Cheikh Maoulainine, F. Z., & Souaf, M. (2024). Impact de l’intelligence artificielle sur la gestion de la relation Client. Revue du Contrôle de la Comptabilité et de l’Audit, 8(4), 48-64.
https://doi.org/10.5281/zenodo.10602607

Mots clés : intelligence artificielle, gestion de la relation client, chatbots, marketing digital, e-commerce

Résumé :
L’intelligence artificielle (IA) transforme la gestion de la relation client (GRC) en automatisant et optimisant les interactions entre clients et entreprises. Des technologies comme les chatbots, les systèmes de recommandation et les analyses prédictives améliorent l’expérience client en réduisant les temps d’attente et en fournissant des réponses rapides et précises. En particulier, les analyses prédictives permettent de mieux comprendre et anticiper les comportements des clients, ce qui aide les entreprises à optimiser leurs stratégies marketing et à fidéliser leur clientèle. Cependant, l’intégration de l’IA dans la GRC soulève des défis importants, notamment en matière de protection des données, d’équité des algorithmes et de transparence. Ce travail, basé sur une revue de littérature, explore les bénéfices, les enjeux éthiques et les implications de l’IA pour la satisfaction et la fidélisation des clients.

Contexte d’apparition de l’IA dans la GRC
La gestion de la relation client (GRC) est cruciale pour les entreprises modernes cherchant à maintenir et à renforcer leurs relations avec les clients. Historiquement, la GRC reposait principalement sur des interactions directes et personnalisées entre les entreprises et leurs clients. Avec l’évolution technologique, la GRC a progressivement intégré des systèmes de gestion de la relation client (CRM) qui permettent de centraliser et d’analyser les données des clients. Aujourd’hui, l’IA offre des opportunités inédites pour transformer la GRC.

Applications de l’IA dans la GRC
L’IA permet de traiter des volumes massifs de données, d’automatiser les réponses aux demandes des clients et de fournir des recommandations personnalisées. Les chatbots utilisent des algorithmes de traitement du langage naturel pour interagir avec les clients de manière fluide et naturelle. L’analyse de sentiment permet de comprendre les émotions et les opinions des clients en analysant leurs commentaires sur les réseaux sociaux, les e-mails et autres canaux de communication. Les systèmes de recommandation utilisent des techniques de machine learning pour proposer des produits ou services adaptés aux préférences et aux comportements passés des clients. L’IA permet également d’automatiser de nombreuses tâches administratives et répétitives, telles que la gestion des e-mails, la saisie de données et le traitement des commandes.

Avantages de l’IA pour la GRC
L’IA améliore la satisfaction client en fournissant des réponses rapides et efficaces, en personnalisant les interactions et en anticipant les besoins des clients. Elle permet également d’optimiser les stratégies marketing et de fidéliser la clientèle. En automatisant les tâches répétitives, l’IA libère du temps pour les employés, leur permettant de se concentrer sur des tâches à plus forte valeur ajoutée.

Défis et considérations éthiques
L’intégration de l’IA dans la GRC soulève des défis importants, notamment en matière de protection des données, d’équité des algorithmes et de transparence. Les entreprises doivent veiller à un déploiement stratégique de l’IA, qui tienne compte des besoins d’interaction humaine et de transparence pour maintenir la confiance des clients.

Conclusion
L’IA ouvre de nouvelles opportunités pour la GRC, transformant profondément la manière dont les entreprises interagissent avec leurs clients. En optimisant l’expérience client, elle pose néanmoins des défis éthiques et pratiques qui nécessitent une adoption prudente et une réflexion continue sur son utilisation. Le potentiel de l’IA à redéfinir les interactions entre entreprises et clients pourrait, s’il est bien exploité, offrir des avantages durables tant pour les organisations que pour leurs clients, tout en intégrant des pratiques responsables et éthiques.

