Apprentissage automatique dans le marketing numérique : exemples de cas d'utilisation

Il y a quelques décennies, la première chose qui vous venait à l'esprit lorsque vous entendiez les mots «intelligence artificielle» était probablement la montée en puissance des machines et du Terminator avec un fusil à canon scié. Aujourd'hui, ce terme a des associations plutôt positives. Presque tout le monde rencontre l'apprentissage automatique dans la vie ordinaire. Par exemple, vous pouvez communiquer avec un chatbot sur un site Web, recevoir des offres promotionnelles correspondant à vos loisirs ou configurer un filtre anti-spam dans votre service de messagerie.

Pour les spécialistes du marketing, le machine learning est une opportunité de prendre rapidement des décisions cruciales basées sur le big data. Dans cet article, nous parlerons des décisions que vous pouvez prendre en fonction du Big Data.

Commençons par un peu de terminologie. Selon Wikipedia, l'apprentissage automatique (ML) est une classe de méthodes d'intelligence artificielle caractérisées par le fait qu'elles ne fournissent pas de solutions directes aux problèmes, mais plutôt des systèmes de formation pour appliquer des solutions.

Il existe de nombreuses méthodes d'apprentissage automatique, mais elles peuvent être grossièrement divisées en deux groupes : apprendre avec un enseignant et apprendre sans enseignant.

Dans le cas d'un apprentissage avec un enseignant, une personne fournit à la machine des données initiales sous forme de couples situation-solution . Le système d'apprentissage automatique analyse ensuite ces paires et apprend à classer les situations en fonction de solutions connues. Par exemple, un système peut savoir quand marquer les messages entrants comme spam.

Dans le cas de l'apprentissage sans enseignant, la machine reçoit des informations non triées - des situations - sans solutions et apprend à classer ces situations en fonction de signes similaires ou différents sans guidage humain.

Les spécialistes du marketing utilisent l'apprentissage automatique pour trouver des modèles dans les activités des utilisateurs sur un site Web. Cela les aide à prévoir le comportement ultérieur des utilisateurs et à optimiser rapidement les offres publicitaires.

En psychologie, un modèle est un ensemble particulier de réactions comportementales ou une séquence commune d'actions. Par conséquent, nous pouvons parler de modèles en ce qui concerne n'importe quel domaine où les gens utilisent des modèles (c'est-à-dire la plupart des domaines de la vie).

Prenons l'exemple d'un modèle utilisé sur les sites Web. Si l'utilisateur n'est pas intéressé par l'offre dans la fenêtre contextuelle ci-dessous, il peut fermer cette fenêtre en :

1. en cliquant sur le signe X
2. en cliquant sur Non merci
3. cliquant n'importe où sur le site en dehors de la fenêtre contextuelle.

En plus de ces trois actions que l'utilisateur peut effectuer, la fenêtre pop-up se fermera d'elle-même après un certain laps de temps.

Nous obtenons donc quatre actions utilisateur possibles :

1. Cliquez sur X - Peut être vrai/faux
2. Cliquez sur Non merci — Peut être vrai/faux
3. Cliquez au-delà de la fenêtre contextuelle — Peut être vrai/faux
4. Le temps de visualisation des fenêtres contextuelles est de 5 secondes

Lorsque des centaines de ces paramètres sont collectés, les données collectées gagnent en valeur car elles contiennent des modèles de comportement et des dépendances. Il cache l'énorme potentiel des données comportementales, nous permettant de compléter les données des utilisateurs avec les paramètres manquants en fonction des données que nous avons déjà pour d'autres utilisateurs.

Par exemple, la façon la plus simple de définir un public cible est par sexe et par âge. Mais que se passe-t-il si les utilisateurs ne remplissent ces données que dans 10 % des cas ? Comment pouvez-vous comprendre combien d'utilisateurs de votre site Web appartiennent à votre public cible ? Les modèles de comportement peuvent aider.

Vous pouvez utiliser les données de sexe et d'âge de 10 % des utilisateurs pour déterminer des modèles spécifiques à un sexe et à un âge particuliers. Ensuite, vous pouvez utiliser ces modèles pour prédire le sexe et l'âge des 90 % d'utilisateurs restants.

