MV Group, premier groupe indépendant en marketing digital en France, annonce le prochain lancement d’IA VISTA, une plateforme innovante qui promet de transformer les campagnes marketing grâce à l’IA et à la Data. Avec un investissement de plusieurs millions d’euros sur ces prochaines années, ce projet ambitieux marque une étape clé dans l’évolution numérique du groupe.

Créé en 2010, basé à Cesson-Sévigné, près de Rennes, en Bretagne, MV Group s’est donné pour mission d’accroître la performance de ses clients en utilisant tous les leviers du digital : data, webmarketing et médias. Comptant aujourd’hui huit filiales et deux écoles, il a pris en 2017 une avance significative en matière de data grâce à l’acquisition stratégique d’Avanci, une agence de data spécialisée en stratégie de fidélisation clients, renforcée en 2022 par celle du groupe NM Data (ex Neptune media).

En janvier dernier, ce dernier et trois autres filiales du Groupe : Adress Company, Data Company et Ebit Data, ont fusionné avec Avanci, afin de répondre aux exigences du marché en matière de collecte, gestion, analyse et exploitation des données dans les stratégies marketing, notamment grâce à l’intégration de l’IA.

Aujourd’hui, MV Group mobilise plus de 100 experts dédiés à l’IA et la data, consolidant ainsi son positionnement à la pointe de l’innovation, alors que l’adoption de ces technologies reste encore marginale dans le marketing.

Réinventer le marketing digital

IA VISTA incarne l’avenir du marketing digital de l’entreprise. Son objectif : offrir une plateforme technologique unique, capable d’optimiser les performances des campagnes de marketing digital à travers une exploitation intelligente des données. En combinant la 1st party Data des clients avec la 3rd party Data issue de Profilia, la mégabase de données BtoC d’Avanci, IA VISTA ouvre la voie à des ciblages ultra-précis et des contenus hyper-personnalisés.

Une équipe d’experts pour une solution intégrée

Le projet IA VISTA est soutenu par une équipe pluridisciplinaire de plus de 10 experts issus des différentes filiales de MV Group. Cette équipe a été renforcée par l’arrivée de David Flouriot, Responsable Data et IA, ainsi que par de nouveaux talents spécialisés en IA et DevOps. Ensemble, ils travaillent au développement d’une plateforme capable de rendre les données facilement accessibles, enrichies et directement exploitables par les entreprises clientes.

Cette solution a pour ambition de répondre à des besoins multiples :

• Amélioration des performances des campagnes : segmentation plus fine des audiences, identification de profils similaires (lookalikes), ciblage géographique optimisé, et création de contenu ultra-ciblé ;
• Diffusion sur de multiples supports : IA VISTA permet une diffusion large et homogène des campagnes sur divers canaux tels que les réseaux sociaux, le SMS, l’email, et même le print ;
• Conformité renforcée : tout en garantissant la qualité et la transparence des données, cette solution assure une conformité maximale avec le RGPD, un atout crucial dans le paysage digital actuel ;

Une avancée technologique durable et responsable

Outre les performances commerciales, IA VISTA s’inscrit également dans une démarche respectueuse de l’environnement. En optimisant l’utilisation des données et en réduisant les campagnes inutiles, cette technologie permet de diminuer l’empreinte énergétique des actions marketing, contribuant ainsi à un marketing digital plus responsable.

IA VISTA est ainsi une réponse aux enjeux actuels du marketing digital : une personnalisation accrue, une efficacité optimisée et un respect accru des normes environnementales et réglementaires, confirmant le rôle de pionnier de MV Group.

Selon la dernière publication du Guide mondial des dépenses en IA et en IA générative de l’International Data Corporation (IDC), le marché européen de l’IA et de l’IA générative (GenAI) atteindra près de 47,6 milliards de dollars en 2024. Malgré la généralisation de l’IA dans la sphère professionnelle, toutes les entreprises ne sont pas encore prêtes à en tirer pleinement parti. En effet, Gartner révèle que seulement 4 % d’entre elles estiment disposer de données « prêtes pour l’IA ». Pour exploiter efficacement cette technologie, les organisations ont tout intérêt à bien préparer leurs données afin d’éviter toute vulnérabilité face à un large éventail de problèmes potentiels.

