Machine learning : le lien entre analyse et activation pour personnaliser son site

“Data rich, insight poor”. C’est là tout le challenge actuel des équipes data et marketing. Elles récoltent des volumes phénoménaux de données, mais ne disposent pas des ressources ou de la bande passante nécessaires pour les analyser et réaliser une segmentation pertinente de leur audience. Par conséquent, elles n’exploitent que partiellement ou bien pas du tout ces données.

Dans cet article, j'aborde le sujet sensible de la maturité face à la donnée et vous montre pourquoi et de quelle manière le machine learning peut aider les marketeurs à (enfin) faire le lien entre analyse et activation de la donnée, pour donner sens aux immenses volumes d’informations qu’ils collectent.

Plus de data ≠ plus d’insights

Hier, l’enjeu pour les marketeurs était de se doter d’un écosystème de solutions capables de récolter et de stocker le plus grand nombre de données. En s’équipant par exemple de DMP (Data Management Platform) ou plus récemment de CDP (Customer Data Platform), certaines entreprises dépensent des sommes colossales dans des technologies qui ont la capacité de booster les performances de votre stratégie data, mais uniquement dans un écosystème data-driven déjà bien huilé. J’avais abordé le sujet de la DMP dans un précédent article.

J’y concluais, en prenant l’exemple d’Auchan, qu’une DMP, associée à une solution de personnalisation comme Kameleoon, est un outil qui permet en effet aux marketeurs d’obtenir une vision unifiée du parcours de leurs clients en vue d’optimiser leur expérience sur tous les canaux.
 

Chacun de vos visiteurs a un parcours de navigation qui lui est propre. En permettant d'unifier le profil de chaque visiteur à travers les différents canaux marketing, la DMP devient rapidement un outil essentiel pour les grands groupes.[/caption] Cela dit, s’armer d’une telle solution avant même d’avoir une compréhension globale des données que l’on récolte, c’est prendre le risque de se lancer dans un projet tunnel. “Plus on dispose de données, plus on est en mesure de répondre aux besoins de nos clients !”

C'est une première étape nécessaire, mais largement insuffisante. Aujourd’hui, l’enjeu premier des marketeurs n’est plus de collecter et de stocker des volumes de données toujours plus importants, mais de se doter de solutions pour mieux les exploiter.

92 % des entreprises ne savent pas encore tirer partie de leurs données

Je ne sors pas cette donnée effarante de mon chapeau, mais du rapport “The Pursuit of Data-Driven Maturity” (2017) d’Econsultancy. Il mentionne que seules 8 % des entreprises ont mis en place une stratégie solide qui leur permet d’une part d’analyser et de comprendre les données qu’elles récoltent et, d’autre part, de les intégrer dans leur processus de décision. Il existe un gap entre les entreprises matures face à la donnée et les 92 % restantes.  Tout n’est heureusement pas si manichéen et voici comment sont réparties les entreprises qui ne peuvent pas encore correctement profiter de leurs données :

Ce gap s’explique en partie par la méfiance des marketeurs envers la data. D’après une étude de Hanapin Marketing (2017), seuls 15 % des marketeurs font confiance aux données avec lesquelles ils travaillent au quotidien. Vous avez bien lu. 15 %. L’étude conclut que cette méfiance est une conséquence de l’incompréhension des marketeurs vis à vis des données qu’ils récoltent. Résultat ? Ils font comme si elles n’existaient pas. Chez Kameleoon, nous ne pouvions pas rester plantés là sans rien dire... !

Sans segmentation de la donnée, pas de personnalisation

Comprendre et maîtriser ses données permet d’atteindre des niveaux de segmentation très fins. C’est le prérequis de toute stratégie de personnalisation, pratique à laquelle les internautes se sont désormais habitués, grâce à des acteurs comme Fnac, Club Med, Auchan, Routard, cDiscount ou encore Amazon, qui contextualisent l’expérience de chacun de leurs visiteurs en temps réel.

