Dans son ensemble, l’industrie des biens de consommation emballés (CPG) en est à ses balbutiements en matière d’intelligence artificielle (IA).
Les entreprises de CPG ont du mal à évaluer leur maturité en IA par rapport à leurs pairs.
Les GPC peuvent bénéficier d’un large éventail d’avantages dans toutes les fonctions de l’entreprise lorsqu’ils appliquent l’IA comme un moyen et non comme une fin.
Nous avons identifié cinq archétypes de maturité de l’IA et classé les catégories de cas d’utilisation de l’IA en fonction de l’évolutivité et de la valeur potentielle pour fournir aux CPG un point de départ.
Les technologies émergentes, y compris l’IA, ont donné un net avantage aux entreprises d’autres secteurs. Les entreprises à la pointe de l’IA sont des noms connus pour changer les règles du jeu et réinventer leurs industries: Amazon, Facebook, Microsoft, Apple. Pour rester en tête, ces leaders investissent massivement dans la technologie. Amazon, par exemple, se classe n ° 1 en R&D, consacrant plus de 10% de ses revenus à l’informatique tandis que les détaillants gèrent 1% à 2%.
De même, les marques CPG insurgées avec peu d’historique opérationnel mais des données approfondies investissent dans l’IA pour développer un avantage. Les petites entreprises ont utilisé les données pour engager les clients grâce à la personnalisation à grande échelle.
Par rapport à d’autres industries, les grands CPG ont pris du retard dans l’adoption de l’IA, peut-être découragés par un buzz précoce qui s’est transformé en résultats décevants (voir la figure 1). Malgré des antécédents inégaux, les GPC devraient toujours augmenter le nombre de tentatives d’utilisation de l’IA au cours des trois prochaines années.
Figure 1
L’analyse des entreprises associées à l’intelligence artificielle montre de grandes disparités au sein des industries et un large éventail d’entre elles, les produits de consommation étant à la traîne des autres industries
Bien que l’IA soit considérée comme une voie à suivre, la feuille de route de la plupart des entreprises de GPC n’est pas claire.
Mesurer la maturité de l’IA
L’IA est définie comme la capacité d’une machine à percevoir, comprendre, prendre des décisions et réagir de manière autonome à son environnement. Dans ce rapport, nous nous sommes concentrés sur le précurseur de cette vision ultime: des technologies d’analyse et d’automatisation avancées visant à résoudre une tâche ou un problème étroitement défini. Nous avons inclus des applications d’apprentissage automatique avancé dans notre étude.
Dans son ensemble, l’industrie du CPG en est à ses balbutiements en matière d’IA et est loin derrière une douzaine d’autres industries. Il convient de noter que les industries qui sont à la pointe de l’IA, comme la vente au détail et la technologie, investissent davantage dans l’IA que dans les GPC, mais ne maîtrisent toujours pas la technologie.
Pour déterminer où se situent les GPC en termes de maturité de l’IA, nous avons évalué le paysage de l’IA pour créer une base de référence. Nous avons mesuré notre échantillon de sociétés en fonction de deux critères: la taille du portefeuille d’IA et la réalisation de l’échelle.
La taille du portefeuille représentait le nombre de catégories de cas d’utilisation de l’IA qu’une entreprise prévoyait de mettre en œuvre ou avait actuellement en cours, ainsi que toutes les catégories de cas d’utilisation qu’elle avait tentées au cours des trois dernières années.
La réalisation de l’échelle a été calculée en divisant le nombre de cas d’utilisation mis à l’échelle avec succès par le nombre total de cas d’utilisation tentés. Un cas d’utilisation a été jugé réussi s’il était ultérieurement mis en œuvre à plus grande échelle (par exemple, sur plusieurs unités commerciales ou marchés) et les résultats ont été mesurés et atteints, même si ce n’est que partiellement.
À partir de ces données, cinq archétypes de maturité de l’IA ont émergé (voir Figure 2):
Figure 2
Nous avons identifié cinq archétypes de l’IA qui distinguent les grandes entreprises en tant que pionniers de l’IA
Leaders de l’échelle IA
Par définition, AI Scale Leaders a tenté et mis à l’échelle plus de cas d’utilisation que tout autre groupe, et ils ont exploré une variété de cas d’utilisation dans des domaines fonctionnels (voir Figure 3). Avec plusieurs victoires et plus de la moitié de leurs cas d’utilisation mis à l’échelle, les leaders d’échelle envisagent des applications d’IA de plus grande valeur. Environ 12% des répondants entraient dans cette catégorie.
Leaders AI Focus
Comparé à d’autres archétypes, AI Focus Leaders a investi dans moins de cas d’utilisation, mais a dépensé un pourcentage plus élevé de son budget sur chaque cas d’utilisation. Les leaders AI Focus ont mis à l’échelle près de la moitié de leurs tentatives d’utilisation, qui ont été ciblées sur certaines parties de l’organisation. Un autre 12% des répondants correspondaient à ce profil.
