IA, machine learning, reinforcement learning… Voyage au coeur du marketing prédictif.

Ecrit par Clément Lacroix le 22 nov. 2018 14:36:16

Aujourd’hui, une exploitation toujours plus pertinente de la Big Data est rendue possible grâce aux techniques de l’Intelligence Artificielle comme le Machine Learning ou le Renforcement Learning… Au sein de la plateforme Advalo, elles sont au coeur du marketing prédictif. Rencontre et décryptage avec Nicolas, Data Scientist chez Advalo.


AI_VISUEL  

"Ces techniques transforment le marketing de masse, en une relation personnalisée plus acceptable et qui a plus de sens pour le consommateur. Une vrai relation, telle qu'un vendeur en magasin pouvait avoir avec ses clients il y a 50 ans." Nicolas, Data Scientist chez Advalo

 

Peux-tu nous en dire plus sur ton métier ?

Un Data Scientist est chargé de la gestion, de l'analyse et de l'exploitation des données massives. C’est un peu le prolongement d’un statisticien à l’ère du Big Data. Concrètement mon job consiste à faire l’état de l’art concernant l’IA (Intelligence Artificielle) et toutes ses techniques pour décider si on peut les utiliser dans des cas marketing précis. Il y a donc une grande part de R&D avec l’adaptation d’algorithmes open source (issus de la recherche et des partages de développeurs) pour créer des modèles exploitables pour nos clients retail et automobile. A quel moment tel individu possesseur de tel véhicule va songer à changer de modèle ? Comment déceler si telle cliente compte s’acheter un nouveau jean d’après sa navigation internet, ses likes sur les réseaux sociaux et même ses déplacements IRL (In Real Life)… L’IA nous permet de répondre précisément à ce genre d’interrogations : travailler sur des moments, trouver de nouveaux insights. En plus de son expertise, un bon Data Scientist doit donc avoir une approche pluridisciplinaire prenant en compte les contraintes du domaine dans le lequel il travaille et avoir une bonne capacité à communiquer ses résultats à des non-experts.

L’IA est donc le nouveau buzz word du marketing digital, mais de quoi parle-t-on exactement ?

Pour donner une définition globale, je dirai que l’IA, c’est l'ensemble des théories et de techniques mises en œuvre pour réaliser des machines capables de simuler l’intelligence humaine. Ceci dit, on peut clairement distinguer l’IA forte de l’IA faible :

L'IA forte cherche à s'approcher des capacités cognitives humaines (comme dans les films de Science Fiction), c’est un bon objectif d'un point de vue de la recherche théorique mais elle reste un rêve lointain malgré les nombreux progrès réalisés. L’IA faible en revanche est celle que nous utilisons d’un point de vue opérationnel, comme dans le cadre du marketing digital : il s’agit ici de mettre en place des algorithmes ultra spécialisés dans une tâche précise, pour faire fonctionner un dispositif qui exploite la Big Data en autonomie.

Justement, qu’est-ce que le Machine Learning ?

Le Machine Learning est une technologie d’IA permettant aux ordinateurs d’apprendre sans avoir été programmés explicitement à cet effet. Cela désigne donc un ensemble très large d'algorithmes avec apprentissage, ça peut aller d'une fonction mathématique simple dont quelques paramètres doivent être optimisés jusqu'à des réseaux de neurones multi-couches (“Deep Learning”) où ici des milliards de paramètres pourront être calibrés par la machine lors de l’apprentissage. On peut par exemple mettre en place un algorithme qui soit capable d’estimer la valeur juste d’un appartement à partir de différentes infos qu’il va lui-même enrichir (surface, ancienneté, équipement, commune, quartier, distance des écoles, des transports et des commerces, valeurs des biens semblables, etc).

Le Machine Learning recouvre en fait 3 catégories : l’apprentissage supervisé, l’apprentissage non supervisé et l’apprentissage par renforcement. Bien entendu dans le champs du marketing digital, ces différentes techniques se complètent voire se mélangent.

Et en quoi consiste précisément le Reinforcement Learning ?