Les biais dans les données entraînent des biais dans l’IA

Même si l’IA est censée être impartiale, les entreprises doivent toujours l’utiliser en accord avec leurs priorités commerciales. La fiabilité des résultats fournis par ces outils dépend entièrement de la qualité des données qui les alimentent. De ce fait, un manque de diversité dans les données affectera les résultats produits par l’intelligence artificielle. Il est souvent présumé que les statistiques sont intrinsèquement objectives ; cependant, elles peuvent être influencées par les biais des personnes qui les collectent.

Dès lors, pour tirer parti de tous les avantages promis par l’IA, les entreprises doivent s’assurer de la parfaite intégrité de leurs données, c’est-à-dire en garantir l’exactitude, la fiabilité et la contextualisation. Pour y parvenir, trois étapes majeures sont nécessaires : l’intégration des données existantes dans tous les environnements, la mise en œuvre d’une approche rigoureuse en matière de gouvernance et de qualité des données, et enfin l’exploitation de la géolocalisation et de l’enrichissement des données pour en extraire le maximum d’informations.

Intégrer les ensembles de données stratégiques à travers différents systèmes

Les grandes entreprises utilisent généralement plusieurs environnements, souvent disparates, pour héberger leurs données stratégiques relatives aux clients, aux prospects, aux fournisseurs, aux stocks ou bien aux employés. Dans le secteur des services financiers notamment, les informations sensibles sont généralement stockées dans des systèmes centraux très fiables et sécurisés. Toutefois, ils peuvent entraver l’intégration efficace des données complexes des mainframe dans les plateformes cloud où est gérée l’IA.

Pour améliorer la fiabilité et la crédibilité des résultats de l’IA, les organisations doivent d’abord éliminer les silos de données et connecter leurs données critiques hébergées dans des environnements cloud, on-premises ou hybrides, ainsi qu’entre dans leurs différents départements. Cette approche permet de regrouper les données similaires, telles que les données démographiques des clients ou les informations sur le pays où l’entreprise exerce une activité. Cette gestion globale offre aux modèles d’intelligence artificielle une compréhension plus complète des dynamiques et des corrélations recelées par ces données, aboutissant à des résultats plus fiables et fondés sur des informations de meilleure qualité.

Imposer une approche rigoureuse en matière de qualité et de gouvernance des données

Bien que l’intégration des données permette à l’IA de bénéficier d’une vision plus complète des informations d’une entreprise, des données de mauvaise qualité (inexactes, obsolètes, incomplètes, incohérentes ou non pertinentes) peuvent fausser les résultats, rendant le modèle d’IA moins fiable et moins utile. Ainsi, tout projet impliquant l’IA exige une attention particulière pour assurer la qualité des données en termes d’exactitude, de fiabilité et de pertinence. Cela comprend l’application proactive de règles de qualité des données et de procédures métier, l’automatisation de la validation et du nettoyage des données, ainsi que l’instauration de vérifications basées sur l’intelligence artificielle. Il devient alors plus facile pour les entreprises de détecter et de corriger rapidement les anomalies dans les ensembles de données, prévenant de nombreux problèmes futurs.

Par ailleurs, la gouvernance des données est essentielle pour assurer la confidentialité et la sécurité des informations utilisées par l’IA, et veille au respect des régulations sur la protection des données personnelles. La supervision de l’accès et de l’utilisation des données, intégrée dans ce cadre, est indispensable pour garantir leur utilisation appropriée selon les objectifs définis. Cette démarche permet aux modèles d’IA d’accéder aux informations nécessaires de manière éthique et responsable, constituant ainsi la base de la gouvernance de l’IA au sein de l’entreprise.

Exploiter les données externes pour mieux comprendre le contexte et réduire les préjugés

Enfin, il est impératif de disposer de données complètes et exactes pour obtenir des résultats fiables avec les outils d’intelligence artificielle. Cependant, sans contexte, ces outils peuvent être biaisés et manquer de précision, compromettant ainsi la prise de bonnes décisions et les modélisations prédictives. Les entreprises ont ainsi tout intérêt à accroître la diversité de leurs données et découvrir des corrélations inattendues en les enrichissant avec des jeux de données tierces fiables et des informations géospatiales, telles que les points d’intérêt ou les statistiques sur les risques environnementaux.

