Apprentissage automatique : Les principaux enseignements de la conférence MRS sur l'analyse des données

Explorer les points de vue des experts sur l'IA et le rôle des "statistiques" dans les études de marché

L'apprentissage automatique est partout, des médias sociaux aux assistants virtuels en passant par les services financiers et la sécurité des données. Pour les professionnels de la vente et du marketing, l'apprentissage automatique offre une analyse sans précédent des données volumineuses. Il offre la possibilité de décoder des parcours d'achat de plus en plus stratifiés. Cependant, l'apprentissage automatique a-t-il vraiment un rôle à jouer dans les études de marché, un domaine où nous nous appuyons sur des méthodes analytiques pour comprendre des prises de décision nuancées et complexes ? Ou bien la pensée statistique reste-t-elle l'élément analytique essentiel qui sous-tend les informations que nous fournissons aujourd'hui ?

Telles étaient les questions posées lors de la conférence 2019 MRS Data Analytics qui s'est tenue à Londres. J'ai rejoint des pairs de Sky, Boxclever et Honeycomb pour explorer ce sujet lors du panel "Le rôle des statistiques et de l'apprentissage automatique dans les études de marché".

Voici ce que nous avons dit et ce que vous devez savoir sur l'avenir des études de marché.

Les temps changent : l'apprentissage automatique comme perturbateur des études de marché

Alors que l'apprentissage automatique fait une entrée fracassante dans l'arène, les entreprises, en particulier les spécialistes du marketing et de l'analyse, tentent de s'adapter rapidement à ce nouveau paradigme analytique. Malgré ce vif intérêt pour l'apprentissage automatique, mes collègues panélistes et moi-même constatons qu'il existe une grande confusion quant au moment où il faut l'utiliser, par rapport aux approches statistiques plus traditionnelles.

L'apprentissage automatique doit-il être considéré comme un outil essentiel pour les équipes d'analyse des études de marché ? Les méthodes statistiques ont-elles encore un rôle à jouer et, dans l'affirmative, quand un modèle statistique est-il préférable à une solution d'apprentissage automatique ?

Aji Ghose, responsable de la recherche et de l'analyse chez Sky, la branche du grand radiodiffuseur spécialisée dans la connaissance et la science décisionnelle, s'est exprimé sur le sujet. Aji Ghose a révélé que même si les analystes de Sky utilisent environ 90 % de méthodes statistiques "traditionnelles", ils ont également expérimenté l'utilisation d'un réseau neuronal pour donner un sens aux images, en classant automatiquement les images et les vidéos.

Quelle est la place de l'apprentissage automatique dans les études de marché ?

1. Les meilleures utilisations de l'apprentissage automatique

Tous les experts s'accordent à dire que l'apprentissage automatique est plus efficace lorsqu'il s'agit d'étudier des objectifs tactiques, par exemple dans le cadre de la recherche sur les prix, lorsque vous prévoyez des augmentations de prix. L'attrait de l'apprentissage automatique réside dans la "précision prédictive".

Cependant, le Machine Learning ne peut à lui seul produire des raisons qualitatives pour ce qu'il prédit ou observe. Les décisions majeures en matière de stratégie de revenus nécessitent une analyse plus rigoureuse : les principales parties prenantes, telles que les responsables de marques ou les détaillants, devront être convaincues en comprenant les raisons qui sous-tendent la prise de décision des consommateurs ou du B2B. Le " pourquoi " sous-jacent ne peut pas être fourni par le seul Machine Learning.

En outre, l'apprentissage automatique ne peut pas proposer de stratégies à long terme. Par exemple, les moteurs de suggestion pour le commerce électronique du type "Si vous aimez ceci, vous aimerez cela" peuvent fournir des jugements simples basés sur l'observation des habitudes des consommateurs, mais ils ne peuvent pas aller plus loin dans le comportement décisionnel probable d'un consommateur.

2. Une soif de données

L'apprentissage automatique a besoin de beaucoup de données pour fournir un résultat significatif. D'autres méthodes de recherche peuvent en fait faire plus avec moins, c'est-à-dire produire des résultats plus utiles en utilisant beaucoup moins de données. Comment cela est-il possible ? Les statisticiens spécialisés dans les études de marché travaillent avec des ensembles de données ciblés, sélectionnés pour leur pertinence, alors que les techniques d'apprentissage automatique et de big data utilisent de grands ensembles de données conçus à l'origine à d'autres fins.

