Aujourd’hui, il n’est plus question de faire des prévisions des ventes ou non, mais plutôt de s’assurer de leur fiabilité. Si vous avez d’ores et déjà choisi d’automatiser vos prévisions avec une IA, vous constatez sûrement une forme de scepticisme autour de cette dernière. De façon tout à fait justifiée, on souhaite s’assurer que la confiance mise entre les mains de cette IA est bien placée.
Cette confiance se construit souvent autour des mêmes piliers d’inquiétude. Essayons donc de voir pourquoi il est difficile de faire confiance aux IA prédictives et sur quels piliers cette confiance s’appuie.
Quand on décide de mettre en place une solution IA, c’est souvent dans des situations d’urgence : la solution actuelle ne fonctionne pas ou ne suffit plus. La première problématique que l’on rencontre bien souvent, c’est la récolte des données elle-même.
Mettre en place un scraping (pour les plus chanceux, sinon, c’est à la main) pour ensuite traiter la donnée récoltée puis analyser, prédire, re-prédire car tout le monde n’est pas d’accord,… Ce sont des ressources humaines conséquentes qui sont occupées par des tâches chronophages.
On sait que la mise en place d’une solution prédictive ne se fait pas du jour au lendemain, que l’intégration et le raccordement aux données se doivent d’être parfaits. Plus la quantité de données est élevée, plus l’intégration prendra du temps et même si cela peut être frustrant parfois, il est impératif que cette partie soit faite minutieusement. On se demande alors si cela vaut la peine, s’il est nécessaire d’automatiser toutes ces tâches car ce que l’on voit c’est la mise en place d’un projet, qui prendra du temps et de l’argent.
Quand on y pense, tout ce temps passé sur de la récolte de données à traiter sans IA, c’est aussi un projet qui prend du temps et de l’argent. Sans parler de la quantité de données qui pourraient être récupérées par l’IA à moindre effort ou des prédictions qui pourraient prendre en compte bien plus de facteurs et de ce fait être plus précises. Ce sont aussi des ressources humaines qui pourraient être mises à bien meilleur escient.
Une fois que les données sont récupérées, il est temps d’en faire bon usage et de passer de longues heures à les analyser sous toutes les coutures. Il faut construire un modèle mathématique qui puisse prédire les ventes des prochains mois, semestres, années…
Ces prédictions de ventes sont ensuite utilisées pour fixer les objectifs, les budgets prévisionnels, les prévisions de stocks…
La limite de ces modèles se trouve dans leur incapacité à s’adapter en temps réel. Ce sont des prévisions sur une durée donnée, qui sont éventuellement revues à mi-période mais qui sont imperméables aux événements imprévus. Parfois même aux évènements prévisibles. C’est la façon de faire la plus connue et mise en place dans la plupart des entreprises. C’est familier et confortable, on connaît souvent la manière dont les résultats sont obtenus.
Alors qu’automatiser le scraping, l’algorithmie, non seulement ce sont souvent des sujets nouveaux mais ils sont complexes ; à constituer, à mettre en place, à expliquer…
Appliquer des mathématiques nécessite une expertise profonde du sujet ; savoir comment créer, comment ajuster ou réparer un algorithme parmi tout un système d’algorithmes, puis expliquer leurs résultats.
C’est là où le degré le plus élevé de confiance entre en jeu car expliquer les résultats d’une solution prédictive est rarement facile. On parle souvent d’effet “black-box” ; dans le cas d’une IA, c’est l’incapacité à expliquer pourquoi un résultat est proposé et pourquoi les utilisateurs devraient faire confiance à ces résultats. C’est à la fois quelque chose que l’on cherche à éviter, et dans une certaine mesure, qui est inévitable.
