Sorti des laboratoires de R&D depuis quelques années, le Machine Learning (ou apprentissage automatique) entre progressivement dans notre quotidien. Le tri automatique de nos boîtes mail par grande thématique, les recommandations d’offres ciblées sur les sites de e-commerce, l’indexation personnalisée des pages dans les résultats de recherche sont autant de cas d’usage rendus possibles grâce au Machine Learning. Sous domaine de l’intelligence artificielle, ce nouveau concept prend tout son sens avec l’essor fulgurant du Big Data et marque un véritable changement de paradigme dans la manière de traiter les données – de plus en plus volumineuses et variées. De nombreux acteurs ont d’ores et déjà identifié des opportunités autour de l’amélioration de l’expérience client. Quels en sont les principaux usages ? Quels impacts sur la relation client ?

 

Le Machine learning : une aubaine pour améliorer la satisfaction client

En ouvrant la voie au traitement de grandes quantités de données – récoltées sur les réseaux sociaux, objets connectés et autres sources plus prosaïques de données clients (fichiers client, contrats, historique des mails, etc.) –  le ML permet aux entreprises, entre autre, de valoriser des sources de données brutes jusqu’à présent inutilisées ou encore de tirer parti d’une analyse fine des conversations menées depuis différents canaux. Une réelle avancée qui permet aux marques de mieux connaître leurs prospects, de tirer des déductions sur leurs clients pour mieux anticiper les actes d’achat, faire du ciblage proactif ou encore mettre en place des actions de communication personnalisées. La Fnac s’appuie sur cette technologie pour affiner le ciblage de ses actions de communication. Quant à Spotify, le spécialiste du streaming musical propose avec une grande précision à ses utilisateurs des musiques qui sont susceptibles de leur plaire à partir de leur historique d’écoute. Dans l’assurance, BNP Paribas Cardif travaille avec le courtier d’assurance collaborative Amalfi, sur la mise en place d’une offre qui permettrait à ses clients de réduire leur coût d’assurance grâce à l’analyse comportementale, et d’optimiser la tarification par une meilleure individualisation des primes.

Si le Machine Learning permet aux entreprises de disposer d’une connaissance précise de leurs clients et de leur comportement actuel, l’analyse prédictive – un champ d’application du Machine Learning – leur permet également de disposer d’une vision projetée de leurs préférences et besoins futurs. Une opportunité pour les entreprises d’aller encore plus loin dans les recommandations de produits ou de contenus. La Caisse d’épargne s’est associée à Creative data, la start-up rouennaise spécialiste du big data et de l’analyse prédictive, pour gagner en proactivité dans l’identification des besoins de leurs prospects et clients, afin de leur proposer le bon service et au bon moment.

Un réel levier de réduction des coûts

Au-delà de la satisfaction client, l’analyse prédictive est une opportunité pour les entreprises d’optimiser leur coût, par une meilleure maîtrise des risques. L’opérateur Orange  s’appuie sur ce concept technologique pour anticiper les risques de foudroiement de ses box Internet, TV et téléphone. Orange envoie un message d’alerte à ses abonnés pour les informer de débrancher leurs appareils. Une opération qui a permis au groupe d’économiser 2,8 millions d’euros. Dans la même logique, le géant français de l’assistance Mondial Assistance a pour projet de s’appuyer sur l’analyse prédictive pour anticiper les accidents de la route par la maintenance prédictive. Enfin les cas d’usages peuvent être également variés en assurance.  Par exemple, la médecine prédictive permet aux assureurs de réduire les risques en devenant des experts de la prévention personnalisée. Ou bien encore, la MAIF et la MACIF ont investi dans la société TelleMePlus, spécialisée dans l’analyse prédictive, pour développer leur capacité d’écoute et niveau de connaissance clients  et travailler sur de nouveaux projets d’innovation. La start-up montpelliéraine TelleMePlus accompagne d’ores et déjà le LCL pour aider la banque à identifier les clients sur lesquels porte le risque d’attrition.

Ainsi  nous pouvons prédire que le futur de la relation client ne se passera pas du Machine Learning. Il permet aux entreprises de cibler et fidéliser les segments de clientèle à plus forte valeur et d’optimiser leurs coûts entre autre par une meilleure gestion des risques (sinistres, fraudes, attrition client, etc). Si ce concept technologique attire déjà de nombreuses entreprises – notamment pour redonner un nouveau souffle à leur stratégie de relation client – les assureurs ont encore bien des efforts à déployer pour exploiter tout le potentiel du Machine Learning.