Aussi, les attentes des clients pour des communications personnalisées et des services sur mesure ont considérablement augmenté dans tous les secteurs. L’enrichissement des données clients permet alors aux entreprises d’obtenir une vision précise de leurs consommateurs et de se démarquer de la concurrence. En utilisant ces données enrichies pour alimenter les modèles d’IA, elles garantissent des résultats contextuellement pertinents et fiables pour toutes leurs décisions critiques.

Alors que l’utilisation de l’IA continue de croître à un rythme quasi exponentiel dans le monde des affaires, offrant des outils et des applications virtuellement illimités, une approche d’intégrité des données devient essentielle pour pouvoir exploiter pleinement cette technologie. En effet, une telle stratégie permet aux entreprises d’assurer la qualité des données qui alimentent les modèles d’IA, garantissant ainsi des bases de données précises, fiables et contextualisées, qui valorisent les résultats produits par l’IA.

Docteur en informatique à l’UPMC (Sorbonne Université) et habilitée à diriger les recherches, le parcours professionnel de Marie-Aude Aufaure est jalonné d’expériences multiples en entreprise, dans le secteur académique et en entrepreneuriat. Elle commence sa carrière dans le secteur des télécommunications, puis rejoint l’enseignement supérieur et la recherche dans différents établissements, dont CentraleSupelec, où elle est titulaire d’une chaire sur la Business Intelligence, et l’INRIA.

Passionnée de technologies, elle se lance dans l’entrepreneuriat et fonde Datarvest en 2016, jeune entreprise innovante spécialisée dans l’exploitation et la valorisation des données – big data et intelligence artificielle. Ses domaines d’intervention couvrent le développement d’algorithmes innovants, le conseil aux entreprises et la formation. Elle a conçu et piloté la formation certifiante « Big data pour l’entreprise numérique » pour CentraleSupe-lec Exed.

Poursuivant sa volonté d’entreprendre, elle cofonde en 2019 SyncData Partners, cabinet de conseil en stratégie et innovation data. Elle est membre actif du Hub France IA et du think tank « la villa numéris ».

Dans le cadre des jeux olympiques 2024, nous vous offrons chaque jour un article issu du magazine ActuIA n°4, dont le dossier principal est “Le sport à l’ère de l’IA”. Afin de découvrir le magazine ActuIA, nous vous invitons à vous rendre sur notre boutique. Tout nouvel abonnement d’un an vous donne droit à l’ensemble des archives au format numérique.

Vous êtes spécialisée dans les graphes, quel est l’éventail de leurs usages possibles, et identifiez-vous des usages émergents ?

Durant la dernière décennie passée dans des laboratoires de recherche, je me suis intéressée à la construction automatique d’ontologies et à la modélisation et l’analyse de graphes complexes, convaincue du potentiel de ces technologies pour les entreprises. Datarvest (Data Harvesting) a été créée dans l’idée de croiser et d’analyser des masses de données hétérogènes et de proposer une solution d’analyse de données complexes intégrant un algorithme de clustering agnostique des données. Celui-ci permettrait d’extraire des classes en une seule passe à partir de tout type de données, numériques, catégorielles, sous forme de graphes ou de séries temporelles, définies par des intervalles de valeurs, etc.
Les graphes permettent de représenter les liens entre différentes entités, et les applications potentielles sont nombreuses. Citons les usages suivants, qui ne sont pas exhaustifs :

• la détection de comportements anormaux appliqués à la détection de fraudes, la lutte anti-blanchiment, la cybersécurité ou encore le renseignement ;
• l’analyse de graphes pour les ressources humaines pour identifier des talents, constituer des équipes cohésives ou encore prédire des évolutions de parcours de carrière et recommander des formations ;
• la santé et la sécurité, en étudiant par exemple les interactions sociales dans le contexte de la crise sanitaire ;
• la mobilité pour de l’aide à la décision ;
• la supply chain pour propager des informations et alertes à l’ensemble de la chaîne de production.

