Les petits crus : dégustez des fromages au lait cru avec des vins bio

Découvrir : Les petits crus, 

13 rue Saint Aubin 

A deux pas de la Bastille ... et de Coop de France.

L'équipe vous propose de somptueuses dégustations Vins & Fromages

A découvrir sans modération ! 

Unlearn : Apprendre à désapprendre pour mieux apprendre ! The Ford Unlearn Manifesto

Pour une entreprise, quels sont les bons consommateurs de ses produits ?

J’ai cherché à répondre à cette question pour les entreprises qui proposent des boissons alcoolisées. Définir un “bon buveur”. Dans un premier billet, j’indiquais pourquoi il est important pour une entreprise de chercher à comprendre qui sont les bons consommateurs de ses produits (lien vers le premier billet de cette série). La plupart du temps, elle sait qui sont ses bons clients. Mais sont-ils pour autant de bons consommateurs, de bons buveurs ? Un bon client d’une marque n’est pas toujours un bon consommateur des produits de cette marque !

Pour une entreprise, un bon buveur est une personne pouvant ressentir un haut degré de satisfaction lors d’une dégustation. La satisfaction peut être intense sans toute fois être riche, raffinée, large ou profonde. La satisfaction peut venir d’une palette de bénéfices. Le bénéfice gustatif est le premier auquel on pense lorsqu’il s’agit d’un alcool. L’expérience gustative peut, elle-même, être de nature très différente. Un néophyte ne sera pas en mesure de tirer un plaisir d’une note de poire confite, d’une trace de savoir de myrtilles, d’un effluve de coing. Sa lecture du breuvage sera limitée. Par ailleurs, pour un amateur, déguster un vin s’est aussi partir en découverte. Sa curiosité est titillée. On parle de bénéfice épistémique. La dégustation d’un vin rappelle aussi des souvenirs (bénéfices mnésiques). Un bon buveur sera en mesure de coproduire à partir d’une palette de huit familles de bénéfices une grande satisfaction.

Le développement d’une connaissance des alcools, c’est-à-dire leurs arômes, de leurs parfums, de leur origine, etc. Elle est, me semble-t-il, un prérequis. Un bon buveur doit donc être un connaisseur des vins, mais disposer aussi d’un bon processus de dégustation. Il doit être formé.

Un bon buveur est aussi une personne qui ne boit ni trop ni trop peu. En effet, boire trop peu peut être un frein à l’acquisition ou au maintien d’une bonne connaissance des boissons alcoolisées et du processus de dégustation qui doit être entretenu. Pour une entreprise, un bon buveur boit et sait boire avec modération. Les débordements (les cuites) ne sont pas le signe d’un processus de dégustation permettant d’extraire tous les subtilités d’un grand breuvage. .

En partant de ce point, étudions les deux pistes simples qu’une marque de boissons alcoolisées pourrait adopter afin de maximiser son chiffre d’affaires :

Chiffre d’Affaires = Nombre de ventes x Prix de vente

Piste 1 : Augmenter le nombre des ventes par exemple en baissant le prix ou par une communication qui vise à rendre le produit plus attractif.

C’est ce qu’il semble le plus facile de faire, mais est-ce profitable à long terme ? Il revient ici à se demander si l’on ne fragilise pas ainsi les populations à risques tels que les jeunes qui affectionnent plus que les autres groupes de buveurs une consommation excessive. De plus, plus nous buvons, plus il est difficile de savourer son alcool pour son arôme, sa combinaison avec un aliment ou quoiqu’autre chose que la montée de ses effets euphorisants ou de levée des inhibitions. Cette hypothèse dégrade les conditions mêmes du marché. Elles incitent à une généralisation du mal boire. Comment avoir confiance en l’avenir d’une entreprise lorsque c’est celle-là même qui met en danger la santé de ses consommateurs ?

Piste 2 : Augmenter le prix de vente par exemple en proposant le « mieux boire », c’est-à-dire les moyens de savourer un alcool.

Une personne qui boit avec modération et qui sait reconnaître la valeur de ce qu’il boit peut potentiellement dépenser plus pour des produits de qualité. Il faut que le buveur soit en mesure de reconnaître par l’expérience de la consommation la qualité d’un produit.  C’est le buveur qui révèle tout son potentiel à un produit. C’est en cela qu’il est judicieux de conclure que celle-ci est la meilleure façon de procéder  : en comprenant que la modération définit la qualité d’un consommateur, l’entreprise peut l’adopter et le transformer en acteur de la marque, un agent actif à part entière de création de valeur pour celle-ci.

