Comment augmenter les ventes et améliorer le retour sur investissement en utilisant les données et l'apprentissage automatique

Les algorithmes de publicité en ligne se nourrissent d'un grand nombre de signaux. Des industries comme le commerce électronique et les jeux mobiles fournissent suffisamment de données pour former ces algorithmes. Par conséquent, les approches couramment utilisées par les plateformes publicitaires telles que Google et Facebook permettent un ciblage et un engagement efficaces des publics souhaités.

Cependant, dans de nombreux autres secteurs où le nombre de signaux est plus faible, le taux de conversion cible est bien inférieur aux références des chaînes. Si vous vous trouvez dans cette situation, il est essentiel de faire le changement et d'exploiter vos données avec la puissance de l'apprentissage automatique.

Nous nous sommes associés à Konstantin Bayandin, le fondateur de la startup adTech Tomi.ai, pour discuter des opportunités de marketing en ligne qui peuvent être débloquées avec l'apprentissage automatique.

En tant que CMO et responsable du département Data Science & Analytics d'OZON.ru (l'équivalent russe d'Amazon), je dirige le développement du marketing axé sur les données au sein de l'entreprise. Dans le commerce électronique, il existe une abondance de conversions (achats) précieuses et de nombreuses données à découper et à découper. Lors de mon déménagement aux États-Unis pour travailler pour Compass, une agence immobilière de haute technologie, j'ai découvert un problème. Après être passé de la publicité en ligne et du commerce électronique à l'immobilier, j'ai été choqué de voir à quel point le marketing en ligne était difficile pour cette industrie. Le principal problème était le nombre extrêmement faible de conversions finales, car les gens achètent rarement des maisons ou des appartements. Pour mettre les choses en perspective, les États-Unis ne totalisent que 5 millions de transactions immobilières par an.

Pour cette raison, les conversions sont extrêmement rares. En gros, vous avez même la chance d'obtenir une transaction pour 10 000 visiteurs du site Web. Le taux de conversions en transactions s'élève à 0,01% ou moins. Par conséquent, les spécialistes du marketing immobilier ne peuvent pas utiliser les enchères intelligentes : les stratégies d'enchères automatisées proposées par les plateformes publicitaires de Google et de Facebook. Ils doivent soit maximiser le nombre de clics, soit optimiser les événements du site Web au milieu de l'entonnoir (comme la collecte de contacts). La valeur de ces conversions n'est pas toujours claire, car les gens soumettent souvent leurs coordonnées pour des raisons sans rapport avec l'achat.

Cela soulève donc la question suivante : pourquoi certaines industries ont-elles plus de mal avec le marketing en ligne ? Pourquoi ont-ils de faibles taux de conversion et un faible retour sur investissement ? Je crois qu'il y a cinq raisons principales à cela :

1. Un public très spécifique : Quels que soient les efforts déployés par un spécialiste du marketing, seuls 5 % des personnes ciblées achèteront ou vendront un bien immobilier au cours des 12 prochains mois.
2. Avoir des composants hors ligne : comme devoir signer un contrat immobilier sur papier et en personne.
3. Cycles de vente longs : Selon Zillow, il faut en moyenne plus de 4,5 mois pour acheter une maison. Pendant ce temps, dans l'industrie automobile, les gens prennent généralement des semaines ou des mois pour choisir une voiture, et quelques semaines supplémentaires pour conclure la transaction.
4. Transactions importantes : Comme vous pouvez l'imaginer, tout ce qui précède peut être assez coûteux. Et, naturellement, plus le montant en question est élevé, plus le processus de prise de décision peut être long.
5. Réglementation : Bien que ce ne soit pas nécessairement une considération majeure dans toutes les industries, c'est certainement le cas pour l'immobilier et la finance. Ces industries sont fortement réglementées afin de garantir un accès égal au logement et au crédit. Par exemple, le Fair Housing Protection Act interdit l'utilisation de la plupart des ciblages impliqués dans le marketing immobilier, tels que le sexe, l'âge, la race et la géolocalisation.

