D’après le rapport de Salesforce[1] sur l’état du marketing en 2017, 60% des marketeurs français utilisent aujourd’hui des outils d’intelligence artificielle, notamment pour la livraison de recommandations produits ou sur la prédiction de la maturité des clients ou des prospects.
L’ensemble des outils permettant d’anticiper les comportements des consommateurs grâce à des modélisations basées sur les données collectées, – autrement appelé marketing prédictif – devient clé dans l’accompagnement des acteurs des différentes industries dans leurs prises de décisions opérationnelles.
Dans notre précédent article, nous avons vu que les techniques du machine learning prennent de l’ampleur ; le secteur de la publicité est aussi grandement influencé par les techniques du machine learning qui sont de plus en plus utilisées pour améliorer le marketing prédictif.
Marketing prédictif : un terme de recherche dont la popularité ne cesse de croitre depuis 5 ans d’après Google Trends
Il est clair que l’apprentissage automatique qui s’appuie sur les données de l’industrie de la publicité peut traiter une incroyable quantité de détails et délivrer des insights puissants notamment en matière de précision de ciblage, d’ajustement des prix des enchères, de choix de placement ou de recommandations opérationnelles pour l’amélioration du mix média. Ce n’est pas sorcier : en s’appuyant sur les données historiques des nombreux utilisateurs, il est possible de construire un modèle qui prédit le comportement des utilisateurs similaires. Ce qui permet de délivrer le meilleur message au meilleur moment.
L’utilisation des algorithmes du machine learning permet aux plateformes d’aide à la décision marketing de délivrer des recommandations opérationnelles beaucoup plus précises : il suffit d’appliquer ces algorithmes sur des jeux de données en quantité suffisante pour obtenir une prévision qui tiendra compte de toutes les spécificités de ces données. Ces technologies permettent aux équipes marketing de profiter des prévisions et de faire des simulations pour mieux comprendre l’évolution de leur mix média sans être formés au processus de media mix modeling.
Ces prévisions peuvent être faites sur de nombreuses problématiques marketing. Voici quelques exemples d’automatisation des tâches dans le marketing prédictif, possible grâce à l’apprentissage automatique :
Précision de la segmentation et amélioration du targeting avec le machine learning
Les utilisateurs en 2017 sont très exigeants en termes de qualité et de rapidité d’affichage des contenus qu’ils consultent, que ce soit sur mobile ou sur desktop, et la publicité doit s’adapter à ces exigences pour conserver l’attention des internautes. Apprendre aux algorithmes à associer l’annonce A avec un groupe de personnes X pour optimiser le nombre d’interactions est un des enjeux principaux du machine learning dans la publicité digitale. En se basant sur l’historique de navigation des utilisateurs, il est possible de prédire le taux de complétion d’une vidéo thématique ou les taux de visite ou d’achat.
DCO (de l’anglais Dynamic Creative Optimization) est une technique de personnalisation de bannières en temps réel utilisée par des acteurs du programmatique pour optimiser les taux de conversion. En plus des adaptations génériques en fonction de la localisation des utilisateurs ou l’heure de la journée, cette technique permet d’identifier les préférences en termes de couleurs ou d’éléments graphiques particuliers, auxquels l’utilisateur semble être le plus réceptif d’après les prédictions. Ce qui permet d’afficher la bannière adaptée en fonction des préférences personnelles. Cette méthode devient d’autant plus intéressante que les algorithmes de reconnaissance d’image sont puissants.
La prédiction de l’intention(quelle est la probabilité que ce consommateur soit intéressé par l’achat d’une voiture dans le mois qui suit par exemple) au niveau individuel devenant plus précise également, les algorithmes reconnaitront et proposeront l’image associée directement avec le produit que l’utilisateur a l’intention d’acheter. Ce sera la combinaison parfaite pour adresser les messages publicitaires aux internautes.
Détermination du prix des enchères publicitaires
L’application des algorithmes du machine learning dans les stratégies des enchères Display ou Search est une des utilisations les plus communes aujourd’hui. Avec un budget limité, les campagnes sont diffusées en fonction des recommandations des algorithmes qui optimisent les achats des emplacements les plus qualifiés pour les groupes de personnes les plus intéressées. L’intervention humaine devient limitée lors des transactions d’achat qui se réalisent en moins d’une seconde, et les algorithmes artificiels plus avancés constituent un avantage compétitif important pour les plateformes programmatiques.
Ventilation budgétaire multicanal grâce au machine learning
En s’appuyant sur les données historiques, il est possible de créer des simulations précises de l’impact du changement de budgets sur le business. Est-ce qu’une réallocation du budget depuis la campagne télé vers une campagne vidéo en ligne va avoir un impact sur le ROI ? Comment variera le revenu suite à un désinvestissement complet sur les réseaux sociaux ? – La prévision des budgets média est une tâche qui reste compliquée pour les algorithmes classiques, car plusieurs facteurs entrent en jeu, tels que les interactions des différents canaux entre eux, le prix de l’emplacement actuel, la saisonnalité ou la répartition du mix média de l’annonceur. L’apprentissage automatique rend cet exercice plus facile; attention cependant au volume de données disponibles lors de la phase de l’apprentissage. Car plus il existe de facteurs et plus le mix média est riche, plus le volume du jeu de données doit être grand pour maintenir une probabilité de prédiction la plus élevée possible.
👉 Découvrir l’assistant de planification budgétaire intelligent de Wizaly
Prédiction de la perte de clientèle et de la durée de vie client
Les modèles de prédiction de la perte des consommateurs traditionnels sont assez précis, mais l’application de ces prédictions n’est souvent pas assez rapide pour prendre des actions immédiates et prévenir cette perte. Avec l’apprentissage automatique, il devient possible de déterminer des modèles de comportement qui précédent le désintérêt de l’utilisateur des semaines en avance.
Ce qui permet d’adapter les actions marketing en fonction des premiers signes de désintérêt, choisir des actions marketing personnalisées (comme un nouveau message ou une offre promotionnelle adaptée) et prévenir le churn. De plus, il devient possible de pousser l’action qui augmentera le chiffre d’affaires en fonction de la prédiction de la valeur vie client, car les algorithmes apprennent à faire l’arbitrage entre les efforts mis en place pour garder un ancien consommateur et mettre en place des actions pour en attirer de nouveaux.
Bien que les prédictions deviennent très précises pour toutes ces problématiques, l’intervention humaine reste nécessaire pour expliquer les phénomènes observés. En effet, les algorithmes utilisent les modèles prédictifs en s’appuyant sur les significativités statistiques pures, et ne sont pas capables « d’expliquer » le lien causal des événements.
En revanche, le gain de temps que permettent ces outils représente un grand avantage pour les équipes marketing qui utiliseront les insights des algorithmes d’apprentissage entraînés. Plus encore, connecter plusieurs outils entre eux permettra d’activer les bons leviers directement en fonction des recommandations des algorithmes : en fonction des prévisions budgétaires, la Data Management Platform activera les ciblages recommandés aux audiences correspondantes, les emplacements DCO seront achetés aux meilleurs prix via les plateformes programmatiques, et le message particulier sera adressé en fonction de la valeur vie client … un scénario qui ne semble plus futuriste en 2017.
[1] https://www.salesforce.com/form/pdf/2017-state-of-marketing.jsp
