E-marketing

Le Machine Learning pour remplacer les cookies ?

Le Machine Learning peut-il remplacer les informations récoltées par les cookies sur le web ?

Le Machine Learning peut-il remplacer les informations récoltées par les cookies sur le web ?

Depuis vingt ans, les spécialistes du marketing accumulent toujours plus de données, sur le web et hors ligne.

Le problème est que, très bientôt, une grande partie de tout cela cessera d’être aussi utile qu’auparavant… et cela posera de réels défis.

Tout d’abord, revenons un peu en arrière pour mieux comprendre. Depuis les débuts d’Internet en tant qu’outil grand public, de gros volumes de données, tels que les logs, les clics dans les e-mails, l’historique des paniers, le fait que l’internaute accède à un site avec son téléphone ou son ordinateur, et qu’il s’agisse de la version mobile ou non de votre site – ont été récoltés et ont permis de gagner de l’argent en vendant plus efficacement.

Adoptez un livre

Il était également possible d’avoir tout un lot de données contextuelles et d’informations sur le comportement du client, comme sa position géographique, ses centres d’intérêt, l’appétence (ou pas) de sa famille pour les avantages récompensant la fidélité, des données saisonnières… la liste est longue.

La fin des cookies tiers

Mais voilà : le RGPD est arrivé. Ces dernières années, Google, Facebook et le SEO vendaient des données précieuses… mais nous sommes à l’aube d’entrer dans un univers sans cookies tiers ; Chrome et les navigateurs basés sur Chromium cesseront de les prendre en charge en 2022. Safari dispose d’un anti-tracking depuis un certain temps, et il s’est mis à dos les réseaux sociaux avec sa position très dure sur la vie privée. Dans le même temps, Google a encore modifié son algorithme pour renforcer son autorité et empêcher les robots de fausser le jeu avec du contenu sans valeur.

Pourtant, et c’est assez pervers, alors que le principal moyen permettant de proposer du contenu personnalisé et des publicités ciblées va disparaitre, le public réclame toujours plus de personnalisation. Si l’on pose la question, tout le monde déteste les publicités en ligne et les cookies sont un fardeau. Mais lorsqu’il s’agit d’acheter de nouvelles chaussures d’escalade, par exemple, et qu’après 10 minutes de recherche sur Internet sont proposées les plus belles chaussures du marché parce que le système sait quelles chaussures plaisent à l’internaute, alors tout le monde est satisfait et trouve cela pratique.

Comme je le disais, les consommateurs veulent plus de personnalisation que jamais. 81% des clients souhaitent que les marques sachent à quel moment elles peuvent les approcher ou non [1], et 63% souhaitent que la personnalisation soit désormais le standard. Ce qui augure de bons maux de tête pour le secteur : comment continuer d’accéder aux données mais en ne les utilisant que de manière efficace à des fins de marketing et de ventes ?

L’IA : votre nouvelle meilleure amie

La solution est, pour moi, ce en quoi le secteur a toujours eu confiance pour son plus grand bonheur : les mathématiques et les statistiques. Les modèles linéaires généralisés sont utilisés en marketing depuis 1972, notamment dans le domaine du mix marketing, car ils permettent une approche additive (ventes = base + dépenses TV + dépenses radio + autres canaux). Ceci, associé à des spécifications de modèle claires, offre aux analystes la possibilité d’identifier les contributions incrémentielles des canaux marketing aux ventes.

Mark Bakker, Responsable Benelux de H2O.ai

Mais aujourd’hui, les mathématiques sont encore plus utiles. Ceci grâce à l’arrivée de technologies avancées qui permettent de tirer le meilleur parti des montagnes de données et de chiffres, sous la forme de l’apprentissage automatique (Machine Learning). Et je suis convaincu que le Machine Learning peut et va aider les spécialistes du marketing à fournir une meilleure expérience client et à améliorer la performance et le taux de conversion, en compensant, dans une certaine mesure, les données web auxquelles ils n’auront plus accès.

Pour faire simple : l’apprentissage automatique modèle le monde. Mais pas l’ensemble du monde ; nous ne sommes pas dans ‘Matrix’ ou ‘Devs’ ici. Par contre, il modèle une représentation du monde, mais de façon extrêmement efficace, et avec des détails beaucoup, beaucoup plus précis que ce que vous ou moi ou même Albert Einstein arriverions à obtenir.