Bibliographie

• Argyris, C., & Schön, D. A. (1978). Organizational learning: A theory of action perspective. Addison-Wesley.
• Bertsch, F., Castello, M., & Taisch, M. (2022). Machine learning applications in finance and economics: The implications for risk management. Journal of Financial Economics, 142(3), 569-589.
• Brodie, R. J., Ilic, A., Juric, B., & Hollebeek, L. (2011). Customer engagement: Conceptual domain, fundamental propositions, and implications for research. Journal of Service Research, 14(3), 252-271.
• Char, D. S., Shah, N. H., & Magnus, D. (2018). Implementing machine learning in health care—Addressing ethical challenges. New England Journal of Medicine, 378(11), 981-983.
• Davenport, T., & Ronanki, R. (2018). Artificial intelligence for the real world. Harvard Business Review, 96(1), 108-116.
• Durfee, E. H., Lesser, V. R., & Corkill, D. D. (1989). Trends in cooperative distributed problem solving. IEEE Transactions on Knowledge and Data Engineering, 1(1), 63-83.
• Fane, A., Morgan, R. M., & Hunt, S. D. (2022). Relationship marketing and CRM: Revisiting the fundamentals. Journal of Marketing, 86(4), 1-19.
• Grewal, D., Roggeveen, A. L., & Nordfält, J. (2017). The future of retailing. Journal of Retailing, 93(1), 1-6.
• Howard, D., Dai, Z., & Soleymani, M. (2019). Ethical implications of using artificial intelligence in personalized marketing. Journal of Business Ethics, 160(1), 127-139.
• Huang, M., & Rust, R. T. (2021). Engaged to predict: Machine learning and consumer relationship marketing. Journal of Marketing Research, 58(6), 1130-1145.
• Kurzweil, R. (2005). The singularity is near: When humans transcend biology. Viking Press.
• Lemon, K. N., & Verhoef, P. C. (2016). Understanding customer experience throughout the customer journey. Journal of Marketing, 80(6), 69-96.
• Liu, B. (2012). Sentiment analysis and opinion mining. Morgan & Claypool.
• Marcus, G. (2018). Deep learning: A critical appraisal. arXiv preprint arXiv:1801.00631.
• Miller, T., & Stowe, R. (2023). Implications of AI in financial modeling and risk assessment. Journal of Financial Analytics, 10(2), 204-215.
• Morgan, R. M., & Hunt, S. D. (1994). The commitment-trust theory of relationship marketing. Journal of Marketing, 58(3), 20-38.
• Nilsson, N. J. (1998). Artificial intelligence: A new synthesis. Morgan Kaufmann.
• Nilsson, N. J. (2014). Principles of artificial intelligence. Springer.
• Nguyen, T. D., Nguyen, Q. T., & Tran, M. T. (2020). AI-driven customer relationship management: Applications and implications. Journal of Business Research, 113, 181-189.
• Obermeyer, Z., & Emanuel, E. J. (2016). Predicting the future—Big data, machine learning, and clinical medicine. New England Journal of Medicine, 375(13), 1216-1219.
• Pine, B. J., & Gilmore, J. H. (1998). The experience economy: Work is theatre & every business a stage. Harvard Business Press.
• Poole, D., Mackworth, A., & Goebel, R. (1998). Computational intelligence: A logical approach. Oxford University Press.
• Ricci, F., Rokach, L., & Shapira, B. (2011). Introduction to recommender systems handbook. In Recommender Systems Handbook (pp. 1-35). Springer.
• Russell, S., & Norvig, P. (2010). Artificial intelligence: A modern approach. Prentice Hall.
• Shum, H. Y., He, X. D., & Li, D. (2018). From Eliza to XiaoIce: Challenges and opportunities with social chatbots. Frontiers of Information Technology & Electronic Engineering, 19(1), 1026.
• Sutton, R. S., & Barto, A. G. (2018). Reinforcement learning: An introduction. MIT Press.
• Teece, D. J., Pisano, G., & Shuen, A. (1997). Dynamic capabilities and strategic management. Strategic Management Journal, 18(7), 509-533.
• Xu, A., Liu, Z., & Geng, X. (2020). The rise

Leonard, T. (2024). La compréhension et la prédiction des préférences des clients dans le commerce en détail grâce à l’IA : Une revue de littérature. International Journal of Economic Studies and Management, 4(1), 95-107.
https://doi.org/10.5281/zenodo.10602607

Mots clés : intelligence artificielle, commerce en détail, préférences client, comportement d’achat

Résumé :
Dans le monde du commerce de détail en constante évolution, l’intelligence artificielle (IA) devient un atout essentiel pour les entreprises qui cherchent à mieux comprendre et prédire les préférences des clients. Cet article met en évidence l’évolution de l’IA en tant qu’outil indispensable pour les détaillants qui cherchent à rester compétitifs en proposant des expériences d’achat personnalisées et en anticipant les évolutions du marché. Il vise à présenter aux professionnels du commerce de détail les meilleures pratiques en matière d’IA pour optimiser la personnalisation des expériences client, renforcer la fidélité et stimuler les ventes, tout en identifiant les domaines de recherche future pour mieux comprendre les préférences des consommateurs.

Contexte d’apparition de l’IA dans le commerce de détail
L’IA joue un rôle de plus en plus central dans le secteur de la vente au détail. Les enseignes recherchent continuellement de nouvelles méthodes pour comprendre et anticiper les préférences des clients, afin d’ajuster leurs offres, d’améliorer l’expérience client et d’optimiser leurs stratégies de vente. L’IA utilise des ensembles de données étendus et des algorithmes sophistiqués pour analyser et interpréter ces données.

Compréhension des préférences des clients grâce à l’IA
L’IA examine et évalue les données des clients pour identifier les tendances, les modèles et les corrélations entre les comportements des clients. Les algorithmes d’apprentissage automatique anticipent les préférences individuelles et fournissent des recommandations personnalisées.

Avantages de l’utilisation de l’IA
L’IA permet de fournir des recommandations sur mesure pour des produits ou des services, améliorant ainsi la satisfaction des clients et leur fidélisation. Elle prévoit également la demande de produits, optimisant ainsi la gestion des stocks. Les chatbots offrent une assistance automatisée, améliorant l’expérience d’achat. De plus, l’IA analyse les données pour optimiser les stratégies de tarification et aide les cadres à comprendre les tendances du marché et à surveiller les activités des concurrents.

Prédiction des préférences des clients
L’IA permet de prédire les préférences des clients en utilisant des modèles de prévision basés sur des algorithmes sophistiqués, tels que les réseaux de neurones, les forêts aléatoires, le filtrage collaboratif, le filtrage basé sur le contenu et le filtrage hybride.

