Jeudi 22 novembre, le Club Commerce Connecté vous invitait à un rendez-vous public consacré à l’intelligence artificielle, le prédictif et le machine learning appliqués au commerce.
Au programme:
- Maltem Insight Performance
- Brainify
- LumenAi
- Inria
- synthèse de l’étude Fevad-KPMG, "l’IA au service du e-commerce"
6. Sciences et technologies de l'information et de la communication
6
La science chez Inria
MODÉLISATION
& SIMULATION
OPTIMISATION
& CONTRÔLE
INTELLIGENCE
ARTIFICIELLE &
ROBOTIQUE &
SYSTÈMES
AUTONOMES
ALGORITHMES &
PROGRAMMATION
INTERACTION
& MULTIMÉDIA
SCIENCE DES
DONNÉES &
INGÉNIERIE DE LA
CONNAISSANCE
ARCHITECTURES,
SYSTÈMES &
RÉSEAUX
SÉCURITÉ &
CONFIDENTIALI
TÉ
7. Sciences et technologies de l'information et de la communication
7
Domaines d’application
socio-économiques
SANTÉ ÉNERGIE ENVIRONNEMENT CLIMAT
TRANSPORT CULTURE &
DIVERTISSEMENT
ÉCONOMIE FINANCE ALIMENTATION &
AGRICULTURE
SÉCURITÉ
&RÉSILIENCE
8. Contacts
8
Chaque centre de recherche Inria est doté d'un service
Transfert pour l'Innovation et Partenariats, véritable trait d'union
entre les équipes de recherches et les entreprises.
Inria s’engage dans la recherche partenariale et soutient l’effort
de recherche et d’innovation des entreprises, c’est pourquoi il a
été labellisé Institut Carnot.
Cédric QUINOT
Chargé de partenariats
et de projets d'innovation
Entreprenariat
Tél. : +33 5 24 57 41 23
Cedric.quinot@inria.fr
Sandrine PALCY
Chargée de partenariats
et de projets d'innovation
Europe et Santé
Tél. : +33 5 24 57 40 55
Sandrine.palcy@inria.fr
Laure AÏT-ALI
Responsable du service
Transfert, Innovation &
Partenariats
Stratégie, grands comptes
Tél. : +33 5 24 57 41 44
Laure.Ait-Ali@inria.fr
Emilie Pons
Chargé de partenariats
et de projets d'innovation
Bilatéral PME/ETI/startup
Tél. : +33 5 24 57 41 92
Emilie.Pons@inria.fr
9. 22 novembre 2018
CCC-CONNECTION
#conf #réseau
CLUB
COMMERCE
CONNECTÉ
IA, prédictif, machine learning… et commerce
(une conférence accueillie par l’INRIA Bordeaux)
Pierre Rebours, Service Delivery & Head of Data
Maîtrise du réseau par l’IA
14. Principe
• Objectif: Prédire si un site sera
saturée à plus de 90% de sa
capacité
• 1 modèle par site et par
segment horaire
• Données d’entrée: Données
récentes et tendance historique
sur de la consommation de
bande passante mais aussi sur
des signaux moins directs
05/07/2018CCC
14
19. Conclusion
• Machine Learning est une branche de l’IA
• L’exécution de ces algorithmes nécessitent données, des processus, et des
profils variés
• Classification est un exemple de Machine Learning
05/07/2018CCC
19
Pierre Rebours
prebours@maltem.com
07 85 03 91 53
Prédiction
Correcte : Gain
Business
Prédiction
Incorrecte :
Perte Business
20. 22 novembre 2018
CCC-CONNECTION
#conf #réseau
CLUB
COMMERCE
CONNECTÉ
IA, prédictif, machine learning… et commerce
(une conférence accueillie par l’INRIA Bordeaux)
Pawel Visor, CMO
L’apport de l’IA dans l’animation e-commerce
21. 22 Novembre 2018
L’apport de l’IA dans
l’animation e-commerce
sans piquer le boulot des marketeurs
Pawel Visor CMO - Brainify
23. 22 Novembre 2018
Comment performer quand on est un
petit ou moyen e-commerce ?
It’s all about organization
24. 22 Novembre 2018
L’IA est un moyen et non une
finalité
Qu’est-ce qu’une animation commerciale efficace ?
1. Elle suscite l’intérêt
2. Elle confirme un besoin
3. Elle lève les freins à l’achat
4. Elle est ciblée sur chaque visiteur
26. 22 Novembre 2018
Découverte site
Découverte
produit
Découverte offre Panier Achat
Critères explicites
Source du trafic, expression recherchée,
type de page d'atterrissage, temps passé
Critères implicites
Signaux de type mouvement de la
souris => pause, scroll, agitation souris
Fonctionnement de l’IA Brainify
27. 22 Novembre 2018
Susciter l’intérêt avec la
thématique, les marques
ou le contenu associé au
besoin du visiteur
Découverte de site
28. 22 Novembre 2018
Confirmer un besoin avec
les produits pertinents et
la bonne réassurance
Découverte produits
29. 22 Novembre 2018
Lever les freins à l’achat
avec des packs produits
correspondant au parcours
du visiteur
Découverte offre
30. 22 Novembre 2018
Garder le contact
avec un message qui correspond
à la phase d’engagement
Nous avons forcément le bouquet
dont vous avez besoin.