Ici et contrairement au Machine Learning (supervisé ou non supervisé), le dataset (associations entre des observations et des variables) sur lequel l’algorithme va travailler n’est pas donné initialement : il va être découvert au fur et à mesure que l’agent interagit avec son environnement. Je peux vous donner un exemple concret avec l’algorithme du bandit manchot qui peut être vu comme une extension du classique A/B testing : au lieu d'attendre la fin de la période de test pour tirer une conclusion, on peut à la fois "exploiter" (prendre la décision optimale telle qu'apprise à un temps T) et "explorer" (tester des options sous optimales, pour continuer à apprendre) : il est donc possible au cours même d’une campagne emailing de tester plusieurs combinaison de contenu d’emails, d’objets, d’offres, etc. jusqu’à arriver au mix le plus efficace.

Comment ces techniques interviennent-elles dans la plateforme d’Advalo ?

Elles sont au coeur des solutions que nous proposons puisqu’elles permettent de mettre en place des modèles prédictifs. Il s’agit dans un premier temps de réconcilier des datas off line et les datas on line pour créer une DMP “classique”. On peut alors obtenir une vision omnicanale grâce aux techniques de statistiques pures (Business Intelligence, Analytics, Datamining…)… mais sans modèle automatisé, il s’agit simplement d’une “image” prise à un temps précis. Avec l’apport de l’IA, on peut vraiment passer à l’action en temps réel pour optimiser les ciblages, les offres, les campagnes et trouver des insights conso : c’est un marketing quasiment individualisé et surtout automatisé. A noter que ces techniques peuvent être utilisées également de manière moins visible, comme pour l'enrichissement de nos référentiels produits en utilisant le NLP (Natural Langage Processing - la capacité d’un programme à comprendre le langage humain) ou le Deep Learning (avec par exemple la mise en place de la reconnaissance d'images de produits).

Concrètement quels sont les apports pour une marque ?

Je pense que les apports sont multiples. Prenons l’exemple de l’automobile : les différents modèles exploitants les techniques ci-dessus nous permettent de mettre en place des scorings d’intention d’achat d’un nouveau véhicule, détecter le churn (et le prévenir), prédire le kilométrage d’un véhicule, son entretien, le moment idéal de son renouvellement, mettre en place des moteurs de recommandation produits et bientôt d’optimiser un maximum les campagnes. Tout cela permet donc à la marque de diminuer des dépenses inutiles sur AdWords, Facebook, etc. en ciblant de manière plus fines les consommateurs (impact commercial plus fort pour un budget marketing réduit). On travaille alors sur des vrais “moments de vie” des prospects et des clients de la marque pour leur proposer le bon produit avec la bonne offre, au bon moment et sur le bon canal…  

D'un autre côté, l'automatisation de la production et de la diffusion d’une campagne permet de réduire les tâches purement opérationnelles : un algorithme peut permettre de gérer par exemple 1000 ciblages pour la même campagne ce qui serait impossible pour un humain. Un vrai gain d’efficacité et de temps qui permet aux équipes marketing client de se concentrer sur la stratégie.

Et pour le consommateur final, c’est aussi un progrès ?

Les algorithmes permettent de mieux cibler à quel moment parler au consommateur, quels produits lui recommander (moteur de recommandation), via quel canal (email, Facebook, sms, ...).

Ceci transforme le marketing de masse, en une relation personnalisée plus acceptable et qui a plus de sens pour le consommateur. Une relation telle qu'un vendeur en magasin pouvait avoir avec ses clients il y a 50 ans. Au final si c’est bien fait, le consommateur est gagnant puisqu’on ne lui soumet plus des messages qui ne l’intéressent pas, voire on lui fait gagner du temps en lui proposant ce dont il a besoin au moment où il en a besoin.

Et demain, quelles autres applications peut-on imaginer ?

Je pense que ça sera dans la continuité de ce que l'on fait aujourd'hui avec encore plus de finesse et de pertinence : meilleur ciblage, meilleures recommandations, optimisation de campagnes de plus en plus poussées. Ensuite on peut imaginer l’appliquer à d’autres champs. Par exemple, la partie “créa” pourrait aussi être gérée par une IA qui proposerait un template email, une iconographique et un wording optimal par cible, ou des spots de pub ultra personnalisés avec des centaines de versions générées automatiquement… L’avenir nous réserve encore de belles surprises côté marketing prédictif !

 

Catégories : Interview d'expert, Marketing prédictif

Retour à l'accueil du blog