Priorisation d'actions à l'aide de l'IA

Découvrez comment fonctionne l'arbitrage assisté par l'IA et la façon dont l'IA prédit le comportement des clients. L'arbitrage vise à équilibrer la pertinence pour le client et les priorités métier. Pour sélectionner les actions prioritaires, une formule est appliquée pour obtenir une valeur de priorisation. La formule repose sur la valeur de propension, qui est calculée via l'IA. La propension est la probabilité anticipée d'un comportement positif, comme par exemple la probabilité qu'un client accepte une offre.

Cette vidéo explore le fonctionnement de l'arbitrage assisté par l'IA et explique la façon dont l'IA prédit le comportement des clients. 

U+, une banque de détail, utilise Pega Customer Decision Hub™ pour présenter des offres marketing à ses clients sur son site web. La banque souhaite présenter des offres plus pertinentes aux clients en fonction de leur comportement. 
Troy, un client, remplit les conditions requises pour bénéficier de deux offres de carte de crédit. Lorsqu'il se connecte sur le site de la banque, il voit l'offre la plus avantageuse pour lui, la carte Standard.

Voici les paramètres d'arbitrage définis dans l'outil Next-Best-Action Designer de Pega Customer Decision Hub. L'arbitrage vise à équilibrer la pertinence pour le client et les priorités métier. Pour atteindre cet équilibre, la propension (P), la pondération du contexte (C), la valeur de l'action (V) et les leviers métier (L) sont traduits en valeurs numériques et intégrés dans une formule simple : P * C * V * L. Cette formule est appliquée pour obtenir une valeur de priorisation, qui est utilisée pour sélectionner les actions prioritaires.

Notez que seule la propension (Propensity) est actuellement activée. La propension est la probabilité anticipée d'un comportement positif, comme par exemple la probabilité qu'un client accepte une offre. La valeur de la propension est calculée au moyen de l'IA.

Vous remarquerez les valeurs de propension et de priorité de la carte Standard. La propension de chaque action démarre à 0,5 ou à 50 %, comme lorsque l'on tire à pile ou face. Cela s'explique par le fait que, initialement, l'IA ne peut s'appuyer sur aucun comportement préalable du client pour effectuer ses prédictions. La propension est l'un des facteurs employés pour trancher entre les offres pertinentes afin de sélectionner la plus avantageuse pour le client.

Bien que seule la propension soit activée pour l'arbitrage, la valeur de priorité, qui repose actuellement sur la propension uniquement, ne concorde pas avec la valeur de propension. Cette différence provient du fait que le calcul de priorité ne fait pas appel directement à la valeur brute de propension du modèle. Le calcul repose en fait sur une propension ajustée. La valeur de propension ajustée permet de contrebalancer les changements soudains des valeurs de propension que l'IA calcule pendant la phase initiale de son apprentissage, lorsqu'elle n'a pas encore recueilli suffisamment de données sur le comportement des clients pour pouvoir faire des prédictions précises.

Si Troy ne clique pas sur l'offre actuelle cette fois-ci, une offre différente s'affichera la prochaine fois qu'il consultera le site web. L'offre suivante à laquelle Troy peut prétendre, la carte Rewards, est alors sélectionnée pour lui être présentée. Si Troy ignore également cette carte, en ne cliquant pas dessus, l'offre de la carte Standard s'affichera à nouveau lors de sa prochaine connexion. Pourquoi un tel comportement ? Tout d'abord, Troy n'est éligible qu'à ces deux offres de carte de crédit. Ensuite, le modèle d'IA sur lequel reposent ces offres est paramétré pour traiter une impression non suivie d'un clic comme un comportement négatif. Autrement dit, lorsqu'un client se voit présenter une offre mais ne clique pas dessus, l'IA l'enregistre comme un comportement négatif. Par conséquent, la propension, et donc la priorité, de l'offre sur laquelle il n'a pas cliqué diminue. Vous remarquerez que la valeur Propensity de l'offre Standard Card est passée de 0,5 à 0,25.

En revanche, si Troy clique sur le lien « Learn more » de l'offre Standard Card pour obtenir plus d'informations, c'est une réponse positive qui est enregistrée et, de ce fait, la valeur de propension de l'offre Standard Card augmente.

Customer Decision Hub est configuré pour calculer la propension pour chaque traitement. Pour comprendre comment cela fonctionne, penchons-nous sur l'IA qui se cache derrière un traitement. Cette fenêtre contextuelle présente un résumé de l'IA sur laquelle repose ce traitement. Dans Pega Customer Decision Hub, on appelle modèle adaptatif l'IA qui détermine la propension à un comportement positif vis-à-vis d'une action ou d'un traitement. À partir de là, vous pouvez vous rendre sur le modèle adaptatif lui-même.

Un modèle adaptatif est un modèle prédictif d'auto-apprentissage qui fait appel à l'apprentissage automatique pour calculer les indices de propension. Il détermine automatiquement les facteurs qui contribuent à prédire le comportement du client. Ces prédicteurs peuvent inclure les données démographiques d'un client, son utilisation des produits et des services, l'historique de ses interactions avec la banque, et même des informations contextuelles telles que son canal d'interaction actuel.

Ce modèle adaptatif considère qu'une impression non suivie d'un clic, lorsqu'une offre marketing est affichée sur un site web, constitue un comportement négatif. Il considère un clic comme un comportement positif.

Par conséquent, lorsqu'un client voit un message d'offre mais ne clique pas dessus, le modèle l'enregistre comme un comportement négatif.

L'onglet de surveillance (Monitor) fournit un aperçu des performances du modèle. L'entreprise peut s'appuyer sur ces informations pour évaluer la contribution des prédictions du modèle à la réussite des actions.

Le rapport du modèle fournit plus d'informations sur le modèle d'IA lui-même. Ce modèle d'IA est généré automatiquement par le système, et il adapte son algorithme de prédiction en temps réel, en fonction des réponses entrantes des clients. Le rapport fournit plus d'informations sur les prédicteurs, notamment la façon dont ils sont regroupés et les renseignements qu'un data scientist peut exploiter pour analyser la performance actuelle du modèle et détecter tout problème éventuel.

Vous pouvez analyser les performances des prédicteurs individuels dans le rapport Predictors. Prenons l'exemple du prédicteur LifeCyclePeriod.

Il s'agit d'un prédicteur de type symbolique. Le rapport individuel sur les prédicteurs révèle qu'un client qui se trouve dans la phase de fidélisation (RETAIN) du cycle de vie est très susceptible d'accepter l'action de la carte Standard sur le canal web.

Le comportement d'un seul client peut influer sur le calcul de la propension pour d'autres clients présentant un profil similaire. Par exemple, lorsque Robert, un client dont le profil est semblable à celui de Troy, se connecte, il se voit proposer la même offre que Troy. Le même modèle d'IA est responsable des traitements pour les deux clients, si bien que l'action de Robert affectera l'indice de propension de Troy.

Cette démo est terminée. Que vous a-t-elle montré ?

• La façon dont l'IA s'appuie sur le comportement du client pour calculer la propension.
• En quoi le nivellement de la propension permet de stimuler le processus d'apprentissage de l'IA.
• Comment calculer la valeur de priorisation à l'aide de la formule (P*C*V*L).
• En quoi consistent les modèles adaptatifs et comment les contrôler.