Niveau bas d’engagement
31. 22 Novembre 2018
Garder le contact
avec une ambiance rappelant les
derniers produits visités
Nos roses rouges sont d’une
fraîcheur exceptionnelle et nos
offres aussi.
Intérêt détecté
32. 22 Novembre 2018
Garder le contact
avec une ambiance rappelant les
derniers produits visités
Le bouquet 12 roses rouges, livré
chez vous en 48h et avec 5% de
remise.
Intention d’achat
34. 22 Novembre 2018
L’IA libère la créativité
des équipes !
Hausse du taux de
conversion :
19,6%
Hausse du Chiffre
d’affaires :
20,4%
Chez Sports Aventure :
Notre conviction :
Hausse du tx de
conversion >
20%
Période neutre sur
évènements
particuliers
Chez France Fleurs :
Les bénéfices de l’IA
36. 22 Novembre 2018
●Nos efforts se sont portés sur :
○ la détection du comportement
○ La mise en œuvre d’algorithme de recommandations Produit
●Pour apporter toujours plus de puissance à nos e-commerçants :
○ Machine learning pour pousser la stratégie de communication gagnante
○ Travail sur l’adhérence à la saisonnalité
○ Meta-moteur pour activer l’algorithme de recommandation produit le plus pertinent
Perspectives de développement
37. Pawel Visor - CMO
pawel.visor@brainify.it
Merci pour votre attention !
Without data you’re just another person with an opinion
Présentation du 22 novembre 2018
38. 22 novembre 2018
CCC-CONNECTION
#conf #réseau
CLUB
COMMERCE
CONNECTÉ
IA, prédictif, machine learning… et commerce
(une conférence accueillie par l’INRIA Bordeaux)
Sébastien Loustau, CEO
Real time machine learning
51. Real Time Machine Learning : what is it ?
Statistical learning
● We observe a batch of inputs (behaviours, ECG, sensors, exchanges, posts) and
sometimes associated outputs (churn or sale, stress level, gas leak, type of attack,
anomaly).
● We build a model.
● New input arrives. We predict the output thanks to the model.
52. Real Time Machine Learning : what is it ?
Statistical learning
● We observe a batch of inputs (behaviours, ECG, sensors, exchanges, posts) and
sometimes associated outputs (churn or sale, stress level, gas leak, type of attack,
anomaly).
● We build a model.
● New input arrives. We predict the output thanks to the model.
Online Learning
Data arrives sequentially. We build a model/algorithm to react to each new observation.
53. Real Time Machine Learning : what is it ?
Statistical learning
● We observe a batch of inputs (behaviours, ECG, sensors, exchanges, posts) and
sometimes associated outputs (churn or sale, stress level, gas leak, type of attack,
anomaly).
● We build a model.
● New input arrives. We predict the output thanks to the model.
Online Learning
Data arrives sequentially. We build a model/algorithm to react to each new observation.
No assumption over the data mechanism.
55. Example : prediction with expert advices
We consider a sequence of 0-1 observations. At each round, we want to predict the next
outcome thanks to expert advices.
56. Example : prediction with expert advices
We consider a sequence of 0-1 observations. At each round, we want to predict the next
outcome thanks to expert advices.
round 1 expert advices : 0 0 0 0 1 0 1 0 true outcome 0
57. Example : prediction with expert advices
We consider a sequence of 0-1 observations. At each round, we want to predict the next
outcome thanks to expert advices.
round 1 expert advices : 0 0 0 0 1 0 1 0 true outcome 0
round 2 expert advices : 1 0 0 0 0 0 1 0 true outcome 0
60. Example : prediction with expert advices
We consider a sequence of 0-1 observations. At each round, we want to predict the next
outcome thanks to expert advices.
Solution: majority vote + Keep or Kill strategies
61. Example : prediction with expert advices
We consider a sequence of 0-1 observations. At each round, we want to predict the next
outcome thanks to expert advices.
Solution: majority vote + Keep or Kill strategies
Number of mistakes: proportional to log N
62. Example : prediction with expert advices
We consider a sequence of 0-1 observations. At each round, we want to predict the next
outcome thanks to expert advices.
