Catégories Marketing Digital

L’intelligence artificielle au service du Marketing


L’intelligence artificielle au service du Marketing

 

Tout d’abord, il est important de re-contextualiser l’intelligence artificielle. On distingue l’IA forte, une machine capable de faire tout ce qu’un humain peut faire, y compris avoir conscience d’elle-même, de l’IA faible : des programmes développés pour des applications spécifiques qui miment l’intelligence humaine. Aujourd’hui, tous les usages de l’IA font appels à l’IA faible. L’IA forte quant à elle, n’est pas pour demain. Elle porte des fantasmes d’équivalence ou de supériorité à l’humain mais ne verra pas le jours avant 50 à 1000ans.

On parle d’IA en tant que discipline scientifique depuis 1956. Dès sa naissance, les perspectives associées aux premiers accomplissements ont contribué à sa popularité grandissante. Cependant, même si les fondamentaux mathématiques existent depuis plus de 70 ans, ce n’est que très récemment que les organisations se sont dotées d’infrastructures capables de supporter la puissance de calcul qu’elle requiert.

Il existe deux types d’approches, à savoir déterministe et probabiliste. Contrairement aux idées reçues, l’IA n’est pas synonyme de machine learning ou de deep learning. C’est un domaine plus vaste qui comprend deux courants : déterministe et probabiliste faisant appel à des procédés différents.

 

  • L’approche déterministe est une représentation omnisciente d’une réalité. Elle modélise une réalité dans laquelle se succèdent des phénomènes dont les paramètres sont entièrement connus et maitrisés.
  • L’approche probabiliste est une représentation statistique de la réalité. Elle modélise une représentation statistique de la réalité : un environnement où des événements ont une probabilité d’occurrence.

 

Et le machine Learning dans tout ça ?

 

Il s’agit d’un apprentissage automatique qui est une sous partie de l’IA : un ensemble de méthodologies qui constituent l’approche statistique de l’intelligence artificielle. Il se découpe en plusieurs logiques d’apprentissage, identifiées par la typologie de problèmes qu’elles sont à même de résoudre.

  • L’apprentissage supervisé : Il permet de prédire la valeur d’une variable cible à partir d’un entraînement sur une base de donnée existante labellisée. C’est la méthodologie de l’IA la plus fréquemment utilisée et la plus mature, elle est également la plus simple à mettre en œuvre.
  • L’apprentissage non-supervisé : Il permet d’identifier des tendances ou de regrouper es ensembles qui présentent des similarités.
  • L’apprentissage semi-supervisé : À la frontière entre les logiques supervisées et non supervisées, on utilise une approche dite semi-supervisée qui permet de s’affranchir en partie des étapes de labellisation qui peuvent être fastidieuses sur des jeux de données importants.
  • L’apprentissage par renforcement : Il permet à l’IA de répondre par elle-même à une problématique, sans base de donnée d’apprentissage.

 

Et le Marketing dans tout ça ?

De plus en plus de données proviennent du comportement utilisateur sur l’ensemble des services digitaux, à savoir des Sites Web, des Application mobiles, des Applications de réalité virtuelle. Beaucoup de ces données sont exploitées afin d’en tirer des conséquences, notamment la performance d’une campagne de pub online par rapport à une autre par exemple. L’objectif est à présent d’aller plus loin dans ces analyses en mettant par exemple en place des algorithmes de Machine Learning permettant de développer des modèles d’attribution.

Qu’est-ce qu’un modèle d’attribution ? C’est un modèle algorithmique permettant de connaître le réel impact de chaque levier d’acquisition Marketing. Concrètement, cela permet de voir le taux d’impact sur un objectif particulier de conversion par exemple, pour chaque levier, c’est-à-dire pour le SEO, le SEA, le Display, l’Affiliation ou encore l’e-mailing. Cela nécessite d’avoir un tracking des données optimal avec de la data de qualité en amont. Une fois le modèle en place, cela va permettre de mieux ajuster le budget alloué à chaque levier en fonction de l’objectif in fine. C’est donc très puissant car on parle ici d’économie de pertes.

D’autres modèles algorithmiques vont pouvoir servir le Marketing. Prenons l’exemple d’une base de données hébergeant des dizaines de millier de réponses à un sondage.

Comment sont actuellement effectuée les analyses dans la plupart des entreprises ? à la main par des employés qui vont tenter de repérer des similitudes dans les réponses des sondés. C’est un travail chronophage et qui ne permet pas d’avoir une vision exhaustive, ce qui est d’autant plus vrai plus le volume de réponses est conséquent.

Une des solutions ici est d’utiliser un algorithme que l’on appelle le K-means. Il permet de créer des groupes homogènes d’individus en créant des clusters. Il s’agit d’un apprentissage non supervisé.

Dans le secteur de l’hôtellerie et du tourisme, les données sont nombreuses. Sur un marché aussi compétitif que celui du tourisme, le premier vol ou la première chambre achetés par un client couvre à peine le coût d’acquisition de ce nouveau client : la fidélité est donc clé afin de générer du profit. L’enjeu est ensuite de trouver le juste milieu entre la maximisation du profit et la promotion d’une expérience client sans faille. D’après une étude, l’enjeu est le suivant : 98% des touristes ont réservé leurs vacances en ligne. De manière à maximiser leurs revenus, les professionnels du secteur doivent donc vendre le bon produit, au bon prix et au bon moment. Disposer de bons outils afin de pouvoir tirer parti de l’incroyable quantité de données disponibles devient alors l’enjeu central.

Comment l’IA y répond ? Dans cette optique, certaines entreprises du secteur ont décidé de combiner plusieurs algorithmes. Dans un premier temps, l’association de l’apprentissage supervisé et des historiques de données a permis de prédire le prix optimal. Puis l’apprentissage non supervisé a permis de créer des segments d’audience hautement spécifiques. En intégrant près de 800 attributs différents (données internes, externes, prévisions de demande, données comportementales, données provenant des réseaux sociaux…) les deux algorithmes ont permis d’aboutir à un outil de pricing data driven.

Nous pourrions citer beaucoup d’autres exemples mais il faut simplement retenir que l’IA n’est pas qu’une technologie dédiée à la robotique ou aux voitures autonomes, elle permet de fournir de puissants insights sur les aspects marketing.

Aucun commentaire

Laisser un commentaire