Business Intelligence : lorsque le CRM rencontre l’IA

Quand l’acronyme CRM, Customer Relationship Management (ou gestion de la relation client en français), voit le jour au milieu des années 1990, l’objectif pour l’entreprise est de centraliser un maximum de données pour avoir une vision aussi précise que possible de son client, et ainsi comprendre ses besoins, son comportement et sa relation avec la marque. C’est par le biais de cette compréhension approfondie qu’il va être possible de prédire et diriger les interactions du client avec la marque de manière à augmenter son engagement.

Si l’on suit cette logique, plus on a de données, mieux on se porte, n’est-ce pas…?

Historiques de vente, contacts avec le service client, interactions digitales avec la marque mais aussi réseaux sociaux, historiques de navigation… Aujourd’hui, le web a multiplié la quantité de données disponibles à un tel point que distinguer ce qui est pertinent et faire émerger des informations exploitables est devenu un défi de taille pour les entreprises. Avec le Big Data, l’humain seul n’est plus en capacité de débrouiller les fils ; il faut trouver une autre solution pour traiter, organiser et recouper toutes ces données rapidement. C’est là que l’intelligence artificielle entre en jeu.

QU’EST-CE QUE L’INTELLIGENCE ARTIFICIELLE (IA) ?

L’IA, ou intelligence artificielle, va permettre à un système informatique d’apprendre, de comprendre, d’extrapoler et de communiquer d’une manière approchant celle de l’humain. Sa rapidité d’exécution lui permet de traiter une bien plus grande quantité de données dans le même temps.

A travers des suites d’instructions, appelées algorithmes, basées sur des statistiques, l’homme permet à son système informatique d’évoluer avec son environnement et donc de rester pertinent dans son analyse : on parle alors de Machine Learning.

Distinguer IA et Machine Learning

Le terme Machine Learning est souvent, à tort, utilisé de manière interchangeable avec Intelligence Artificielle; il ne s’agit en fait que d’une de ses composantes.

Le Machine Learning consiste en l’utilisation d’algorithmes qui apprennent et appliquent continuellement leur connaissance d’un sujet à partir de données. Il peut s’agir d’algorithmes supervisés (travaillant à partir de données déjà organisées par l’humain) ou non. Ces algorithmes recherchent des corrélations dans les données afin de conjecturer et de faire des prédictions.

Si le rôle de l’IA est de prendre des décisions de manière autonome, c’est grâce au Machine Learning qu’elle est capable d’évoluer en se basant sur ses prédictions pour maximiser les résultats voulus.

Quelles sont les possibilités?

Les possibilités ouvertes par l’IA sont nombreuses. Il peut par exemple s’agir de faciliter le travail des équipes commerciales en leur indiquant sur quels clients concentrer leurs efforts pour de meilleurs résultats. Par exemple, en proposant une remise au moment décisif afin de faire basculer l’interlocuteur  de contact commercial avancé (lead) à client, ou en recontactant le client juste avant qu’il n’abandonne la marque. En mettant à sa disposition les informations pertinentes au bon moment, on augmente ainsi la force de recommandation du commercial.

C’est ce qui est proposé par les solutions de lead-scoring predictif tels que Einstein Opportunity Insights de SalesForce, qui permettent d’identifier exactement à quel stade de l’entonnoir de conversion se trouve le prospect en tenant compte des spécificités du marché et de l’entreprise. Einstein Opportunity Insights peut ainsi utiliser un large panel de données, y compris le ton des emails, les agendas, et même l’actualité du marché pour identifier les leads les plus avancés.

L’entonnoir de conversion, qui représente l’avancée des clients potentiels jusqu’à l’achat et les abandons à chaque étape.

Cela se traduit par un gain significatif de productivité. Dans une interview datée de 2016, Carolyn Wellsfry Cheng de l’entreprise ShoreTel, spécialisée dans la communication unifiée pour entreprise, explique que l’utilisation de l’analyse prédictive leur a permis de diminuer le nombre d’appels nécessaires pour qualifier un lead de 100 à seulement 12.

Du point de vue marketing, l’IA peut aussi faciliter la prise de décision. Par exemple, elle va permettre de mettre en évidence des segmentations de clients peu évidentes mais qui, quand ciblées par des campagnes appropriées, vont multiplier les taux d’ouverture et de clic. C’est ce que propose Optimove, qui détermine quelle stratégie de communication est la plus susceptible de fonctionner auprès des différents types de clients. La solution utilise des données démographiques, transactionnelles et marketing afin de catégoriser les clients et de les intégrer dans des segmentations préexistantes.

L’IA apporte ici une perspective dénuée de biais, plus fine et plus facilement adaptée à des changements rapides qu’une équipe humaine. Elle permet également une personnalisation accrue des campagnes marketing.