Solution: majority vote + Keep or Kill strategies
Number of mistakes: proportional to log N
Conclusion : Learning from mistakes
75. Online Segmentation - Applications
industry : novelty detection for predictive maintenance
retail : online segmentation, recommendation and AB-test
cyber : embedded ML for anomaly detection
business : auto-adaptive companies
80. 22 novembre 2018
CCC-CONNECTION
#conf #réseau
CLUB
COMMERCE
CONNECTÉ
IA, prédictif, machine learning… et commerce
(une conférence accueillie par l’INRIA Bordeaux)
Nicolas Roussel, Directeur du centre de recherche Bordeaux
Enjeux et supports de l’IA
82. 22 novembre 2018
CCC-CONNECTION
#conf
#réseau
CLUB
COMMERCE
CONNECTÉ
Les 3stades de l’IA
Temps
OBÉIT
APPREND
RAISONNE
RECONNAISSANCE decaractères,cartographiedes
processus, auto-exécution,scraping
DANS L’E-COMMERCE :logistiquerobotisée01
CONSTRUCTION d’unebase desavoir,capacité
d’apprentissage,travailavec donnéesnonstructurées,
patternrecognition,lectured’écrituresmanuelles,
traitementdulangagenaturel
DANS L’E-COMMERCE :personnalisation
derecommandationsproduit,chatbots
02
APPRENTISSAGEAUTONOME,
traitementdefichiers dedonnées
trèsvolumineux,analysesprédictives,
émission d’hypothèses,
apprentissagefactuel
DANS L’E-COMMERCE :
personnalisationultrasophistiquée
03
Complexitéetautonomie
2018
83. 22 novembre 2018
CCC-CONNECTION
#conf
#réseau
CLUB
COMMERCE
CONNECTÉ
personnalisation du parcours
client sur le site marchand
marketing prédictif et ciblé avec
automatisation du pilotage
Par exemple, les campagnes de promotion marketing ne sont déclenchées que
pour les clients caractérisés comme indécis, pour lesquels l’algorithme prédit
qu’une promotion pourrait déclencher l’acte d’achat. Les dépenses marketing
pour des clients dits « chauds » (qui auraient de toute façon acheté) ou « froids »
(qui ne passeront pas à l’acte d’achat de toute façon) sont ainsi économisées.
Les solutions autour de la personnalisation de l’expérience client
sont les plus répandues, avec plus de 70% des solutions
opérationnelles sur la recommandation produits et le
marketing personnalisé
84. 22 novembre 2018
CCC-CONNECTION
#conf
#réseau
CLUB
COMMERCE
CONNECTÉ click & collect ship-to-store
Par exemple, Cdiscount utilise des robots dans ses entrepôts depuis
décembre 2017. Ces robots ont la particularité de se déplacer en 3D et
sont gérés par un système de contrôle doté d’algorithmes
d’intelligence artificielle.
L’application la plus courante et mature de l’intelligence
artificielle dans l’e-commerce aujourd’hui s’applique à la gestion
de la logistique.
mais aussi: dans un contexte omnicanal, comment trouver le
meilleur point d’expédition pour chaque commande ?
85. 22 novembre 2018
CCC-CONNECTION
#conf
#réseau
CLUB
COMMERCE
CONNECTÉ
Par exemple, L’Oréal analyse les images issues des réseaux sociaux pour
détecter les types de produits et les détails (motifs, couleurs, etc.) en vogue,
afin de permettre aux e-commerçants d’affiner et / ou de compléter leurs
gammes en fonction des tendances.
La reconnaissance de formes et d’images est une
technologie qui devient de plus en plus mature avec des
applications directes dans l’e-commerce.
mais aussi:
• recherche de produits au catalogue via photo sur mobile
• essayage virtuel
86. 22 novembre 2018
CCC-CONNECTION
#conf
#réseau
CLUB
COMMERCE
CONNECTÉ
Les marketplaces ont intégré des solutions basées sur l’IA pour
gérer leurs bases de données et leur complexité (produits,
informations…).
• conformité à la législation et aux normes
• inscription dans les bonnes catégories produits et arborescences
• enrichissement des données produits et critères de recherche
Des marketplaces comme Rakuten France et Cdiscount ont développé leurs
propres solutions, ce qui leur permet d’analyser des volumes d’informations
importants, sans équivalent avec la capacité d’analyse manuelle, et ainsi
d’offrir un plus grand choix de produits et des renouvellements de gammes
plus fréquents
87. 22 novembre 2018
CCC-CONNECTION
#conf
#réseau
CLUB
COMMERCE
CONNECTÉ
De plus en plus d’e-commerçants utilisent un chatbot plus
ou moins évolué sur leur site ou sur les réseaux sociaux (Facebook
Messenger est le plus répandu) pour répondre aux questions
produits et pour le SAV.
Oui SNCF : « OUIbot » Bot Facebook Messenger mis en place en avril 2016
permettant de chercher le prix d’un trajet et d’effectuer des réservations.
En 2017, la Helpbox OUI.sncf a traité plus de
150 000 conversations par mois en France avec un taux de 90% de bonnes
réponses en self-service.
Les chatbots aidés par l’IA sont en
test chez environ la moitié des e-
commerçants
Moins de 10% des e-commerçants
utilisent les solutions autour des
assistants personnels