La génétique du big data : un risque pour le futur ? Dotons nos machines de résilience collective.

Comme vous probablement, je vois la percée dans le monde agricole de nouvelles solutions numériques et les bénéfices qu'elles peuvent apporter à leurs utilisateurs. Plus particulièrement, les gains d'efficience productive : la bonne action, dosée de manière optimale et au bon moment. Cependant, il convient de s'interroger sur les effets de bord de ces algorithmes et sur "la diversité de leur génétique". Le machine learning est souvent au coeur de ces dispositifs d'optimisation. Cette approche repose sur l'historique. Jour après jour les algorithmes essaient de s'affiner à partir des situations, des actions qui ont été menées et des résultats de ces actions. Ainsi dans une même situation, les actions sous-optimales à un instant donné seront progressivement gommées et les résultats maximisés. Le marchine learning fonctionne sur le principe d'un thermostat intelligent que s'adapterait parfaitement à la température extérieure et son évolution future pour apporter au moindre coût le confort thermique aux résidents d'un logement ou d'un bureau selon leur souhait de température optimale.

Nous sommes coutumiers de ces processus de sélection. Les agronomes ont, depuis des années, sélectionné les variétés végétales et les races animales les plus productives, les plus adaptées aux conditions du moment. Cette adaptation a pour conséquence une certaine forme d'appauvrissement de la diversité génétique. C'est ainsi que plus de 2000 platanes d'une grande proximité génétique ont été plantés en bordure du canal du midi. Malheureusement, ils sont aujourd’hui atteints d'une maladie qui semble incurable. Certains esprits, probablement à juste titre, ont considéré qu'avoir planté il y a plusieurs décennies maintenant les arbres les plus performants de l'époque, et donc des arbres d'une grande proximité génétique, a été une erreur. La diversité génétique aurait pu être une meilleure solution en regard de la situation actuelle. On ne refait pas l’histoire, mais on doit s’en inspirer et en tirer les leçons.  

L'analogie entre un algorithme et un arbre est certes loin d'être parfaite. Elle est peut-être même incorrecte. Cependant, nous devons nous interroger sur la possibilité de ces algorithmes à proposer des actions optimales même dans des conditions extrêmes (marginalement observées) ou des situations inattendues. Pour qu'ils soient en mesure de le faire, il faut, compte tenu de leur fonctionnement actuel, qu'ils soient soumis à ces types de situations et en nombre suffisant. C’est ainsi qu'ils apprennent. Cependant, la caractéristique principale de ces conditions est justement leur faible fréquence, voir même leur absence dans l’historique. On peut donc anticiper des réactions algorithmiques inappropriées dans ces conditions marginales. La génétique des algorithmes va jouer aussi un rôle important. Si dans ces conditions tous les algorithmes déployés dans l’ensemble des systèmes agricoles sont identiques, les réponses, bonnes ou mauvaises, seront probablement identiques. Comme les algorithmes doivent être confrontés à une diversité des couples ( contexte, action), leur degré d'apprentissage sera extrêmement limité, insignifiant. Si l'on anticipe, avec le changement climatique, un accroissement de situations inattendues, il pourrait être judicieux de s'assurer que l'ensemble des algorithmes déployés sont suffisamment différents pour proposer une diversité de solutions, certaines bonnes et d'autres moins bonnes, pour ainsi apprendre de cette diversité. Ils devront également être alors en mesure d'échanger leurs résultats pour apprendre plus rapidement les uns des autres, une forme d'apprentissage collectif entre machines. 

Une piste complémentaire consiste à mettre en expérimentation, c’est-à-dire au laboratoire, des situations extrêmes, puis de multiplier les réponses à ses situations. Cela permettra de nourrir les algorithmes d'un ensemble d'informations riches et suffisamment variées pour permettre aux machines à apprendre le mieux possible. Ici aussi, la dimension collective sera primordiale.

Poursuivons quelques instants ! Un second danger peut affecter nos machines : la cybercriminalité ! Un moyen de détruire un système productif est de s'attaquer à son système de pilotage. Certaines intrusions sont difficiles à détecter, par exemple, si le système touché fonctionne encore, mais de manière sous-optimale. Là aussi, la diversité génétique des machines devrait pouvoir jouer un rôle ! La collaboration entre machines pourrait aussi s'avérer particulièrement prometteuse, chacune transmettant ses prédictions à une autre pour s'assurer ainsi de son bon fonctionnement