Le guide de l'IA d'entreprise pour les médias et le divertissement

La ML supervisée implique que les humains enseignent aux machines des modèles basés sur les connaissances existantes. L'intelligence artificielle non supervisée consiste en l'élaboration de modèles par l'IA sans l'aide de l'homme.

Supposons qu'une entreprise souhaite utiliser l'apprentissage automatique pour lutter contre le désabonnement des clients. Son système d'IA doit développer un modèle pour prédire le risque de désabonnement. Dans un modèle d'apprentissage automatique supervisé, les humains étiquettent un ensemble de données historiques sur les clients ("données d'apprentissage") pour indiquer qui a abandonné et qui n'a pas abandonné. Le système d'IA ingère les données d'apprentissage et apprend quels attributs sont en corrélation avec le désabonnement. Il construit un modèle prédictif basé sur ces informations, puis teste la précision du modèle sur un ensemble de données non étiquetées ("données de test"). Une fois l'algorithme validé, la machine applique indépendamment le modèle à de nouveaux ensembles de données.

Mais la capacité humaine à formuler des hypothèses sur la base d'informations connues peut limiter la perspicacité. Et s'il existe des facteurs de risque de désabonnement qui n'ont pas encore été identifiés ? Les systèmes d'IA non supervisés capables de ML détectent des corrélations non spécifiées, des modèles inattendus et des anomalies inconnues dans des données désordonnées.

Pour reprendre l'exemple du risque de désabonnement, une solution de ML non supervisée peut construire et améliorer en permanence son modèle prédictif sans intervention humaine. Plutôt que d'être programmé pour prédire le désabonnement sur la base de facteurs connus pour avoir causé le désabonnement dans le passé, le système d'IA apprend à détecter les facteurs de risque de désabonnement de manière autonome.

Les techniques de ML supervisées et non supervisées sont toutes deux utiles dans différents scénarios ; l'une n'est pas intrinsèquement meilleure que l'autre. La ML supervisée répond à des questions commerciales spécifiques, ou "inconnues connues"(Qui va se désabonner ?). La ML non supervisée fait apparaître de nouveaux risques et de nouvelles opportunités, ou "inconnues inconnues"(quels facteurs de risque de désabonnement n'ont pas été identifiés ?) Le ML supervisé et non supervisé se combinent pour fournir des informations commerciales puissantes.

L'IA bouleverse la veille stratégique

La veille stratégique traditionnelle fait appel à des humains et à des outils pour analyser, interpréter et visualiser les données. Un analyste financier peut utiliser un logiciel pour prévoir les recettes de l'année suivante sur la base des performances historiques. Une équipe de science des données peut développer un algorithme pour personnaliser les recommandations de contenu pour les abonnés à la vidéo à la demande.

La gestion et la compréhension des données consomment énormément de ressources. L'obtention et la diffusion d'informations à partir des données nécessitent encore plus de ressources. Et pourtant, l'offre de données augmente en même temps que la demande d'une meilleure compréhension. Les outils de BI qui ont dominé le secteur au cours des 20 dernières années ne suffisent plus. Les informations sont régulièrement dépassées, insuffisantes ou difficiles à expliquer lorsqu'elles arrivent sur le bureau d'un décideur.

L'IA d'entreprise améliore la qualité de l'information (QoI), mesurée par la valeur de l'information fournie. Les facteurs qui ont un impact sur la qualité de l'information sont les suivants :

• Vitesse: à quelle vitesse les données produisent-elles des informations ?
• Fréquence: L'information est-elle disponible en permanence ?
• Objectivité: Les conclusions ont-elles été influencées par des préjugés humains ?
• Profondeur: Toutes les données pertinentes ont-elles été analysées ?
• Exactitude: Les résultats sont-ils exempts d'erreurs ?
• Pertinence: L'analyse répond-elle aux bonnes questions ?
• Accessibilité: Les informations sont-elles facilement accessibles aux parties prenantes ?
• Explicabilité: La manière dont une décision a été prise est-elle claire ?
• Possibilité d'action: L'entreprise peut-elle agir sur la base des informations ?

Tous les aspects de la qualité de l'expérience peuvent être améliorés grâce aux outils de BI et aux améliorations de processus actuels. L'IA d'entreprise améliore chaque aspect de la QoI simultanément, en temps réel et à plus grande échelle. Plus le nombre de parties prenantes ayant accès à une QoI élevée est important, plus celle-ci devient précieuse pour l'ensemble de l'organisation. C'est ce que Gartner appelle l'intelligence continue :

"L'intelligence continue est un modèle de conception dans lequel les analyses en temps réel sont intégrées dans les opérations commerciales, traitant les données actuelles et historiques pour prescrire des actions en réponse à des moments de l'activité et à d'autres événements."

