La multinationale spécialiste des infrastructures de données Equinix capitalise sur l'apprentissage machine (Machine Learning) depuis 2018, grâce à une initiative qui utilise la modélisation probabiliste pour prédire la probabilité d'achat des offres Equinix par les clients potentiels - un programme qui a contribué à générer des millions de dollars de chiffre d'affaires depuis son lancement.

Mais, depuis le lancement de ce projet, le groupe a évolué et sa dépendance à l'égard de ses partenaires distributeurs a augmenté. En 2021, Equinix a donc revu sa plateforme de prospection pour s'adapter à cette réalité. Objectif de la nouvelle approche prospective basée sur l'IA : identifier les partenaires les mieux placés pour aider l'entreprise à générer de nouvelles ventes, à la fois au niveau mondial et dans des régions et pays spécifiques.

En effet, dans certains pays ou secteurs d'activité, les partenaires d'Equinix sont particulièrement bien placés pour répondre à la demande des clients en matière de conseils, de solutions intégrées et de services avancés. Exemple concret : le secteur public, où il est essentiel d'identifier des partenaires disposant des autorisations nécessaires et ayant déjà établi des contacts avec les donneurs d'ordre.

Identifier les partenaires les plus pertinents

Baptisée 'Prospection de partenaires pilotée par l'IA', cette initiative permet de déterminer quels clients potentiels sont mieux servis par les équipes de vente directe d'Equinix et lesquels préféreront les approches émanant de partenaires ou distributeurs. Ce projet, qui a valu à Equinix un prix CIO 100 2023 dans le domaine de l'excellence IT, a deux objectifs : identifier les partenaires qui ont le plus grand potentiel d'acquisition de nouveaux clients, et donner la priorité aux partenaires susceptibles de générer les commandes les plus importantes.

« Cela permet à Equinix de concentrer ses investissements et ressources sur les partenaires les mieux adaptés aux activités de vente et de revente conjointes », explique Ted Dangson, directeur principal de la stratégie IA et de l'analytique chez Equinix. Le déploiement complet du projet est prévu pour la mi-septembre. Mais, déjà, les modèles et tableaux de bord produits montrent comment la Data Science peut permettre à la DSI d'aider les ventes à mieux cibler leurs efforts et à générer davantage de revenus.

Rapprocher l'offre et la demande

Ram Bala, Data Scientist en chef chez Equinix, donne une idée de l'ampleur de la tâche pour parvenir à ce résultat : « Equinix a des besoins spécifiques en matière d'identification des opportunités et de hiérarchisation des partenaires. Plus de 1 300 fournisseurs de technologies et de services dans le monde ont été soumis à un processus d'évaluation rigoureux pour être reconnus comme partenaires d'Equinix, et ils ont enregistré plus de 9 000 contrats avec Equinix au cours des trois dernières années. Sur le secteur public, en partant de nombreux RFP (requests for proposal) émis aux Etats-Unis, il faut à la fois identifier les appels d'offres pertinents pour Equinix et les partenaires les plus adaptées à des ventes conjointes », indique Ram Bala.

En appliquant les bons outils de gestion des données, d'analyse, de ML et de business intelligence, Ted Dangson explique que son équipe a réalisé dès 2021 qu'Equinix serait en mesure d'analyser les données des partenaires distributeurs et celles des clients finaux pour déterminer quels clients seraient mieux servis par les ventes directes d'Equinix et quels autres le seraient plutôt par les partenaires et revendeurs. La même équipe réalise encore que la technologie va permettre de mettre en correspondance les besoins des utilisateurs finaux et les affinités des partenaires en matière de services, tout en fournissant des informations permettant à toutes les parties d'accélérer la croissance de leur chiffre d'affaires.

L'équipe du responsable IA et analytics, qui a travaillé en étroite collaboration avec les ventes et le marketing d'Equinix sur le projet, a d'abord cherché des fournisseurs susceptibles d'offrir des solutions prêtes à l'emploi adaptées à ce cas d'usage, mais a finalement décidé de construire son propre framework de modèles d'IA en collaboration avec les équipes IT, de Data Science et d'ingénierie d'Equinix.