Disposant de données complètes sur le sexe et l'âge, vous pouvez désormais proposer des offres personnalisées à tous les visiteurs du site Web.

Le rôle du machine learning en marketing est de vous permettre de prendre rapidement des décisions basées sur le big data.

L'algorithme du travail des spécialistes du marketing est le suivant : les spécialistes du marketing créent des hypothèses, les testent, les évaluent et les analysent. Ce travail est long et laborieux, et parfois les résultats sont incorrects car les informations changent à chaque seconde.

Par exemple, pour évaluer 20 campagnes publicitaires en tenant compte de 10 paramètres comportementaux pour cinq segments différents, un spécialiste du marketing aura besoin d'environ quatre heures. Si une telle analyse est effectuée tous les jours, alors le marketeur passera exactement la moitié de son temps à évaluer la qualité des campagnes. Lorsque l'apprentissage automatique est utilisé, l'évaluation prend quelques minutes et le nombre de segments et de paramètres de comportement est illimité.

Avec l'apprentissage automatique, vous pouvez réagir plus rapidement aux changements de qualité du trafic apportés par les campagnes publicitaires. En conséquence, vous pouvez consacrer plus de temps à la création d'hypothèses plutôt qu'à la réalisation d'actions routinières.

La valeur de vos résultats dépend de la pertinence des données sur lesquelles l'analyse a été menée. À mesure que les données deviennent obsolètes, leur valeur diminue. Une personne ne peut tout simplement pas traiter les volumes d'informations qui sont collectées à chaque minute par les systèmes d'analyse. Les systèmes d'apprentissage automatique peuvent traiter des centaines de demandes, les organiser et fournir des résultats sous la forme d'une réponse prête à une question.

Principaux avantages de l'apprentissage automatique en marketing :

• Améliore la qualité de l'analyse des données
• Vous permet d'analyser plus de données en moins de temps
• S'adapte aux changements et aux nouvelles données
• Vous permet d'automatiser les processus marketing et d'éviter le travail de routine
• Fait tout ce qui précède rapidement

L'essence d'un système de recommandation est d'offrir aux clients les produits qui les intéressent en ce moment.

Ce qu'un système de recommandation prédit : Marchandises qu'un client est susceptible d'acheter.

Comment ces données sont utilisées : Pour générer des e-mails et des notifications push ainsi que des blocs « Produits recommandés » et « Produits similaires » sur un site Web.

Résultat : les utilisateurs voient des offres personnalisées, ce qui augmente la probabilité qu'ils effectuent un achat.

Algorithmes communs à cet effet : K-means clustering.

En général, l'essence de tous les types de ciblage est de dépenser le budget publicitaire uniquement sur les utilisateurs cibles.

Types de ciblage les plus utilisés :

• Ciblage par segment : diffuser des annonces auprès de groupes d'utilisateurs avec le même ensemble d'attributs
• Déclencher le ciblage : diffuser des annonces auprès des utilisateurs après qu'ils ont effectué une certaine action (par exemple, afficher un produit ou ajouter un article au panier)

Il existe également un ciblage prédictif , dans lequel vous diffusez des annonces aux utilisateurs en fonction de la probabilité qu'ils effectuent un 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 utilisateur 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 prédit le ciblage prévisionnel : la probabilité qu'un utilisateur effectue un achat dans Comment ces données sont utilisées :

Exemple 1 : Pour lancer des campagnes publicitaires. À cette fin, créez des segments basés sur la probabilité d'un achat et téléchargez ces segments sur Google Ads, Facebook Ads et d'autres systèmes publicitaires.

Exemple 2 : Pour analyser l'efficacité des campagnes publicitaires. À cette fin, créez des segments basés sur la probabilité d'un achat et téléchargez ces segments sur Google Analytics et utilisez-les pour analyser l'efficacité des campagnes publicitaires (quelle campagne génère le plus de conversions).

Résultat : la publicité est diffusée auprès d'un public plus ciblé, ce qui augmente l'efficacité des campagnes.

Algorithmes communs à cette fin : XGBoost, CATBoost, Arbre de décision (si peu de données sont disponibles ou si peu de modèles sont évidents).

