« Machine-Learning», le bon usage du Big Data pour une Expérience Client de qualité.

Le Machine-Learning pour les carottes et les pommes de terre.

Demandez à un enfant de 5 ans de reconnaitre des carottes et des pommes de terre sur des images, il va répondre avec presque 100% de précision (à moins qu'il ne connaisse que les frites du Fast-Food du coin... mais c'est une autre histoire).

Paradoxalement, cette opération n'est pas aisée à coder au sein d'un système de reconnaissance automatique...et d'autant plus difficile s'il faut reconnaitre des pommes de terre portant un chapeau et assises sur un sofa...

Traditionnellement, l'intelligence artificielle est basée sur des règles prédéfinies consistant à reproduire le raisonnement d'un être humain « expert ». Plutôt que d'imposer des règles aux ordinateurs, les algorithmes de Machine-Learning leur permettent de découvrir (auto-apprendre) leurs propres règles, basées sur des exemples.

Dans notre cas, alimenter l'ordinateur d'images de pomme de terre et de carottes, lui spécifier à chaque fois de quelle variété il s'agit, jusqu'au moment où ce dernier aura suffisamment d'« expérience » pour créer ses propres règles de reconnaissance, principalement basées sur des modèles statistiques. L'ordinateur sera alors devenu un véritable expert de la reconnaissance des pommes de terre et des carottes.

En d'autres termes, fournir les données, donner les moyens d'évaluer ses performances (bonne prédiction, mauvaise prédiction) et laisser le système apprendre. Voilà ce qu'est le Machine-Learning.

Big Data, Clients et Machine-Learning

Nous sommes dans l'ère du Big Data. Nous sommes à ce moment où la prédiction du comportement individuel de chaque client est si critique.

La capacité du Machine-Learning à réaliser des « Prédictions » en fonction des « Données » est ce qui le rend si pertinent dans le domaine de la relation client : nous possédons les données et nous avons besoin des prédictions.

Machine-Learning et relation client

Dans l'évolution de la gestion « classique » de la relation client vers la gestion de l'expérience client, toutes les interactions entre les organisations et leurs clients sont aujourd'hui considérées comme partie d'une « expérience client » qui doit être optimisée. Le paradoxe est que cette gestion Omnicanal, l'usage massif des réseaux sociaux, les objets connectés inter-agissants comme des clients... apportent une complexité grandissante alors que les clients demandent toujours plus de simplicité, d'instantanéité, de personnalisation.

Voyons ce que le Machine-Learning peut apporter à ces nouveaux paradigmes au travers de trois exemples typiques d'applications.

1- Apporter des réponses aux questions des clients

La notion de Machine-Learning était originellement définie comme le fait de donner la capacité aux ordinateurs « d'apprendre » sans avoir besoin de les programmer explicitement. Aujourd'hui, le Machine-Learning va plus loin et est plus couramment défini comme la faculté d'un système à répondre à une question à laquelle son créateur n'a même jamais pensé. Croyez-en mes 15 années d'expérience dans les centres de contacts : poser aux agents des questions pour lesquelles ils ne sont pas préparés est l'un des passe-temps favoris des clients.

L'approche classique de construction d'un système question/réponse débute par la création d'une liste de questions potentielles, puis par l'apport des réponses correspondantes.

Le Machine-Learning amène un changement radical d'approche. Aujourd'hui la problématique est de savoir quelles sont les données disponibles, d'une manière globale et non plus seulement en termes de réponses à ces questions potentielles.

Grâce à l'acquisition de toutes ces données, le Machine-Learning va amener la capacité de comprendre les questions, de leur apporter non pas une réponse mais la meilleure réponse possible, en améliorant ces réponses au fil du temps grâce à sa capacité d'auto-apprentissage (évaluation dynamique des performances et amélioration constante).

2- Les Serveurs Vocaux Interactifs (SVI)

En tant que média pensé pour donner aux clients de l'autonomie dans certaines demandes, les SVI sont un exemple typique de l'évolution actuelle.

Les anciens SVI étaient constitués de menus statiques, prédéfinis, préexistant à leur usage par les clients. Si une option n'était pas disponible (car non prévue/codée par le concepteur/développeur du SVI) alors...elle n'était tout simplement pas disponible. Jusqu'à la prochaine mise à jour du SVI.

Désormais, la capacité d'évolution des systèmes de Machine-Learning, grâce à l'auto apprentissage, permet de proposer aux clients des SVI adaptatifs, autant en termes de capacité de réponse (création de contenu), qu'en termes d'options disponibles, avec des menus dynamiques et personnalisés pour chaque type de client, voir pour chaque client.

3- Système de routage des interactions

Le routage d'une interaction client, à partir de n'importe quel point de contact vers n'importe quel service de l'organisation où le client est susceptible de trouver la meilleure réponse (de vivre la meilleure expérience) est une autre application du Machine-Learning.

Dans un centre d'appels, un système de routage classique recherchera le meilleur agent disponible pour répondre à un moment donné. Ce choix est basé sur une matrice statique de compétences prédéfinies.

Le Machine-Learning propose désormais le routage « prédictif ». Les décisions de routage sont basées sur l'historique des interactions, les taux résultants de satisfaction clients, l'évaluation de la qualité des réponses, l'efficacité des process de gestion... ou tout autre moyen d'évaluer la performance de la prédiction. Le système peut ainsi s'améliorer dans le temps (toujours par auto-apprentissage) et gérer également toute nouvelle situation non encore imaginée dans la définition l'expérience client.

Conclusion - Optimiser la relation client

Nous avons présenté quelques exemples d'applications du Machine-Learning concernant la gestion de l'expérience client. La contribution majeure du Machine-Learning dans ce domaine est, en capitalisant au fil du temps sur une meilleure compréhension du comportement des clients, de proposer une expérience dynamique dans un cercle vertueux où les données amènent l'intelligence et l'intelligence produit de nouvelles données.

Plus généralement, nous avons aujourd'hui tant de données à notre disposition que trouver de nouvelles applications au Machine-Learning n'est qu'une question d'imagination.