Consolider les données d'apprentissage

Dans le cadre de ce travail, Ram Bala et son équipe de Data Scientists ont entrepris une analyse approfondie des données internes et de celles des tiers afin d'identifier les ensembles de données essentiels à l'élaboration d'une stratégie efficace de Data Science permettant une hiérarchisation des partenaires en face de chaque opportunité

« Nous utilisons des attributs de données relatives aux entreprises et aux technologies qui sont pertinents pour les prospects et les partenaires et nous nous appuyons sur les contrats gouvernementaux antérieurs et leurs attributions, des informations provenant de bases de données fédérales en source ouverte », détaille le Data Scientist en chef. « En outre, nous sollicitons un accès aux documents texte et PDF, qui fournissent de nombreuses informations sur les opportunités et les appels d'offres à venir. Nous identifions également les relations antérieures pertinentes entre des clients et certains profils de partenaires, à partir des ensembles de données internes d'Equinix. »

L'équipe s'est ensuite attelée à la construction de modèles de Machine Learning qui ont exploité ces données pour :
- développer une notation et des recommandations au niveau mondial et national pour la priorisation des partenaires ;
- identifier les projets de transformation numérique lancés par les gouvernements qui s'avèrent pertinents pour Equinix, et élaborer des scores et recommandations au niveau des pays et des agences commerciales du groupe pour hiérarchiser les partenaires sur ces contrats publics.
- valider scientifiquement la pertinence des partenaires existants et identifier de nouveaux partenaires à prioriser ;
- identifier les prospects et clients mieux servis par un canal de vente direct ou par un canal de vente indirect ;
- réorienter les ventes vers le bon canal, pour permettre aux partenaires de prospecter à bon escient.

La plate-forme de prospection de partenaires d'Equinix s'appuie sur des algorithmes de traitement du langage naturel (NLP) pour extraire des passages importants des appels d'offres, accompagnés d'un score de pertinence pour chaque opportunité, détaille Ted Dangson, qui précise que les algorithmes fournissent également un raisonnement à l'appui de leurs recommandations. « Ces détails supplémentaires ont révolutionné la façon dont les utilisateurs finaux interprètent et utilisent les prédictions du modèle, ce qui a conduit à une meilleure adoption de la solution et au succès global du projet », note-t-il.

Annoter et étiqueter les données d'apprentissage

L'annotation des données et le mauvais étiquetage de certains échantillons utilisés pour l'entraînement des modèles ML ont constitué le plus grand défi du projet, selon Ram Bala. Le manque de données annotées a rendu difficile l'élaboration de modèles suffisamment précis et efficaces en termes de calcul pour identifier les appels d'offres publics pertinents pour Equinix, et les échantillons mal étiquetés ont rendu difficile l'entraînement des modèles de ML permettant de prioriser les partenaires pour les ventes aux entreprises.
« Pour résoudre ces problèmes, nous avons exploité des technologies issues de divers centres de recherche universitaires et d'entreprise », dit le Data Scientist en chef. « Il nous a fallu près de quatre mois pour mettre au point le MVP et cinq mois supplémentaires pour développer une solution de bout en bout, évolutive et intégrable. »

Concilier production et innovation

La solution est aujourd'hui déployée et Equinix affirme que les utilisateurs finaux la considèrent comme un outil essentiel pour faciliter leur travail et le rendre plus précis. Dans son rapport sur ses résultats du deuxième trimestre 2023, la société a indiqué que son programme de distribution représentait 40 % des commandes et près de 60 % de ses nouveaux clients.

Pour Ram Bala, la clé du succès dans la conduite de projets de ce type consiste à trouver le bon équilibre entre l'efficacité en production et l'innovation. « Notre objectif est de favoriser un environnement propice à l'innovation, en veillant à ce qu'elle s'aligne sur les objectifs de création de valeur et de maximisation du retour sur investissement. A mesure que nous diffusons cette culture de l'innovation dans l'ensemble de l'organisation, nous commençons à voir apparaître progressivement des initiatives de transformation. Non seulement cette démarche favorise la créativité et influence positivement le moral des équipes, mais elle crée également un environnement où l'échec est accepté comme une expérience précieuse d'apprentissage. ».