Marketing & Machine Learning ou comment rebattre les cartes de la relation client

Qui dit Big data dit mine d’informations mais aussi complexité d’utilisation ! C’est dans un but de simplification que le Machine Learning apparaît, tel un nouvel allié venant à la rescousse des marketeurs dans le but ultime de mieux comprendre et satisfaire le client. Retour sur ce duo qui ouvre un tout nouveau champ des possibles…

Petite Histoire du Mix-Marketing moderne

Si le marketing est bien connu de tous, les modèles qui en découlent sont eux en constante évolution. Après le traditionnel marketing 4P sont venus les marketing 7P, 4C, 7C, SAVE, et bien d’autres ! Autant d’acronymes qui se sont vu bouleversés à mesure que nous entrions dans l’ère digitale. Avec le Web 2.0 est apparu une masse impressionnante de données en provenance direct du client. Son implication et ses échanges avec la marque n’ont jamais été aussi grands : avis clients, questionnaires, like, partage, navigation, mail, etc. Un énorme volume de données, encore bien trop souvent sous-exploité qui représente pourtant un monde d’opportunité pour le Marketing 2.0. Ajoutez à ses nouvelles informations, les traditionnelles caractéristiques clients (âge, sexe, CSP, etc.) et données transactionnelles et vous obtiendrez un lac voire un océan d’information.

Le Machine Learning à la rescousse

Il est malheureusement difficile de savoir si l’information « Monsieur Dupont nous a manifesté son mécontentement quant à son robot multifonction » va nous aider à lui vendre le réfrigérateur dernier cri… Certaines informations a priori anodines peuvent malgré tout devenir pertinentes. En effet si le mail de Monsieur Dupont représente un engagement auprès de la marque et qu’un acte commercial peut l’aider à se réconcilier avec elle au travers d’un nouvel achat alors tout est gagné ! Mais alors comment ? Comment détecter ce genre d’information au sein de mon système d’information ? Comment extraire cette goutte d’eau si particulière au milieu d’un lac ?

C’est ici qu’intervient le Machine Learning, un sous-ensemble de l’intelligence artificielle (AI) qui consiste à faire apprendre un phénomène à un ordinateur. Si ce fils illégitime de la statistique et de l’informatique fait de plus en plus parler de lui c’est qu’il est à l’origine de bon nombre de nouveautés dans notre quotidien. Parmi elles nous pouvons citer Shazam, cette application capable de reconnaitre une musique, le FaceID d’Apple qui nous reconnait pour déverrouiller notre smartphone.  Vous connaissez forcément ces filtres photo sur Snapchat ou Messenger ? Ces fameux masques à l’effigie de nos héros préférés qui viennent se superposer sur nos visages. Vous avez forcément entendu parler de Deepfake et de sa capacité à simuler une célébrité et de lui faire dire ce que l’on veut. Tous ces exemples sont des applications directes du Machine Learning, et plus particulièrement du Deep Learning.

Une des forces de l’apprentissage par ordinateur est de mettre en évidence les informations pertinentes quant aux événements qui nous intéressent. Si je reprends l’exemple de FaceID, celui-ci retrouve des informations comme l’espace entre nos yeux en lui fournissant une image de notre visage et ce quand bien même vous sortez de chez le coiffeur.

Par analogie, le changement de coiffure représente une donnée non pertinente de notre base de données alors que l’espacement entre nos yeux est une information très importante dans le but d’identifier une personne.

Si le Deep Learning (sous-ensemble du Machine Learning) est en vogue c’est que ces techniques incluent la recherche d’informations pertinentes. L’algorithme se charge de faire le tri entre information pertinente et non pertinente. Les méthodes de Machine Learning classiques quant à elles laissent au Data Scientist l’art de sélectionner ces variables. Suivant les cas, le Deep Learning ou le Machine Learning classique sera envisagé.   

Le Machine Learning n’est plus l’apanage des start-ups et des GAFAM

Si ce domaine innovant fut encore au début des années 2010 le privilège de géants du numérique ou de licornes il n’en est plus. En effet, la démocratisation des techniques de Machine Learning se fait de plus en plus ressentir. S’il y a encore quelques années Netflix et Amazon étaient en tête de la recommandation contenu et produit, cette fonctionnalité est désormais accessible à toute entreprise disposant de données. Dans plusieurs domaines marketing le Machine Learning tend à briller, voyons tout de suite quelques exemples.

