Marketing prédictif et IA pour les e-commercants

Comment l'intelligence artificielle révolutionne le marketing ? Découvrez les secrets de cette nouvelle tendance de Marketing Automation qui révolutionne les pratiques et améliore les performances emails.

Le Marketing prédictif est une nouvelle tendance à prendre en compte dans votre stratégie de Marketing Automation car elle permet d'augmenter significativement les conversions et les ventes de votre entreprise.

En intégrant l'intelligence artificielle (IA) et l'analyse prédictive des comportements de vos clients dans la création de vos emails, les performances de vos ventes seront démultipliées.

Ce chapitre vous expliquera les secrets du Marketing prédictif dans le cadre de votre stratégie d'automatisation de vos campagnes emails.

Accès direct

Qu'est-ce que le Marketing prédictif ?

Le Marketing prédictif est une pratique moderne du Marketing Automation qui prédit les actions de vos contacts à partir des informations récoltées sur leurs profils et leurs historiques sur votre boutique et les interactions avec votre entreprise.

Avec la fin programmée des cookies qui permettent d'identifier les agissements des visiteurs sur les sites web des entreprises e-commerce, le retargeting actuel sera de moins en moins pertinent car les visites ne seront plus traçables (hormis pour Google).

Pour continuer d'envoyer des emails hyper-personnalisés à vos clients, il faudra donc prédire les attentes et envies de vos clients plutôt que réagir en fonction des visites sur votre site.

Pour réaliser une prédiction, il est nécessaire de collecter énormément de data clients, et le traitement de cette data nécessite un puissance de calcul importante. Il est ainsi impensable de traiter manuellement ces informations et l'IA permet de réaliser en masse ces analyses.

Pour être plus précis, les prédictions sont réalisées par des algorithmes de machine learning (un sous domaine de l'IA). Ces algorithmes peuvent classifier les activités d'un client, identifier les similitudes avec d'autres clients, prédire une action et modifier leurs fonctionnements en fonction des résultats réels de la prédiction.

Quelle est la différence entre IA, machine learning , deep learning et reinforcement learning ?

Il est fréquent de confondre "intelligence artificielle" (IA) et "machine learning". Pire, certaines entreprises web prétendent faire de l'intelligence artificielle à tort.

L'intelligence artificielle désigne la capacité à concevoir des ordinateurs qui ont les mêmes comportements que les humains.
C'est une technologie très vaste et très complexe pour les entreprises car le cerveau humain est difficilement compris donc difficile à reproduire.

Il est donc présomptueux à l'heure actuelle de prétendre faire de l'IA en Marketing digital.

Parmi les différents domaine de l'IA, le machine learning est la capacité à créer des algorithmes qui utilisent une masse importante de data pour prédire des événements.
Cette technologie prédictive est très utile dans le domaine du Marketing digital car elle permet d'anticiper les comportements des consommateurs à partir des informations connues sur leurs profils et leurs historiques d'actions sur votre site web.

Le sujet génère de nombreux fantasmes alors qu'il s'agit simplement de programmes (d'algorithmes) de vente plus ou moins intelligents.

Ces algorithmes ont la capacité d'apprendre, de façon plus ou moins guidé. 
Il existe 3 grandes familles d'apprentissage :
- l'apprentissage supervisé, qui utilise des jeux de données catégorisés,
- l'apprentissage non-supervisé, où l'algorithme apprend de lui même en créant des "paterns" à partir des données,
- l'apprentissage par renforcement ("reinforcement learning"), où l'algorithme s'améliore en fonction des interactions de l'environnement;

Kiliba utilise de nombreux algorithmes pour prédire les comportements utilisateurs et envoyer des emails hyper-personnalisés :
- Classification : affectation d'une catégorie à chaque client en fonction des données utilisateurs collectées (les données sont connues et taggés, on parle alors d'apprentissage supervisé)
- Clustering : affectation d'une catégorie client en fonction des actions et résultats observées (non-supervisé, les données ne sont pas taggés à l'avance)
- Recommandation : recommandation de produits à partir des visites et des achats du client.
Ces algorithmes utilisent une logique codée par un développeur pour réaliser une prédiction de comportement.

Le deep learning est un sous-ensemble d'algorithmes du machine learning. 
Contrairement aux précédentes techniques, ces algorithmes apprennent par eux-mêmes comment fonctionner pour réaliser au mieux leurs prédictions et s'améliorer dans le temps. 
Ils essaient de multiples combinaisons à partir des données brutes et comparent les résultats obtenus pour affiner leur logique de fonctionnement.
En réalité, personne n'est vraiment capable d'expliquer la logique de l'algorithme créé, nous sommes justes capables de mesurer qu'il fonctionne ... C'est d'ailleurs ce qui fait la beauté de la technique et les inquiétudes sur son contrôle.

Le reinforcement learning est un sous-ensemble distinct d'algorithmes basés sur la confrontation de ces prédictions avec le réel.
En "récompensant" les prédictions justes, et en "punissant" les mauvaises prédictions, ce type d'algorithme est capable de s'améliorer dans le temps en modifiant sa logique pour optimiser le nombre de prédictions justes.

Les atouts du machine learning pour le ecommerce

Ces algorithmes permettent de recommander des produits d'une boutique en ligne en fonction des profils des consommateurs.

Ces recommandations permettent ainsi de créer des emails hyper-personnalisés, où chaque email est unique et le contenu correspond aux attentes des acheteurs.

Par exemple, Kiliba optimise les taux de conversion des emails grâce à de multiples analyses dont :
- Recommandation prédictive de produit basée sur l'historique de visite et d'achat du client
- Identification de produits complémentaires à un achat
- Identification du genre (masculin/féminin) par clustering lorsque le client ne renseigne pas cette information
- Analyse de la satisfaction client (niveau de harcèlement email) pour réduire si besoin la pression marketing (Kiliba envoie moins d'emails à un client si l'algorithme prédit que ce destinataire se sent harcelé)

Les atouts du deep learning pour le e-commerce

Le machine learning nécessite de coder une logique de fonctionnement d'un algorithme, reposant ainsi sur la maitrise du processus mental de décision d'achat d'un client par l'équipe de développement.
Le comportement humain étant complexe, il est par nature difficile à comprendre et anticiper.

Coder un algorithme nécessite de mesurer régulièrement les résultats obtenus pour modifier la logique de l'algorithme, et retester.

Le deep learning peut être utilisé pour aller encore plus loin dans la recommandation de produit. En effet, l'algorithme de deep learning décidera lui même de sa logique de prise de décision et s'améliorera seul au fil du temps.

Les atouts du reinforcement learning dans les campagnes emails ?

Le reinforcement est une démarche qui prend en compte les interactions de l'environnement.

Dans le cas de l'automatisation d'emails, le reinforcement permet d'améliorer automatiquement les recommandations à venir en apprenant des comportements réels des destinataires d'emails : ouverture d'email, clic, visite de la boutique, achat.

Si les comportements réels correspondent aux prédictions, l'algorithme n'a aucune raison de changer car il est efficace.
Sinon (par exemple, le destinataire de l'email ne clique pas sur les produits proposés), l'algorithme essaiera de s'améliorer pour les prochaines recommandations en modifiant sa logique de fonctionnement.

A lire sur le même thème

Rejoignez des centaines d'e-commerçants qui utilisent Kiliba pour envoyer des emails qui correspondent à leurs clients.

DEMANDER UNE DEMO