57%
des entreprises ont des difficultés avec l'opérabilité de l'IA

L'intelligence continue est difficile si les solutions d'IA ne sont accessibles qu'aux employés possédant l'expertise technique nécessaire pour les exploiter. Les solutions d'IA conçues sans tenir compte des besoins des utilisateurs professionnels obligent les entreprises à s'appuyer sur une petite équipe de personnes très demandées et très bien rémunérées. La capacité des employés à utiliser réellement les solutions d'IA est citée comme un obstacle à l'adoption par 57 % des organisations.

Les solutions d'IA d'entreprise modernes doivent pouvoir être exploitées par des personnes occupant des fonctions techniques et non techniques pour véritablement démocratiser la connaissance.

L'IA d'entreprise aujourd'hui

L'IA d'entreprise promet un impact transformationnel. Les organisations qui ont déjà investi dans l'IA la considèrent comme un avantage concurrentiel. Selon une enquête de Deloitte menée auprès de cadres internationaux, "une majorité des premiers utilisateurs mondiaux affirment que les technologies de l'IA sont particulièrement importantes pour la réussite de leur entreprise aujourd'hui - une conviction qui ne cesse de croître."

Mais de nombreux dirigeants estiment que la fenêtre pour obtenir un avantage concurrentiel en matière d'IA se referme, en grande partie parce que la technologie devient plus abordable, évolutive et gérable via des plateformes SaaS et basées sur le cloud. Une enquête de Gartner auprès des DSI a révélé une augmentation de 270 % de la mise en œuvre de l'IA entre 2016 et 2019, et les dépenses mondiales en matière d'IA devraient plus que doubler, passant de 50 milliards de dollars en 2020 à 110 milliards de dollars en 2024.

Heureusement, la technologie de l'IA est plus accessible que jamais pour les organisations de toutes tailles. Les mises à niveau de l'infrastructure et les problèmes de mise en œuvre des solutions commerciales d'IA de dernière génération cèdent rapidement la place à des solutions plus souples et plus conviviales pour les entreprises.

Il est clair que dans cinq ans, l'IA d'entreprise ne sera plus un facteur de différenciation concurrentielle. Le succès sera déterminé par l'efficacité avec laquelle les entreprises intégreront l'IA dans leurs opérations et par le fait que les premiers utilisateurs conserveront l'avantage concurrentiel dont ils se sont emparés.

Applications de l'IA en entreprise dans les médias et le divertissement

Les entreprises du secteur des médias et du divertissement sont inondées de données. La prolifération des modèles de distribution, des stratégies de monétisation et des flux de revenus rend la gestion et l'analyse des données de plus en plus complexes. Le Big Data est là pour durer.

Avant de pouvoir monétiser les big data, les entreprises doivent leur donner un sens. L'IA d'entreprise est prête à révolutionner l'intelligence basée sur les données dans les médias et le divertissement.

Selon McKinsey, le secteur des médias et du divertissement pourrait tirer 57 % de valeur supplémentaire de l'IA par rapport à d'autres techniques d'analyse. Pour que cette valeur se concrétise, les leaders du secteur doivent bien comprendre les cas d'utilisation de l'IA dans les médias et le divertissement.

Dans cette section, nous passons en revue les principales applications de la technologie de l'IA d'entreprise pour :

• Favoriser l'engagement des clients

• Augmenter les revenus et les marges

• Améliorer l'efficacité opérationnelle

Cas d'utilisation de l'IA en entreprise : Agrégation de données

Les données doivent être normalisées (formatées de manière cohérente) pour que l'IA puisse faire son travail. Mais les données sont naturellement désordonnées ; les formats, structures et normes hétérogènes ne se prêtent pas facilement à une analyse rapide. Pour aggraver le problème, les données sont inévitablement dispersées dans des silos qui n'ont pas été conçus pour communiquer entre eux.

Considérons quelques-unes des sources de données courantes que l'IA d'entreprise pourrait analyser pour améliorer la qualité de l'information :

• Contenu : Popularité, consommation et engagement par segment, genre, plateforme, etc.
• Le client : Données démographiques, interactions et préférences tout au long du parcours.
• Paiements : Flux de trésorerie, paiements, budgets, contrats, créances, cycles comptables

Plus une solution d'IA d'entreprise a accès à un grand nombre de ces sources de données, plus elle peut faciliter l'intelligence en continu.

L'agrégation, l'ingestion et la normalisation des big data ne sont pas une mince affaire. Les solutions d'IA d'entreprise dotées de fonctions de normalisation automatisée des données et d'intégration multiplateforme accélèrent la capacité d'une organisation à obtenir des informations à partir de sources de données hétérogènes. La valeur de ces solutions croît de manière exponentielle avec le temps ; les données et les connaissances sont générées à la même vitesse.