Si votre entreprise comporte au moins trois des cinq composants mentionnés ci-dessus, vous avez probablement un faible taux de conversion. Dans ce cas, vous devez être très prudent dans la gestion de vos données. Envisagez de mettre en œuvre l'apprentissage automatique à votre avantage : cela peut aider à fermer la boucle de rétroaction pour vos futures transactions, en les reliant à la demande qui existe au sommet de l'entonnoir.

Inspiré par ce défi, j'ai créé une solution qui prédit la probabilité d'achats futurs en utilisant l'apprentissage automatique et les données comportementales des visiteurs du site Web. Tomi.ai est une plate-forme qui aide aujourd'hui les spécialistes du marketing en ligne à plus que doubler leur retour sur investissement publicitaire grâce à l'apprentissage automatique, aux données comportementales de première partie et aux intégrations d'API. Cela ouvre des possibilités pour les secteurs où le marketing en ligne est un défi, comme l'immobilier, la banque, l'assurance, l'EdTech et le SaaS.

Pour nos clients issus d'industries complexes, nous activons les scores prédictifs dans leurs comptes publicitaires en tant que conversions personnalisées avec un montant de valeur attendu. Autrement dit, nous calculons le revenu anticipé qui pourrait être généré par un visiteur du site Web, en examinant son niveau d'interaction avec le site Web. Nous le traitons comme un achat terminé, puis maximisons cette métrique. En conséquence, nos clients sont en mesure de diffuser leurs annonces auprès d'utilisateurs très engagés avec une valeur de durée de vie attendue élevée.

L'apprentissage automatique est le moteur du marketing en ligne d'aujourd'hui. À mon avis, les spécialistes du marketing doivent évoluer vers des analystes ou des scientifiques des données, car les problèmes de marketing ont souvent des solutions mathématiques. Les opérations de marketing en ligne ressemblent essentiellement à un problème d'optimisation en mathématiques, où un certain paramètre (par exemple, les revenus) doit être augmenté dans une situation de budget, de canal et d'autres contraintes.

Le but de l'utilisation de l'apprentissage automatique dans le marketing en ligne est de fermer la boucle de rétroaction des achats et du sommet des événements de l'entonnoir.

Il est possible de construire des modèles prédictifs à toutes les étapes de l'entonnoir. Pour ce faire, nous prédisons la probabilité de conversion en fonction du comportement initial des utilisateurs. Ensuite, nous l'exprimons en termes de probabilité d'achat et de valeur d'achat prévue.

Le défi présenté aux professionnels de la martech est de penser à un moyen de fermer cette boucle de rétroaction et de créer des audiences similaires basées sur la valeur en fonction de la LTV produite par ces modèles. Ils doivent également trouver un moyen efficace d'éclairer les décisions d'enchères de leur plate-forme publicitaire en utilisant des signaux précoces et des micro-conversions qui se produisent tôt dans le processus. Mélangez-les ensuite avec des algorithmes d'apprentissage automatique pour créer une métrique uniforme des conversions et des ventes prévues, plutôt que d'utiliser les conversions finales (qui se produisent rarement).

Si Google et Facebook ont ​​déjà l'apprentissage automatique de leur côté, pourquoi les spécialistes du marketing devraient-ils mettre en œuvre eux-mêmes l'apprentissage automatique ?

1. L'apprentissage automatique élargit le signal

En règle générale, un site Web à faible conversion aura de nombreuses sessions utilisateur. Par exemple, un projet e-commerce moyen aura un taux de conversion de 2%, ce qui signifie que seules 2 sessions sur 100 auront une valeur non nulle. Leur force de signal est égale à 100 %.

