Le Machine Learning au service du marketing

Le machine learning aide le marketing dans la prise de décision rapide en utilisant la big data. Quels sont les avantages et les cas d'usage ?

Dans une stratégie marketing, les spécialistes créent des hypothèses, des personae, les testent, les évaluent et les analysent. Cela mobilise des ressources, prend du temps et les résultats sont parfois incorrects car l’information change très rapidement (chaque seconde).

Par exemple, l'objectif est d’évaluer 20 campagnes publicitaires en tenant compte de 10 paramètres comportementaux pour cinq segments différents, un marketeur aura besoin de plusieurs heures. Si une telle analyse est effectuée chaque jour, alors le marketeur passera la moitié de son temps à évaluer la qualité des campagnes. Le machine learning vient supprimé ce temps. En effet, grâce à ce système l’évaluation prend quelques minutes, de plus le nombre de segments et de paramètres de comportement est illimité.

En dédiant ce temps d’évaluation au machine learning et à son algorithme, le marketing peut consacrer plus de temps à la création d’hypothèses, de personae et d’affiner ainsi les cibles de sa marque.

Par ailleurs, la valeur des résultats dépend de la pertinence des données récoltées sur lesquelles l’analyse a été effectuée. À mesure que les données tombent en désuétude, leur valeur diminue aussi. Un collaborateur ne peut pas traiter les volumes d’information qui sont recueillis chaque minute par des systèmes d’analyse. Le machine learning peut traiter des centaines de demandes, les organiser et fournir des résultats sous la forme la plus simple qui s’apparenterait à une réponse à une question.

Reconnaissons les principaux avantages du machine learning pour le marketing

Améliore la qualité de l’analyse des données

Analyse plus de données en moins de temps

S’adapte aux changements et aux nouvelles données

Automatise les processus marketing et évite le travail peu qualifié

Exemples de cas d’usage du machine learning pour le marketing

1. Systèmes de recommandation

Un système de recommandations vise essentiellement à faire des recommandations personnalisées de produits aux clients qui seraient susceptibles de les intéresser.

Ce qu’un système de recommandation prédit : les produits qu’un client est susceptible d’acheter.

Comment ces données sont utilisées : Pour générer des notifications par e-mail et push ainsi que des blocs de « Produits recommandés » et de « Produits similaires » sur un site web d’e-commerce / application mobile d’e-commerce.

Résultat : Les utilisateurs voient des offres personnalisées ce qui augmente la probabilité qu’ils fassent un achat.

Algorithmes courants à cet effet : K-means clustering.

2. Ciblage des prévisions

En général, cette fonction sert à optimiser un budget publicitaire en ciblant uniquement les utilisateurs choisis (personae).

Types de ciblage les plus utilisés :

Ciblage et segmentation — Affichage d’un message publicitaire à des groupes d’utilisateurs ayant le même ensemble d’attributs

Déclenchement du ciblage — Afficher une publicité aux utilisateurs après une action précise définie (par exemple, visualiser un produit ou ajouter un article au panier)

Il y a aussi le ciblage prédictif, dans lequel une annonce est montrée aux utilisateurs en fonction de leur probabilité d’achat.

La principale différence entre ces types de ciblage est que le ciblage prédictif utilise toutes les combinaisons possibles de dizaines ou de centaines de paramètres utilisateurs avec toutes les valeurs possibles. Tous les autres types de ciblage reposent sur un nombre limité de paramètres avec certaines plages de valeurs.

Ce que le ciblage de prédictif permet c’est de connaître la probabilité qu’un utilisateur fasse un achat en N jours.