La normalisation des données présente également des avantages indirects. Tout système ou programme peut facilement accéder à un plus grand nombre de sources de données et les analyser.

Avantages de l'hygiène des données

La suppression des redondances, la centralisation et la sécurisation du stockage des données et l'établissement d'une source unique de vérité permettent de réaliser des gains d'efficacité opérationnelle dans l'ensemble de l'entreprise.

Cas d'utilisation de l'IA en entreprise : Vision prédictive et prescriptive

Peu de secteurs ont connu autant de bouleversements que celui des médias et du divertissement. Au cours de la décennie qui a suivi la réinvention du paysage numérique par le streaming Netflix et l'iPhone d'Apple, les changements radicaux sont devenus la norme. D'ici à 2020, 50 % des dirigeants du secteur ont déclaré qu'ils ne pourraient plus compter sur les modèles commerciaux traditionnels. Qu'est-ce qui nous attend et comment les fournisseurs peuvent-ils s'y préparer ?

50%
Les dirigeants de M&E ne peuvent pas compter sur les modèles d'entreprise traditionnels

L'IA d'entreprise fournit les informations prédictives et prescriptives nécessaires pour stabiliser les opérations, rester agile et être compétitif à l'avenir. Il sera toujours important d'examiner les tendances historiques, mais une entreprise intelligente se doit d'être tournée vers l'avenir. S'appuyer uniquement sur l'analyse descriptive, c'est toujours jouer les seconds rôles.

L'intelligence descriptive et diagnostique explique ce qui s'est passé dans le passé. L'IA d'entreprise améliore sensiblement la capacité d'une organisation à comprendre ces deux types d'intelligence.

L'intelligence prédictive est la capacité de prévoir les résultats en fonction des variables d'entrée. L'IA d'entreprise calcule la probabilité des résultats potentiels avec une grande précision.

L'intelligence progressive est la capacité de recommander des actions et des décisions commerciales. L'IA d'entreprise peut automatiser les recommandations avec ou sans conseils humains.

L'IA d'entreprise exécute instantanément des processus statistiques en parallèle - qui nécessiteraient autrement des heures de travail humain - pour élaborer des modèles prédictifs. À l'échelle macroéconomique, l'IA prédictive donne aux fournisseurs de médias et de divertissements une longueur d'avance sur le marché, en attirant l'attention sur les tendances émergentes de la demande des consommateurs ou sur l'évolution des conditions économiques qui auront un impact sur les résultats.

La vision prédictive est également essentielle à la prise de décision quotidienne. L'IA absorbe de grandes quantités de données et effectue des analyses de simulation en temps réel. Que se passerait-il si le revenu moyen des ménages abonnés variait de 1 % ? Ou de 10 % ? Les solutions d'IA d'entreprise déterminent la probabilité des résultats potentiels en fonction de n'importe quelle combinaison de variables. Une équipe de contenu peut évaluer l'intérêt pour un nouveau titre ; une équipe financière peut mesurer les implications opérationnelles d'un changement soudain de flux de trésorerie ; une équipe de distribution peut prédire la demande par plateforme de streaming.

Il est tout aussi important de savoir ce qui pourrait arriver que de décider de ce qu'il faut faire. L'IA prescriptive génère des recommandations basées sur ce qu'elle a appris des analyses prédictives, descriptives et diagnostiques - par exemple, notifier l'équipe de fidélisation lorsqu'un abonné (ou un segment de clientèle entier) atteint le seuil de "risque élevé d'annulation" et suggérer une offre promotionnelle ayant la plus grande probabilité de succès pour chaque individu ou groupe.

Enfin, la prise de décision automatisée par l'IA permet aux travailleurs de réaffecter leur temps à des tâches à plus forte valeur ajoutée. La logique conditionnelle permet aux utilisateurs de définir des règles pour exécuter automatiquement des recommandations prescriptives ou exiger une approbation préalable. Les solutions les plus avancées offrent un contrôle fin via des paramètres de permissions basés sur les rôles.

L'IA d'entreprise n'est pas destinée à remplacer la prise de décision humaine, mais plutôt à donner aux entreprises les moyens de l'optimiser.

Cas d'utilisation de l'IA en entreprise : Atténuation du désabonnement

La prévention du désabonnement est une priorité pour les fournisseurs de médias et de divertissements, et ce à juste titre. Le taux de désabonnement aux services OTT a atteint un niveau record de 41 % aux États-Unis en 2020. 23 % des abonnés à des jeux en ligne prévoient d'annuler leur abonnement dans l'année. Les fournisseurs de musique en streaming se battent pour fidéliser leurs clients, Spotify affichant un taux de désabonnement deux fois moins élevé que celui de son concurrent le plus proche, Apple Music.