L'apprentissage automatique nous aide à comprendre la probabilité de conversion des événements précoces de chaque session et à lui attribuer une valeur non nulle. Nous pouvons identifier 25 % des visiteurs du site Web qui ont une force de signal variant de 2 % à 10 %. Cette approche nous donne un public plus large avec un signal plus faible qui peut être utilisé pour la création de segments.

2. L'apprentissage automatique est capable de calculer la LTV incrémentielle attendue

Cela vous aide à comprendre les performances de la campagne et si elle atteindra sa valeur cible à l'avenir, avant même que les conversions réelles n'aient lieu.

3. dLTV peut être utilisé pour l'optimisation des enchères publicitaires

Vous pouvez optimiser vos enchères à l'aide de l'attribution prédictive optimisée par l'apprentissage automatique pour comprendre les performances attendues de votre campagne.

Supposons que vous lanciez une annonce sur Google avec de nombreux mots clés. Vous avez dépensé un certain montant pour chaque mot-clé, atteint un certain chiffre de ventes et divisé vos ventes par le retour sur investissement. Vous avez trié ces mots clés en les organisant par ordre décroissant de leur retour sur investissement, puis tracé 100 % des coûts (cumulatifs) sur l'axe des X, et tracé tous les résultats commerciaux sous forme de ventes ou de bénéfices sur l'axe des Y. Ceci fait, cela vous donnera votre « courbe de performance » :

Le but de l'utilisation de la technologie marketing est de supprimer les contrôles inutiles. Dans ce cas, nous devons supprimer les mots clés médiocres qui ont un impact négatif sur votre retour sur investissement. Vous ne pouvez pas vous permettre d'investir dans ces mots clés, leurs budgets respectifs peuvent donc être réduits.

En employant de nouvelles méthodes plus efficaces, vous pouvez modifier la courbe de performance elle-même. Vous pouvez obtenir de meilleures performances avec le même budget et les mêmes mots clés. Pour illustrer cela, chez OZON.ru en 2016, nous avons utilisé des modificateurs d'enchères basés sur l'apprentissage automatique pour les annonces de recherche et avons ainsi aidé Google et Yandex à attirer des audiences répétées de meilleure qualité.

En conséquence, vos revenus augmentent, vous gagnez un retour sur investissement marginal supérieur à votre chiffre cible et cela vous aide à débloquer de nouvelles opportunités. Par exemple, en investissant dans de nouveaux mots clés et en augmentant les dépenses, vous pouvez obtenir de meilleures performances sur votre chiffre de retour sur investissement cible.

Nous sommes peut-être les pionniers de l'apprentissage automatique pour le marketing prédictif dans des secteurs tels que l'immobilier, la banque et le SaaS. L'idée même de noter les utilisateurs et d'utiliser ce score à des fins d'optimisation vient de l'industrie du jeu. Les jeux mobiles sont souvent gratuits, mais viennent avec des options d'achat dans le jeu. Les «baleines», comme on les appelle dans l'industrie du jeu, sont un groupe de joueurs qui ne représentent que 1% de la population de joueurs, mais qui sont capables de payer le coût de tous les joueurs grâce à leurs achats dans le jeu.

Tous les jeux de ce type sont conçus pour augmenter sa part de gros dépensiers et, plus important encore, pour identifier les gros dépensiers potentiels. Depuis longtemps dans l'industrie, les chefs de produit sont connus pour utiliser des données pour prédire la LTV afin d'éclairer leurs décisions.

Les applications de jeux mobiles ont déjà eu des intégrations avec Google, et plus tard avec Facebook, pour transférer des données d'événements en ligne. Pour évaluer la probabilité qu'un joueur devienne une "baleine", les spécialistes du marketing utilisent les données des premiers jours de jeu d'un joueur. Ils produisent ensuite une conversion synthétique "installation de qualité", soumettent cet événement à Google UAC, puis optimisent pour une installation de qualité, plutôt qu'une installation régulière.