Défis et considérations éthiques
Les entreprises doivent maintenir la transparence et protéger les données des clients. Les biais dans les algorithmes peuvent entraîner des recommandations discriminatoires.

Conclusion
L’IA offre aux détaillants un avantage concurrentiel significatif en améliorant la compréhension et la réactivité face aux préférences des clients. Cependant, il est impératif de prendre en compte les implications éthiques liées à l’utilisation des données clients.

Bibliographie

• Acquisti, A., & Fong, C. M. (2018). An Experiment in Hiring Discrimination via Online Social Networks. MIS Quarterly, 42(4), 1183-1194.
• Adomavicius, G., & Tuzhilin, A. (2005). Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions. IEEE Transactions on Knowledge and Data Engineering, 17(6), 734-749.
• Anderson, J. L., Jolly, L. D., & Fairhurst, A. E. (2007). Customer relationship management in retailing: A content analysis of retail trade journals. Journal of Retailing and Consumer Services, 14(6), 394-399.
• Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5-32.
• Chen, H., Chiang, R. H., & Storey, V. C. (2012). Business intelligence and analytics: From big data to big impact. MIS Quarterly, 36(4), 1165-1188.
• Gupta, S., Lehmann, D. R., & Stuart, J. A. (2004). Valuing customers. Journal of Marketing Research, 41(1), 7-18.
• Schmidhuber, J. (2015). Deep learning in neural networks: An overview. Neural Networks, 61, 85-117.

Kramer, T., Spolter-Weisfeld, S., & Thakkar, M. (2007). The Effect of Cultural Orientation on Consumer Responses to Personalization. Marketing Science, 26(2), 246-258.
https://doi.org/10.1287/mksc.1060.0223

Mots clés : orientation culturelle, personnalisation, individualisme, collectivisme, marketing

Résumé :
Cet article explore comment l’orientation culturelle influence les réponses des consommateurs à la personnalisation des recommandations de produits. Les auteurs examinent les différences entre les consommateurs ayant une orientation culturelle individualiste et ceux ayant une orientation collectiviste, et comment ces différences affectent leurs préférences pour les recommandations personnalisées par rapport aux recommandations ciblées.

Contexte d’apparition de l’orientation culturelle :
Les consommateurs avec une orientation individualiste préfèrent les recommandations basées sur leurs préférences individuelles, tandis que ceux avec une orientation collectiviste préfèrent les recommandations basées sur les préférences collectives. Les études montrent que ces préférences sont influencées par le type de produit (public ou privé) et le contexte de choix (public ou privé).

Études et résultats :

• Étude 1 : Les participants ont été exposés à des publicités pour des téléphones portables avec des recommandations basées soit sur leurs préférences individuelles, soit sur les préférences d’autres étudiants. Les résultats montrent que les consommateurs individualistes préfèrent les recommandations personnalisées, tandis que les collectivistes préfèrent les recommandations ciblées.
• Étude 2 : Les participants ont été exposés à des publicités pour des téléphones portables (produit public) et des matelas (produit privé) avec des recommandations personnalisées ou ciblées. Les préférences des consommateurs étaient influencées par le type de produit. Les collectivistes préféraient les recommandations ciblées pour les produits publics, tandis que les individualistes préféraient les recommandations personnalisées pour les produits privés.
• Étude 3 : Les participants, divisés en Anglo-Américains et Asiatiques-Américains, ont été exposés à des recommandations de matelas dans des contextes de choix publics et privés. Les Anglo-Américains préféraient les recommandations personnalisées dans les contextes publics, tandis que les Asiatiques-Américains préféraient les recommandations ciblées. Les pensées favorables générées par les publicités médiatisaient ces effets.

Conclusion :
L’orientation culturelle joue un rôle crucial dans la manière dont les consommateurs répondent aux recommandations personnalisées. Les consommateurs collectivistes préfèrent les recommandations basées sur les préférences de groupe, surtout dans les contextes publics, tandis que les consommateurs individualistes préfèrent les recommandations basées sur leurs préférences individuelles. Les implications pour les marketeurs incluent la nécessité de segmenter les consommateurs en fonction de leur orientation culturelle pour offrir des recommandations plus efficaces.

Bibliographie :

• Aaker, J. L., & Maheswaran, D. (1997). The effect of cultural orientation on persuasion. Journal of Consumer Research, 24(2), 315-328.
• Iyengar, S. S., & Lepper, M. R. (1999). Rethinking the value of choice: A cultural perspective on intrinsic motivation. Journal of Personality and Social Psychology, 76(3), 349-366.
• Singelis, T. M. (1994). The measurement of independent and interdependent self-construals. Personality and Social Psychology Bulletin, 20(5), 580-591.

De Crescenzo, J.-C., & Floris, B. (2005). L’orientation client ou comment faire travailler le consommateur. Communication et organisation, 27, 19-30.
https://doi.org/10.4000/communicationorganisation.3234

Mots clés : orientation client, fidélisation, personnalisation, marketing relationnel, contrôle social

Résumé :
Cet article examine la fidélisation et la personnalisation des clients d’un point de vue sociologique et communicationnel. Les auteurs explorent comment l’orientation client est devenue une stratégie clé pour les entreprises, transformant les rapports sociaux et relationnels entre les entreprises et les consommateurs. Ils analysent les implications de cette orientation client, notamment en termes de contrôle et de mobilisation de la force de travail des consommateurs.