Le désabonnement est un élément permanent du flux numérique, mais les solutions d'IA d'entreprise atténuent l'impact du désabonnement des clients sur plusieurs fronts.

Stratégies d'atténuation du désabonnement

• Prévention du désabonnement

• Engagement des abonnés

• Acquisition et reconquête

Les solutions d'IA d'entreprise améliorent les modèles prédictifs sur lesquels les fournisseurs s'appuient pour prévenir le désabonnement. La technologie de l'IA est capable d'analyser plusieurs ensembles de données (comportementales, démographiques, de paiement, etc.) pour détecter le désabonnement plus tôt - éventuellement avant que les clients eux-mêmes n'aient pris la décision d'annuler le service. Les segments de clientèle peuvent alors être formulés en fonction du risque de désabonnement (élevé, moyen, faible) afin d'intensifier les efforts de fidélisation. Les informations prescriptives font apparaître les actions recommandées pour atteindre les clients au moment le plus opportun avec le message le plus percutant, dont il est statistiquement prouvé qu'il minimise les pertes.

En amont, l'IA d'entreprise enrichit les stratégies d'engagement des clients qui permettent d'éviter les annulations. On sait généralement ce qui frustre le plus les clients, mais la compréhension des facteurs individuels de fidélisation des clients nécessite des informations plus précises. L'IA d'entreprise calcule algorithmiquement les offres, les promotions et les contenus les plus susceptibles de susciter une réaction positive de la part de chaque abonné, améliorant ainsi leur expérience et réduisant la probabilité qu'ils envisagent de se désabonner.

Si la prévention du désabonnement retient le plus l'attention, l'acquisition et la reconquête de clients sont des tactiques d'atténuation du désabonnement souvent négligées mais très efficaces.

Les "churn learnings" générés par l'analyse de l'IA répondent à d'importantes questions stratégiques. Qu'est-ce qui pousse les clients à quitter une plateforme ou à y rester ? Qui sont les clients les plus fidèles ? Quelles tactiques permettent d'augmenter le nombre d'essais gratuits ? Les apprentissages sur le taux de désabonnement peuvent et doivent éclairer les critères de ciblage des acquisitions afin de réduire le coût d'acquisition des clients (CAC) et de maximiser la valeur de la durée de vie des clients (CLV).

Comme les clients passent d'une plateforme à l'autre, l'acquisition ne se limite pas aux nouveaux abonnés nets. Dans une enquête, 75 % des abonnés d'une plateforme de streaming populaire ont déclaré qu'ils se réabonneraient si une nouvelle émission les intéressait.

41%
Pic de désabonnement OTT (États-Unis)

Le winback fait de plus en plus partie intégrante d'une stratégie d'acquisition plus large. L'IA d'entreprise peut extraire des informations des arriérés de données sur les abonnés annulés, qui peuvent à leur tour être utilisées pour regagner l'intérêt des abonnés "perdus". Lors de la sortie d'un nouveau titre, par exemple, l'IA peut déterminer quels clients se sont précédemment intéressés à la même série, au même jeu, au même artiste ou au même acteur, et recommander un rappel opportun pour leur rappeler que leur passe-temps favori fait son retour.

Cas d'utilisation de l'IA en entreprise : Expérience client personnalisée (CX)

Les fournisseurs de médias et de divertissements ont depuis longtemps adopté la personnalisation. À l'ère de l'autonomisation des clients, les organisations doivent développer des stratégies de personnalisation de haute précision et multi-points de contact pour rester pertinentes. Alors que les dirigeants intériorisent cette nouvelle réalité, l'IA d'entreprise apparaît une fois de plus comme un outil crucial.

"Les entreprises qui ne montrent pas à leurs clients qu'elles les connaissent et qu'elles connaissent leurs préférences d'achat risquent de perdre des marchés au profit de concurrents qui sont plus à l'écoute de leurs clients".
- HARVARD BUSINESS REVIEW

La recommandation de contenu personnalisé est l'application la plus répandue de l'IA en ce qui concerne l'expérience client, mais les connaissances de l'IA peuvent être exploitées pour toute une série de cas d'utilisation.

