Les entreprises qui s'appuient sur des algorithmes complexes pour évaluer la demande des clients, fixer les prix ou affiner les chaînes d'approvisionnement accordent moins de poids aux données générées pendant la pandémie de coronavirus que beaucoup considèrent comme biaisées.

Alors que l'économie s'ouvre, les entreprises des secteurs tels que les voyages, la vente au détail et la logistique qui ont connu des fluctuations particulièrement brutales du comportement des consommateurs au cours de l'année écoulée - des vacances et voyages d'affaires annulés à une augmentation des achats en ligne et des livraisons à domicile - sont confrontées à des problèmes chaotiques. lignes de tendance qui compliquent les efforts de prévision.

Les entreprises ajustent leurs modèles prédictifs à la suite de Covid

Pour s'adapter, bon nombre de ces entreprises s'appuient davantage sur les données en temps réel pour alimenter les modèles logiciels prédictifs, y compris l'activité en direct sur les sites Web ou les recherches en ligne et mobiles, selon les responsables des données d'entreprise et les analystes du secteur. Bien que certains efforts soient antérieurs à Covid-19, ils disent que ces mouvements se sont depuis accélérés.

Sriram Krishnasamy,

FedEx Corp.

vice-président senior des programmes stratégiques et directeur général de l'unité d'analyse

FedEx

Dataworks, a déclaré que les données historiques traditionnelles sont devenues peu fiables pendant la pandémie, qui a vu une augmentation brutale des commandes de livraison à domicile des acheteurs à domicile et a causé des retards d'expédition.

Il ne s'attend pas à ce que cette tendance se poursuive, alors que les gens retournent dans les magasins physiques. Les sources de données en temps réel offrent une « vue d'ensemble » des changements du marché au fur et à mesure qu'ils se déroulent, a déclaré M. Krishnasamy.

Lancée en décembre 2020, la mission de Dataworks est de mettre en œuvre l'énorme ensemble de données de l'entreprise, avec des points de données collectés à partir des livraisons quotidiennes de quelque 18 millions de colis dans le monde, a déclaré M. Krishnasamy.

Cela inclut les informations capturées à chaque étape de la livraison par laquelle passe un colis, de la création d'une étiquette et de sa numérisation, à son arrivée à un point d'accès et à la livraison du dernier kilomètre. Les algorithmes digèrent cet énorme tas de données et établissent les meilleurs itinéraires possibles.

L'objectif, a déclaré M. Krishnasamy, est de gagner en efficacité d'un point à l'autre et de fournir des délais de livraison plus précis. De mauvaises données ne font que brouiller l'eau, a-t-il déclaré.

"Cela a été une aventure au cours de la dernière année", a déclaré Hayley Berg, responsable de l'intelligence des prix chez Hopper Inc. "C'est vraiment un problème de prévision difficile", a-t-elle déclaré, faisant référence à l'arrêt brutal des voyages de consommation et d'affaires la dernière fois. an.

L'apprentissage automatique est une technologie de base pour la société basée à Montréal et à Boston, qui recueille chaque jour des milliards de devis de billets d'avion, lui permettant de compiler une archive massive de plusieurs milliers de milliards de prix de sièges au cours des dernières années, selon la société. Les données sont utilisées pour prédire les prix des sièges jusqu'à six mois avant un vol, permettant aux utilisateurs de connaître le meilleur moment pour acheter un billet. Il a des services similaires pour les prix des chambres d'hôtel.

Mme Berg a déclaré que la société était occupée à sevrer ses modèles algorithmiques des données historiques. "Nous disons que l'année précédente n'est pas la meilleure représentation de la forme de la demande", a-t-elle déclaré. Jusqu'à présent, le système a maintenu un taux de précision d'avant la crise de plus de 90 % pour les prix des billets d'avion prévus, a-t-elle déclaré.

Walmart inc.

minimise également les tendances de l'année précédente et suit les tendances à plus long terme sur plusieurs années, a déclaré Ravi Jariwala, porte-parole de la société.

Le géant de la vente au détail augmente son utilisation de logiciels d'apprentissage automatique pour analyser des années de ventes internes, de prix et de données sur les parts de marché, ainsi que des rapports de l'industrie, des prévisions économiques et des tendances plus larges de la vente au détail. Bien que l'effort soit antérieur à la pandémie de plusieurs mois, M. Jariwala a déclaré qu'il nous a depuis « aidé à normaliser les données et à effectuer plus précisément des prévisions de la demande ».

Connues sous le nom de dérive de données, les irrégularités de données causées par Covid-19 obligent certaines entreprises à désactiver complètement les modèles logiciels pré-pandémiques, a déclaré Alex Linden, vice-président de la recherche au sein d'une société de recherche et de conseil en technologies de l'information.

Gartner Inc.

"Le problème en période de forte volatilité est que les données sur les ventes de la semaine dernière ne sont pas un bon prédicteur des ventes de la semaine suivante", a déclaré M. Linden. "C'est littéralement la définition de la volatilité."

Dans un

Forrester Research Inc.

Selon une enquête menée l'automne dernier, 64 % des quelque 200 professionnels nord-américains de l'analyse et de la mesure ont déclaré que leurs entreprises s'appuyaient davantage sur les informations en temps réel tirées du comportement des utilisateurs sur leurs sites Web, contre moins de la moitié en 2019.

Au-delà du remplacement des anciennes sources de données, environ un quart des entreprises interrogées recyclent rapidement les modèles prédictifs basés sur l'intelligence artificielle en raison de la dérive des données.

« Comme le comportement des clients a changé presque du jour au lendemain, les données historiques utilisées pour former ces modèles ne reflètent plus cette nouvelle réalité », a déclaré Brandon Purcell, analyste principal de Forrester.

com

Copyright ©2020 Dow Jones & Company, Inc. Tous droits réservés.