Expérimentateurs IA
Les expérimentateurs d’IA sont accomplis en IA en termes de volume, mais ont du mal à obtenir des résultats cohérents. Ce groupe, qui comprenait environ 30% des répondants, n’a mis à l’échelle que 15% de leurs initiatives d’IA.
Optimistes IA
Les optimistes de l’IA sont enthousiastes à propos de l’IA, mais n’ont pas réussi à faire évoluer les cas d’utilisation au cours des trois dernières années. Ils avaient le deuxième plus grand portefeuille d’IA (19 cas d’utilisation), bien que la plupart des cas d’utilisation aient été planifiés plutôt que terminés ou en cours. Environ 18% des répondants appartiennent à la catégorie AI Optimists.
Démarreurs AI
Environ 28% des entreprises de notre échantillon étaient soit nouvelles dans l’IA et ses applications, soit sceptiques quant à sa faisabilité et son impact. Appelé AI Starters, cet ensemble a essayé et planifié le moins de cas d’utilisation de n’importe quel archétype et n’a atteint l’échelle sur aucun projet d’IA. Les starters IA se distinguent des Optimistes par leur manque d’intérêt ou d’intention de poursuivre l’IA à l’avenir.
Tous les CPG, quel que soit l’archétype, ont eu du mal à évaluer leur maturité en IA par rapport à leurs pairs. La plupart ont auto-évalué leur maturité en IA comme étant élevée et pensaient avoir des performances supérieures à leurs pairs. En réalité, moins d’un quart des GPC ont obtenu le statut de leadership.
Outre l’écart de perception, d’autres deltas existent. Au sein de l’industrie CPG, il existe des divisions profondes entre les catégories et la maturité de l’IA; par exemple, l’électronique grand public et l’alimentation et la nutrition sont au premier plan, tandis que les cosmétiques et les produits de luxe sont encore plus en retard. Cela indique un lien entre la maturité numérique globale et l’état de préparation de l’IA.
Apprendre des leaders de l’IA
Tout d’abord, les leaders de l’IA utilisent la technologie pour créer des solutions sur mesure aux problèmes de l’entreprise, plutôt que d’appliquer une nouvelle technologie puissante de manière générique.
Voici deux exemples où un problème commercial distinct a été résolu par l’IA:
Les déchets périssables excessifs – cinq fois supérieurs à la moyenne de l’industrie – coûtaient à une entreprise mondiale d’aliments emballés jusqu’à 100 millions de dollars par an. Avant d’appliquer une solution technologique au problème, l’entreprise a engagé sa première ligne pour comprendre le processus existant et ses lacunes. Ils ont constaté que les méthodes manuelles de prévision et de traitement des commandes étaient inexactes et exigeantes en main-d’œuvre. L’entreprise avait besoin d’un processus de commande plus rationalisé et plus efficace pour réduire le gaspillage et définir un objectif clair pour définir le succès.
Puis vint la technologie. Pour résoudre le problème commercial, la société a créé une plate-forme de modèles avancés pour prévoir la demande avec plus de précision. Un prototype d’un nouveau système de gestion des commandes a été construit à partir de la plate-forme modèle, puis largement testé et modifié. Plus de 250 changements ont été apportés à la solution sur une période de trois mois avant le lancement d’un pilote dans quatre endroits clés.
La preuve de concept a montré une réduction de 40% à 50% des déchets, ainsi qu’une réduction de 50% des heures de travail consacrées. La solution s’est également avérée reproductible et des fonctionnalités supplémentaires ont été identifiées pour une mise à l’échelle sur une période de 18 mois.
Comme deuxième exemple, un grand fabricant de vêtements était confronté à des coûts de chaîne d’approvisionnement élevés et à des variations de produits complexes. Ces défis ont entraîné une faible disponibilité, faisant de la perte de ventes un problème majeur. Même une amélioration de 1% pourrait offrir des avantages considérables à ses résultats.
Avec une bonne infrastructure informatique et des technologies habilitantes en place, l’entreprise a déployé l’IA pour analyser ses produits pour la transférabilité des ventes du point de vue du client. L’entreprise a également utilisé des données pour automatiser la planification des courbes de taille et pour prévoir des ventilations plus précises par article et par magasin. En utilisant l’IA plutôt qu’un processus de planification manuel, les stocks et les effectifs excédentaires ont tous deux diminué. Et les clients ont bénéficié d’une meilleure disponibilité.
