C’est un fait considéré comme acquis par beaucoup : l’intelligence artificielle bouleversera le monde du retail dans les prochaines années. Comment agir dès aujourd’hui pour bénéficier au maximum de ce progrès ? La recette miracle n’existe pas ou pas encore, mais on en sait assez aujourd’hui pour identifier quels sont les grands pièges à éviter. Pour tous ceux qui veulent monter d’un cran dans leurs modèles prédictifs, Serge de Gosson de Varennes, expert en IA chez Pricer, partage avec nous ses mises en gardes sur les erreurs qui risquent d’être fatales à votre stratégie IA dans les prochaines années.
Erreur #1. Economiser sur les frais de stockage des données.
Faut-il conserver les années 2020 et 2021 dans les données ? Si oui, heure par heure ? Jour par jour ? Transaction par transaction ? Et quid de ces grands événements prétendument imprévisibles comme une offre promotionnelle un jour de réouverture post-confinement ? Est-ce que pour prédire le Black Friday de cette année, il faut prendre les données de celui d’il y a 5 ans ? Sans doute et très légitimement, vous vous interrogez sur l’intérêt et la pertinence de conserver une telle quantité d’informations.
Ce qui semble une Lapalissade se vérifie dans les faits : les modèles IA requièrent un volume important de données. Economiser aujourd’hui sur les frais de stockage des données peut amputer votre capacité à prédire correctement vos ventes dans quelques années. Donc mieux vaut que vos modèles en assimilent trop que pas assez. Leur fiabilité en dépend.
Erreur #2. Accumuler des données biaisées.
Garbage in, garbage out. Un grand volume de données peut s’accompagner, faute de vigilance, d’un risque accru de se retrouver avec des ensembles de données vulnérables à l’incertitude, des représentations non diversifiées et des hypothèses déformées, susceptibles d’aboutir à une prise de décisions sous-optimale voire erronée… sans le savoir.
Assurez-vous que vos données ne soient pas biaisées, par exemple, qu'elles ne privilégient pas une certaine catégorie ou qu'elles ne surreprésentent pas un certain type de client, car cela risquerait de fausser votre modèle. Il peut être tentant, évidemment, de construire des modèles sur la base de données des encartés de votre enseigne plutôt que sur celles des sorties de caisses. Mais mieux qualifiées ne veut pas dire mieux représentées. Et vous ne voudriez pas que votre modèle soit une source d’erreur de jugement.
Erreur #3. Succomber à la suradaptation.
Cela peut sembler contre-intuitif mais il n’est pas bon qu’un modèle prédise trop bien. On nomme cet écueil la suradaptation : si un trop grand nombre de données sont présentées lors de l'apprentissage du modèle, celui-ci risque de trop s'adapter à ces données spécifiques et il vous sera plus difficile d'établir des prévisions à partir de nouvelles données.
Imaginons en effet que dès 9h00 du matin, à l’ouverture des portes de votre magasin, vous fassiez une promo exceptionnelle sur les postes de télévision, juste avant un grand événement sportif. Bonne chance pour répliquer cette offre l’année suivante. Non seulement parce que vous ne pourrez plus compter sur l’effet levier de la Coupe du Monde, mais aussi parce qu’il y aura eu de l’inflation et que vous ne pourrez pas vous permettre de tirer les prix.
Un modèle trop sur-mesure auquel vous aurez incorporé des événements exceptionnels en faisant croire qu’ils sont routiniers, ne vous permettra pas d’établir des prédictions correctes. En IA, le mieux est parfois l’ennemi du bien.
Erreur #4. Pécher par orgueil.
L'élaboration de modèles fiables est très complexe lorsqu'on ne dispose pas de connaissances approfondies dans les domaines sous-jacents des mathématiques et des statistiques. N’hésitez pas à faire appel à des spécialistes compétents.
Erreur #5. Négliger le facteur humain.
Bien souvent, il est difficile de savoir pourquoi on aboutit à telle ou telle prévision même lorsqu'elle est correcte. Votre modèle vous dira que ce jour-là, vos consommateurs étaient plus enclins à fréquenter les grandes surfaces en raison de tel ou tel festival, alors que c’était tout simplement parce que le temps était plus couvert.
Gardez des attentes réalistes vis-à-vis de votre modèle IA : certes, il prend en compte un grand nombre de facteurs quantitatifs et peut s’avérer d’une efficacité redoutable. Mais il ne faut pas pour autant négliger l’humain qui aura une vision plus fine et détaillée, contrairement au modèle qui est simplifié. Sur certains points, l’humain sera capable de prendre en compte des informations plus nuancées, comme par exemple les conditions météo ou encore les jours fériés... Voilà pourquoi il est nécessaire de s’entourer de personnes qualifiées qui connaissent bien le secteur pour déterminer si les résultats sont valables et mettre en lumière les facteurs sous-jacents. Si un de vos collaborateurs qui s’y connait en trafic et vente en magasin vous dit que le modèle touche à ses limites restez à l’écoute. L’IA doit rester un copilote. Il serait dangereux de lui confier le volant…
Avec les technologies open source, l’IA s'est démocratisée : les géants mondiaux de la grande distribution ne sont plus les seuls à pouvoir se permettre d'investir dans ce domaine. Il est néanmoins important de garder à l'esprit qu'un investissement dans l'IA doit être continu, et non considéré comme un simple coût initial. Au-delà des effets de mode, l’intelligence artificielle est présente dans la vie des distributeurs par le biais des modèles prédictifs qui s’appuient sur des facteurs externes insuffisamment pris en compte.
Changements démographiques, événements géopolitiques, hausse continue de l’inflation, prix de la concurrence, coût des matières premières, perturbations des chaînes d’approvisionnement… Les défis rencontrés durant l’année écoulée ont mis en lumière la vulnérabilité des enseignes qui misent sur les progrès du machine learning pour réaliser des prévisions plus justes, à un prix raisonnable, sans que ces paramètres soient forcément inclus.
La réalité décrite par l’IA l’est-elle au final par chance ou par conception intelligente ? La question se pose, surtout dans le contexte actuel qui nécessite une vigilance accrue de la part des retailers. 2023 étant particulièrement complexe en termes de prédiction, les modèles deviennent vite obsolètes avant même d’avoir été utilisés. Des sophistications doivent être apportées, et même si nous ne savons pas encore quelle forme revêtira l’IA pour le retail dans quelques années, toujours est-il que les principes de son fonctionnement sont déjà connus, au même titre que ses écueils.
Autant en tirer le meilleur parti dès maintenant pour ne pas à avoir à en payer le prix plus tard.
