data
scientist soient en capacité à prendre du recul par rapport
à ce qu'ils font et qu'ils soient en capacité de faire des
pré-
107 / 112
L'intelligence artificielle au sein des services
marketing
conisations, d'amener à nous interroger sur ce que l'on
fait. Sinon on devient des Sphinx ou dinosaures et les dinosaures ils ont mal
finis (rire). Fondamentalement, la remise en question finalement ça doit
être perpétuel. Soit on l'a un petit peu cette ADN là, soit
quand on ne l'a pas, il faut mettre quelques piqures de rappel pour ne pas
oublier cela.
- A quelle proportion verriez-vous l'utilisation de ces outils au
quotidien ou autre
échelle ?
- Nous ce sont des outils de production donc c'est critique.
C'est à dire que nous ne
pouvons pas travailler sans. C'est à dire que si nous
enlevons ça nous enlevons le métier qui va avec donc c'est
très lier. On ne fait de Data Science sur bureautique ça n'existe
pas donc c'est imbriqué.
- Qu'elle est la perception de l'outil selon vous à 1,
puis 3 puis 5 ans ? Que ce soit en
interne et surtout ses perspectives d'évolution, et
y'a-t'il des choses en place qui sont déjà présentent et
qui pourrait prédire une évolution forte et auquel cas
peut-être à cause d'un certain environnement qui est
extrêmement changeant comme vous l'avez dit hier lors de l'AI Summit,
est-ce que ces derniers vont impliquer des changements à tous les
niveaux et les postes qui en sont impliqués ?
- Pour nous, notre environnement est stable et robuste et cela
n'a pas de prix. C'est
important car quand on utilise un outil de production au
quotidien, si c'est instable, bourré de bug, c'est invivable. Moi, dans
les évolutions je suis très attentif à ça. Quand
nous avons fait nos choix stratégiques, on a acheté 20 à
30 ans d'expérience (avec IBM par exemple). Finalement, on a donc acquis
ce patrimoine là et on s'est acheté une forme de
sécurité. Challenger cela, bien évidemment c'est possible
puisque on est en veille, cependant il faut évoluer pour mieux. Ce mieux
là, sur quelle dimension va t'on le trouver ?
108 / 112
L'intelligence artificielle au sein des services
marketing
A mon sens sur la partie amont connecteur intégration
à un environnement beaucoup plus large. C'est à dire
qu'aujourd'hui il y a plein de formes nouvelles de base de données dans
le monde du Big Data en particulier avec des données qui viennent du
cloud etc... On est face à une
hétérogénéité beaucoup plus forte des
sources des données. Un des enjeux pour moi est de m'assurer que les
solutions que l'on a évoluent au rythme de l'environnement data qui
existe dans le monde. Pour moi, il y a un vrai enjeu sur la captation de
l'hétérogénéité des data.
Deuxième point sur l'évolution est plus sur la
Data Prep (Data Preparation) avec l'identification d'anomalies, d'outlayers et
la maitrise des données. Bien souvent dans l'expérience que l'on
a on se crée une expérience de connaissance des données
mais c'est toujours bien d'avoir une solution simple d'emploi dans la
correction de données ou sur la découverte des données.
Là, il y a une forme d'enjeu. La question de la performance aussi elle
peut être assez clé.
Aujourd'hui on n'est pas soumis à des déficits
de performance, ce n'est pas du tout le cas : on n'a pas des algorithmes qui
tournent 4h, ça n'existe pas. Aujourd'hui on a des plate-formes
suffisamment efficaces avec l'architecture technique qui va avec qui nous
permettent de travailler dans un temps respectable et raisonnable. Donc la
question de la performance il faut la regarder mais ce n'est pas
décisif.
Une des clés c'est le déploiement, soit la
capacité de mettre sous hubservice ou API l'output des travaux que l'on
mène pour que ce soit consommable par nos applications. C'est un
élément clé dans le monde des API qui est le
nôtre.
Après, au-delà de l'aspect quantitatif qui nous
rassemble par ce que c'est les données qu'on utilise, il y a sans doute
des opportunités de développement sur le domaine de la
sémantique. Moi, je ne suis pas satisfait de la solution que l'on a qui
est trop experte, très pointu et issue des labs mais elle n'est pas
user-friendly et complexe d'approche, d'appropriation. Il y a donc une vraie
question sur l'analyse textuelle. C'est un vrai pan que je dissocie. Alors bien
sur souvent les choses sont liées entre le qualitatif et le quantitatif
mais notre choix initial était de prendre la même plateforme pour
faire les deux.
109 / 112
L'intelligence artificielle au sein des services
marketing
En réalité, sur le plan quantitatif il n'y a pas
vraiment de sujet mais la maitrise du qualitatif c'est un vrai métier.
Cette solution j'en suis un peu déçu, et cela nous contraint pour
le moment d'utiliser d'autres plateformes technologiques pour pouvoir le faire.
Pour moi c'est moins gênant car ce n'est pas du quotidien mais quand on
doit le faire la marche à franchir est beaucoup plus importante que sur
le quantitatif.
Sur l'international nous n'avons pas de sujet de
déploiement car tout est centralisé.
Pour l'aspect collaboratif on arrive à se passer les
flux donc ce n'est pas un sujet. On n'a pas besoin aujourd'hui par ce qu'il y a
peu de use case où une équipe développe un algorithme.
C'est plus souvent une seule et unique personne qui va la développer
puis la challenger en équipe. Il y a des applications qui le font, dans
notre organisation à nous ça va à deux à
l'heure.
L'intelligence artificielle au sein des services
marketing
Fin de l'enregistrement (40 minutes 02
secondes).
110 / 112
111 / 112
L'intelligence artificielle au sein des services
marketing
Table des illustrations
Figure 1 : LES DOMAINES DE L'INTELLIGENCE ARTIFICIELLE,
GOUVERNEMENT FRANÇAIS, 2018 22
Figure 2 : LES PERIMETRES D'ACTION ET CONSEQUENCES DE CES
REVOLUTIONS, RAPPORT PARLEMENTAIRE
FRANCE IA, 2018 28
Figure 3 : LES QUATRE V DU BIG DATA, 2018 35
Figure 4 : LES 4 V DU BIG DATA VU PAR IBM ET SES
IMPLICATIONS, 2014 35
Figure 5 : SCHEMA D'UN RÉSEAU DE NEURONES
ARTIFICIELS, 1997 41
Figure 6 : EXEMPLE D'UNE CONVERSATION AVEC L'OUTIL
CONVERSATIONNEL ELIZA,1964 - 1966 43
Figure 7 : IADVIZE, ETUDE SUR LE COMPORTEMENT DES
UTILISATEURS DE CHATBOTS, 2016 44
Figure 8 : LES APPLICATIONS FRANÇAISES, RAPPORT
PARLEMENTAIRE FRANCE IA, 2018 51
Figure 9 : TRAITEMENT DES DONNÉES AVEC L'EXEMPLE DE
L'AGRICULTURE, INRA, 2018 51
Figure 10 : EXEMPLE D'UN SYSTÈME EXPERT, 2018
54
112 / 112
L'intelligence artificielle au sein des services
marketing
| 