Quand les résultats des prédictions calculées par l’IA sont présentés aux différentes équipes, il est difficile de mettre tout le monde d’accord. Tout le monde a ses biais et chacun aura son interprétation des résultats. Certains s’appuient sur les ventes de l’an passé, sur leur expérience et les erreurs commises. D’autres s’inquiètent sur la façon de gérer les stocks, en gardant en tête les best-sellers de l’an passé. Il peut alors être difficile d’expliquer pourquoi il est intéressant de faire confiance à l’IA.
L’effet “black-box” devient alors la cause d’un autre problème : les équipes ajustent et réajustent les prévisions produites par l’IA pour les approcher de leur réalité, en y ajoutant leur biais. Parfois à bon escient, mais de façon chronophage inutilement.
Lorsqu’on est face aux résultats proposés par une IA, on peut se demander d’où ils viennent, comment se fait-il que l’on obtient un résultat très différent, etc… En réalité la seule façon pour algorithme d’être entièrement transparent, c’est de comprendre et analyser les mathématiques cachées derrière chacun, et chacun des systèmes d’algorithmes qui communiquent entre eux. Imaginez disséquer plusieurs années de R&D pour chaque décision prise par l’IA ; c’est impossible et contre-productif.
En revanche, on peut s’assurer que les données fournies aux humains précédemment et celles fournies à l’IA sont les mêmes. On peut également retrouver certains mécanismes reconnaissables dans les algorithmes utilisés. Ce sont des des points rassurants qui peuvent montrer l’efficacité d’une IA à petite échelle.
Quand on recherche la transparence d’une IA, on recherche en réalité la transparence et la confiance des chercheurs qui l’ont élaborée. Pour utiliser une solution prédictive au maximum de son potentiel, il faut pouvoir se reposer sur les années de R&D qui ont permis à la solution d’exister. C’est à eux qu’il faut demander la transparence : en réalité, la confiance à accorder n’est pas vraiment à l’IA elle-même, mais aux personnes derrière l’IA, qui ont dédié des années à sa perfection.
Quand on évalue la performance d’une solution prédictive, il faut souvent se souvenir que ce qui est parfois intuitif pour l’IA peut être complètement contre-intuitif pour l’humain.
De nombreuses façons de tester l’IA et ses résultats sur un point précis existent. En revanche, il est plus compliqué d’estimer si la solution sera fiable sur le long terme. Généralement, il vaut mieux passer par le petit bassin avant de se jeter dans le grand bain.
Une solution d’IA prédictive peut s’intégrer peu à peu. Créer la confiance sur la base de la performance, en commençant par automatiser le travail des forecasters par exemple. Les résultats restent égaux, mais automatiques. Encore une fois, il s’agit de bien s’assurer de fournir les mêmes données à l’IA qu’à l’humain.
Peu à peu, on vient apporter des améliorations avec l’IA, sur les zones les plus nécessitantes. Cela laisse l’opportunité de bien distinguer chacun des bénéfices de la solution, de demander plusieurs itérations si nécessaire… Pour Fentech, la nécessité de trouver une zone d’efficacité confortable pour l’humain avec l’IA dans un premier temps à toujours été évidente. Ce pourquoi nous proposons autant de possibilités de consensus.
Les raisons pour lesquelles on donne difficilement sa confiance à une IA prédictive sont compréhensibles. Mais avec toujours plus d’informations disponibles, ces solutions sont de plus en plus abordables.
Il s’agit de savoir à quoi s’attendre et d’établir une bonne communication dès la base du projet. Tant avec l’équipe qui sera chargée de l’intégration de la solution, mais aussi avec les équipes en interne.
Une meilleure solution encore pour s’assurer que son intégration d’IA soit efficace et fiable, vous l’aurez compris, c’est de choisir Fentech !
Découvrez en plus sur notre solution de prévisions des ventes (et plus encore) sur notre site juste ici.
Si vous avez aimé cet article découvrez toute notre bibliothèque juste ici et pour nos podcasts ce sera ici ou sur Spotify. 
Suivez nous sur nos réseaux sociaux !