Cas d'utilisation de l'IA : CX

• Modèles de tarification

• Livraison des annonces

• Contenu interactif

• Divertissement immersif

• Offres de produits sous licence

Actuellement, le CX est personnalisé à des degrés divers sur la base d'une connaissance limitée des abonnés, telle qu'une segmentation générale, des scores de santé des clients ou des données comportementales historiques. Il en résulte une vision simplifiée à l'extrême et réductrice des souhaits et des besoins du client. Les solutions d'IA d'entreprise synthétisent des sources de données illimitées sur les clients pour générer une compréhension complète et en temps réel de leurs souhaits et de leurs besoins, y compris :

• Authentification, appareil, localisation, utilisateurs sur le compte
• Données de paiement, expiration de la carte de crédit, lieu de facturation
• Historique des recherches, fréquence des sessions, durée
• Préférences de contenu par genre et métadonnées granulaires
• Qualité de l'expérience : vitesse de diffusion, réseau, etc.
• Activités et intérêts hors plate-forme
• Recherche, données de tiers et données publiques

Prenons l'exemple du modèle freemium, très répandu sur les plateformes de vidéo à la demande. La plupart des fournisseurs proposent une durée d'essai gratuite standard, un prix de mise à niveau et un contenu à chaque client. Les recommandations de contenu peuvent être personnalisées en fonction des données démographiques de base fournies lors de l'inscription et des données comportementales recueillies au cours de la période d'essai. Le CX (et les conversions) peuvent être bien plus optimisés que cela. Ajuster les prix de lancement en temps réel en fonction de la date d'expiration de la carte de crédit et de la vitesse du réseau WiFi domestique afin d'optimiser le CSAT et le CLV n'est pas un concept farfelu.

Cas d'utilisation de l'IA en entreprise : Optimisation du contenu

Les guerres du streaming ne font pas qu'augmenter les enjeux pour les créateurs de contenu ; elles font grimper le coût de la production médiatique et de l'octroi de licences. Au total, les entreprises de médias et de divertissement ont dépensé plus de 120 milliards de dollars en contenu original en 2019. (Disney a représenté à lui seul un quart de ces dépenses à travers ses études, ses réseaux et ses services de SVOD).

Quelle est la valeur de ce contenu ? Ni les géants de la diffusion en continu ni leurs concurrents ne peuvent conserver un avantage concurrentiel en investissant uniquement dans le contenu. Pour maximiser le rendement, les fournisseurs doivent surveiller en permanence la valeur en temps réel du contenu et en tirer parti.

La valeur de chaque actif d'un portefeuille de contenu fluctue continuellement en fonction de l'évolution de la demande des consommateurs et d'une multitude d'autres forces du marché. L'évaluation du contenu est une pratique stratégique cruciale sur un marché du contenu fortement saturé.

L'IA d'entreprise offre aux propriétaires de contenu l'intelligence des données nécessaire pour évaluer le contenu, comprendre son potentiel et réaliser un retour sur investissement.

Au stade de la préproduction, les modèles prédictifs d'IA peuvent prévoir la demande du public et le potentiel de revenus. Les décisions créatives, le financement de la production et les budgets promotionnels peuvent être ajustés en conséquence pour augmenter la marge bénéficiaire et réduire les risques. Les équipes de distribution peuvent maximiser les conditions de licence en prévoyant la demande par plateforme, segment de public, date de sortie et autres critères pour maximiser les conditions de licence.

Une fois le contenu diffusé, les solutions d'IA d'entreprise améliorent la découvrabilité. En rendant les métadonnées du contenu hautement structurées et facilement consultables (plutôt que de dépendre des titres ou des résumés), l'IA peut identifier et étiqueter les éléments qui intéressent les téléspectateurs et les annonceurs potentiels : intrigues, thèmes, lieux, placement de produits, etc. La mise en correspondance des métadonnées de contenu avec les données relatives aux clients et aux marchés révèle des possibilités de placement et de promotion plus précises.

$120B
Dépenses annuelles en contenu original (États-Unis)

Pour les contenus existants, l'IA peut identifier la cause profonde de la performance des actifs. Si les recettes ne sont pas au rendez-vous, les fournisseurs savent pourquoi. Cibles démographiques imprécises ? Moment de la promotion ? Incompatibilité des appareils ? Pour les actifs non diffusés ou archivés, les solutions d'IA d'entreprise surveillent les tendances qui révèlent une valeur non capturée. Un contenu archivé peut par exemple correspondre à un événement d'actualité intéressant un large segment de public.

Sans la technologie d'IA d'entreprise, il est pratiquement impossible de mesurer avec précision et d'exploiter toute la valeur d'un portefeuille de contenus.

Cas d'utilisation de l'IA en entreprise : Stratégie de distribution

Les revenus des médias et du divertissement sont très fragmentés. La collecte et la gestion des données pour chaque service de streaming, application mobile, console et plateforme partenaire exigent de nouvelles stratégies innovantes.

Les contrats à plusieurs niveaux et les modèles d'auto-déclaration qui régissent les accords de distribution empêchent les donneurs de licence de contenu d'obtenir des informations rapides. Le fait de mal calculer un aspect quelconque de l'activité de distribution, même avec un faible pourcentage d'erreur, peut entraîner des litiges contractuels, des pertes d'abonnés et des fuites de revenus.

