Selon une récente étude du cabinet IDC, les dépenses en transformation digitale devraient augmenter de 17,6% en 2022 pour atteindre des investissements évalués à 1 800 milliards de dollars dans des solutions et des services « servant les projets de transformation numérique » ; une tendance devrait se confirmer au moins jusqu'en 2026. Or les technologies telles que l’intelligence artificielle (IA) ne sont pas une solution miracle : leur efficacité dépend des données sur lesquelles elles s’appuient. Les entreprises doivent veiller à ce que ces dernières soient vérifiables, disponibles et exploitables pour que l’IA ou le machine learning fonctionnent correctement et produisent de véritables résultats commerciaux.

Dans la plupart des cas, le cycle des données est fragmenté et présente de multiples points de contact répartis dans différents systèmes et processus. Cette disparité entraîne un manque de précision, qui pose un problème majeur en matière d’IA : si elles ne sont pas parfaitement intégrées, peut-on espérer donner un sens à ces données, ou les exploiter ?

La plupart des entreprises ont une certaine idée de ce qu’est l’IA, mais elles ne perçoivent pas l’impact qu’elle peut avoir sur leur activité, ni même comment la mettre en œuvre avec succès, à tel point que l’on constate que seules 37 % parviennent à mener à bien la transformation digitale de leurs fonctions commerciales. Dans les services financiers, l’IA peut être utilisée pour générer des revenus plus prévisibles, mais afin d’en tirer véritablement parti et de faire passer l’expérience client (CX) au niveau supérieur, les dirigeants doivent créer un modèle de données unique.

De la compréhension des besoins clients au développement de contenu sur mesure

Les équipes CX doivent être capables d’identifier les données dont elles ont besoin et veiller à ce que ces dernières soient accessibles à l’ensemble des services de l’entreprise, tout en étant bien structurées. L’IA peut alors produire des informations exploitables sur les clients en temps réel – par exemple, quand et comment achètent-ils, quels produits ou services, avec quel niveau d’interaction ? – à partir desquelles il sera possible de construire une approche sur mesure.

Grâce aux informations récoltées qui nourrissent la veille stratégique de l’entreprise, quels que soit leur taille ou leur stade de maturité, les équipes CX ont la capacité d’élaborer des stratégies de contenu et d’améliorer le parcours d’achat. Des données intelligentes, agrégées au fil de l’eau, permettent en effet de construire et d’enrichir des profils clients types, d’établir des points de contacts pertinents et de recommander des produits ou des services adaptés, en créant une expérience client fluide et personnalisée. L’engagement est quant à lui favorisé par les interactions antérieures et la pertinence du contenu proposé, et peut ensuite être étendu plus largement en ciblant des profils similaires.

En résumé, les équipes CX doivent en premier lieu s’attacher à l’organisation de leurs données, en veillant à ce qu’elles soient structurées de façon à mieux les interpréter, avant d’envisager de recourir à l’IA ou au machine learning. Ces derniers leur permettront alors d’établir de meilleurs rapports avec leurs clients et d’être beaucoup plus proactives en anticipant leurs besoins avant qu’ils ne les expriment. Les dirigeants doivent, de leur côté, veiller à ce que chaque service bénéficie d’une visibilité complète de l’ensemble de ces données, afin de pouvoir adapter plus efficacement leur contenu ou leurs offres.

De l’importance d’impliquer les équipes CX en amont du projet

Les dirigeants doivent s’assurer que les équipes CX saisissent bien la finalité du projet. Mais surtout, ils doivent remporter leur adhésion et veiller à ce qu’elles s’impliquent dans l’architecture de données initiale et y contribuent. Car si l’IA permet d’accélérer les processus métier, de rendre les données intelligentes et exploitables et in fine, de se rapprocher du client, le succès de cette transformation dépend de l’implication des équipes. Elles doivent pour cela être capable d’identifier précisément les raisons pour lesquelles elles ont besoin de l’IA et ce qu’elles souhaitent en tirer. En les mobilisant en amont de la mise en œuvre et en recueillant leur avis, il est possible de définir ensemble des objectifs clairs et des avantages tangibles pour l’entreprise, et donc d’élaborer une stratégie globale.

Au-delà d’une formation technique, les équipes CX doivent donc être à même de déterminer comment la technologie – et en particulier l’IA - peut les aider à obtenir de véritables résultats commerciaux, et comment en tirer le meilleur parti en identifiant ce qu’elles en attendent. Plus important encore, elles doivent prendre conscience qu’il s’agit d’une relation à double sens : en instruisant l’IA, elles peuvent la mettre à leur service en identifiant les données clés et des points d’action clairs. Ce n’est qu’alors que la technologie pourra révéler toute sa valeur ajoutée.

In fine, une mise en œuvre efficace de l’IA passe par trois étapes clés. Tout d’abord, l’ingestion et l’enrichissement des données – en veillant à ce qu’un modèle de données unique soit en place et que toutes les données circulent de manière fluide entre les équipes et les différents systèmes, avec une visibilité totale. Ensuite, la formation, la mise à l’essai et le suivi des modèles d’IA et de machine learning – en identifiant les tendances ou les domaines à améliorer pour s’assurer que l’IA est opérationnelle et peut être utilisée efficacement. Enfin, la concrétisation de ces données ou de cette « vision prescriptive » en action. Les équipes sont alors capables d’anticiper et d’être beaucoup plus proactives en temps réel, en utilisant ces données pour établir des profils clients et pour identifier des tendances ou les élargir à d’autres clients potentiels.