Machine learning : comment l’analyse prédictive réinvente le marketing digital

En passant à la moulinette la folle complexité du big data, le machine learning poursuit un but ultime : mieux comprendre les clients pour leur offrir la meilleure expérience possible. Grâce à sa puissance d’analyse, cette avancée de l’intelligence artificielle permet aux entreprises de tirer parti de la richesse des données qu’elles collectent.

C’est une mine d’informations. Une manne. Comme un cadeau tombé du cloud. Des milliards de données collectées sur les comportements des clients en provenance de toutes les strates de l’internet. À celles-ci s’ajoutent les précieux renseignements réunis par les forces de vente et les services clients. Autant dire qu’il s’agit de l’alpha et de l’oméga du marketing digital. Vraiment ? Oui à condition de créer du sens en mettant en perspective ces informations. Le big data ne vaut rien sans un décryptage en bonne et due forme. C’est là qu’entre en scène le machine learning ou « apprentissage automatique ». Grâce à sa puissance d’analyse, ce champ d’étude de l’intelligence artificielle transforme les données de masse en causalités fines. Autrement dit : il change le plomb en or. Ses algorithmes passent en revue la complexité du big data aussi sûrement qu’une escouade de forçats du marketing. Son graal : simplifier la vie du client et améliorer sa satisfaction grâce à l’analyse précise de son parcours d’achat.

Intelligence artificielle : des algorithmes troublants de perspicacité

Depuis ses premières utilisations grand public à la fin des années 1990, le machine learning ne cesse de faire parler de lui. Son dernier fait d’arme : la victoire en mars 2016 d’AlphaGo, le logiciel de Google, sur le Coréen Lee Sedol au go, un jeu de stratégie millénaire dont le simple apprentissage dépasse les capacités cognitives de nombreux bipèdes. AlphaGo représente l’un des exemples les plus remarqués du deep learning, c’est-à-dire la capacité d’une machine à analyser de façon autonome des sommes de données avec un niveau de performance extrêmement élevé.

Si une telle prouesse technologique reste exceptionnelle, les internautes font quotidiennement l’expérience du small machine learning sans le savoir. Un exemple ? Il suffit de surfer sur Amazon, LinkedIn, Spotify ou encore Netflix pour voir ces plateformes proposer automatiquement des suggestions dont la perspicacité s’avère bien souvent troublante. Ces associations d’idées restent pertinentes sur des sujets aussi fins que l’intérêt pour un film, une chanson, un service ou un achat croisé. Il s’agit d’une intelligence bien moins superficielle qu’il n’y paraît. Avec des résultats concrets.

Satisfaction client : le graal à atteindre

« Appliqué au marketing digital, l’ambition du machine learning, c’est avant tout de faciliter la vie du client, par exemple en l’aidant à choisir entre plusieurs moyens de transport ou en lui proposant le produit ou le service dont il est le plus susceptible d’avoir besoin », explique Philippe van Caenegem, Senior Director Strategic Innovation chez Salesforce. « Pour atteindre ce graal, nos outils permettent aux équipes commerciales, marketing et service client de mieux comprendre les parcours clients. L’analyse prédictive permet ainsi de fluidifier l’expérience utilisateur pour leur simplifier la vie ». Le machine learning entend par ailleurs favoriser l’acte d’achat. « Nos solutions permettent d’augmenter considérablement le chiffre d’affaires d’un site web marchand et les taux de conversion à des campagnes e-mail personnalisées », précise Philippe van Caenegem.

E-book : Salesforce pour les experts marketing

Du big data à l’apprentissage automatique

Correctement alimenté en données de qualité, l’algorithme s’ébroue en liberté dans les vastes prairies du digital. Il cherche en profondeur. Il fait preuve de flair. Il croise des données éloignées les unes des autres pour déterrer des causalités jamais mises au jour. D’où des résultats étonnants qu’un esprit humain aurait balayés d’un revers de la main. Le deep learning permet par exemple de découvrir que l’intention d’achat peut-être corrélée à une action à moment précis du parcours client. Avec l’apprentissage automatique, on peut donc cibler avec une précision qui échappe à l’entendement humain. Le deep mining ouvre un potentiel immense pour le marketing digital, pour augmenter les ventes additionnelles et la transformation des prospects, assurer le meilleur service client possible et juguler la perte de fidélité.

Machine learning : un meilleur suivi des parcours clients

Selon l’enquête sur l’état de l’art du marketing publiée en 2016 par Salesforce, l’engagement client constitue une priorité absolue. Pour 88 % des équipes marketing les plus performantes, la mise en place d’une stratégie de gestion du parcours client est en effet perçue comme essentielle. La satisfaction client s’impose comme le principal critère de réussite, surclassant même la croissance des revenus et l’acquisition de nouveaux clients. Dans ce contexte, le marketing par e-mail, mobile et social offre un retour sur investissement de plus en plus important aux professionnels du marketing. Le machine learning s’impose ainsi comme un allié de taille.

D’un point de vue opérationnel, la plupart des applications de machine learning aujourd’hui utilisées dans le marketing digital font l’objet d’une phase de pre-learning. « Une grande quantité de données est ainsi traitée en amont lors de la conception de l’algorithme pour mieux guider la recherche et automatiser plus facilement les réponses qui seront proposées aux internautes », précise Philippe van Caenegem. On a affaire à une combinaison savante entre l’intelligence humaine et l’intelligence artificielle. L’objectif qui reste encore à atteindre : une expérience utilisateur la plus simple et fluide possible. Le machine learning a d’ores et déjà permis de faire un bond en avant grâce à l’ultra-segmentation des profils pour un suivi affiné des parcours clients.

E-book : comment créer des parcours clients personnalisés

Partage des données : le nerf de la guerre

Pour fonctionner à plein, le machine learning doit bénéficier d’informations de première qualité. Son régime ? Résolument omnivore. En fonction des projets, les entreprises utilisent les informations disponibles qu’elles collectent grâce aux cookies, à la géolocalisation, aux réseaux sociaux, aux programmes de fidélité (qui rassemblent classiquement des données sur l’âge, la localisation, l’historique des achats…).

Contrairement aux idées reçues, les consommateurs sont plutôt enclins à partager leurs données, mais pas à n’importe quel prix. C’est ce que démontre l’étude « What is the future of data sharing » menée en 2015 par le Center for Global Brand Leadership de la Columbia Business School auprès de 8 000 internautes situés au Royaume-Uni, aux États-Unis, au Canada, en France et en Inde. « Les consommateurs sont beaucoup plus avertis sur la question du partage des données que nous ne le soupçonnions au départ. Selon notre étude, l’un des facteurs déterminants dans la décision de les partager réside dans la confiance accordée à la marque », explique Matthew Quint, directeur du Center for Global Brand Leadership. Les chercheurs de la Columbia Business School sont en effet arrivés à la conclusion que plus de 75 % des internautes partagent plus volontiers leurs données avec une marque en laquelle ils ont confiance.

Données client : toute confession mérite salaire

Au-delà de la confiance, le partage d’informations repose sur une logique donnant-donnant. Selon la même étude de la Columbia Business School, 80 % des consommateurs acceptent de partager des informations confidentielles en échange d’une récompense. Il doit s’agir d’une « offre pertinente de valeur, mais cette valeur doit être clairement définie et facile à comprendre pour espérer le meilleur retour sur investissement possible », précise Matthew Quint. Les jeunes consommateurs seraient d’ailleurs plus favorables que leurs aînés à concéder leurs informations personnelles. Ce qui promet de beaux jours au machine learning.