Les méthodes les plus connues de calcul de la valeur à vie, ou LTV, sont basées sur la connaissance du bénéfice total d'un client et du temps pendant lequel le client a interagi avec l'entreprise. Cependant, de nombreuses tâches commerciales modernes vous obligent à calculer le LTV avant même le départ d'un client. Dans ce cas, la seule solution est de prédire le LTV sur la base des données disponibles.

Ce que prédit la prévision LTV : La LTV de chaque utilisateur par segment.

Comment ces données sont utilisées :

1. Les segments sont chargés dans des services de notification push ou de messagerie et utilisés pour l'envoi de courrier afin de réduire les sorties de clients (le taux de désabonnement).
2. Les segments sont téléchargés sur Google Analytics et utilisés pour analyser l'efficacité des campagnes publicitaires en fonction de la LTV prévue.

Résultat : Le budget publicitaire par utilisateur est déterminé en fonction de la LTV, ce qui améliore l'efficacité des campagnes.

Algorithmes communs à cet effet : XGBoost, SVM, Random Forest, Logistic Regression.

En marketing, le concept de désabonnement ou de sortie fait référence aux clients qui ont quitté l'entreprise et à la perte de revenus associée et est généralement exprimé en pourcentage ou en termes monétaires.

La prévision du taux de désabonnement vous permet de répondre à l'intention d'un client d'abandonner votre produit ou service avant qu'il ne le fasse réellement.

Ce que prédit la prévision du taux de désabonnement : la probabilité que les utilisateurs quittent par segment d'utilisateurs

Comment ces données sont utilisées : les segments peuvent être téléchargés vers des services de notification par e-mail ou push, ainsi que vers Google Ads, Facebook Ads et d'autres systèmes publicitaires. Vous pouvez également transmettre ces informations au service de fidélisation afin qu'il puisse contacter personnellement les clients ayant une forte probabilité de départ.

Résultat : fidéliser les clients.

Algorithmes communs à cette fin : SVM, régression logistique et autres algorithmes de classification.

L'algorithme d'intelligence artificielle d'OWOX BI analyse vos résultats marketing, les compare aux données du marché et indique où se situent vos zones de croissance et vos risques. Il prévoit également la mise en œuvre de votre plan annuel afin que vous puissiez rapidement modifier votre stratégie marketing.

La capacité des canaux et les tendances du marché sont des connaissances qu'une entreprise ne peut pas obtenir par elle-même. Heureusement pour vous, le modèle d'apprentissage automatique d'OWOX BI Insights prend en compte les données de dizaines de milliers de projets pour faire des prédictions précises. Cela donne aux entreprises confiance dans les recommandations pour redistribuer leurs budgets publicitaires, car ces recommandations sont basées sur des sessions pour un site particulier. Ils prennent également en compte les tendances du marché, la capacité des canaux, les coûts publicitaires granulaires et les impressions publicitaires dans les médias aux étapes supérieures de l'entonnoir.

Le modèle d'attribution basé sur les données OWOX BI évalue l'efficacité de vos campagnes publicitaires, en tenant compte de la contribution de chaque canal à la promotion du client via l'entonnoir de conversion. Avec ce modèle, vous pourrez répartir équitablement votre budget publicitaire, en tenant compte de la contribution réelle des canaux aux conversions et de leur influence mutuelle.

Le calcul du modèle dans OWOX BI est basé sur les chaînes de Markov et l'apprentissage automatique. Une chaîne de Markov est un modèle probabiliste qui, en calculant les probabilités de transitions entre les étapes de l'entonnoir, permet d'évaluer l'influence mutuelle des étapes sur les conversions et de découvrir quelles étapes sont les plus significatives.

Si vous voulez voir comment fonctionne l'attribution OWOX BI, inscrivez-vous pour une démo. Nos collègues vous montreront des exemples concrets d'application de l'attribution et démontreront comment cela peut être utile pour votre entreprise.

Pourquoi l'apprentissage automatique est-il nécessaire et comment vous aide-t-il à résoudre le problème d'attribution ? Ceci est un sujet pour un article séparé (que nous préparons déjà).