Les pilotes et les phases de développement ont fait appel à des experts métiers et fonctionnels, et des équipes spécifiques à chaque pays ont aidé à intégrer la technologie et les nouveaux processus sous-jacents dans chaque marché. L’entreprise de vêtements a réussi, en partie, parce qu’elle avait mis en place une gestion du changement efficace pour soutenir le changement. L’entreprise a compris qu’il ne suffisait pas de fournir la bonne technologie; elle devait amener ses habitants sur le chemin pour atteindre son plein potentiel.
Ces exemples, combinés aux commentaires des dirigeants que nous avons interrogés et des experts que nous avons interrogés, nous ont aidés à identifier six facteurs clés qui contribuent à plusieurs reprises à la réussite de la mise en œuvre de l’IA: un problème commercial spécifique avec un objectif ou un objectif clairement défini; disponibilité de données de haute qualité; temps et budget suffisants; méthodes de travail agiles; technologies habilitantes; et une vision convaincante de l’IA.
L’importance de chaque facteur change avec la maturité de l’IA. Les dirigeants doivent évaluer la maturité (et la vision) actuelle de leur entreprise en matière d’IA afin de déterminer les facteurs les plus influents sur leur parcours. Se concentrer sur quelques facteurs favorables au bon moment sera le plus avantageux.
Où commencer
Des milliers de cas d’utilisation potentiels de l’IA existent. Sans point de départ clair, la plupart des CPG ont investi dans des cas d’utilisation de l’IA de manière aléatoire. Parmi les catégories de cas d’utilisation étudiées, les plus fréquemment testées n’étaient ni la valeur la plus élevée ni la plus facile à mettre en œuvre. De toute évidence, les dirigeants du CPG doivent développer une stratégie d’IA.
+
Nous avons en outre classé ces catégories de cas d’utilisation en fonction de l’évolutivité et de la valeur potentielle afin de fournir aux leaders du CPG un point de départ pour leurs voyages en IA (voir Figure 4). Chaque vague a une zone fonctionnelle dominante; Les catégories de cas d’utilisation du marketing et de l’intelligence consommateur sont pertinentes à toutes les étapes de la maturité de l’IA, car elles constituent une base pour comprendre les besoins clés de l’entreprise.
Les GPC moins expérimentés devraient acquérir de l’expérience et de l’enthousiasme dans les catégories de cas d’utilisation des vagues inférieures, puis appliquer leur succès à des efforts plus importants trouvés dans les vagues ultérieures. À chaque vague, la complexité et le besoin de collaboration interservices augmentent.
Au fur et à mesure que les CPG acquièrent de l’expérience en IA, ils peuvent progresser sur trois vagues:
Vague 1: les mouvements IA éprouvés sont plus faciles à mettre en œuvre et atteignent constamment une échelle par rapport aux autres catégories de cas d’utilisation. Ces expériences créent l’élan et l’enthousiasme, ce qui est essentiel pour obtenir l’adhésion de l’organisation.
Les relations commerciales sont un thème clé parmi les mouvements d’IA éprouvés et servent de point de départ typique. Dans ce domaine fonctionnel, l’IA peut être appliquée pour faire face à des négociations commerciales plus dures, à la pression sur les prix et à la concurrence pour l’espace de stockage.
Vague 2: Les différenciateurs créent des rendements plus élevés pour l’organisation, mais sont plus difficiles à coordonner et à mettre à l’échelle. Les achats, la logistique et les opérations sont des thèmes clés de cette vague et ont le potentiel de différencier les entreprises. Par exemple, l’intelligence artificielle pourrait être déployée pour stimuler l’agilité de fabrication ou la réactivité des clients parmi les grands CPG qui sont obligés de concurrencer des entreprises plus petites et plus agiles.
Les catégories de cas d’utilisation de la vague 2 comprennent la maintenance prédictive, les programmes de fidélisation et de fidélisation de la clientèle et les achats.
Vague 3: Les perturbateurs potentiels sont les implémentations de la prochaine frontière, y compris l’innovation et les travaux de R&D. Ils nécessitent une vaste expérience de l’IA pour réussir leur mise à l’échelle, ainsi qu’une coordination interfonctionnelle. Bien qu’ils présentent un risque plus élevé, les perturbateurs potentiels aident les pionniers de l’IA à pérenniser leurs portefeuilles et à maintenir leur position de leader grâce à l’innovation et à la R&D.
Les exemples incluent les innovations de produits, la personnalisation de masse et les efforts de personnalisation, le profilage et la segmentation des consommateurs, la mesure de la marque et les promotions sophistiquées. Réalisés à grande échelle, ces cas d’utilisation de l’IA sont payants: par exemple, Crobox est une entreprise basée à Amsterdam qui combine la psychologie et l’IA pour optimiser les expériences d’achat en ligne. Les détaillants en ligne qui utilisent les algorithmes d’apprentissage automatique de Crobox pour générer de l’intelligence client et des profils détaillés des acheteurs ont vu les valeurs de commande moyennes passer de 5% à 10% et un retour sur investissement de 6x-7x.