L'IA d'entreprise apporte de la transparence, du contrôle et de la perspicacité aux flux de travail des revenus de distribution, en particulier les domaines du back office comparativement mal desservis par la technologie d'entreprise (juridique, financier, comptable).

Cas d'utilisation de l'IA : Distribution

• Gestion des accords

• Audit des distributeurs

• Reconnaissance des revenus

• Négociation des licences

• Planification de scénarios

• Prévision prédictive

La simple normalisation des données non structurées contenues dans les rapports et les documents d'accord non standardisés permet de rechercher, d'analyser et de comparer instantanément les conditions de partenariat, ce qui réduit considérablement le nombre d'heures nécessaires à l'exécution de tâches récurrentes simples. Les solutions d'IA d'entreprise valident en outre l'exactitude des données déclarées par les distributeurs en détectant les anomalies. Les incohérences dans les paiements de remise obligent les fournisseurs à dépenser des ressources, quel que soit le résultat. Si aucun problème n'est trouvé, les heures de travail ne rapportent aucun gain monétaire. Pire encore, les organisations peuvent ne pas avoir la capacité d'enquêter et de réconcilier les divergences. Les fuites de revenus restent invisibles.

L'analyse des données d'IA de l'entreprise s'étend aux magasins de données situés en dehors des systèmes comptables internes. Les solutions qui s'intègrent facilement aux bases de données clients permettent d'obtenir des informations prédictives plus puissantes sur le potentiel de revenus futurs des canaux de distribution. Les systèmes d'IA formés pour corréler de manière autonome les changements dans les inscriptions d'abonnés par plateforme donnent aux propriétaires de contenu un puissant levier de négociation.

Avec de meilleures données en main, les propriétaires de contenu peuvent ajuster efficacement les tarifs, les accords de partage des revenus et les conditions contractuelles en leur faveur.

Cas d'utilisation de l'IA en entreprise : Détection des anomalies

Un nombre incalculable de menaces et d'opportunités critiques pour les entreprises ne sont pas détectées chaque jour. Les modèles de revenus des médias et du divertissement sont particulièrement vulnérables aux anomalies cachées, car les données sont dispersées entre les distributeurs, les plateformes de paiement, les appareils de diffusion en continu, les systèmes de gestion des abonnés et les réseaux de diffusion de contenu (pour n'en citer que quelques-uns).

L'IA d'entreprise excelle dans la détection de modèles pour repérer les signaux anormaux cachés dans des ensembles de données complexes.

Détection d'anomalies par l'IA

• Retards de paiement

• Rapports des distributeurs

• Nombre d'abonnés

• Recettes déclarées

• Flux de trésorerie

Si les outils de veille stratégique dépourvus de capacités d'IA peuvent être en mesure de détecter certaines anomalies, ils présentent de réelles limites : détection tardive des erreurs, manque de visibilité sur la cause première et accès à un nombre réduit d'ensembles de données. L'IA d'entreprise peut réduire considérablement le risque de passer à côté d'anomalies subtiles dans les données qui ont un impact considérable sur l'activité de l'entreprise.

Étude de cas : Une erreur d'un million de dollars

Dans les 24 heures qui ont suivi sa mise en œuvre, la plateforme d'IA de Revedia a découvert une erreur passée inaperçue sur un service de streaming populaire : 15 000 abonnés étaient inscrits à des essais gratuits sans date d'expiration définie pour la période d'essai. L'impact de cette anomalie sur le chiffre d'affaires s'est élevé à plus d'un million de dollars

La meilleure IA d'entreprise : ce qu'il faut rechercher dans une solution

Investir dans une solution d'IA d'entreprise est une décision commerciale majeure. Bien que la technologie soit relativement simple, la décision d'achat est complexe. La multiplicité des parties prenantes, les catégories de produits confuses et les caractéristiques hautement techniques découragent même les dirigeants d'entreprise chevronnés.

En outre, l'IA commerciale est moins bien établie dans les médias et le divertissement que dans d'autres secteurs. Les classements des analystes, les évaluations par les pairs et les autres ressources normalement consultées dans le processus d'achat ne sont pas facilement disponibles. C'est pourquoi des inquiétudes se font jour :

• Quelles sont les caractéristiques dont j'ai besoin ?
• Est-il à l'épreuve du temps ?
• Quand dois-je investir ?
• Cette solution a-t-elle fait ses preuves ?
• Quel est le risque ?

Dans cette section du guide, nous passerons en revue les questions clés que les chefs d'entreprise doivent se poser lorsqu'ils évaluent une solution d'IA d'entreprise.