Contexte et évolution :

• Trente Glorieuses : L’organisation fordienne correspondait à une production et un marché de masse.
• Changements de marché : Diversification des produits, raccourcissement des cycles de vie, et réactivité accrue au marché et à la concurrence.
• Management participatif : Première étape historique en France vers une politique de flexibilisation des entreprises.

Dictature et prévisibilité du comportement client :

• Centralité du client : Le client est placé au cœur de l’entreprise, rendant son comportement plus contrôlable.
• Technologies et marketing : Utilisation de technologies comme le CRM, le marketing direct, et la Qualité totale pour anticiper et répondre aux besoins des clients.

Marketing relationnel versus marketing transactionnel :

• Marketing transactionnel : Centré sur le produit et les segments de masse.
• Marketing relationnel : Importance de la relation avec le client, intégration du client dans la production du service, et suivi de la relation commerciale.

Contrôle social et personnalisation :

• Contrôle à distance : Le marketing direct, les centres d’appel, et le CRM permettent un contrôle à distance des clients.
• Individualisation marchande : Rencontre entre l’individuation anthropologique et l’individualisation marchande, favorisée par les Tics.

Conclusion :
L’orientation client exprime les transformations organisationnelles des entreprises et leur nouveau rapport au marché. Le passage du marketing transactionnel au marketing relationnel traduit cette nouvelle voie de fidélisation des clients via leur personnalisation. Les auteurs suggèrent que ces transformations sont l’expression d’une intégration de l’entreprise et du marché dans un système unifié, rationalisant et contrôlant les individus sous la figure du client.

Bibliographie :

• Boltanski, L., & Chapello, E. (1999). Le nouvel esprit du capitalisme. Gallimard.
• Castoriadis, C. (1975). L’institution imaginaire de la société. Seuil.
• De Certeau, M. (1990). L’invention du quotidien ; arts de faire. Gallimard.
• Deleuze, G. (1990). Post-scriptum sur les sociétés de contrôle. In Pourparlers. Minuit.
• Foucault, M. (1975). Surveiller et punir. Seuil.

Coelho, L., & Cachola, G. (2023). Hyper-personalisation: Inducing behaviours through data — how machine learning and automation can help customers make valuable and informed decisions. Journal of Digital Banking, 8(3), 198-209.
https://doi.org/10.69554/KFAV4199

Mots clés : hyper-personnalisation, données, analyses avancées, banque

Résumé :
Bien que la personnalisation ne soit pas un sujet entièrement nouveau, elle suscite actuellement un engouement massif. Cela s’explique par le fait que les prestataires de services réalisent qu’ils doivent être plus rentables dans leurs interactions avec les clients, et aussi parce que les clients exigent désormais d’être traités individuellement et de manière personnalisée. Plusieurs tendances du marché ont été adoptées ces dernières années, amenant les prestataires de services au niveau où ils se trouvent actuellement. Les tendances précédentes étaient bénéfiques et applicables dans un certain contexte ; cependant, aujourd’hui, de nouvelles approches sont nécessaires pour que les prestataires de services progressent, s’améliorent et passent au niveau supérieur. Atteindre un degré élevé de personnalisation peut être difficile — cela nécessite des investissements, du temps et la bonne stratégie. De plus, ce n’est pas un chemin simple, et il est essentiel de comprendre les défis commerciaux et techniques que les prestataires de services doivent relever et surmonter pour réussir — des défis pour lesquels l’hyper-personnalisation est la réponse. Cet article explore le concept d’hyper-personnalisation et son potentiel à induire des comportements clients grâce à des insights basés sur les données. Il souligne l’importance de connaître les clients et de tirer parti de leurs préférences et habitudes pour prendre des décisions précieuses et éclairées. L’industrie des services financiers a l’avantage significatif d’avoir accès à une vaste base de clients installée et à ses données. En général, ce n’est pas un problème de manque de données que ces industries rencontrent, mais plutôt de savoir comment en tirer des insights exploitables. L’approche d’hyper-personnalisation relie les données aux capacités cognitives et numériques pour offrir des expériences uniques, contextuelles et hautement pertinentes. Avec l’hyper-personnalisation, les prestataires de services peuvent intensifier la personnalisation grâce à l’intelligence artificielle (IA) et au machine learning (ML) pour offrir des expériences et des recommandations en temps réel aux individus, créant une véritable personnalisation individuelle.

Conclusion :
L’hyper-personnalisation permet aux prestataires de services de passer à un niveau supérieur de personnalisation en utilisant l’IA et le ML pour offrir des expériences et des recommandations en temps réel. Cela nécessite des investissements et une stratégie appropriée, mais les avantages potentiels en termes de satisfaction et de fidélisation des clients sont considérables.

