Applying Artificial Intelligence (AI) to software programming for forecasting and optimizing business management decisions
Cette étude démontre que l'application de l'intelligence artificielle, particulièrement des réseaux de neurones artificiels, à la programmation logicielle permet aux entreprises d'optimiser les décisions de gestion et de maximiser le retour sur investissement en prévoyant avec précision la performance des ventes et en identant les seuils optimaux de budget marketing.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Dans l'économie numérique moderne, les entreprises sont confrontées à un défi constant : comment dépenser leur argent judicieusement pour croître. Pendant des décennies, les gestionnaires se sont appuyés sur l'intuition et des graphiques simples pour deviner combien investir dans la publicité ou les nouveaux produits. Aujourd'hui, cependant, un changement puissant s'opère. Les ordinateurs apprennent à trouver des modèles dans de vastes quantités de données historiques, un domaine connu sous le nom d'apprentissage automatique (machine learning). Cette approche permet aux organisations d'aller au-delà des suppositions et d'utiliser des simulations pour prédire les résultats futurs. L'idée centrale est simple : en nourrissant un ordinateur avec les archives passées des dépenses et des ventes, la machine peut apprendre la relation entre les deux et suggérer la voie la plus efficace à suivre. Il ne s'agit pas de remplacer le jugement humain, mais de donner aux gestionnaires une carte plus claire, basée sur les données, pour naviguer dans un marché volatil où les habitudes de consommation changent rapidement et la concurrence est féroce.
Une étude récente de Trinh Quang Minh, de l'Université de Can Tho, explore précisément comment ces outils informatiques peuvent être appliqués aux décisions commerciales réelles. Le chercheur a entrepris de tester trois types différents de modèles d'intelligence artificielle pour voir lequel fonctionne le mieux pour prédire les ventes en fonction des budgets marketing. L'objectif était de trouver le « point idéal » de dépense — le montant spécifique d'argent qui génère le rendement le plus élevé sans gaspiller les ressources. Pour ce faire, l'équipe a créé une simulation utilisant des données qui imitaient un détaillant de téléphones portables au Vietnam. Ils ont alimenté l'ordinateur avec des registres historiques montrant combien d'argent était dépensé en marketing et combien de téléphones étaient vendus en réponse. Les données allaient de dix milliards de dongs vietnamiens dépensés en publicité jusqu'à cinquante milliards.
L'étude a comparé trois approches distinctes. La première était un modèle de régression linéaire, une méthode simple qui suppose que les ventes croissent à un rythme constant et prévisible à mesure que les dépenses augmentent. La seconde était un arbre de décision, qui fonctionne comme un organigramme, divisant les données en branches pour gérer les changements soudains ou les sauts de comportement. La troisième était un réseau de neurones artificiels, un système complexe conçu pour imiter la capacité du cerveau humain à reconnaître des motifs complexes et non linéaires. Lorsque les chercheurs ont lancé leurs simulations, les résultats ont révélé que le meilleur outil dépend entièrement de la situation. Le modèle linéaire simple fonctionnait bien pour une croissance constante et prévisible, prévoyant qu'une dépense de cinquante milliards de dongs mènerait à environ 236 unités vendues. Cependant, le réseau de neurones plus complexe prédisait que le même investissement produirait 240 unités, suggérant qu'il était meilleur pour capturer les réalités subtiles et désordonnées du marché.
La simulation a identifié un seuil spécifique de réussite. Elle a déterminé qu'une dépense comprise entre cinquante et cinquante-cinq milliards de dongs vietnamiens était le niveau optimal pour maximiser l'efficacité. En dessous de ce niveau, par exemple avec une dépense de seulement trente-cinq milliards, les modèles prédisaient des ventes nettement inférieures, indiquant une occasion manquée. Au-dessus de ce niveau, les rendements commençaient à diminuer, ce qui signifie que l'argent supplémentaire dépensé ne générait pas assez de ventes supplémentaires pour justifier le coût. Le modèle de l'arbre de décision s'est avéré particulièrement utile pour comprendre les changements soudains, tels que le lancement d'un produit phare ou une vente majeure pendant les vacances, où le comportement des consommateurs change brusquement plutôt que graduellement. Dans ces scénarios, le modèle de l'arbre pouvait prévoir des ventes de 200 unités pour une dépense de quarante milliards, surpassant le modèle linéaire plus simple qui n'en prédisait que 190.
Les conclusions offrent un guide clair pour les chefs d'entreprise. Pour les petites entreprises ayant des données limitées et des marchés stables, le modèle linéaire simple est souvent suffisant et facile à comprendre. Pour les entreprises confrontées à des marchés volatils où le comportement des clients fait des bonds inattendus, l'arbre de décision offre une vue plus flexible et intuitive. Pour les grandes organisations disposant de masses de données complexes, le réseau de neurones offre la plus grande précision, même s'il est plus difficile d'expliquer comment il parvient à ses conclusions. L'étude conclut qu'il n'existe pas de modèle unique « meilleur » pour chaque situation. Au lieu de cela, les gestionnaires doivent choisir l'outil qui correspond à leurs données spécifiques et aux conditions du marché. En faisant ce choix, ils peuvent passer de la dépendance aux intuitions à des décisions hautement rationnelles et fondées sur les données, optimisant ainsi leur retour sur investissement et sécurisant leur position dans une économie numérique en mutation rapide.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.