« Ceci tuera cela » : cette phrase issue du roman « Notre-Dame de Paris » de Victor Hugo exprime la fin des grandes cathédrales gothiques avec l’avènement de l’imprimerie. Au même titre, l’Intelligence Artificielle est souvent perçue comme une menace pour les hommes, notamment en termes de destruction d’emplois. Néanmoins, tout comme l’imprimerie, l’Intelligence Artificielle possède un versant positif : elle permet d’accélérer le traitement de données, de prévenir les risques dans des contextes médicaux ou militaires, d’augmenter la pertinence des produits digitaux. Ses applications au produit sont nombreuses et permettent d’affiner et de personnaliser les parcours utilisateurs.
Le Machine Learning consiste à entraîner une machine sur de nombreux jeux de données, afin de lui apprendre à reconnaître des situations et à prendre des décisions de façon autonome, sans intervention humaine. L’avantage du Machine Learning est qu’il est facilement perfectible : en abreuvant la machine de données toujours plus conséquentes, en prenant des actions correctives à chaque erreur, il est possible d’affiner sans cesse les modèles. L’une des principales applications du Machine Learning au produit consiste en l’élaboration d’algorithmes de recommandations, garant d’un parcours utilisateur optimisé. En effet, développer un produit centré sur ses utilisateurs est l’un des objectifs premiers du Product Manager. Grâce à l’amélioration continue des algorithmes de recommandations, le Product Manager peut favoriser le cross-selling, en requérant que soit entraîné l’algorithme sur les éléments suivants :
Les algorithmes de recommandations, pour être qualitatifs et personnalisés, et ne pas générer un effet néfaste pour l’utilisateur, doivent être abreuvés de données à la fois quantitatives : sur X millions de clients, Y % ayant acheté ce produit ont ensuite acheté celui-là ; mais aussi qualitatives, en récupérant des données personnalisées sur un utilisateur en particulier. C’est pour cela que de plus en plus de marques forcent à la création de comptes : sans connexion, il est impossible d’analyser l’attitude d’un utilisateur ciblé sur une plateforme digitale. Cette logique vise à proposer des expériences utilisateurs personnalisées et de qualité, afin d’augmenter la notoriété et l’appréciation d’un site web ou d’une App Mobile et de générer de la valeur pour les utilisateurs.
L’utilisation du Machine Learning permet avant tout la personnalisation des parcours utilisateurs. Elle offre aux Product Managers un paradigme très intéressant : offrir à des milliers voire millions d’utilisateurs une expérience digitale unique et personnalisée, orientée selon leurs préférences et leurs goûts. Cela engendre trois bénéfices principaux pour un Product Manager :
Le Machine Learning permet au Product Manager, en plus des données quantitatives et qualitatives ingérées, de s’adapter à la saisonnalité, aux fêtes du calendrier, afin d’offrir une expérience toujours plus personnalisée aux utilisateurs finaux. Le Product Manager peut aussi s’appuyer sur le Machine Learning pour analyser plus rapidement les remontées clients, les commentaires sur les stores Mobile ou sur le Web, afin d’assurer une remontée efficace des alertes, d’itérer plus rapidement et facilement.
Sur certains produits digitaux ayant trait à l’industrie, la santé ou l’armée, le Machine Learning peut aussi offrir la possibilité d’identifier les situations à risque : par exemple, dans des industries à risque (forages pétroliers, construction de centrales nucléaires), la mise en place de Machine Learning permet d’identifier, à partir de données atmosphériques, physiques et chimiques les situations à risque, afin de générer des alertes en conséquence. C’est notamment ce que propose la start-up française Spotlight-Earth, qui permet la détection de mouvements sismiques, et qui a été sélectionnée dans le cadre du projet Ardna, visant à piloter les risques liés à l’enfouissement des déchets nucléaires.
Dans la santé, le Machine Learning peut aussi être utilisé pour aider au diagnostic, et dans l’armée pour identifier des situations dangereuses : c’est notamment ce que propose la société Preligens (Safran), un des leaders de l’Intelligence Artificielle dans la défense et l’aérospatial.
Le Product Manager travaille alors en étroite collaboration avec les équipes UX/UI, Data Scientists, Data Ingénieurs et développeurs back et front pour définir respectivement les besoins utilisateurs, les algorithmes de risque à mettre en place, les jeux de données pertinents pour entraîner les modèles, les manifestations des niveaux d’alertes sur l’applicatif digital et les actions générées en conséquence pour prévenir les risques.