Brzozowska, M., Kolasińska-Morawska, K., Sułkowski, Ł., & Morawski, P. (2023). Artificial-intelligence-powered customer service management in the logistics industry. Entrepreneurial Business and Economics Review, 11(4), 109-121.
https://doi.org/10.15678/EBER.2023.110407

Mots clés : intelligence artificielle, automatisation, logistique, service client logistique, Industrie 4.0

Résumé :
Cet article examine comment les gens perçoivent les implications futures pour le service client logistique résultant de la mise en œuvre de nouvelles technologies sous forme de solutions d’intelligence artificielle (IA) dans l’esprit de l’économie 4.0 et de la société 5.0. La recherche montre que le service client en logistique utilise déjà différentes formes de solutions basées sur l’IA (comme les chatbots, les voicebots et les assistants vocaux). Les clients évaluent positivement ces solutions pour leur efficacité, leur compétence et la qualité du service. Les clients sont conscients des solutions basées sur l’IA et savent que leur utilisation s’approfondira à l’avenir, car elles sont un facteur de compétitivité pour le service client en logistique.

Contexte d’apparition de l’IA dans la logistique :
L’IA joue un rôle de plus en plus important dans la logistique, offrant des outils pour améliorer la qualité du service client logistique, augmenter la vitesse de traitement des commandes, réduire les coûts et améliorer l’efficacité globale. Cependant, l’IA présente également des risques tels que la sécurité des données et la réduction potentielle de l’emploi.

Technologies de l’IA utilisées dans le service client logistique :

• Chatbots et Voicebots : Interagissent avec les clients en utilisant un langage naturel.
• Analyse prédictive : Utilise des algorithmes pour prévoir les besoins et comportements des clients.
• Traitement du langage naturel (NLP) : Permet une meilleure compréhension et réponse aux demandes des clients.
• Assistants vocaux : Aident les clients dans leurs interactions avec les services logistiques.

Résultats de la recherche :
Les participants à l’étude ont indiqué qu’ils apprécient l’interaction avec les bots pour leur efficacité, leur utilité, leur compétence, leur empathie, leur communicabilité, leur rapidité d’action, la précision des réponses, la qualité du service, la compétence dans la fourniture d’informations, l’offre et la compréhension de la situation du client. Les répondants pensent que la diffusion de l’IA dans les services logistiques transformera le service client sous diverses formes dans les 10 à 15 ans à venir.

Conclusion :
L’IA deviendra une partie intégrante des processus de service client logistique, améliorant l’efficacité et la satisfaction des clients. Les solutions basées sur l’IA domineront les processus logistiques de dernière étape, et les robots effectueront de plus en plus de tâches. Les entreprises et les clients devront se préparer à cette transformation en développant leurs compétences numériques et en s’adaptant aux nouvelles technologies.

Bibliographie :

• Agnihotri, R., et al. (2017). Examining the role of sales-based CRM technology and social media use on post-sale service behaviours in India. Journal of Business Research.
• Akter, S., et al. (2023). A framework for AI-powered service innovation capability: Review and agenda for future research. Technovation.
• Balinado, J.R., et al. (2021). The Effect of Service Quality on Customer Satisfaction in an Automotive After-Sales Service. Journal of Open Innovation: Technology, Market, and Complexity.
• Chen, Q., et al. (2023). Can AI chatbots help retain customers? Impact of AI service quality on customer loyalty. Internet Research.
• Du, P., et al. (2023). AI-based energy-efficient path planning of multiple logistics UAVs in intelligent transportation systems. Computer Communications.

Barbaray, C. (2025). L’expérience client. Pages 31-44.

Mots clés : expérience client, qualité de service, innovation, relation client

Résumé :
Les entreprises ont compris que l’expérience qu’elles fabriquent façonne leur avenir, leur déclin ou leur croissance. L’expérience client est un long voyage qui commence bien avant la vente, se déroule durant tout le parcours de sélection du produit ou du service, puis durant l’acte d’achat. Elle continue durant l’usage et le recours au SAV et ne s’arrête pas tant que la relation est entretenue. Les produits ou services peuvent être copiés, mais pas l’expérience client, qui est unique et dépend de la volonté, de la culture et des ambitions de l’entreprise. L’expérience client évolue avec le temps, les clients s’habituent à un certain niveau de qualité de service et attendent toujours “un peu plus”. L’innovation, le digital et les mobiles déplacent les lignes, obligeant les entreprises à innover constamment dans l’expérience qu’elles délivrent à leurs clients.

Enjeux de l’expérience client :

• Un savoir-faire : L’expérience client est un savoir-faire qui se développe avec le temps et l’expertise.
• Un événement : Chaque interaction avec le client est une expérience unique qui peut marquer positivement ou négativement.
• Innovation continue : Les entreprises doivent constamment innover pour répondre aux attentes croissantes des clients.
• Relation durable : L’expérience client ne s’arrête pas à l’achat, elle se poursuit tant que la relation est maintenue.

Conclusion :
L’expérience client est un élément crucial pour le succès des entreprises. Elle doit être soigneusement construite et constamment améliorée pour répondre aux attentes des clients et se démarquer de la concurrence. Les entreprises doivent être les architectes de leur propre expérience client pour en tirer le meilleur parti.

