Plusieurs acteurs du monde de l'entreprise ont investi massivement dans l'acquisition et/ou le développement d'outils d'analyses très poussées tels que le machine learning. La compréhension de la Data est un enjeu primordial, et le machine learning apporte une précision et une rapidité dans la structuration et l'exploitation des données de l'entreprise. Mais comment concrètement les entreprises d'aujourd'hui tirent-elles profit de cette facette de l'intelligence artificielle dans leurs actions envers leurs clients ?
MACHINE LEARNING ET BIG DATA
Également appelé apprentissage automatique, le machine learning gagne de plus en plus de terrain dans le domaine du marketing et de la connaissance client. Peu à peu, il est devenu une composante importante de tout projet Big Data. Son principal objectif étant de modéliser des phénomènes à travers un système d'apprentissage ; ce dernier ne peut s'entraîner, et ainsi apprendre et se développer, qu'à travers l'analyse continue d'un volume important de Data.
Cette branche de l'intelligence artificielle permet donc, à travers un système algorithmique, d'exploiter pleinement le potentiel du Big Data dans le but d'orienter stratégiquement les décisions de l'entreprise. La construction de modèles précis capables de répondre aux questions de l'entreprise est le défi que tend ainsi à relever le machine learning. Toutefois, il ne lui sera possible de l'accomplir qu'à partir du moment où l'entreprise s'engage à alimenter continuellement sa base de données.
Placer le machine learning au service de la stratégie marketing de l'entreprise constitue une véritable révolution. Son apport de valeur informative aux données récoltées est considérable. En effet, à travers l'analyse des données issues d'une base préexistante, il est en mesure d'apporter des réponses adaptées et personnalisées en fonction du contexte et de la problématique formulée. Nous pouvons retrouver la capacité d'apprentissage du machine learning dans de nombreux systèmes d'intelligence artificielle qui nous entourent au quotidien. Les algorithmes d'optimisation publicitaire et de recommandation représentent un petit échantillon de ses nombreuses applications. Deezer, par exemple, emploie des algorithmes identifiant les goûts musicaux de l'utilisateur afin de lui recommander de nouvelles musiques du même style. Pour sa part, Amazon recommande à chaque internaute intéressé par un produit, d'autres produits connexes qui peuvent également lui plaire.
QUELLES APPLICATIONS CONCRÈTES ET POSSIBLES POUR LE MACHINE LEARNING ?
Afin de comprendre précisément les apports du machine learning, il est nécessaire de partir des problématiques actuelles du marketeur : connaître pleinement ses clients ; déterminer et prédire précisément leurs comportements et besoins ; et y répondre plus rapidement que la concurrence.
L'entreprise collecte de plus en plus d'informations sur ses clients mais est incapable d'analyser cette volumétrie de données sans outils adéquats. Le machine learning l'aide à mieux exploiter les données des clients et ainsi effectuer une segmentation plus fine et en temps réel. Il identifie ainsi les opportunités enfouies dans l'amoncellement d'informations constituant le Big Data suivant l'analyse de toutes les données venant aussi bien du online que du offline. Ceci permet de souligner les particularités des segments de l'entreprise et de mettre en exergue un ou plusieurs segments de la population cible pour lesquels il pourrait y avoir une sousperformance par rapport à un produit en particulier. Ainsi, l'identification des caractéristiques de ces segments permet de suggérer au marketeur, à travers une simulation comportementale, une action qui pourrait potentiellement l'aider à mieux répondre aux exigences de sa cible. La qualité des corrélations et des déductions des algorithmes dépendra de la maturité de l'entreprise en termes de bases de données.
Ce sont donc des éléments mesurables qui permettent de prédire la réaction d'un groupe de clients donné à une action marketing. En effet, l'identification des spécificités de chaque segment permet au machine learning, lorsqu'un client potentiel visite le site de l'entreprise par exemple, de déterminer la probabilité d'appartenance du visiteur à un segment en particulier à partir d'un traitement en temps réel de son comportement sur le site. À travers ces opérations de scoring, l'algorithme intercepte les signaux comportementaux et calcule la probabilité qu'un visiteur soit sensible à une offre ou une action particulière de la marque.
Bien mené, l'emploi du machine learning permet de mesurer scientifiquement ce que le consommateur pense et perçoit de la marque à tout moment de son interaction avec l'entreprise. L'efficacité de cette nouvelle technologie peut se traduire par la détection des insights consommateurs à partir des larges et très variées quantités de données (réseaux sociaux, plateformes de marques, forums, programmes de fidélité, …etc.) dont dispose l'entreprise. Et ainsi apporter des suggestions susceptibles d'améliorer et/ou de développer de nouveaux produits ou campagnes publicitaires.
À l'inverse des outils traditionnels d'analyse de données, le machine learning s'avère plus efficace en termes de précision et de vitesse. Plus il dispose de données, plus il peut apprendre et proposer des solutions à des insights de plus en plus pertinents. Il est ainsi capable de déterminer des logiques de comportements en analysant en profondeur le fonctionnement de plusieurs patterns ou modèles en moins de temps qu'un traitement manuel peut le faire.
