Intelligence artificielle : trois cas d'usage concrets
- 21 juin 2021
Les projets d’intelligence artificielle sont réputés pour être complexes, chronophages, et se soldent bien souvent par des échecs. Il n’est donc jamais facile pour les entreprises de se lancer sans garanties. Pourtant, bien menés, ils apportent des gains considérables aux organisations.
Parce que nous sommes persuadés que des faits valent plus que de longs discours, nous avons décidé de vous livrer trois exemples concrets de projets d’intelligence artificielle dans les secteurs suivants : industrie, télécom et énergie.
Intelligence artificielle et industrie : quand la maintenance prédictive réduit les coûts
Selon le cabinet McKinsey, la maintenance prédictive permettra aux entreprises d’économiser 630 milliards de dollars d’ici 2025, grâce à une réduction des coûts de maintenance de 10 à 40 %. Le rapport estime également que le nombre de pannes pourrait être divisé par deux et les nouvelles acquisitions de machines vont diminuer de 3 à 5 % en augmentant la durée de vie du matériel existant.
Par définition, la maintenance prédictive permet de détecter les anomalies sur des machines avant qu’elles ne soient trop importantes et que la production soit stoppée. Pour cela, l’analyse des données est la clé, car elle permet de détecter les signaux faibles. Comment ?
Grâce à trois facteurs :
- L’implantation de capteurs sur les machines : l’IoT (Internet des Objets).
- La modélisation d’un schéma de panne : en analysant l’historique des pannes, il est possible d’identifier les causes les plus probables.
- Le développement d’algorithmes prédictifs : pour déterminer les seuils d’alertes (avec le machine learning par exemple).
Par exemple : les ascenseurs Schindler ou ThyssenKrupp ont été équipés de capteurs qui remontent des données sur la température, les ouvertures de portes, le nombre d’étages délivrés… dans l’optique de prévoir les interventions des techniciens pour éviter les pannes.
Les projets d’IA dans les télécoms : utiliser le scoring pour améliorer la relation client
Le secteur des télécoms est très concurrentiel et les clients ne sont pas toujours fidèles : si un consommateur trouve mieux ailleurs chez un autre opérateur, il n’hésitera pas à résilier son contrat pour aller à la concurrence. Proposer les bonnes offres au bon moment est alors clé pour fidéliser les consommateurs. Cependant, certaines personnes ne sont pas du tout réceptives à ces offres, et il n’est pas nécessaire de consacrer de l’énergie pour les retenir.
Pour pouvoir identifier les clients sur lesquels concentrer les efforts, un système de scoring peut être mis en place grâce à l’intelligence artificielle. Pour cela, il est nécessaire de prendre en compte les données suivantes :
- Appels téléphoniques des clients à l’opérateur
- Différents contrats souscrits
- Interventions faites par le service client
- Satisfaction client
- Avis sur les réseaux sociaux…
Plus un client est ouvert à la nouveauté et aux promotions, plus il sera facile de le fidéliser. Grâce à un algorithme prédictif qui note les clients en fonction de leurs réactions aux différentes sollicitations, les opérateurs télécoms peuvent concentrer leurs efforts sur les personnes les plus susceptibles d’accepter une nouvelle offre. Les modèles de scoring sont construits sur la base de milliards de combinaisons, d’où l’intérêt de disposer d’une technologie capable de traiter et de consolider un important volume de données, d’évoluer selon les offres, les exigences des clients et des tendances.
Énergie : utiliser l’Intelligence Artificielle pour prédire le churn
Le churn (ou attrition) désigne la perte de clientèle ou d’abonnés. Les fournisseurs d’énergie sont confrontés au mécontentement des clients lors de la régularisation annuelle. En effet, les factures intermédiaires sont calculées en fonction de prévisions et d’estimations. Souvent, les consommateurs sont donc surpris lorsqu’arrive la régulation et cherchent bien souvent à changer de fournisseur d’énergie à ce moment-là.
Pour remédier à cela, une meilleure prévision est nécessaire. Et pour cela, de nombreuses données sont à disposition, comme par exemple :
- Plusieurs mois d’historique de consommation
- Informations démographiques
- Équipements du foyer
- Météo
- Événements tels que la pandémie que nous traversons qui favorise le télétravail, donc des variations importantes de consommation
Grâce à l’intelligence artificielle, il est possible de traiter rapidement un volume important de données en temps réel, de connecter différentes bases de données pour entraîner et actualiser les modèles de prédiction. Les fournisseurs gagnent ainsi en précision, dans les prédictions de consommation – et les factures intermédiaires. Les modèles permettent également de répondre aux questions suivantes : pourquoi les clients souhaitent partir ? Quelle promotion pourrait les retenir ? Quelle offre est la plus adaptée ?
Quelques chiffres sur le churn et ses conséquences dans l’énergie :
- Un client très satisfait en parle à 3 autres personnes
- Un client mécontent en parle à 12 autres personnes
- Un client très mécontent en parle à 20 autres personnes
- 98 % des clients mécontents ne se plaignent jamais, ils se contentent de vous quitter
Source : Customer Genius de Peter Fisk