Acquatella, F., Fernandez, V., & Houy, T. (2020). Les stratégies de plateformes analysées sous le prisme de l’intelligence artificielle. Question(s) de Management, 30, 63-76.
https://doi.org/10.3917/qdm.030.0063

Mots clés : Intelligence Artificielle, trajectoire stratégique, modèles d’affaires, plateformes

Résumé :
Les plateformes dominantes sur Internet reconfigurent les marchés en se positionnant comme des infrastructures nouvelles pour les acteurs de marché. Elles témoignent d’un nouveau paradigme de développement économique basé sur des stratégies spécifiques de captation et de création de valeur. La dynamique stratégique de ces plateformes repose largement sur le développement des technologies de l’IA. Cet article analyse le rôle et les incidences des technologies de l’IA sur la dynamique stratégique des plateformes et discute des enjeux et risques associés aux stratégies supportées par la « data science ».

Contexte d’apparition de l’IA dans les stratégies de plateformes :
Les plateformes comme Amazon, Uber ou Airbnb utilisent des technologies de l’IA pour traiter des volumes massifs de données et améliorer continuellement leurs propositions de valeur. Les algorithmes d’apprentissage automatique permettent de mieux comprendre les comportements des utilisateurs et de segmenter les offres.

Technologies de l’IA au cœur des processus stratégiques :

• Systèmes de recherche d’information (SRI) : Identifient automatiquement des informations pertinentes à partir de bases de données volumineuses.
• Chatbots : Interagissent avec les utilisateurs en utilisant un langage naturel, permettant de classifier et analyser les sentiments humains.
• Reconnaissance biométrique : Vérifie l’identité des utilisateurs sur la base de caractéristiques biologiques uniques.
• Robots d’indexation (data crawlers) : Explorent le web pour trouver des données non structurées et identifier des tendances comportementales.

Mutations stratégiques et exploitation des données :
L’exploitation du Big Data permet aux plateformes d’affiner la prise de décision stratégique, d’améliorer la segmentation de l’offre et de conquérir de nouveaux marchés. Les plateformes comme Google utilisent les données pour comprendre le marché et proposer des offres marketing ciblées.

Marché des algorithmes « intelligents » :
Les algorithmes prédictifs et prescriptifs permettent de déterminer les préférences des utilisateurs et d’automatiser la prise de décision stratégique. Par exemple, Amazon utilise des algorithmes pour recommander des articles basés sur les achats précédents des utilisateurs.

Dynamiques stratégiques par type de plateformes :

• Plateformes technologiques (ex. Google, Apple) : S’appuient sur l’innovation technologique et l’interopérabilité pour élargir leur périmètre d’action.
• Plateformes d’agrégation (ex. Booking, Amazon) : Désintermédient et réintermédient le marché en proposant des alternatives de choix et en revalorisant les offres existantes.
• Plateformes de coordination (ex. Uber, Airbnb) : Créent de nouveaux marchés en valorisant des actifs sous-exploités et en coordonnant la demande.

Conclusion :
Les technologies de l’IA renouvellent le paradigme économique des plateformes digitales. Cependant, la créativité et la disruption restent essentielles pour l’innovation. Les plateformes doivent équilibrer l’automatisation des décisions avec la capacité à innover et à s’adapter aux évolutions du marché.

Bibliographie :

• Acquatella, F., Fernandez, V., & Houy, T. (2018). Le cas Coursera ou la préfiguration des changements en cours sur les plateformes d’apprentissage en ligne. Distances et médiations des savoirs, 24.
• Argal, A., et al. (2018). Intelligent travel chatbot for predictive recommendation in echo platform. Computing and Communication Workshop and Conference (CCWC).
• Benavent, C. (2016). Plateformes. Sites collaboratifs, marketplaces, réseaux Sociaux. Comment ils influencent nos choix. FYP editions.
• Cardon, D. (2015). À quoi rêvent les algorithmes, Nos vies à l’heure des big data. Paris, Le Seuil.
• Christensen, C.M. (1997). The Innovator’s Dilemma: When New Technologies Cause Great Firms to Fail. Harvard Business School Press.

Blangeois, M. (2023). Antecedents and Consequence of Trust – Commitment Towards Artificial Based Customer Experience. Universia Business Review.
https://doi.org/10.3232/UBR.2024.V21.N1.16

Mots clés : IA, expérience client, confiance, engagement, personnalisation

Résumé :
Avec l’avènement de l’IA, les interactions entre consommateurs et marques subissent une transformation radicale (Prikshat, Malik, et Budhwar, 2021). Cette recherche examine comment l’IA peut être utilisée dans le secteur de la vente au détail pour améliorer l’expérience d’achat des utilisateurs d’IA. En s’inspirant de la théorie de la confiance et de l’engagement ainsi que du modèle de qualité de service, un cadre théorique a été développé. Une enquête en ligne a été envoyée aux clients ayant utilisé un service YouTube alimenté par l’IA. Les données (n=301 réponses) ont été analysées à l’aide de la modélisation par équations structurelles des moindres carrés partiels. La confiance et l’engagement relationnel jouent un rôle crucial dans la modération des connexions entre les évaluations des clients sur la commodité du service, la personnalisation et la qualité. La recherche montre que la confiance n’est pas le seul facteur influençant l’engagement relationnel et que ce dernier agit comme médiateur entre la qualité du service et les expériences client basées sur l’IA.

Contexte d’apparition de l’IA dans l’expérience client :
L’IA est utilisée pour personnaliser les recommandations de produits et services en évaluant les achats et préférences passés des clients. Cela a des implications pour divers secteurs, y compris l’industrie cosmétique, qui doit répondre rapidement aux demandes et préférences des consommateurs.