Grâce à sa puissance d'analyse et ses compétences en termes de classification, de simulation et de prédiction, cette avancée technologique de l'intelligence artificielle est en mesure de faire émerger des tendances et de détecter les intentions des consommateurs visés. À titre d'exemple, Heuritech est une startup fondée en 2013 qui s'appuie sur l'intelligence artificielle afin d'apporter aux marques de luxe et de mode des solutions pour les aider à comprendre et à capturer les tendances clients et produits de leurs audiences en décryptant les images des réseaux sociaux. Cette technologie permet à Heuritech d'analyser en temps réel plus de 100 millions de pages web par jour et ainsi les rendre directement disponibles pour les équipes marketing des marques. Le machine learning projette ainsi l'entreprise dans les évolutions probables des attitudes et des habitudes de consommation de sa cible, et favorise une relation client plus proche, plus pertinente et, par conséquent, plus efficace.
Mettre en exergue de nouveaux schémas de comportements grâce aux calculs et aux analyses multidimensionnelles promet une importante aptitude prédictive en termes de détection de quel consommateur sera ou non un « bon » client pour l'entreprise. L'identification des paramètres sous-jacents au scoring d'un client permet d'améliorer la connaissance client et, ainsi, prévenir l'attrition et développer des stratégies de fidélisation, de ciblage, de personnalisation et de création d'expérience sur mesure pour le consommateur.
Par ailleurs, répondre aux besoins des clients à travers la personnalisation de leur expérience avec la marque et le produit, suppose une réactivité pertinente de l'entreprise. Ainsi, en se basant sur qui ils sont (profil, comportement, …) et ce qu'ils veulent (historique, circonstance et contexte des interactions, …), le machine learning apporte des suggestions, des estimations et des prédictions à l'entreprise à travers la simulation d'un modèle logique de comportement. Par la suite, ce sera au marketeur de prendre les décisions stratégiques de l'entreprise et d'orienter les actions clients.
PLACER LE MACHINE LEARNING AU SERVICE DE LA STRATÉGIE MARKETING DE L’ENTREPRISE CONSTITUE UNE VÉRITABLE RÉVOLUTION
Et si l'indexation intelligente des informations ainsi que le traitement et l'analyse des données sont très efficaces dans le domaine des sciences dures, il est utile de souligner l'importance de la contribution humaine dans l'apport du machine learning à la connaissance client. Derrière l'utilisation de cette technologie en marketing, une approche théorique de ce que l'on veut modéliser est nécessaire. Dans ce cas, l'apprentissage est dit « supervisé ». Le Data Scientist code les algorithmes prédictifs sur la plateforme analytique. Il veille à ce que l'échantillonnage soit représentatif et que les données disponibles ne décrivent pas une population plus qu'une autre. Et il détermine les critères de décision suivant le score calculé par les algorithmes. Ainsi, il se sert des outils informatiques du Big Data pour comprendre les enjeux business de ses analyses.
L'utilisation de modèles de données, d'algorithmes de prédiction et d'estimation permet de limiter les risques de prise de décision et aide à comprendre les raisons de certains comportements du consommateur. Mais des données biaisées, ou une erreur de définition de critère de décision algorithmique, peuvent engendrer d'énormes pertes. Ainsi, au regard de ces enjeux et des opportunités qu'offre le machine learning, une entreprise ne peut s'appuyer sur cette technologie que sous certaines conditions : il lui est fondamental de disposer d'une base de données clients très conséquente (Customer Data) ; avoir des compétences en termes de machine learning afin de visualiser tout le parcours client ; et être capable de répondre rapidement aux suggestions et estimations de cette intell igence artificielle.
Toutefois si l'entreprise n'est pas assez mature pour ce type de défi technologique il existe des solutions qui lui permettent d'intégrer étape par étape ces Data Solutions. Elle peut ainsi se contenter de modèles plus simples au départ afin d'éviter de générer des estimations qui ne pourront se généraliser au-delà des données restreintes à la disposition du marketeur.
L'élaboration des stratégies marketing peut donc reposer sur des machines et des technologies auto-apprenantes. La valeur ajoutée du machine learning constitue une avancée majeure qui accroît la rapidité de perception des changements dans le comportement des clients ainsi que la capacité de réactivité des marketeurs. Toutefois, la qualité et la pertinence des données sont une condition minimale pour garantir sa performance.
Les machines prennent donc le relais pour apporter cette expertise et aider les marketeurs à être meilleurs dans leur prise de décisions. Mais la réalité du fonctionnement des modèles prédictifs implique des choix et des biais liés à la participation et l'interprétation humaine. On ne remplace pas le Data Scientist. Le machine learning propose et suggère des solutions, mais c'est toujours à l'humain de prendre les décisions. Cela est vrai aujourd'hui. Ce ne le sera peut-être pas demain !