Le fait que tant de sites adoptent la pratique de personnalisation n’est pas dû au hasard. Les visiteurs le demandent. Une étude Gartner (2015) indique en effet que 75 % des internautes sont frustrés par une expérience en décalage avec leurs attentes initiales. Autant de visiteurs qui risquent de ne plus revenir sur votre site après une expérience qui n’était pas à la hauteur de leurs attentes. Bon, j’ai quand même une bonne nouvelle à vous apporter pour contrebalancer ces études et statistiques alarmantes : il n’a jamais été si simple pour les marketeurs et les équipes data d’analyser et d’activer leurs données. La solution tient en deux mots : machine learning.

Exploitez le machine learning pour segmenter vos visiteurs

Qu’apporte le machine learning à la personnalisation ?

Le machine learning est une branche de l’intelligence artificielle qui consiste à confier des données à un algorithme qui va ensuite s’en nourrir pour réaliser des prédictions.

L’algorithme segmente les visiteurs de votre site et calcule leur probabilité de conversion en temps réel

L’algorithme n’a rien de magique. Il ne suffit pas de le  « brancher » sur votre site et de croiser les doigts pour qu’il segmente automatiquement vos visiteurs. Vous risqueriez d’attendre longtemps.

Après définition par le marketeur des différents critères qui caractérisent un segment visiteur, l’algorithme effectue une segmentation en temps réel à partir de données comportementales, géographiques, techniques, ou bien stockées dans votre CRM, DMP, CDP, etc. Aussi, l’algorithme peut apprendre (machine learning) des actions de vos visiteurs. Prenons un exemple très simple pour bien comprendre :

1.  
   1. Un visiteur arrive pour la première fois sur une fiche produit de votre site après avoir cliqué sur un lien promotionnel sur Facebook.
   2. Il passe 1 minute sur cette fiche produit et semble lire attentivement la description du produit (indiquée par le niveau de scroll).
   3. Il ajoute le produit à son panier.
   4. Il achète ce produit.

Un deuxième nouveau visiteur fait de même, puis un troisième, puis un quatrième. À ce stade, l’algorithme considère qu’un nouveau visiteur issu de cette campagne promotionnelle et ayant ce comportement sur votre fiche produit a 100 % de chances de convertir.

Un cinquième nouveau visiteur se rend sur le site par le même biais, passe 1 minute sur la fiche produit, ajoute le produit à son panier et … ne convertit pas. L’algorithme ajuste alors ses prédictions de conversion (ici à 80 % donc), et ainsi de suite.

Les algorithmes de machine learning de Kameleoon suivent cette logique, ici illustrée de manière très simplifiée. L'algorithme peut croiser un grand nombre de critères, tout en poursuivant son travail d’apprentissage 24h sur 24, 7 jours sur 7, et à l'infini. Ce type de calcul en temps réel permet aux marketeurs d’affiner leur segmentation et d’anticiper les actions à mettre en place pour optimiser les taux de conversion d’un segment visiteur ciblé.

S'il peut être intéressant de proposer une réduction aux visiteurs qui montrent des signes d’hésitation et ont besoin d'un incentive commercial pour convertir, vous risquez de réduire vos marges en proposant cette même réduction aux visiteurs qui auraient quoiqu'il arrive acheté sans.

Fini la théorie, étudions un cas pratique concret avec Allopneus, qui affine sa segmentation et accroît significativement ses performances grâce au machine learning

Allopneus exploite le ML pour cibler ses meilleurs clients

Leader de la vente de pneus en ligne en France, Allopneus connaît déjà très bien les visiteurs de son site. Parmi ces visiteurs se trouve le segment des « Gros rouleurs ». Avec 10 % du trafic et 25 % du chiffre d’affaires, ce sont des clients prioritaires pour l’enseigne.