Qualité du service dans les services basés sur l’IA :
Les consommateurs évaluent la qualité du service en fonction de leurs impressions et attentes. La qualité des services basés sur l’IA peut différer des services interpersonnels en raison de la technologie autogérée. Les interactions humain-machine sont influencées par la perception anthropomorphique des robots.

Théorie de la confiance et de l’engagement :
La confiance et l’engagement sont essentiels dans les relations acheteur-vendeur. La confiance est définie comme la volonté de s’engager malgré les risques. L’engagement relationnel se réfère au désir de maintenir une relation spéciale avec une marque.

Modèle conceptuel proposé :
Le modèle théorique développé intègre la confiance et l’engagement relationnel comme médiateurs entre la commodité perçue, la personnalisation, la qualité du service et l’expérience client basée sur l’IA.

Conclusion :
La recherche met en évidence l’importance de la confiance et de l’engagement relationnel dans l’amélioration de l’expérience client basée sur l’IA. Les entreprises doivent se concentrer sur la personnalisation, la commodité et la qualité du service pour renforcer la confiance et l’engagement des clients.

Bibliographie :

• Adam, M., Wessel, M., & Benlian, A. (2020). AI-based chatbots in customer service and their effects on user compliance. Electronic Markets.
• Ameen, N., et al. (2021). Customer experiences in the age of artificial intelligence. Computers in Human Behavior.
• Bawack, R.E., Wamba, S.F., & Carillo, K.D.A. (2021). Exploring the role of personality, trust, and privacy in customer experience performance during voice shopping. International Journal of Information Management.
• Prikshat, V., Malik, A., & Budhwar, P. (2021). AI-augmented HRM: Antecedents, assimilation and multilevel consequences. Human Resource Management Review.
• Wang, X., et al. (2020). Towards an Ethical and Trustworthy Social Commerce Community for Brand Value Co-creation. Journal of Business Ethics.

Marta Brzozowska, Katarzyna Kolasińska-Morawska, Łukasz Sułkowski, Paweł Morawski

Mots clés : Intelligence artificielle, Automatisation, Logistique, Service client logistique, Industrie 4.0

Le développement de l’Internet et des nouvelles solutions technologiques a un impact significatif sur la logistique, tant en Pologne qu’à l’échelle mondiale (Liu, 2019). La digitalisation de presque tous les aspects de la vie entraîne une migration constante des personnes entre l’espace physique et le cyberespace. Selon le Forum économique mondial, la demande croissante pour le commerce électronique entraînera une augmentation de la demande non pas tant pour les services classiques du dernier kilomètre, mais pour des innovations dans leur mise en œuvre. La poussée pour la digitalisation de la logistique provient de l’intelligence artificielle (IA), que les gestionnaires d’entreprises logistiques considèrent comme un sixième sens révolutionnaire dans le domaine virtuel.

L’intelligence artificielle est une branche de l’informatique qui traite de la création de machines et d’algorithmes capables de présenter des caractéristiques d’intelligence telles que le raisonnement, l’apprentissage, la reconnaissance de formes, la planification, le traitement du langage naturel et la prise de décision. L’IA est devenue un déclencheur d’une nouvelle réalité commerciale après une série de changements progressifs représentés par l’émergence de solutions technologiques individuelles au fil des ans, notamment l’automatisation, l’automatisation des processus robotiques (RPA) et la technologie blockchain utilisée pour suivre les expéditions. De plus, l’IA a également augmenté le niveau de sécurité et d’authenticité des transactions dans la chaîne d’approvisionnement, car l’internet des objets (IoT) aide à suivre et à surveiller la localisation, la température et l’état des marchandises en transport, et la réalité virtuelle (VR) et la réalité augmentée (AR) offrent aux clients des expériences interactives (Menti et al., 2023).

Ces dernières années, l’IA a commencé à jouer un rôle de plus en plus important dans la logistique (Du et al., 2023). Avec le développement de la technologie et l’augmentation des exigences des clients, presque toutes les entreprises doivent être capables de fournir un service client rapide, fiable et efficace. En termes de qualité et d’efficacité, le service client permet à l’entreprise de construire une marque forte qui se distingue de la concurrence et lui permet d’attirer plus de clients réguliers, ce qui conduit à une augmentation des profits et à l’obtention et au maintien d’un avantage concurrentiel à long terme. Dans ce contexte, l’IA offre des outils qui peuvent aider les entreprises à améliorer la qualité du service client logistique et même à l’amener à un niveau complètement nouveau et sans précédent.

Il est donc important d’étudier l’impact de l’IA sur les changements en cours dans le service client logistique du dernier kilomètre. L’objectif de cet article est de montrer comment les gens perçoivent les implications futures pour le service client logistique résultant de la mise en œuvre de nouvelles technologies sous la forme de solutions d’intelligence artificielle révolutionnaires dans l’esprit de l’économie 4.0 et de la société 5.0. Nous avons prédit que, dans de nombreux cas, les technologies existantes dans le service client céderont la place à des solutions basées sur l’IA. Après tout, le développement de l’IA et de ses applications dans la logistique offre de nombreux avantages pour les entreprises. Grâce aux algorithmes d’IA, les entreprises peuvent améliorer la qualité du service client, augmenter la vitesse de traitement des commandes, réduire les coûts et améliorer l’efficacité globale. Néanmoins, l’IA n’est pas sans défauts et limitations. Dans ce contexte, il est nécessaire de se rappeler des risques possibles tels que la sécurité des données et la possibilité de réduire l’emploi dans les entreprises.

