Le terme « data » est souvent décrit comme l’or du XXIe siècle. Cette affirmation n’est-elle pas abusive ? Finalement, on fait dire aux données ce que l’on veut et c’est donc leur interprétation qui est l’élément clé. Pourtant, il ne peut y avoir d’interprétation correcte des données sans une collecte de qualité. Au-delà de cette évidence métier, il faut surtout distinguer deux grandes catégories de données à obtenir dans le contexte d’un projet d’IA : les données administratives et les données d’usage. Les premières sont nécessaires à la gestion d’un client par l’entreprise. Ce sont, par exemple, le nom du client, son adresse, son numéro de téléphone, son numéro de carte de crédit… Finalement, elles ne nous apprennent que peu de choses sur lui. Qu’un prospect ait une adresse email en « Gmail » ou « Yahoo » ne me dit pas grand-chose. En revanche, connaitre les données d’usage d’un client, si possible liées au cœur de métier de l’entreprise est stratégique. Si elle vend des voitures, savoir que son client a une approche écologique de sa conduite, qu’il conduit 30.000 km par an, qu’il possède une maison individuelle avec un garage (donc avec une prise électrique) et qu’il a deux enfants en bas âge vaut de l’or ! C’est à partir de ces données d’usage que l’entreprise peut développer une approche marketing véritablement personnalisée qui augmente significativement la pertinence de ses messages aux yeux des clients et donc le taux de conversion en achat. Comment collecter les données d’usage ? Entre autres avec des « cobots » (Collaborative Robots) dont je décris l’usage et le fonctionnement en détail dans mes derniers livres « La Révolution des Services 4.0 » et « The rise of the Cobot », disponibles sur Amazon ou lors de mes interventions avec des comités de direction.