Le développement et le lancement d'un nouveau produit de consommation coûtent en moyenne 115 millions de dollars, et ce coût ne cesse d'augmenter. Plus inquiétant encore, 96 % de tous les produits de consommation ne parviennent pas à rentabiliser le coût de leur capital. La bonne nouvelle, c'est que les marques peuvent atténuer ces risques en s'appuyant sur des données pour guider leurs décisions en matière de produits. De plus, un nouveau type de technologies d'intelligence artificielle (IA) permet aux entreprises d'intensifier leurs efforts en ouvrant l'accès à des sources de données externes.
Dans ce blog, nous allons explorer quelques-unes des principales façons dont l'IA permet aux marques de consommation d'accroître leurs efforts en matière de données externes et d'optimiser leurs stratégies d'innovation en matière de prise de décision sur les produits.
L'analyse externe des données d'IA pour la prise de décision sur les produits
Obtenir des informations exploitables à partir des données internes de l'entreprise est déjà un défi. Ces défis deviennent exponentiellement plus compliqués lorsqu'il s'agit de multiples sources externes non connectées et remplies de données non structurées.
Il y a dix ans à peine, il aurait été impensable, même pour l'équipe d'intelligence économique la plus sophistiquée de l'entreprise, de surveiller en permanence de multiples sources de données externes pour obtenir des informations exploitables. Mais l'IA rend la chose possible.
Les systèmes d'intelligence avancée tels que la Skai permettent aux entreprises de collecter et de contextualiser en permanence de grandes quantités de données avec l'efficacité d'une machine. Ce nouveau paradigme technologique optimise toutes les étapes du parcours des données, de la collecte à la prédiction.
Collecte des données
Lorsqu'il s'agit de collecter des données à grande échelle, l'IA aide les entreprises à s'abreuver directement et simultanément à de multiples sources de données. Ces technologies automatisent la collecte continue de données via les API, le scraping et les intégrations tierces. Cela signifie que les marques peuvent surveiller en permanence les discussions des consommateurs en temps réel (par exemple, les réseaux sociaux, les avis sur les produits, le contenu des KOL) ainsi que les mouvements pertinents du marché (par exemple, le commerce électronique et les chiffres de vente, les dépôts de brevets, les lancements de produits).
Préparation des données
Vient ensuite la préparation des données, où l'IA automatise les tâches laborieuses liées à la structuration, à la normalisation, à la validation et au nettoyage de toutes ces données. Il s'agit d'une étape importante, car des études ont montré que les data scientists peuvent passer jusqu'à 80 % de leur temps à préparer les données avant toute analyse.
Un élément particulièrement utile dans le domaine de l'analyse des biens de consommation est le regroupement de produits par l'IA (ou "regroupement de produits"), qui associe automatiquement des points de données non connectés à des produits spécifiques.
Extraction du contexte
La troisième étape est l'extraction du contexte, au cours de laquelle ces systèmes donnent un sens aux données et simplifient le langage humain en points de données utilisables. Par exemple, "hydratation" est un terme qui a une signification sur le marché des boissons, mais une signification complètement différente dans le domaine des soins de la peau.
Grâce au traitement du langage naturel (NLP), ces plateformes avancées peuvent organiser les données en taxonomies spécifiques à l'industrie ou même à l'entreprise. Dans la plupart des cas, ces taxonomies devront être élaborées et maintenues par des experts humains, mais l'apprentissage automatique peut être utilisé pour faire évoluer automatiquement ces règles en même temps que le marché (par exemple, pour comprendre les nouveaux attributs d'un produit dans une certaine catégorie et organiser toutes les données pertinentes d'une manière utile).
Modèles prédictifs
Enfin, l'IA peut être utilisée pour créer des modèles prédictifs, qui utilisent la ML pour identifier les tendances actuelles des données et les projeter dans l'avenir. Cette fonction permet aux marques de se préparer de manière proactive au marché à venir (par exemple, l'intérêt des consommateurs pour le lait d'avoine a augmenté régulièrement au cours des deux trimestres précédents et devrait continuer à le faire au cours de l'année à venir).
Traduire les 0 et les 1 en opportunités
Une fois toutes les données unifiées dans un lac de données central, les marques peuvent obtenir des réponses utiles à des questions pertinentes sur des catégories de produits spécifiques (par exemple, les consommateurs discutent de plus en plus de snacks salés sans sodium, mais combien de bretzels sans sodium sont actuellement sur le marché ?)
Mieux encore, les systèmes avancés peuvent démocratiser ces informations et les rendre accessibles à d'autres personnes que les data scientists. Des rapports préconfigurés, des fonctions d'interrogation intuitives et des modèles visuels interactifs peuvent permettre à l'ensemble de l'organisation d'accéder à des informations fondées sur des données.
-------------
*Cetarticle de blog a été publié à l'origine sur Signals-Analytics.com. Kenshoo a acquis Signals-Analytics en décembre 2020. Lire le communiqué de presse.