L’IA peut également servir à augmenter la qualité du service client. Elle permet par exemple de proposer une procédure pour communiquer avec le client en se basant sur ses interactions précédentes et son historique d’achat, afin de répondre au mieux à sa demande et donner lieu à une plus grande satisfaction.

C’est l’objectif, par exemple, de la solution de service client Easiware, qui a récemment fait l’acquisition de la start-up Dictanova spécialisée en analyse du langage naturel. A terme, l’IA sera capable de qualifier les demandes clientes par elle-même, faisant du même coup gagner du temps de traitement à l’agent.

Le chatbot, qui est un logiciel programmé pour répondre en langage naturel à des interrogations simples telles que le statut d’une livraison en cours grâce à son accès aux données de la cliente, est de même une manière efficace de désengorger les centres d’appels et de permettre de dédier plus de temps aux demandes complexes.

Où en est-on ?

Dans tous ces exemples, on remarque que le facteur humain reste une constante; en effet, à ce jour, l’IA n’est pas un outil entièrement indépendant et sert plutôt d’aide à la décision et à l’action.

L’IA n’est en effet pas en mesure aujourd’hui de comprendre les éléments irrationnels du comportement humain. C’est le cas par exemple pour les chatbots, où l’IA n’étant pas capable de gérer correctement un conflit ou de rassurer son interlocuteur, doit laisser la main à un conseiller.

L’intervention de l’homme reste par ailleurs indispensable pour donner à l’IA des règles de fonctionnement et une méthodologie d’apprentissage, tout en l’alimentant d’importants volumes de données. C’est particulièrement le cas en ce qui concerne la compréhension du langage dit naturel, c’est-à-dire utilisé par les humains dans la vie de tous les jours. Il s’agit actuellement d’un enjeu d’une grande complexité et qui nécessite dans l’entraînement de l’IA une implication des forces de ventes et de toutes les équipes en contact direct avec le client.

Enfin, il va sans dire que l’IA ne peut travailler qu’à partir de ce qu’on lui fournit ; il est donc essentiel de cultiver la qualité de sa donnée pour obtenir des résultats concluants.

Quel futur pour l’IA dans le CRM ?

Le volume de données disponible est appelé à augmenter d’année en année. L’avènement de l’Internet des Objets (IoT) à lui seul garantit sa croissance exponentielle, et décuple les enjeux d’une analyse autonome de la donnée : comme l’illustre le graphique ci-dessous, la part de l’IoT dans la mer de données disponibles est appelée à croître.

Source : EMC/IDC, « Digital Universe of Opportunities », 2014

La progression de la capacité de l’IA à identifier des sources de performance accrue est donc essentielle, d’autant qu’il est certain que de nouveaux usages à l’IA vont émerger dans les prochaines années.

L’IA est en effet appelée à dépasser les enjeux actuels grâce à l’afflux des données qui vont au delà de la pure donnée client. Par exemple, une enseigne physique pourra optimiser la gestion de ses stocks en identifiant quelles typologies de produits ses clients ont le plus de mal à trouver en point de vente, limitant de ce fait l’insatisfaction client.

Un vecteur de cette progression aujourd’hui est le Deep Learning, un type de Machine Learning composé de plusieurs couches d’analyse lui permettant d’identifier des corrélations dans la donnée et de créer des clusters, sans dépendre de méthodologies humaines d’analyse préétablies. En un mot, il s’agit d’un système qui apprend et adapte son algorithme par lui-même.

LES SOLUTIONS INTEGREES IA/CRM

S’il est possible pour une équipe de Data scientists de mettre en place ses propres algorithmes, développés sur mesure pour les besoins de son entreprise, il existe de nombreuses solutions de CRM qui intègrent l’IA directement.

On a déjà évoqué Einstein de Salesforce, une des références du marché quand il s’agit du CRM, qui a l’avantage d’intégrer l’IA à tous les niveaux pour maximiser les résultats. De même chez Microsoft Dynamics, on va trouver le module de lead-scoring assisté par IA Sales Insight, qui permet de guider le processus de vente.

Côté marketing, SAP propose Business Objects Predictive Analytics pour affiner le ciblage des clients tandis que Watson, chez IBM, facilite le développement de campagnes personnalisées plus susceptibles de résulter en une conversion.

Grâce à son expertise sur ces outils et dans le domaine de la data analyse et du CRM, HeadMind Partners Business Consulting est capable d’accompagner ses clients dans leurs projets liés à la donnée et à l’Intelligence Artificielle à chaque niveau d’expertise métier et technique.

Article écrit par Mélissa KABRE, Senior Consultant, membre de la BCOM CRM chez HeadMind Partners Digital