Verteego et Converteo : L’IA au service de la prise de décision dans le retail

A l’occasion du salon Tech for Retail – qui fait cette année la part belle à l’intelligence artificielle – Rupert Schiessl, le CEO et cofondateur de la solution d’IA intelligence Verteego et Raphaël Fétique, senior partner et cofondateur de Converteo, confrontent leurs points de vue sur les apports de l’IA dans la prise de décision.

• Pour commencer, quelle est la proposition de valeur de Verteego ?

Rupert Schiessl : Verteego propose une plateforme qui s’inscrit dans l’écosystème de l’IA intelligence. Elle permet aux entreprises de prendre de meilleures décisions grâce à la data et à la technologie, en particulier dans les domaines du e-commerce, de la grande distribution ou du retail spécialisé. Au lieu de remplacer les outils existants, nous intervenons là où les ERP de nos clients s’arrêtent, pour analyser les données en temps réel et générer des recommandations qui permettent d’optimiser la supply chain, booster les campagnes marketing ou encore rationaliser la logistique.

Raphaël Fétique : Verteego a une approche très complémentaire de celle de Converteo : en tant qu’éditeurs de logiciels, Rupert et ses équipes peuvent aller très loin dans la R&D, tandis que nous, nous apportons la vision du terrain et des besoins des clients, tout en permettant l’intégration de leurs outils au sein des entreprises. Nous échangeons depuis longtemps sur les sujets liés à l’IA et nous renforçons de plus en plus nos collaborations ces dernières années, avec notamment plusieurs projets communs – comme chez Samsung, par exemple.

• Concrètement, comment l’IA permet de “faire parler” les données pour faciliter la prise de décision ?

Rupert Schiessl : Il y a trois niveaux de sophistication dans les outils d’aide à la décision. Le premier niveau, revient à utiliser la technologie pour traiter et analyser la data, afin de permettre aux décideurs de faire des choix éclairés. 

Le second niveau, qu’on peut qualifier d”augmented decision making” va un cran plus loin : l’algorithme fourni des recommandations, que l’utilisateur peut ensuite décider de suivre ou non. Dans ce cas, il est particulièrement important de pouvoir expliquer l’origine de chaque recommandation, d’indiquer quelles sont les variables utilisées ou quel est le niveau de fiabilité des prévisions. Le troisième niveau, quant à lui, est l’”automated decision making” : il laisse la main à l’algorithme pour prendre des décisions en temps réel, de façon autonome. 

Verteego intervient plutôt sur les deuxième et troisième niveaux.

Raphaël Fétique : Si on prend l’exemple de Samsung, notre enjeu est d’optimiser les dépenses marketing du site e-commerce, en automatisant les prévisions. Pour cela, les données de l’ERP ne suffisent pas. Il faut alimenter les systèmes de forecasting avec d’autres types de données, comme celles liées à l’environnement concurrentiel ou à l’achat média, par exemple. Tout l’enjeu est d’intégrer ces nouvelles sources de données pour permettre des prévisions plus précises. C’est loin d’être évident, puisque les sources de données sont très diverses et ne sont pas normalisées. 

Un de nos combats communs avec Verteego est d’ailleurs de travailler sur une standardisation des jeux de données, pour pouvoir passer plus de temps sur l’optimisation de la prise de décision que sur la préparation des données.

• Comment les nouvelles formes d’IA génératives peuvent-elles aider vos clients à relever ces différents défis ?

Rupert Schiessl : Avec cette nouvelle vague de l’IA générative, se pose aujourd’hui la question de l’appropriation des outils par les métiers. On dit à tout le monde qu’il faut apprendre à maitriser l’intelligence artificielle, mais qu’est-ce que ça veut dire concrètement ? Dans ce contexte, notre responsabilité vis-à-vis des utilisateurs – qu’ils soient techniques ou opérationnels – est de les accompagner pour bien utiliser ces outils. Par exemple, faire en sorte qu’ils comprennent ce qu’est une bonne recommandation et comment elle a été élaborée. 

L’explicabilité des décisions est un enjeu majeur dans le développement de notre solution de decision intelligence : c’est un paramètre clé pour faciliter l’adoption par les équipes. L’IA générative peut nous permettre d’améliorer grandement cet aspect-là, en rendant les raisonnements et les recommandations plus lisibles et explicites pour les fonctions métiers. 

De plus en plus, nos utilisateurs demandent à avoir la main, à comprendre : nous travaillons sur ce point, en faisant évoluer nos interfaces et en proposant de plus en plus d’interactions en langage naturel.

Raphaël Fétique : L’IA générative peut également s’avérer très utile en amont, dans le traitement et le nettoyage des données, en particulier textuelles et sémantiques. Par exemple, en interne, les organisations gardent rarement à jour un historique de leurs offres promotionnelles au-delà de quelques années… Dans ce cas, un scraping de sites spécialisés dans la promo peut permettre de reconstituer cet historique. 

Un autre exemple : sur les marketplaces, chaque fournisseur arrive avec un catalogue produit de milliers voire centaines de milliers de références. Si ces données ne sont pas standardisées et corrigées, il est difficile de faire des analyses pertinentes. Or, vu les volumes à traiter, il est devenu impossible aujourd’hui de mener ce travail de “nettoyage” à la main. 

L’IA générative peut ainsi jouer un rôle clé dans le “data curating” et la qualification des données : on peut l’utiliser pour traiter de grands volumes de données et les structurer. C’est tout à fait crucial, car on ne peut pas avoir un bon modèle de forecasting si les données qui ont servi à l’alimenter ne sont pas de bonne qualité.