Dans cet article, nous comprenons le service client logistique du dernier kilomètre comme un élément du service après-vente dans le contexte du commerce électronique, lorsque les clients s’attendent à un service approprié dans le domaine de la logistique de livraison (Janjevic et al., 2021). Suivant l’objectif de l’article, nous posons les questions de recherche suivantes : 1. Comment la sensibilisation à l’utilisation des solutions d’IA affecte-t-elle l’expérience client dans la logistique du dernier kilomètre ? 2. Dans quelles représentations l’utilisation des solutions basées sur l’IA accélérera-t-elle la reconfiguration des services logistiques du dernier kilomètre dans 10-15 ans ? 3. Comment l’utilisation des solutions d’IA affectera-t-elle l’amélioration des processus de service client logistique à l’avenir ?

Dans le processus de recherche, nous avons adopté une approche nomothétique basée sur la méthodologie de recherche mixte. L’approche qualitative comprenait une étude de recherche de monographies, publications, rapports et sources netographiques. Nous avons utilisé la technique de l’analyse critique du contenu basée sur la co-occurrence des termes. En revanche, l’approche quantitative reposait sur la méthode de l’enquête diagnostique avec la technique CAWI (Computer-Assisted Web Interviewing). La nouveauté de la recherche de l’article réside dans la perspective des clients des entreprises logistiques. Nous avons basé la recherche sur les clients des magasins en ligne, mais dans le contexte du service client logistique. Les recherches précédentes se sont concentrées sur l’assistance pendant les transactions (Xu et al., 2020) et concernaient principalement les solutions de chatbots (Chen et al., 2023). Cependant, il est également important que les clients soient conscients qu’ils interagissent avec des services basés sur l’IA. La sensibilisation au service non humain peut affecter l’attitude du client et ainsi la diriger vers certains comportements, ce qui mérite d’être étudié.

Les résultats de la recherche montrent que le service client en logistique utilise déjà différentes formes de solutions basées sur l’IA (comme les chatbots, les voicebots et les assistants vocaux). Les clients évaluent positivement ces solutions, entre autres, pour leur efficacité, leur compétence et la qualité du service. De plus, les clients sont conscients des solutions basées sur l’IA et savent que leur utilisation s’approfondira à l’avenir, car elles sont un facteur de changement pour la compétitivité du service client en logistique. Les résultats indiquent également que les clients apprécient l’interaction avec les bots pour leur efficacité, leur utilité, leur compétence, leur empathie, leur communicabilité, leur rapidité d’action, la précision des réponses, la qualité du service, la compétence dans la fourniture d’informations, l’offre et la compréhension de la situation du client.

Les implications de la recherche soulignent la nécessité d’améliorer constamment les compétences numériques des utilisateurs des services logistiques du dernier kilomètre dans le contexte de la technologisation des processus transactionnels. Différents domaines d’activité utiliseront largement les solutions basées sur l’IA, car il est nécessaire de développer des systèmes qui aideront à la communication homme-machine. Cette technologie doit être construite de manière à être sûre pour les personnes et facile à utiliser, tant pour les utilisateurs que pour les clients. En conséquence de ces processus, il est nécessaire d’éduquer les gens sur les solutions basées sur l’IA pour développer la sensibilisation et améliorer les résultats futurs.

L’article conclut que l’IA jouera un rôle de plus en plus important dans la transformation des services logistiques, en améliorant l’efficacité, la rapidité et la qualité des services. Les entreprises doivent se préparer à cette transformation en investissant dans des technologies IA et en formant leurs employés et clients.

Bibliographie :

• Agnihotri, R., Trainor, K.J., Itani, O.S., & Rodriguez, M. (2017). Examining the role of sales-based CRM technology and social media use on post-sale service behaviours in India. Journal of Business Research, 81, 144-154.
• Akter, S., Hossain, M.A., Sajib, S., Sultana, S., Rahman, M., Vrontis, D., & McCarthy, G. (2023). A framework for AI-powered service innovation capability: Review and agenda for future research. Technovation, 125, 102768.
• Balinado, J.R., Prasetyo, Y.T., Young, M.N., Persada, S.F., Miraja, B.A., & Redi, A.A.N.P. (2021). The Effect of Service Quality on Customer Satisfaction in an Automotive After-Sales Service. Journal of Open Innovation: Technology, Market, and Complexity, 7(2), 116.
• Barik, K., Misra, S., Ray, A.K., & Shukla, A. (2023). A blockchain-based evaluation approach to analyse customer satisfaction using AI techniques. Heliyon, 9(6).
• Behie, S.W., Pasman, H.J., Khan, F.I., Shell, K., Alarfaj, A., El-Kady, A.H., & Hernandez, M. (2023). Leadership 4.0: The changing landscape of industry management in the smart digital era. Process Safety and Environmental Protection, 172, 317-328.
• Chaabi, M. (2022, September). Roadmap to Implement Industry 5.0 and the Impact of This Approach on TQM. In International Conference on Smart Applications