Annonce Ce document regroupe la partie de recherche académique réalisée dans le cadre de mon mémoire de recherche appliquée. Cette version est anonymisée à l’égard de l’entreprise avec laquelle j’ai collaboré, vous ne retrouverez pas d’informations relatives à cette dernière au sein des écrits suivants. 2 Remerciements Avant d’entamer ce mémoire, je tiens à remercier sincèrement l’ensemble des personnes m’ayant aidé à réaliser ces écrits qui concluent mon parcours académique au sein de emlyon business school. Dans un premier temps, je souhaite remercier Teresa COOPER - professeur à emlyon business school et directrice de mon mémoire – pour son investissement, son suivi, sa confiance et son implication dans la rédaction de ce projet. Je tiens tout particulièrement à remercier les universitaires et professionnels, que j’ai pu interviewer au cours de ce mémoire, pour leurs éclairages avisés qui ont fortement contribué à développer ma réflexion à l’égard de ma problématique et plus important encore, d’enrichir mes connaissances personnelles du sujet. Un grand merci à Alexandra RUILLIER (consultante chez Wavestone), Clément LEVALLOIS (professeur à emlyon business school), Guillaume SORLIN (consultant chez Pramana), Léa BORY (data insight strategist chez 65db), Robert REVAT (professeur à emlyon business school) et Taha ZEMMOURI (data scientist et fondateur de data genius) pour la richesse de nos échanges. Je remercie également l’équipe du makers’ lab de emlyon business school et plus précisément les professeurs de la spécialisation « Creative technologist » pour leur influence positive sur mon parcours académique et leur passion universitaire. Je leur suis très reconnaissant de m’avoir fait (re)découvrir le milieu des hautes technologies, secteur dans lequel je poursuivrai mon parcours académique l’an prochain à ESCP business school. 3 Sommaire exécutif Les organisations sont aujourd’hui confrontées à un déluge de données. Ces dernières sont « augmentées » en termes de volumétrie, de variété, de vélocité et finalement plus difficile à valoriser. L’enjeu principal de cette abondance informationnelle tient dans la capacité des institutions à pouvoir créer de la connaissance à partir d’ensembles de données toujours plus complexes. L’objectif de ce mémoire de recherche appliquée est de fournir au lecteur une introduction (conceptuelle et relativement peu technique) à la discipline permettant d’exploiter ces flux informationnels, à savoir la science des données et plus précisément d’identifier les cas d’usages possibles de cette science au sein des départements marketing. Ma problématique de recherche vise à déterminer « la mesure dans laquelle la science des données et plus particulièrement la branche de l’intelligence artificielle (I.A) entraîne une refonte de la discipline du marketing ». L’exploration académique que j’ai menée et synthétisée dans ma revue de littérature m’a permis de conceptualiser la science des données et ses sous-disciplines – dont l’I.A fait partie. Il en ressort qu’il s’agit d’une discipline académique et plus précisément d’une science visant à apprendre à partir d’ensembles de données. Au-delà de cette définition « théorique », cette science est un agrégat de compétences articulées autour des mathématiques/statistiques, des expertises métiers et du « hacking » dans le sens de la dextérité informatique. Concernant la branche de l’I.A, mon exploration académique a mis en lumière le fait que le monde universitaire considère, aujourd’hui, ces entités comme étant spécialisées. En d’autres termes, l’I.A ne dispose pas d’une intelligence généralisable, mais bien plus d’une expertise de haut niveau dans un domaine donné. Les travaux que j’ai étudiés dans ma revue de littérature m’ont permis d’établir un état de l’art des synergies existantes entre science des données et marketing. Il en ressort une tendance clairement identifiable : La combinaison de ces deux disciplines vise à générer de la connaissance client à grande échelle, et ce de façon individualisée. En somme, la science des données et donc l’I.A permettent d’atteindre un marketing « augmenté » où la prise de décision peut être automatisée et individualisée. Pour répondre à ma question de recherche, j’ai enrichi mon exploration académique avec une étude qualitative (entretiens semi-directifs) et quantitative (étude documentaire). J’ai eu l’opportunité d’explorer mon sujet avec des experts de la science des données et du marketing. Lors de l’extraction des observations récoltées au cours de ces deux phases, j’ai pu constater que les données se corroboraient et que les milieux académiques et professionnels attribuent à la science des données un objectif commun : celui de la création de connaissances et finalement de l’aide à la prise de décisions. Dans une optique plus orientée marketing, cet objectif se traduit par une personnalisation de l’ensemble des variables du marketing mix et une amélioration de l’expérience client. Une dimension prépondérante de ce mémoire tient dans l’éthique de la science des données et plus particulièrement de sa combinaison avec la discipline marketing. J’utilise le néologisme de « datasagesse » pour me référer à cette idée conductrice de mon mémoire. À nouveau, les 4 différentes observations auxquelles j’ai été confrontées convergent puisque l’éthique s’est révélée être omniprésente dans les travaux académiques que j’ai consultés et au cours des entretiens que j’ai menés. Plus précisément, les enjeux de liberté individuelle, de sécurité des données et de vie privée se sont manifestés être les défis les plus considérables. 5 Table des matières REMERCIEMENTS ....................................................................................................................................... 2 SOMMAIRE EXECUTIF ................................................................................................................................. 4 TABLE DES MATIERES.................................................................................................................................. 6 INTRODUCTION .......................................................................................................................................... 8 I. REVUE DE LITTERATURE : SCIENCE DES DONNEES ET MARKETING, QUELLES SYNERGIES ? ................... 10 1. DELUGE DE DONNEES ET SUPERORDINATEURS : LES FONDEMENTS DE LA SCIENCE DES DONNEES ?................................. 10 1.1. Une approche historique ................................................................................................................ 10 1.2. La science des données : la réunion des statistiques et de l’informatique ..................................... 11 1.3. L’abondance des données : L’origine de la science des données ? ................................................. 12 1.3.1. Les données sont-elles réellement le nouvel or noir ? .............................................................................. 13 1.3.2. Typologie des données et 5V du « big data » ............................................................................................ 13 1.3.3. Infrastructures de stockage et de traitement des données ....................................................................... 18 1.3.4. La science des données et l’I.A sont-elles possibles avec la frugalité des données et de la puissance ? .. 19 1.4. Intelligence artificielle : Le fantasme (actuel) de la généralisation ................................................ 19 1.5. L’intelligence artificielle aujourd’hui : Une « entité » spécialisée................................................... 20 1.5.1. Intelligence Artificielle « faible » ................................................................................................................ 21 1.5.2. Intelligence Artificielle « hybride »............................................................................................................. 21 1.6. Taxonomie de l’intelligence artificielle : De l’input vers l’output ................................................... 21 1.6.1. Machine learning ........................................................................................................................................ 22 1.6.1.1. Apprentissage supervisé .................................................................................................................. 22 1.6.1.2. Apprentissage non supervisé ........................................................................................................... 23 1.6.1.3. Apprentissage semi-supervisé ......................................................................................................... 25 1.6.1.4. Apprentissage par renforcement..................................................................................................... 25 1.6.1.5. Apprentissage profond .................................................................................................................... 25 1.6.2. Vision par ordinateur .................................................................................................................................. 27 1.6.2.1. Classification .................................................................................................................................... 28 1.6.2.2. Détection / segmentation d’objets .................................................................................................. 29 1.6.2.3. Segmentation sémantique..............................................................................................................