Le machine learning. Vous aussi vous en entendez parler tous les jours… ou presque? Dans l’actualité, dans votre vie professionnelle, dans des débats enflammés la fin de semaine et dans la bouche de vos amis les plus geeks ou visionnaires… Ça ne fait pas de doute, c’est l’un des sujets les plus trendy du moment.
Il suffit de jeter un coup d’oeil à un rapport de Google Trends, qui montre un intérêt croissant pour le sujet, largement supérieur à l’excitation collective créée par la publicité programmatique ces dernières années.
Rapport Google Trends pour la requête machine learning
Pour satisfaire votre curiosité et pour vous permettre de ne plus baisser le regard lorsque le sujet surgit dans une réunion, nous vous proposons de démystifier en 5 points ce qu’est le machine learning (souvent simplifié en ML), son impact sur le marketing numérique et les campagnes média, et des exemples concrets d’application. Chez Adviso, cela fait déjà des mois que le ML est au coeur de nos échanges quotidiens et de notre palette d’outils en média numérique. Nous vous présenterons donc les avancées de notre équipe R&D Innovation média et science de données et comment leurs trouvailles pourraient façonner le futur de votre entreprise. Et on ne s’arrêtera pas là : cet article est le premier d’une série de publications qui vous permettra de comprendre la place du ML dans le marketing numérique d’aujourd’hui et de demain.
Le machine learning, en français « apprentissage automatique », est un champ d’expertise assez large en pleine expansion, qui est une branche de l’intelligence artificielle.
Bien que les définitions varient d’un domaine d’application à un autre, on peut définir le machine learning comme un champ d’étude qui donne la possibilité aux ordinateurs d’apprendre et de s’améliorer automatiquement à partir des nouvelles données collectées afin de réaliser des prédictions ou des inférences. Les machines ne se limitent plus à l’exécution d’instructions contenues dans des algorithmes, mais apprennent automatiquement.
Le ML peut toutefois se réduire dans certains cas à des analyses statistiques de base. En effet, le domaine du machine learning couvre aussi bien des analyses prédictives dans ses formes les plus simples, que du reinforcement learning dans ses formes les plus avancées.
Appliquées au marketing, les analyses prédictives utilisent des statistiques pour prévoir un comportement ou une action chez un consommateur donné. Les analyses prédictives permettent de comprendre ce qui pourrait arriver dans le futur sur la base de données relatives à ce qui est arrivé dans le passé. Par exemple, à partir de données sociodémographiques et comportementales sur un bassin de consommateurs et sur les comportements d’utilisateurs dans le passé, nous pourrions identifier ceux qui ont la plus grande probabilité d’effectuer un achat en ligne après avoir été exposés à une bannière publicitaire.
Lorsqu’on parle de reinforcement learning, cela va plus loin qu’une simple prédiction. Une fois que nous avons une idée de ce qui va arriver dans le futur, et qu’on collecte des données sur ce qui s’est réellement passé, le modèle de prédiction peut être actualisé ou enrichi, et devenir encore meilleur pour prédire de futurs évènements. C’est donc un modèle dynamique qui tente de s’améliorer constamment et devient de plus en plus précis. Les outils de recommandation d’Amazon ou de Netflix sont de bons exemples. Si Amazon vous fournit une recommandation d’achat qui n’est pas adaptée à vos intérêts et à votre contexte, l’outil va apprendre et s’ajuster en fonction du comportement observé avec l’objectif de vous livrer une meilleure recommandation la fois suivante. L’outil de reconnaissance faciale de Facebook qui reconnaît les visages de vos amis dans vos photos utilise également des algorithmes de ML. Si le nom suggéré par cet outil de Facebook ne correspond pas à la personne sur la photo, l’algorithme prend en compte cette information pour s’améliorer. Aujourd’hui, le taux de reconnaissance positif atteint 98%, ce qui démontre la puissance du ML.
Le machine learning demande donc des compétences avancées à la fois en mathématiques et en informatique. C’est le royaume des data scientists, définis par Josh Wills, Directeur de l’Ingénierie des données chez Slack, comme « des personnes qui sont meilleures en statistiques que n’importe quel ingénieur logiciel, et meilleures en ingénierie logicielle que n’importe quel statisticien ». C’est pourquoi nous avons parmi nos équipes chez Adviso des scientifiques de données pure breed pour appliquer cette expertise au marketing numérique, plus précisément aux campagnes média numérique.
Source : Josh Wills
Le machine learning est déjà utilisé intensivement en marketing numérique. Il est d’ailleurs au coeur de la publicité programmatique. Mais aujourd’hui, le ML est essentiellement utilisé du côté du fournisseur (Google, Facebook, theTradeDesk, et tous les DSP). Des outils extrêmement répandus comme Google Adwords s’appuient en grande partie sur le ML. Son impact est donc déjà immense. Force est de constater que la grande majorité des annonceurs profite donc du ML pour optimiser leurs campagnes médias numériques, à travers l’utilisation de grandes plateformes technologiques. En revanche, comme tout le monde utilise déjà le ML des plateformes propriétaires existantes, aucune compagnie n’a de réel avantage sur sa concurrence.
La prochaine étape déterminante est donc de savoir quand les annonceurs vont développer de manière généralisée leur propre pratique ML en marketing numérique et l’utiliser comme outil de prise de décision. Si un annonceur développe sa pratique ML, il développera un avantage concurrentiel en ayant un outil puissant et personnalisé pour la prise de décision. Il ne sera plus tributaire des algorithmes de ML développés par les plateformes technologiques et utilisés par l’ensemble des annonceurs, y compris ses concurrents. De plus, si les annonceurs utilisent dans leurs algorithmes de ML leurs données, ainsi que celles des plateformes publicitaires et celles du marché, le gain en efficience sera significatif.
