Il est commun de penser spontanément aux robots et aux tentatives de reproduire l'intelligence humaine lorsque nous évoquons « l'Intelligence artificielle ». D'ailleurs Turing, le père de l'Informatique, disait que nous entrerions dans l'ère de l'intelligence artificielle, lorsque nous ne serions plus en mesure de déterminer si nous nous adressons à un humain ou une machine. La traduction la plus directe dans notre vie moderne est l'apparition des « chatbots » sur les sites web qui démarrent une conversation comme s'il s'agissait d'une vraie personne, et les assistants vocaux comme SIRI ou Google Home. Même si des progrès importants ont été réalisés dans ce domaine, nous sommes encore loin du compte – il suffit de faire le test soi-même. Il faut chercher ailleurs les applications les plus directes de l'intelligence artificielle en Marketing.
Les applications de l’IA se trouvent là où l'humain seul ne peut aller, c'est-à-dire là où la puissance de calcul phénoménale des architectures dans le cloud et leur capacité de stockage infinie ont permis l'émergence de nouvelles disciplines autour de la donnée (Big data) et une nouvelle connaissance inaccessible à l'homme sans leur aide.
Les premières applications de l'IA sont le traitement intelligent de la donnée
Cela fait des années que nous accumulons des données sur les comportements de nos clients ou des visiteurs de sites web (logs de visites et cookie associés), ouvreurs de nos mailing (ouvertures et clics), interactions avec les personnes de notre société (CRM)… Jusqu'ici – il faut le dire – sans pouvoir vraiment les exploiter, mais avec la conviction « qu'un jour, nous pourrions le faire ». Ce jour est arrivé avec la possibilité de stocker ces données (ne plus perdre la mémoire), de les analyser (prendre du recul), de les comprendre (faire « parler » ces données), d'en créer de nouvelles (méta données et modèles) et jusqu'à, de combler les données manquantes ou prédire les données futures. On parle alors de « Machine learning », voire de « Deep learning », lorsqu'il s'agit de faire ingurgiter à nos machines des montagnes de données pour leur permettre de reconnaître par exemple notre langage ou de reconnaître des éléments dans des images. Il s'agit d'entraîner des algorithmes, dont la plupart sont connus depuis les années 50, sur des volumes de données telles qu'à la fin la machine parvienne statistiquement à retrouver les liens « cachés » entre ces données et à reproduire un résultat analogue lorsqu'on lui propose des caractéristiques similaires.
L'importance de la maîtrise et de la qualité des données
Au-delà même des algorithmes, ce sont donc les données qui sont le nerf
de la guerre et qui permettent – ou non – de faire appel à
l'intelligence artificielle. Il y a 3 conditions essentielles pour
pouvoir les exploiter :
- qu'elles soient en nombre suffisant. C'est
le frein numéro 1 qui fait d'ailleurs que nos amis américains sont bien
plus avancés grâce aux GAFA qui ont accumulé bien plus de données et
continuent d'accentuer leur avance dans le domaine. En B2B où les
données sont moins importantes, la capacité à entraîner des modèles
prédictifs est fortement limitée et seules des plateformes ayant
accumulé assez de données (comme Getquanty) sont en mesure de le faire
;
que leur qualité et leur fiabilité soient maîtrisées. Ce qui est
directement lié aux conditions de collecte (techniques ou légales) et
aux sources de données. Or de nombreuses données sont échangées via
Internet (open data ou bases commerciales) dont l'origine et la
complétude sont invérifiables. Il faut donc privilégier les plateformes
qui collectent elles-mêmes leurs données dans les conditions bientôt
durcies par le RGPD ;
- que l'humain exerce un contrôle suffisant à
toutes les étapes de mise au point de l'IA. Données d'entraînement,
données de résultats, choix des variables le plus souvent à l'aide de
data visualisations créées spécialement pour le jeu de données : le
data-scientist est un acteur essentiel pour maîtriser et corriger les
propositions de « la machine ».
Les applications concrètes aujourd'hui
Si nous réussissons à réunir les conditions précédentes – ce qui prend en
général plusieurs années –, nous commençons à pouvoir « faire parler »
les données et passer du « Big data » à la « Smart data ». Il existe en
la matière des plateformes de marketing prédictif comme Getquanty qui
intègre l'intelligence artificielle dès sa conception, de par :
- son
architecture cloud qui s'appuie notamment sur les ressources de Google
tant pour l'archivage des données à large échelle que pour leur
traitement massivement parallélisé ;
- son processus de collecte des
données de référence (tracking, identification, bases de contacts) qui
croise et qualifie par IA de multiples bases de données ;
- ses
algorithmes de scoring qui permettent d'agréger des milliers
d'informations et de déterminer les intentions d'achats et les
influenceurs qui deviennent aujourd'hui une partie prenante des
décisions au sein de ces entreprises.
L'intelligence artificielle appliquée à ces données permet donc d'aller plus vite et plus loin dans les études marketing en permettant de découvrir les véritables leviers qui influencent une décision d'achat, de corriger nos référentiels (par exemple, le sacro-saint NAF) en regroupant par l'usage les entreprises qui offrent les mêmes services ou attirent les mêmes profils d'entreprises, de découvrir des causes à effets sur des horizons et échelles de temps plus larges que la seule « dernière visite ». Concrètement, cela donne un nouveau pouvoir aux marketeurs, qui est celui d'identifier grâce à l'IA les prospects à relancer en priorité : en fonction du niveau de maturité et du degré d'adéquation avec les personas recherchés. Un levier d'action peut être automatiquement activé sans aucune intervention humaine, et qui enchaîne plusieurs opérations complexes jusqu'ici coûteuses comme la recherche des contacts clés dans l'organigramme suivant un parcours précis, l'envoi d'un email personnalisé à chaque influenceur identifié, le reciblage publicitaire de toute l'entreprise concernée, le déclenchement de tchat ou chatbot lorsqu'une personne clé de l'entreprise revient sur le site, etc.
Quelles applications concrètes à venir
On peut facilement projeter que les applications de l'IA dans le domaine du Marketing B2B dépasseront bientôt la seule analyse entreprise des parcours de visiteurs et le tri des prospects suivant leur niveau de maturité. À mesure que les chatbot gagneront en « intelligence », il deviendra plus efficace de réaliser un premier tri directement sur le site web via une conversation 100 % artificielle et rerouter vers un commercial uniquement si l'engagement du visiteur est confirmé. L'assistant virtuel du commercial prendra directement les rendez-vous et le préviendra en parallèle. Cela devrait permettre aux commerciaux de se « démultiplier », laissant leurs clones virtuels travailler le pipe, qualifier les prospects et les mettre en relation avec le commercial de la manière la plus appropriée et avec un contexte de plus en plus détaillé. L'avenir réside également dans la possibilité pour le marketeur B2B de générer de nouvelles interactions avec des prospects jusqu'ici jamais venus sur son site web ! Le « lookalike » modeling, dont les premières applications sont tout juste disponibles dans une plateforme comme GetQuanty, permet en effet de profiler les entreprises à la recherche d'une offre en particulier, et de les cibler automatiquement. Avant même qu'elles aient fait le premier pas !
