Dun & Bradstreet sollicite l'aide de l'IA pour résoudre un problème vieux de plusieurs décennies
L'identification précise des fonctions commerciales reste cruciale pour de nombreux segments et disciplines, notamment la segmentation des clients, la conformité et la gestion des risques. Mais le manque de standard global, le volume de variables volatiles et les montagnes de données qui s'accumulent rapidement créent une série de problèmes qui se répercutent dans le monde des affaires. Mais maintenant, avec l'aide de l'IA, Dun & Bradstreet aborde le problème d'une manière nouvelle et originale.
Les standards s’aligneront-ils?
Le code de la classification industrielle standard (CIS) date des années 1930. Introduit par les États-Unis, ce code à quatre chiffres a progressivement été accepté par d'autres pays, mais n'a pas réussi à assumer la position de norme mondiale. Actuellement, il existe deux autres systèmes utilisés dans le monde et cela pose des problèmes, car ces codes ne sont pas alignés. Nous ne pouvons pas facilement effectuer un mappage un-à-un d'un système à un autre, ce qui entraîne une perte de précision et une granularité réduite, et rend difficile le partage et l'analyse efficaces des données.
Dun & Bradstreet fournit des CIS, des NAICS et NACE dans l'ensemble de son portefeuille de produits. Pour améliorer ses données CIS, Dun & Bradstreet a mené des recherches indépendantes et ajouté une extension propriétaire au CIS de 1987. Lorsque le code ne peut pas être appliqué localement, D&B utilise un modèle de code d'industrie pour en attribuer un. Bien que la modélisation du CIS ait grandement amélioré la situation, Dun & Bradstreet n'a pas pu accepter les anomalies. Ainsi, après un examen attentif et des consultations avec les clients, D&B a décidé de voir si l'IA pouvait, en fait, améliorer l'attribution et la précision du CIS.
Le nouveau monde fantastique de la modélisation neuronale
Dun & Bradstreet a effectué une validation de principe en utilisant la modélisation neuronale par apprentissage automatique, en prenant des informations de base sur l'ID de la société, les descriptions de CIS UK2007 et des données extraites du Web. Les informations abondantes que Dun & Bradstreet a sur les entreprises individuelles, à la fois propriétaires et de sources ouvertes, peuvent être lues et synthétisées par le système de l’IA. Lorsque toutes les preuves ont été pesées, le système produit un score de confiance qui reflète la confiance dans chaque décision.
Dun & Bradstreet utilise un programme d'amélioration continue et un outil d'assurance qualité (AQ) pour s'assurer que le processus est toujours l’apprentissage. Les entrées permettent « d’enseigner » à la machine grâce à des processus « humains dans la boucle ». Jusqu'à maintenant, le processus a fourni 6,7 millions de CIS UK, nouvellement attribuées ou vérifiées, et le programme est en cours d'extension à la base de données américaine. Les résultats parlent d'eux-mêmes :
- Couverture améliorée = 4,3 millions de CIS supplémentaires
- Précision améliorée = 1,2 millions de vérifications
- Profondeur améliorée = 1,5 million de progrès en matière de précision
À mesure que le modèle évolue, il y a plus d’ensembles de données implicites (données transactionnelles et flux de médias sociaux), et l'apprentissage automatique a permis d'identifier l'activité de l'industrie par le biais de perspectives implicites telles que les relations.
Ça fonctionne! Mais pourquoi est-ce important?
Eh bien, il y a de plusieurs très bons exemples pour répondre à cette question. Et nous avons plus de détails sur le processus et les possibilités prometteuses quant au succès de cette application de l'IA. Pour en savoir plus, nous vous invitons à lire notre livre blanc intitulé « Commercial Entity Industry Identification - How AI is improving classification ». Dans cette étude convaincante, nos experts racontent en détail la manière dont l'IA est le moteur du changement, pas seulement pour Dun & Bradstreet, mais également pour des industries entières.