Parmi les usages émergents, outre ceux présentés ci-dessus, les graphes peuvent être utiles pour gérer la gouvernance des données, une problématique majeure actuellement dans les entreprises : le data lineage peut être modélisé à l’aide d’un graphe permettant de tracer les données et de propager des modifications, les graphes de connaissances peuvent être utilisés pour représenter le modèle de données de l’entreprise et il est possible de prédire des liens. L’analyse de l’usage et des interactions clients se prête également très bien à ce type de représentation.

Vous venez de renforcer votre pôle R&D. Quels sont vos objectifs ?

La vocation de Datarvest est de développer des technologies de pointe intégrant les résultats récents issus du monde de la recherche, en concevant et mettant en œuvre des méthodes et algorithmes innovants en collaboration avec le monde académique.
Les travaux de R&D initiés depuis la création de l’entreprise ont donné des résultats prometteurs, applicables à de nombreux usages, et il était naturel de renforcer notre R&D. Un jeune docteur spécialisé dans les graphes, Mehdi Djellabi, a été recruté en mars dernier. Ses travaux ont porté sur des mesures d’interactions locales dans des graphes complexes, et une extension de ces travaux, prenant en compte des éléments de contenu comme des pondérations de relations, peut compléter la solution de Datarvest.
Par ailleurs, notre solution peut harmonieusement être combinée avec des algorithmes de machine learning ou de deep learning existants, pour faire de la prédiction de liens ou de nœuds, ou de manière plus classique en intégrant les résultats analytiques comme données d’apprentissage. Le renforcement du pôle R&D permet d’ouvrir un champ des usages potentiels conséquent et de rester à l’état de l’art.

Cet article est extrait du magazine ActuIA. Afin de ne rien manquer de l’actualité de l’intelligence artificielle, procurez vous ActuIA n°16, actuellement en kiosque et sur abonnement :

Comme de nombreuses entreprises, Air France s’est tourné dès l’an passé vers l’IA générative pour améliorer ses opérations, l’expérience de ses employés et in fine, celle de ses clients. Dans un récent communiqué, la compagnie détaille comment elle a su exploiter ce que d’aucuns appellent “l’or noir du XXIème siècle” : la data, et présente différents de ses projets basés sur l’IA générative.

Air France, qui lors de ses 1000 vols quotidiens transporte quelque 100 000 passagers, dispose en effet d’une masse de données considérables. Elle affirme :

“Tirer le meilleur parti de cette matière première pour sans cesse améliorer la performance est un enjeu stratégique pour la compagnie, associé à une priorité absolue : la protection des données de l’entreprise et de ses clients”.

Elle a utilisé la data dans un premier temps afin de mieux comprendre le comportement des clients, ce qui lui a permis d’améliorer sa stratégie de revenue management, puis pour le développement d’une solution de maintenance prédictive, Prognos,  au début des années 2000. Cette solution, aujourd’hui adoptée par plus de 80 compagnies aériennes, permet à ces dernières d’anticiper le remplacement des équipements des avions Airbus et Boeing, évitant ainsi les pannes, les retards et les annulations de vol.

Depuis, l’IA a trouvé place dans l’ensemble des programmes de recherche et d’innovation de son département de recherche opérationnelle, créé en 1958, qui compte aujourd’hui 150 collaborateurs et dans lequel Air France investit 300 millions d’euros chaque année. Plus de 2 000 applications y ont été développées pour répondre aux besoins des employés et des clients de la compagnie : chatbots, outils de prédiction du nombre de bagages et de repas à bord, calcul de la quantité d’eau à embarquer ou systèmes d’éco-pilotage permettant d’optimiser les trajectoires pour réduire la consommation de carburant …

La compagnie qui a comme priorités la protection des données des clients et de l’entreprise, le respect des règles et des principes d’éthique, et la stricte conformité avec la réglementation, maintient en circuit fermé des solutions utilisées et a mis en place un Comité IA, garant de la bonne application de l’ensemble de ces principes.

L’arrivée de la GenAI

Air France dit préférer s’appuyer sur des solutions et modèles existants plutôt que de chercher à développer intégralement ses propres outils qui pourraient être rapidement obsolètes, ce qui lui permet de maîtriser les coûts d’investissement et de conserver une grande agilité.