Définir l'analyse de rentabilité

Les nombreux cas d'utilisation de l'IA en entreprise dans les médias et le divertissement peuvent provoquer une paralysie de l'analyse. Avec autant d'applications potentielles de la technologie de l'IA, il peut être difficile de clarifier le besoin.

Selon votre rôle, vous pouvez considérer l'IA d'entreprise comme une solution potentielle à de multiples défis. Isolez le (ou les deux) besoin(s) le(s) plus important(s) de l'entreprise et développez à partir de là.

Clarifiez les résultats spécifiques que vous cherchez à atteindre grâce à l'IA ; ils seront utilisés comme critères de décision lors de l'évaluation des solutions des fournisseurs. Les cinq résultats les plus fréquemment recherchés par les responsables des médias et du divertissement qui envisagent d'investir dans l'IA sont les suivants :

• Réduire le taux de désabonnement/accroître la fidélisation
• Maximiser les revenus de la distribution
• Optimiser le portefeuille de contenus
• Stabiliser les opérations financières
• Gérer efficacement les données

Une analyse de rentabilité bien définie permet aux acheteurs de définir les besoins, de quantifier l'efficacité et de communiquer aux parties prenantes les avantages d'un investissement potentiel.

Construire ou acheter ?

La tendance à développer des systèmes d'IA propriétaires est compréhensible. Poussées par la disponibilité de composants open-source, l'absence de solutions spécifiques au secteur et le besoin de fonctionnalités spécialisées, certaines organisations assument le coût et le risque du développement de solutions d'IA en interne. Dans de rares cas, la décision de construire plutôt que d'acheter est fortement justifiée : il s'agit d'une initiative radicalement transformatrice et hautement spécifique qui n'est tout simplement pas réalisable avec une technologie disponible dans le commerce.

Dans les 99 % de cas restants, les solutions commerciales d'IA offrent des avantages stratégiques dans le débat achat/construction :

• Délai de mise en œuvre

• Coût moins élevé

• Efficacité

• Évolutivité

L'embauche (ou le détournement de l'attention) de data scientists et d'ingénieurs pour développer une IA propriétaire est une proposition de plusieurs millions de dollars. Même l'intégration de ressources open source dans l'environnement informatique existant consomme des ressources, impliquant souvent plusieurs fournisseurs et entraînant des coûts de main-d'œuvre indirects. Les mois nécessaires au développement d'algorithmes d'apprentissage automatique de base peuvent encore retarder la mise en œuvre.

Gartner prévoit que jusqu'en 2022, 85 % des projets d'IA produiront des résultats erronés en raison de biais dans les données, les algorithmes ou les équipes chargées de les gérer.

La maintenance est un autre facteur de coût souvent sous-estimé. Le maintien d'un système d'IA hautement fonctionnel nécessite un personnel technique et de soutien important ainsi qu'une formation continue. Au fur et à mesure de l'évolution des capacités de l'IA, l'innovation et la mise à niveau des systèmes existants impliquent un engagement à long terme en matière de recherche et de développement.

En s'associant à des entreprises qui ont déjà investi massivement (et continuent d'investir) dans la mise sur le marché de capacités d'IA robustes, les leaders des médias et du divertissement peuvent se concentrer sur la transformation de l'intelligence pilotée par l'IA en décisions, produits et expériences client de qualité supérieure.

Au-delà des solutions ponctuelles

Compte tenu du battage médiatique autour de l'IA, les fournisseurs de solutions ponctuelles s'empressent d'intégrer des capacités d'IA dans les plateformes existantes. Les entreprises peuvent certainement tirer une valeur ajoutée de ces améliorations, qui ne doivent pas être négligées dans le cadre d'une stratégie globale en matière d'IA.

Toutefois, pour tirer pleinement parti de l'intelligence artificielle, les entreprises du secteur des médias et du divertissement doivent dépasser les capacités d'IA cloisonnées et se tourner vers des plateformes de bout en bout capables de rendre l'intelligence opérationnelle à l'échelle de l'entreprise.

L'utilisation de l'IA sur des ensembles de données centralisés et intégrés provenant de sources disparates permet d'obtenir des résultats significatifs qui différencient les informations fournies par l'IA des informations commerciales courantes.

Une solution ponctuelle dotée d'une capacité d'IA, par exemple, peut offrir des prévisions. Mais l'analyse est limitée aux données contenues dans ce système. L'IA d'entreprise peut agréger les données de plusieurs solutions ponctuelles pour obtenir des conclusions plus approfondies et diffuser des informations à ces systèmes et aux parties prenantes dans l'ensemble de l'organisation.

85%
des efforts internes en matière d'IA produisent des résultats erronés

L'IA d'entreprise intégrée facilite également l'efficacité de la gestion des données à long terme. Par nature, une source de vérité centralisée élimine les redondances, réduit les erreurs et accélère l'ingestion et l'analyse de flux de données en temps réel en croissance exponentielle.