Recommandation produit

La recommandation produit intègre aujourd’hui à la fois les caractéristiques produit et les similitudes clients. Le type de données a lui aussi évolué ! Là où il y a quelques années seules les données tabulaires (données rangées dans des tableaux) était envisageables, il est désormais possible de traiter de l’image, du son ou de la vidéo. Une recommandation peut donc désormais se faire par similitude visuelle de deux produits bien que toutes les autres informations soient divergentes (marques, prix, matière, etc.).   

>> Pour aller plus loin, découvrez notre outil de recommandation produit : ici

La segmentation client

Si la segmentation client est et restera l’outil incontournable de la fidélisation elle n’en est pas moins complexe car elle non plus n’a pas échappé à la révolution digitale. Un client magasin est bien souvent un client en ligne. La réconciliation des informations off et on-line apporte une nouvelle richesse permettant de mieux comprendre leurs attentes et d’apporter une meilleure expérience. L’identification du client à travers le programme relationnel agit désormais comme un pont entre le monde digital et le monde physique. Il est dorénavant possible de mieux comprendre les aspirations clients à travers leurs navigations web et leurs achats. Le caractère prédictif de la segmentation apporte au business une information sur l’évolution de la base clients, il s’agit d’un vrai levier d’action pour les campagnes marketing.

>> Pour en savoir plus, découvrez notre solution de segmentation client BtoB et BtoC

Cycle de vie client

Auparavant la connaissance que l’entreprise avait d’une personne commençait avec son premier acte d’achat en magasin. Dorénavant une simple visite sur le site web constitue une nouvelle information assimilable à la première étape du cycle de vie client. De la prospection à la relation continue, nous disposons aujourd’hui d’une multitude de signaux permettant de nourrir et faire grandir la relation client. Ainsi les différentes visites, web ou magasin, les abonnements newsletter, les clics, les achats, les créations de compte, les réceptions de produits sont de formidables informations permettant d’ajuster les actions marketing. Que ce soit pendant la phase de séduction ou celles d’engagement, de conversion, de reward ou de rétention il est maintenant possible de déclencher des actes personnalisés grâce à la puissance de l’apprentissage machine.  Avec ces données nouvellement recueillies, chaque action peut être envisagée ou non pour nourrir l’intérêt client et faire grandir son engagement. Il est ainsi possible de déclencher ces actions aux moments propices de la vie du client.

Ce sujet est intimement lié au suivant : la détection du potentiel client.

>> Pour en savoir plus, découvrez notre solution pack cycle de vie client.

Détection des nouveaux clients à fort potentiel

Un client a effectué son premier achat dans notre enseigne, comment aborder la relation client ? Dois-je engager des frais marketing pour convertir et développer sa relation avec la marque ? Certains profils sont naturellement appétents à l’email marketing alors que d’autres y sont littéralement fermés. Pour le reste des clients, l’identification de profils prometteurs est l’une des clés d’une bonne stratégie marketing. En fonction du potentiel de chaque client, le budget lié à la sollicitation devra être adapté pour optimiser votre retour sur investissement.

Encore une fois à l’aide des données collectées il est possible de dresser un profil client « prometteur » dès les premiers touchpoints mais aussi d’évaluer son potentiel futur. Il sera naturellement mis à jour tout au long de son cycle de vie.

Ainsi, Marketing et Machine Learning forment désormais un duo gagnant. Grâce à la récolte des données et à la puissance de l’apprentissage artificiel, il est désormais possible d’évaluer le potentiel client dès le début de sa relation avec la marque, d’adapter son parcours en fonction de ses interactions, de lui recommander les produits les plus pertinents, le tout en prenant en compte sa maturité. Evidemment ces exemples ne sont qu’une infime partie du champ des possibles offerts par l’intelligence artificielle et presque toute problématique peut trouver une solution data.  

>> Découvrez tout ce que le machine learning et le marketing peut apporter à la connaissance client avec notre album de la connaissance client : des conseils, des livrables et budgets précis pour exploiter rapidement et sans fausse note la reprise !