Plus de 80 projets d’utilisation de l’IA générative ont été lancés dans les différents métiers d’Air France depuis l’an passé, soutenus par le département de recherche opérationnelle. Certains sont au stade d’identification de la solution la plus adaptée (modèle de gestion de données, IA prédictive, IA générative…), d’autres au stade de Proof of Concept (POC).

La compagnie présente quatre d’entre eux :

• TALIA : le ChatGPT interne d’Air France, permettant aux collaborateurs de se familiariser avec le fonctionnement de cet outil en circuit fermé, sans que les informations saisies ne soient transmises à des tiers. TALIA est utilisée quotidiennement par des salariés d’Air France pour rédiger des e-mails, rechercher des informations dans des documents PDF, organiser des évènements, ou encore établir des rétro-plannings et des to-do lists.
• PAMELIA : une solution permettant aux agents d’Air France en aéroport d’obtenir une réponse aux questions de clients directement sur l’iPad mis à leur disposition. Nombre de bagages autorisés, règles sur le transport d’animaux, formalités d’entrée : PAMELIA recherche la réponse dans tous les référentiels et recueils de procédures de la compagnie et génère une réponse rédigée, prête à être transmise au client, et pouvant être traduite instantanément en 85 langues. Actuellement en phase de test, PAMELIA sera déployée à Paris-Charles de Gaulle en 2025.
• CHARLIE : un outil à destination des équipes maintenance de la compagnie, permettant de rechercher au sein de la documentation de la compagnie et des constructeurs la référence des pièces d’un avion (« part numbers »). Cet outil en phase de POC permettra de gagner un temps précieux lors de la réparation ou du remplacement de pièces, contribuant ainsi à la ponctualité des vols.
• FOX : un outil d’analyse des retours clients, pour mieux comprendre leurs attentes et leurs préoccupations. En utilisant l’IA générative, FOX est capable d’analyser automatiquement les verbatims clients et de traduire le sentiment exprimé par des textes complexes et hétérogènes, intégrant humour ou ironie. Cet outil permet également la détection de signaux faibles et le partage de ces verbatims au sein des différentes entités de la compagnie.

Il n’est pas simple de suivre les avancées dans le domaine de l’intelligence artificielle, encore moins leur mise en œuvre. Cependant, face à la mise en place de nouvelles réglementations (IA Act ou la déclaration de Bletchley sur la sécurité de l’IA signée par 28 pays), il sera bientôt difficile d’invoquer cette excuse. Un cadre plus précis pour la réglementation de l’IA va faciliter sa mise en œuvre dans les entreprises, à condition de disposer d’un socle de données solide.

Principale conséquence, les dirigeants mettent la pression sur leurs collaborateurs en leur demandant de démontrer rapidement la valeur de l’IA pour l’entreprise. Ce sont les équipes en charge des données qui se trouvent en première ligne. Ces experts jouent un rôle clé dans toute stratégie d’IA, car leur mission consiste à alimenter les modèles en injectant des informations contrôlées tout en s’assurant de leur pertinence et de leur éthique.

Les équipes data entretiennent désormais avec l’IA des relations réellement fusionnelles. Certes, une de leurs missions consiste à vérifier les informations alimentant l’intelligence artificielle, mais pour réaliser son plein potentiel, l’IA peut avant tout les aider à extraire le maximum de valeur des données disponibles.

Améliorer les processus de données avec l’IA

S’il est reconnu depuis longtemps que les données massives engrangées par les entreprises cachent une valeur significative ; aujourd’hui l’IA peut jouer un rôle majeur dans l’amélioration des processus analytiques et contribuer à exploiter pleinement le potentiel non encore exploré des données.

Au-delà de la rapidité d’analyse souvent associée à l’IA, ces technologies sont capables de créer des modèles prédictifs qui permettent aux entreprises d’anticiper les tendances et leurs résultats, un avantage incontesté dans un contexte économique perturbé. Ainsi, dans le domaine de la santé, les entreprises collectent des données à chaque interaction avec le patient et à chaque test de diagnostic. Ces données sont ensuite utilisées pour prévoir de possibles goulots d’étranglement et le flux de patients entre les services, pour mieux répondre à la demande et dispenser les meilleurs soins possibles.