L'agrégation des données n'oblige pas les parties prenantes à renoncer au contrôle. Au contraire, elle permet à la solution d'IA de reconnaître les tendances et de produire des informations exploitables partout où elles apparaissent, pour toutes les fonctions de l'entreprise.

Adopter une approche verticale

La plupart des offres d'IA disponibles aujourd'hui ne sont pas conçues pour répondre aux défis uniques du secteur des médias et du divertissement. Ces solutions "horizontales" répondent aux besoins fondamentaux des entreprises de tous les secteurs, mais limitent en fin de compte la valeur que l'IA peut apporter.

L'essor de l'IA spécialisée
Heureusement, le marché évolue en faveur de l'IA verticalisée. D'ici 2023, 85 % des solutions d'IA d'entreprise se concentreront sur des besoins spécifiques à l'industrie ou sur des fonctions propres à un domaine.

Les solutions de niche présentent des avantages concrets pour les organisations des médias et du divertissement. Les systèmes d'IA verticalisés sont formés pour détecter, analyser et traiter les questions les plus urgentes à l'ordre du jour des dirigeants de l'industrie.

• Chiffre d'affaires des abonnés

• Engagement dans le contenu

• Distribution en continu

• Droits de licence et de redevance

• Expérience client

La conception et la formation correctes de systèmes d'IA verticalement spécialisés requièrent une expertise approfondie du domaine. La différence entre une solution horizontale et une solution verticale est palpable pour les utilisateurs, du niveau architectural à l'interface logicielle.

85%
L'IA commerciale sera spécialisée d'ici 2023

Les algorithmes d'apprentissage automatique formés par l'industrie apprennent à mieux détecter les schémas courants. Les interfaces conçues par des experts ayant une connaissance approfondie des flux de travail dans le secteur des médias et du divertissement sont intrinsèquement plus intuitives pour les utilisateurs. La normalisation des données, la segmentation de la clientèle, la modélisation de scénarios et une foule d'autres processus sont préparés pour s'adapter à la dynamique unique et en constante évolution de l'industrie.

Les médias et les divertissements évoluent rapidement, et les solutions verticalisées peuvent suivre le rythme. Lorsque le marché évolue, les fournisseurs de solutions verticalisées investissent dans des innovations de produits pour évoluer avec lui.

Une échelle stratégique

L'IA d'entreprise est un jeu de longue haleine. Commencer par une démonstration de faisabilité permet aux organisations de fixer des repères par rapport auxquels le retour sur investissement sera finalement mesuré, comme par exemple :

• Facilité de mise en œuvre
• Vitesse d'ingestion des données
• Précision algorithmique
• Préparation des infrastructures
• Performance du fournisseur

Une approche à grande échelle permet aux dirigeants de se concentrer sur la validation des cas d'utilisation et sur le renforcement des capacités internes afin d'assurer la continuité de l'adoption dans l'ensemble de l'entreprise.

Le bilan

L'IA d'entreprise remplace les tâches, les fonctions et les activités humaines que l'IA est la mieux à même de réaliser. Les humains peuvent alors se concentrer sur ce qu'ils font le mieux : penser de manière plus créative, prendre des décisions, déterminer quelles données l'IA devrait même prendre en compte.

Cet aperçu permet de définir les capacités et les contraintes de l'IA d'entreprise dans les médias et le divertissement. L'IA peut digérer, trier, segmenter et analyser d'énormes quantités d'informations. Elle peut identifier les changements graduels et soudains dans l'entreprise et produire des informations indépendamment de l'instruction humaine. Toutefois, c'est aux humains qu'il revient de décider des actions à entreprendre et de la manière de transformer ces informations en pouvoir.

Appliquée aux médias et aux divertissements, l'IA d'entreprise peut surveiller et rendre compte de l'audience avec une profondeur et des détails impossibles à obtenir il y a seulement dix ans. Les entreprises qui déploient l'IA ne se contenteront pas de survivre aux guerres de streaming, aux coupures de cordon et à toute autre perturbation à venir ; elles verront les changements arriver plus tôt, passeront plus rapidement de la compréhension à l'action et, en fin de compte, transformeront l'information en pouvoir et en profit.

"Dans le paysage médiatique actuel, le contexte est roi. C'est une chose d'appliquer des algorithmes d'IA aux problèmes, mais ce dont le marché a besoin, c'est d'une analyse comportementale en temps réel et de recommandations prescriptives qui font une différence mesurable pour les fournisseurs qui cherchent à engager leurs clients à grande échelle."
MUKUL KRISHNA
RESPONSABLE DE LA PRATIQUE DES MÉDIAS NUMÉRIQUES CHEZ FROST & SULLIVAN