Nous pouvons ici faire un parallèle avec les préparations de pâtes à biscuit vendues à l’épicerie. Tous les annonceurs peuvent acheter cette pâte pour préparer leurs biscuits. Le résultat obtenu sera semblable à celui des annonceurs qui ont acheté la même préparation. C’est ce qui se passe actuellement lorsque les annonceurs utilisent les algorithmes inclus dans l’ensemble des plateformes publicitaires et basent leurs décisions sur ces derniers. En revanche, si un annonceur prépare sa propre pâte à biscuit, à l’interne, avec une méthodologie rigoureuse, il crée un actif unique, personnalisé, adapté à son contexte et à ses besoins, qui pourra lui permettre de se démarquer de ses concurrents avec un produit de meilleure qualité.
Certains gros annonceurs comme Macy’s ouvrent la voie du ML en marketing numérique et se positionnent comme pionniers. Ils utilisent déjà le ML pour prendre des décisions sur leur budget marketing, leur mix média, les créatifs utilisés et l’optimisation de campagnes média numérique. La révolution est donc déjà en marche : le ML n’est plus seulement dans les mains des plateformes technologiques, mais aussi dans celles des annonceurs.
Le ML peut aider à prédire si un consommateur donné va répondre favorablement ou non à une promotion. On va donc être en mesure de segmenter le marché en fonction du degré de qualification de l’audience et du potentiel de conversion.
La possibilité de prédire la CLV peut aider les entreprises à optimiser le CPA de consommateurs à long terme. Cela permet aux entreprises de se concentrer sur l’acquisition de consommateurs ayant une plus grande valeur, et de réduire leurs efforts sur les consommateurs les moins rentables
Le ML peut aider les entreprises à mieux cibler des utilisateurs qualifiés pour leur produit ou service et à personnaliser les messages publicitaires. Cela signifie qu’il sera plus facile pour des annonceurs de présenter les bonnes publicités aux bons clients, ce qui réduit les coûts d’acquisition, améliore l’expérience client et la réputation de la compagnie.
Il s’agit de la méthode la plus utilisée actuellement sur le marché dans l’univers du média numérique. C’est la méthode d’optimisation offerte par les éditeurs. Certaines offres commencent à naître dans le marché des acheteurs.
En utilisant les informations des plateformes analytiques, il est possible de collecter des données sur les comportements des utilisateurs sur un site web ou une application, et de les coupler à des données externes sur les audiences pour améliorer les critères de prédiction de conversion des différents internautes.
Adviso travaille actuellement sur des projets de ML pour supporter le travail des spécialistes média numérique au quotidien, et leur offrir des outils plus performants pour l’optimisation des campagnes médias. Nous croyons fort au potentiel du ML et aux bénéfices que cela peut apporter à nos clients. C’est pourquoi nous avons décidé de former l’ensemble de nos spécialistes en média numérique sur le sujet afin de rester à la pointe de l’innovation dans ce marché en constante évolution.
Entre autres, l’intégration du ML chez Adviso en média numérique touche aux aspects suivants :
Comme l’indique Pascal-Philippe Bergeron, notre chef de pratique Innovation média & Science de données, « le travail du gestionnaire de campagne va passer de spécialiste des modes d’achats numériques à coach d’algorithmes ML ».
Il est évident que les machines peuvent traiter des quantités astronomiques de données, plus rapidement et fiablement que des humains. Un humain ne peut simplement pas lire, analyser ou gérer des milliers, voire de millions de lignes de données par lui-même. La machine devient donc son assistant pour digérer l’information et lui faire des propositions pour guider sa prise de décision. En conséquence, les humains occuperont toujours un rôle indispensable, entre autres, pour définir des objectifs, identifier les données qui doivent être traitées, ou tirer des conclusions avisées ou sensibles qualitativement. Le jugement est toujours solidement une qualité humaine, très difficilement transférable à une machine.
Le ML ne remplacera donc pas les humains. Il va leur permettre de gagner en efficience et de réduire les risques d’erreur de nature humaine dans l’exécution de certaines tâches, et de se concentrer sur des activités à grande valeur ajoutée indispensables et complémentaires au travail des machines.
Il est vrai que le ML limite un certains nombre de biais d’origine humaine. Cependant, tel que mentionné ci-dessus, le ML requiert une participation humaine pour la sélection initiale des données, des algorithmes, et des plateformes utilisées. Comme le rappelle Nicolas Scott, data scientist chez Adviso, « la qualité des prédictions issues de l’utilisation du ML dépend de la qualité des données, ou comme on dit, garbage in, garbage out ». Une bonne partie des biais humains sont éliminés, mais pas la totalité.
Inutile de vous entourer d’une armée de data scientist à l’interne pour vos premiers pas dans le monde du ML en marketing numérique. Ces tâches peuvent être externalisées. Adviso a développé son offre de services dans l’optique de permettre aux entreprises de bénéficier des avantages concurrentiels que peut apporter le ML sans se doter d’une équipe à l’interne. Que le ML soit internalisé ou externalisé, il est toutefois important de se doter d’outils pour capter et stocker les données qui seront traitées par les algorithmes.
En somme, le but ultime de l’utilisation du ML en marketing numérique est de créer une expérience client plus personnalisée tout au long du parcours consommateur, visant à stimuler l’engagement, la conversion et la fidélisation, en optimisant les coûts et ressources investies grâce à des pratiques plus efficientes, guidées par l’apprentissage des machines. Les entreprises qui maîtriseront le ML seront en mesure de développer un avantage concurrentiel durable et significatif pour les clientèles cibles.