L’enjeu pour la marque est de maximiser son chiffre d’affaires sur ce segment sans pour autant dégrader ses marges. Ainsi, elle met régulièrement en place des opérations promotionnelles qui sont exclusivement dédiées aux « gros rouleurs ». Ces offres promotionnelles ont un coût important. Elles ne doivent pas être présentées aux visiteurs qui ne sont pas des « Gros rouleurs ». Sinon, la marque perd de l’argent sur l’opération. Aujourd’hui, Allopneus exploite le machine learning pour identifier plus de « gros rouleurs » sur son site. Voici comment l’enseigne procède :

1. Les équipes d’Allopneus définissent les critères de segmentations en amont pour l’algorithme

Pour que l’algorithme sache reconnaître les « gros rouleurs », les équipes d’Allopneus lui indiquent qu’il doit croiser les critères suivants :

Les gros rouleurs possèdent - entre autres attributs - plusieurs véhicules et parcourent plus de 24 000 km par an. Autrement dit ils ont régulièrement besoin de renouveler leurs pneus.

Ces critères de segmentation n'ont rien d'extraordinaire. Ce sont en fait des critères que l'on pourrait très bien retrouver dans une segmentation manuelle. Mais l'algorithme de machine learning va pouvoir traiter un volume des données colossal, lever l'ambiguïté possible dans l'analyse de ces données, le tout en continu et en temps réel. Cela ne serait pas possible manuellement.

2. L’algorithme apprend à identifier les « Gros rouleurs » et affine son ciblage dans le temps

Une fois configuré, l’algorithme entre en phase d’apprentissage sur le site d’Allopneus. En croisant les critères de segmentation et en analysant le parcours de navigation de tous les visiteurs du site, il apprend et affine sa capacité à segmenter.

De semaine en semaine, l'algorithme affine ses prédictions.[/caption] Après une semaine d’apprentissage, l’algorithme indique que 50 % des visiteurs du site ont 50 % de chance d’appartenir au segment des « Gros rouleurs ». C’est une non-prédiction.

Après deux semaines d’apprentissage, l’algorithme continue d’affiner ses prédictions. Il parvient de mieux en mieux à définir pour chaque visiteur sa chance d’appartenir au segment cible. Ainsi, comme on le voit sur la courbe, la distribution des visiteurs sur les différentes fourchettes de pourcentage évolue. Au bout de 4 semaines, les équipes data et marketing d’Allopneus jugent que l’algorithme est suffisamment performant pour piloter seul une campagne de personnalisation dédiée aux « Gros rouleurs ». À noter qu’après 48 semaines d’apprentissage, il est en mesure d'indiquer avec quasi certitude que 35 % des visiteurs du site n'ont aucune chance d'être des gros rouleurs.

Dès lors que vous estimez que l’apprentissage de l’algorithme est suffisamment avancé, vous pouvez lui confier les clés de votre segmentation pour personnaliser l’expérience des utilisateurs de votre site en temps réel, comme le font les équipes d’Allopneus.

3. Les équipes Marketing et Data donnent les clés d’une campagne à l’algorithme 

Une fois que le niveau d’apprentissage de l’algorithme était suffisamment avancé pour les équipes d’Allopneus (pour rappel au bout de 4 semaines), elles lui ont donné les clés de la segmentation d’une campagne promotionnelle de montage de pneu offert à domicile.

Dès lors que l’algorithme identifie un visiteur « Gros rouleur », les équipes marketing d’Allopneus lui poussent automatiquement l'offre ci-dessous, par le biais de Kameleoon.

Résultats :

Avec cette campagne, la segmentation avancée de l’algorithme a permis aux équipes d’Allopneus d’identifier près de 50 % de visiteurs « Gros rouleurs » supplémentaires (par rapport à ce que permettait la segmentation manuelle).

Cette campagne de personnalisation a également permis à Allopneus d’accroître significativement la part de marché de sa marque partenaire. Carton plein !

Reprenez le contrôle

Reprendre la main sur vos données n’a rien d’impossible et - comme le montre la Success Story Allopneus - le jeu en vaut largement la chandelle. Ce n’est qu’en vous dotant de moyens pour réaliser une segmentation avancée de votre audience que vous saurez satisfaire vos différents segments visiteurs.

L’occasion pour vous de prendre une avance non négligeable sur vos concurrents.