Le principal atout de l’IA pour les équipes data est bien là : apporter des réponses aux questions qu’elles ne se posaient même pas. Outre la capacité à analyser de très grandes quantités d’informations, l’IA peut instantanément identifier des relations, des formes, des patterns et des anomalies dans des jeux de données. Pour les entreprises cela signifie que sans être des data scientists, les utilisateurs métiers et les analystes seront capables de tirer des données toute leur valeur.

Et pourtant adopter l’IA ne se fait pas d’un coup de baguette magique. Les équipes data connaissent les difficultés que présente l’intégration de l’IA aux processus en place qui ont fait leurs preuves, même s’ils demeurent perfectibles. Des tests rigoureux et le respect des réglementations en vigueur sont essentiels pour créer un socle de données nécessaire à l’adoption de l’IA et atteindre l’équilibre entre le risque et l’innovation.

Mettre l’IA au service des équipes data

Conscients des avantages, mais aussi des interrogations que peuvent avoir les professionnels des données qui cherchent à améliorer les processus analytiques grâce à l’IA, comment appliquer concrètement ces techniques et les mettre en pratique pour maximiser leur valeur ?

• Trouver des quick wins : malgré la capacité de l’IA à gérer des données non structurées, c’est dans les informations structurées que se trouvent les gains les plus rapides. Connues et exploitées de façon régulière par les entreprises, ces données sont propres, fiables et représentent une bonne base pour tester des techniques d’IA plus sophistiquées sans prendre de risques.
• Choisir un cas d’usage pour mesurer l’impact de l’IA : fait désormais avéré, l’IA aura un fort impact dans les entreprises. Il est donc important d’associer l’IA à un cas d’usage précis pour produire un retour démontrable. Simplement expérimenter avec la technologie ne mènera nulle part. Pour démontrer les avantages de la technologie, les initiatives et les investissements dans l’IA, souvent pilotés par l’équipe data chargée de la gestion des modèles, doivent être guidés par un objectif précis.
• Penser aux utilisateurs : utiliser l’IA dans les processus de données ne garantit pas qu’elle apportera un résultat business. Une analyse avancée ne présente aucun intérêt si elle ne peut être partagée clairement avec les décideurs. Il est essentiel d’impliquer les utilisateurs de ces informations dans tout le processus, de la création du modèle d’IA jusqu’à la manière dont les insights vont être partagés. Trop souvent les modèles innovants restent non utilisés parce que la façon dont ils sont déployés ne correspond pas aux besoins et aux attentes de l’utilisateur final des données.
• Minimiser les risques grâce à l’intégration des données : l’intégration et la gouvernance des données sont deux piliers essentiels à la mise en œuvre de nouveaux processus impliquant l’IA. Cette dernière exige également une approche plus souple de la gestion des données, parce que l’ingestion de nouvelles données peut très vite modifier un modèle. Les organisations doivent bâtir une source de données fiable, solide et gouvernée, pour soutenir les processus de données et d’analyse actuels, mais aussi être en mesure de s’ouvrir aux nouvelles techniques basées sur l’IA.
• Aller de l’avant et expérimenter : le déploiement de processus de sécurité et de gouvernance des données ne doit pas empêcher les équipes data d’expérimenter avec l’IA. Il est essentiel de se donner des objectifs clairs, correctement anonymiser les données et introduire des POC avec le concours du service IT. Remettre en cause des processus existants n’est jamais facile, c’est même une raison de plus pour expérimenter sans tarder.

  Avec l’aide de l’IA, les équipes data peuvent extraire les données plus rapidement et en obtenant des résultats bien meilleurs. Parfois des applications adressant des consommateurs font la une, mais avant d’y arriver, il est indispensable d’optimiser l’utilisation des données pour les équipes internes. Comme pour toute nouvelle technologie, introduire de l’AI dans des processus établis suscite des débats sur son véritable impact business. Si l’IA était appliquée aux process fondamentaux qui sous-tendent l’IA, cet impact pourrait être exponentiel.

Compte tenu du potentiel que cachent les données d’entreprise, l’IA semble un allié indispensable pour beaucoup, mais son l’adoption reste un long chemin. Pour maximiser son intérêt, les équipes data doivent avancer étape par étape, par itérations et apprendre en permanence, sans négliger les pratiques éthiques et responsables. Et surtout, se lancer sans hésiter !