Ce scénario était au cœur des préoccupations des participants à la conférence MRS sur l'analyse des données. Ils se sont demandé si nous devions nous préoccuper de la quantité de données désormais disponibles. Mon collègue Marcel Slavenburg, Senior Director, SKIM, a expliqué qu'un plus large éventail de sources de données, telles que l'apprentissage automatique, les big data, les données de tiers et les données de vente, est utile pour la "triangulation". L'utilisation de sources d'information supplémentaires permet de mieux appréhender le contexte de la prise de décision. Plus d'informations vous permettent d'ancrer les données pour une compréhension plus nuancée, et cela produit des insights plus précis et exploitables.

3. Comment les entreprises utilisent leurs données

Dans le monde numérique d'aujourd'hui, beaucoup de nos clients recueillent des quantités massives de données sur leurs clients, mais sont confrontés à la difficulté de savoir comment les exploiter efficacement. Ils peuvent disposer d'informations collectées en silos (écoute sociale, données CRM, données en ligne, etc.), mais ne les partagent peut-être pas largement en interne. Cela vous semble familier ?

Lors de la table ronde, j'ai discuté des grandes variations dans l'utilisation de la science des données par les entreprises, depuis l'absence d'utilisation jusqu'aux entreprises disposant d'équipes de science des données intégrées à tous les aspects des données et des connaissances. Alors que certaines utilisent l'apprentissage automatique et d'autres méthodes pour obtenir une vue à 360 degrés, d'autres doivent encore définir une stratégie qui leur permettra de le faire. Il était évident que l'intégration et les partenariats sont un moyen de développer le type de compréhension contextuelle décrit par Marcel.

4. Attention aux erreurs d'étiquetage

Au cours des discussions, Bethan Blakeley, directrice de l'agence de science des données Honeycomb, a soulevé le fait que la ML et l'IA sont devenues des mots tellement à la mode que les solutions d'études de marché pourraient être présentées à tort comme utilisant ces nouvelles technologies, alors qu'il s'agit en réalité de méthodes "traditionnelles". Cette confusion souligne l'importance de choisir des partenaires d'études de marché disposant d'un large éventail d'expertise et d'expérience, afin de bénéficier de toutes les méthodes disponibles. Une agence partenaire aux racines analytiques profondes peut évaluer le contexte commercial à l'aide de toutes les méthodes (anciennes et nouvelles) afin de créer la meilleure stratégie d'étude sur mesure pour votre marque.

Comment démarrer avec l'apprentissage automatique dans les études de marché ?

Du point de vue de SKIM, l'apprentissage automatique joue aujourd'hui un rôle indéniable dans l'advanced analytics . Cependant, il est préférable de le mettre en œuvre dans le cadre d'une boîte à outils analytique sophistiquée.

Lors de la constitution d'une équipe analytique ou de l'appel à des experts externes, ces derniers doivent avoir une bonne connaissance de la situation :

• Être capable de communiquer efficacement entre les différentes cultures, les jargons sectoriels et les "vocabulaires" existant dans les différentes équipes possédant différents ensembles de données ou ayant un intérêt à les exploiter.
• Tenir compte du contexte dans lequel les ensembles de données ont été créés
• Remettre continuellement en question les sources de données en faisant preuve de bon sens et en s'alignant sur l'objectif final de l'entreprise.
• Exploiter la meilleure solution analytique pour l'objectif - être agnostique en matière de méthodes - comme passer d'une solution plus automatisée à une solution plus ad hoc, ou vice versa.

Ces critères permettront d'obtenir les résultats les plus significatifs à partir des données.

Si vous cherchez à en faire plus avec vos données, nous pouvons vous conseiller. Il en résultera une stratégie de connaissance qui protégera et nourrira votre entreprise dans son objectif de croissance à long terme. Nous possédons une longue expérience en matière de comportement décisionnel, de méthodes analytiques et de compréhension des défis marketing actuels, ainsi qu'une intégration complète des données et de l'analyse. Nous ferons équipe avec vous pour concevoir une approche collaborative de la science des données qui vous permettra de bien démarrer votre voyage de données.

Vous voulez savoir si vous utilisez les résultats de l'apprentissage automatique de la meilleure façon possible pour votre entreprise ? pour discuter de la manière dont nous pouvons vous aider.

<![endif]–>