Nous mettons en œuvre les intégrations standard suivantes pour nos clients :

1. Pixel Tomi.ai : Vous devez installer un pixel Tomi.ai sur votre site Web pour collecter des données comportementales : telles que les pages visitées par les utilisateurs, la durée de séjour sur certaines pages et les clics. L'algorithme d'apprentissage automatique triera tous ces signaux pour trouver ceux qui fournissent les prédictions les plus précises des conversions futures. Par exemple, les personnes qui ont vraiment l'intention d'acheter une maison utiliseront une calculatrice hypothécaire et chercheront des écoles à proximité. Ces facteurs donneront les variables qui seront utilisées par l'apprentissage automatique pour prédire la probabilité de conversion en achat.
2. Intégration CRM : nous demandons aux clients de fournir leurs flux de transactions terminés (données historiques). En utilisant des e-mails hachés et des numéros de téléphone soumis sur le site Web en tant qu'identifiants anonymes, nous sommes en mesure de lier les transactions hors ligne à l'activité en ligne des personnes. Nous utilisons un échantillon de données historiques d'un mois (ou plus) pour former nos modèles sur les comportements des gens et la probabilité d'achats ultérieurs.
3. Intégration API : Enfin, nous renvoyons ces données dans les comptes publicitaires. Nous demandons l'accès aux API marketing pour connecter et télécharger des conversions synthétiques et des données d'audience prédictives sur Google et Facebook.

Le facteur le plus important pour l'apprentissage automatique est le nombre de résultats positifs qui ont eu lieu - le nombre de conversions que nous avons pu capturer. Théoriquement, 20 achats suffisent, mais en pratique, nous essayons d'identifier au moins 100 achats que nous pouvons lier au comportement en ligne. Généralement, nous visons à former le modèle en utilisant plusieurs centaines ou milliers d'achats. Il est important que nous obtenions au moins les 100 premiers résultats positifs au cours de notre période de collecte de données, qui se produit généralement au cours du premier mois de travail (ou plus si les conversions sont rares).

D'après notre expérience, le principal critère de qualité des données est la part des commandes hors ligne que nous pouvons lier à l'activité en ligne des clients. L'idée principale n'est pas seulement d'intégrer le site Web et le système CRM, mais également de collecter des identifiants de cookies anonymisés. L'identifiant Google Analytics est généralement utilisé pour cela. Vous devez collecter les identifiants Google Analytics des utilisateurs, puis insérer cet identifiant dans le CRM à toutes les étapes ultérieures : qualification des prospects, support commercial, exécution du contrat, etc.

La valeur de l'apprentissage automatique ne réside pas dans les données contenues dans un seul tableau. Elle réside dans la qualité du lien entre plusieurs tables.

La valeur des données n'est pas dans les données, mais entre les données.

Cela signifie que la valeur n'est pas simplement d'avoir les tables, mais de connecter plusieurs tables ensemble afin de débloquer une valeur supplémentaire. Pouvoir lier ces tables de comportement en ligne avec des tables de commande est extrêmement important pour les spécialistes du marketing.

Si les campagnes publicitaires ne dépassent jamais la phase d'apprentissage (et cela peut être le cas avec des conversions extrêmement rares), vous pouvez y remédier grâce à la puissance du machine learning.

Si vous continuez à maximiser le nombre de clics sur le site Web, vous êtes déjà en retard. Si vous optimisez vos annonces pour la collecte de contacts et que ces contacts sont de mauvaise qualité (seulement 5 à 10 % des contacts convertis en vente), l'apprentissage automatique est très susceptible d'améliorer cela.

Je tiens à souligner qu'il n'est pas nécessaire d'être un spécialiste des données pour commencer. Mouillez-vous les pieds et voyez ce que l'apprentissage automatique peut faire pour vos campagnes marketing. Alors que les industries continuent de devenir plus interconnectées, il est maintenant temps d'intégrer de nouvelles innovations technologiques dans votre boîte à outils.