Les opportunités qui s’ouvrent avec ce focus de la machine sur des modèles plus précis du monde (=comportement client) sont diverses comme la segmentation hyper détaillée des types de clients, qui permettrait de proposer une tarification réellement dynamique, un ciblage publicitaire vraiment, vraiment spécifique et précis, des messages personnalisés et une mesure des performances. Le Machine Learning est déjà utilisé pour anticiper les besoins des clients et les futures tendances, pour mieux comprendre le parcours du client grâce à la modélisation de l’attribution, pour mieux répartir le budget afin d’améliorer le retour sur investissement et pour permettre aux campagnes de s’adapter dynamiquement aux prochains comportements des clients et d’expérimenter des expériences personnalisées (le travail des « Next Best Actions », actions automatisées déclenchées à la suite d’analyses de données ou d’événements détectés).

Promouvoir l’IA démocratique

Toutefois, à l’heure actuelle, une trop grande partie de cet excellent travail est réalisée au sein de grandes entreprises disposant d’importantes équipes de data scientists. Il existe actuellement un fossé entre le spécialiste des données et du Machine Learning et le marketeur, même si ce dernier connaît bien les données, l’optimisation des moteurs de recherche et même Python.

Ce fossé peut être comblé avec ce que l’on appelle ‘l’IA explicable’, des systèmes conçus pour être si conviviaux qu’il y a aussi peu de mystère et de manque d’explication que possible dans la « boîte noire ». Ainsi, des équipes de non-spécialistes peuvent accéder à des outils étonnants capables d’analyser de très grandes quantités de données et de travailler facilement avec des modèles statistiques très complexes, comme l’a fait notre client Allergan.

Allergan est une grande entreprise pharmaceutique aux Etats-Unis, et l’inventeur du Botox. Depuis deux ans, elle cherche à dépasser ses anciens modèles estimant l’impact de ses campagnes de promotions et a commencé à optimiser son mix marketing sur des dizaines de produits via différents canaux.

Comment ? En appliquant des modèles d’apprentissage automatique très précis et très explicatifs qui conduisent à des modèles précis d’attribution du mix marketing. Cela se fait notamment par le biais d’une technique d’apprentissage automatique appelée « gradient boosting », qui utilise un ensemble de modèles de prédiction qui présentent généralement une plus grande précision dans les prédictions hors échantillon que les modèles linéaires généralisés auxquels je faisais référence précédemment. Les gains pour son équipe marketing : de meilleurs résultats, plus de conversions, une meilleure répartition des budgets marketing, le tout plus rapidement et à moindre coût qu’auparavant.

Toute équipe peut arriver à ces résultats. L’IA est de plus en plus mature, et l’IA explicable commence à se concrétiser. En adoptant le Machine Learning dès maintenant, ce sont des mois de gagnés à se demander comment vivre sans cookies et sans traceurs publicitaires.

De toute façon, vous n’avez rien à perdre en essayant.

Auteur : Mark Bakker, Responsable Benelux de H2O.ai, Intelligence Artificielle et Machine Learning

[1] https://netcorecloud.com/blog/ai-based-hyper-personalisation/

(c) Ill. DepositPhotos

Cliquez pour commenter

Commenter

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.

Marketing PME aide les PME PMI et TPE à développer leur business en 2021 Sélectionnez votre agence avec Sortlist
Vers le haut
// Infinite Scroll $('.infinite-content').infinitescroll({ navSelector: ".nav-links", nextSelector: ".nav-links a:first", itemSelector: ".infinite-post", loading: { msgText: "D'autres articles sont en chargement...", finishedMsg: "Désolé, il n'y a pas d'autre article" }, errorCallback: function(){ $(".inf-more-but").css("display", "none") } }); $(window).unbind('.infscr'); $(".inf-more-but").click(function(){ $('.infinite-content').infinitescroll('retrieve'); return false; }); $(window).load(function(){ if ($('.nav-links a').length) { $('.inf-more-but').css('display','inline-block'); } else { $('.inf-more-but').css('display','none'); } }); $(window).load(function() { // The slider being synced must be initialized first $('.post-gallery-bot').flexslider({ animation: "slide", controlNav: false, animationLoop: true, slideshow: false, itemWidth: 80, itemMargin: 10, asNavFor: '.post-gallery-top' }); $('.post-gallery-top').flexslider({ animation: "fade", controlNav: false, animationLoop: true, slideshow: false, prevText: "<", nextText: ">", sync: ".post-gallery-bot" }); }); });