Dans cet article, découvrons à quel niveau les décisions sont prises à l'aide de l'attribution. Nous allons comparer ces niveaux en fonction de plusieurs critères :

• Le niveau lui-même
• Principaux décideurs
• Types de décisions prises
• Les outils utilisés
• Modèles d'attribution les plus souvent utilisés

Niveaux auxquels les décisions basées sur l'attribution sont prises :

1. Vue. La vision d'une entreprise est formée par son conseil d'administration, son PDG et son directeur marketing. Les décisions au niveau de la vision sont associées à des investissements dans la marque et à l'équilibrage des budgets entre en ligne et hors ligne. Les outils utilisés pour prendre de telles décisions sont les études de marché et les consultants. Il y a rarement une place pour les modèles d'attribution classiques basés sur les données, car les données sur lesquelles les décisions sont basées ne sont pas suffisamment numérisées.

2. Stratégique. Les décisions stratégiques sont prises mensuellement, en règle générale, par les directeurs marketing et e-commerce. Ces décisions sont consacrées à l'allocation du budget entre les canaux et à la définition du KPI de premier niveau. Les outils qui aident à prendre des décisions stratégiques sont Visual IQ, OWOX BI ou des modèles occasionnels. Ici, l'entreprise utilise l'attribution basée sur les données, des variations sur le thème de la valeur de Shapley et des chaînes de Markov, ou l'attribution basée sur l'entonnoir. A ce niveau, il est important de comprendre l'influence mutuelle des canaux et de prendre des décisions stratégiques sur leur développement.

3. Tactique. Habituellement, les décisions tactiques sont prises chaque semaine ou même plus fréquemment par le responsable de l'acquisition de trafic payant. La répartition du budget se produit entre les campagnes et les ensembles de publicités, et les décisions visent à clarifier les KPI et les objectifs de la campagne. Pour prendre des décisions tactiques, vous pouvez utiliser Google Sheets ou OWOX BI. Souvent à ce niveau, les spécialistes travaillent avec Google Analytics. Pour évaluer l'impact de la publicité dans les médias, la plupart des modèles d'attribution utilisent les conversions associées, la décroissance temporelle et la post-vue.

La particularité de cette étape est que le budget d'une chaîne a déjà été alloué. À ce stade, il est donc important de comprendre dans quelles campagnes les dépenser, de contrôler les résultats et de désactiver rapidement les campagnes inefficaces.

4. Exécution. C'est à ce moment que la décision d'évaluer la contribution d'une annonce ou d'un mot-clé particulier intervient en temps quasi réel. Ces décisions sont généralement prises au sein des services publicitaires (Google Ads, Facebook Ads). En fait, le client ne se soucie pas des mécanismes d'optimisation utilisés ici, car il examine les résultats de chaque service séparément.

Comme vous pouvez le voir, l'apprentissage automatique est le plus utile pour les tâches stratégiques et tactiques. Parfois, cela s'applique également au niveau de l'exécution, mais la tendance générale est que les systèmes publicitaires se développent rapidement et contiennent beaucoup de données. Les algorithmes internes utilisés dans ces systèmes pour gérer les campagnes publicitaires produisent de meilleurs résultats qu'un modèle externe basé sur l'apprentissage automatique.

La raison en est que pour appliquer l'apprentissage automatique, il est nécessaire d'exporter rapidement de grandes quantités de données du service de publicité, puis de réimporter rapidement les résultats. Techniquement, c'est une tâche difficile à résoudre à l'échelle industrielle. Par conséquent, au niveau de l'exécution, les spécialistes du marketing ont tendance à s'appuyer sur des algorithmes internes pour optimiser les services publicitaires.

Pour utiliser l'apprentissage automatique pour résoudre des problèmes tactiques et stratégiques, vous devez vous assurer de l'exhaustivité de vos données. Vous pouvez le faire avec OWOX BI. OWOX combine vos données de votre site Web, de vos services publicitaires et de votre CRM afin que vous puissiez créer un entonnoir qui prend en compte les particularités et les efforts de votre entreprise et vise à attirer des clients et à augmenter les ventes.