12 min.
Une approche omnicanal pour l’IA en marketing
1L’art de la gestion de projet2Un projet à succès commence par une bonne gouvernance3Cascade, agilité, demandes de changement?

Une approche omnicanal pour l’IA en marketing

  • Niveau Technique
Intelligence artificielle marketing Média & SEM Innovation

 

Publicités remarketing: l'âge de pierre de l'IA en marketing

Grâce aux principales plateformes publicitaires libre-service comme Google Ads et Facebook Ads ainsi que l’avènement de l’achat de publicités programmatiques, les spécialistes marketing sont exposés à l’utilisation de l’IA en marketing depuis un certain temps. Toutefois, la majorité de l’apprentissage automatique (machine learning) lié à ces plateformes a lieu dans une boîte noire.

Le spécialiste publicitaire saisit une partie d’un code JavaScript de l’interface utilisateur de la plateforme publicitaire et copie le pixel de conversion sur un site Web. Après quelques mois de campagnes publicitaires sur la plateforme, la « magie » du marketing opère et le taux de conversion augmente de 20% année après année.

Une « magie » semblable s’installe avec l’automatisation et les plateformes de courriel de fournisseurs comme HubSpot et Salesforce. Ces plateformes sont dotées d’une option d’IA intégrée et permettent aux spécialistes marketing d’effectuer le scoring et la qualification sans avoir besoin de travailler directement avec un scientifique de données.

Plus récemment, les plateformes analytiques Web de Google et d’Adobe, et même les plateformes d’intégration de données comme Datorama, une entreprise de Salesforce, ont présenté des capacités d’intelligence artificielle novatrices. Ces solutions concernent moins l’activation marketing et sont plutôt axées sur l’identification de renseignements cachés dans les données analytiques Web.

 

Les boîtes noires de l'IA créent des angles morts en marketing

Avoir accès à des capacités d’IA en marketing préintégrées dans des plateformes MarTech ou Ad Tech est fantastique. Grâce à ces fonctionnalités assez faciles à utiliser, les spécialistes marketing n’ont pas besoin d’un doctorat en physique et en informatique pour exceller dans leur poste. Les personnes qui comprennent les configurations de la plateforme cloud et qui possèdent des connaissances de JavaScript peuvent affirmer, en principe, qu’ils travaillent avec les algorithmes de l’apprentissage automatique.

Toutefois, ces fonctionnalités se trouvent dans une boîte noire, ce qui signifie que nous pouvons (parfois) voir le résultat, mais que nous ne comprenons pas ce qui s’est produit en coulisse. Par conséquent, les directeurs marketing expliquent souvent les résultats de leurs campagnes à l’aide de phrases comme: « le rendement des audiences similaires (lookalike) au public cible trouvés par les algorithmes de la plateforme est très satisfaisant. » Il s’agit d’une excellente nouvelle! Malheureusement, si le directeur principal demande d’autres détails ou renseignements, nous pouvons souvent entendre une mouche voler dans la salle de réunion.

De plus, les résultats de la boîte noire d’une plateforme ne seront pas, la plupart du temps, transférés au reste de votre écosystème marketing. Par exemple, si l’on examine les activités marketing globales, il devient difficile d’expliquer la façon dont les résultats de Facebook Ads renforcés par l’IA se rapportent aux résultats des campagnes par courriel renforcées par l’IA dans HubSpot ou Marketo. Même avec un modèle d’attribution sophistiqué, de quelle façon pouvez-vous utiliser les données de vos  plateformes Ad/MarTech perfectionnées renforcées par l’IA ou votre ensemble d’analyses pour acquérir des connaissances pertinentes et de l’intelligence d’affaires utiles?

Le déluge de données va probablement prendre de l’ampleur au cours des prochaines années alors que le paysage du MarTech est passé d’environ 150 entreprises en 2011 à plus de 7000 en 2019 (Source: chiefmartech.com).

 

L'arme à double tranchant du Big Data

Penchons-nous maintenant sur les enjeux du Big Data en marketing. Lorsque nous commençons à combiner toutes les mesures et dimensions disponibles dans votre écosystème marketing, le défi lié au traitement des données pour poursuivre une stratégie marketing omnicanale devient évident. Si vous réussissez, d’une manière ou d’une autre, à créer un pipeline de données suffisamment sophistiqué pour intégrer toutes vos plateformes à un seul entrepôt de données ou un data lake, que se passera-t-il ensuite? Que ferez-vous avec toutes ces données? De quelle façon pouvez-vous les traiter et les exploiter afin de les transformer en intelligence d’affaires pertinente et d’en extraire des connaissances?

C’est le don et la malédiction du Big Data pour les spécialistes marketing. Proportionnellement, les services de marketing détiennent probablement les plus grosses montagnes de données de leur entreprise. Toutefois, en raison de l’importance et la complexité des données disponibles, la plupart des directeurs et dirigeants marketing tirent seulement profit d’une petite partie de ces données. Les plateformes comme Google Analytics et Adobe Analytics ont plus de chance de trouver au plus 20 % des apprentissages potentiellement disponibles au sein des données provenant de toutes les activités enregistrées sur votre site Web. La question est la suivante: avez-vous la bonne équipe chargée de l’analytique et de l’intelligence d’affaires pour tirer profit de l’entièreté de vos capacités de collecte de données?

En 2018, eMarketer a fait état d’un sondage mené par Blueshift et TechValidate, qui portait sur les défis de la prise de décisions basée sur des données clients. 54 % des répondants ont souligné que leur obstacle principal est l’incapacité à analyser et comprendre leurs données. Par conséquent, la majorité des spécialistes marketing prennent des décisions basées sur un profil du client très incomplet.

Malheureusement, ils ne sont même pas en mesure de se tourner vers des agences publicitaires ou médias pour obtenir de l’aide. La raison est simple; la plupart des agences ont elles-mêmes de la difficulté à effectuer l’analyse de données et sont immergées de données provenant de plusieurs comptes de clients répartis dans de multiples industries. Selon un autre sondage publié par eMarketer en mars 2019, la préoccupation principale des agences publicitaires numériques à travers le monde dans les deux prochaines années sera l’acquisition de compétences en science et analyse des données. Cette statistique n’est pas à prendre à la légère.

L’image devient de plus en plus claire; tout le monde est à la poursuite d’insights. Pourtant, sans accès direct à des gens dotés de compétences en analytique et science des données, l’accès au Big Data en marketing deviendra inévitablement un problème au lieu d’être un bénéfice pour les entreprises . Comme mentionné dans un article de la revue MIT Sloan Management Review intitulé The Big Data Problem That Market Research Must Fix« Le Big Data peut soutenir des études du marché intelligentes, mais seulement si les chercheurs adhèrent aux bases de la compréhension de ce qu’ils veulent mesurer, et de la façon dont ils veulent le faire. »

Plus loin dans l’article, on rapporte le fait suivant: « Prendre des décisions fondées sur des données en se basant sur des mesures de mauvaise qualité peut être bien pire que de prendre des décisions aucunement fondées sur des données. » D’autre part, les entreprises et les agences qui sont en mesure de trouver les facteurs clés pour analyser et interpréter un ensemble de données vaste et complexe profiteront bien évidemment d’un avantage concurrentiel important dans le marché.

Que la course aux armes marketing commence…

 

Études de marché par le Big Data: la nouvelle solution miracle?

Comme si les spécialistes marketing avaient besoin d’un autre buzzword , les gens de datadecisiongroup.com en ont trouvé un nouveau: les études de marché par le Big Data . Le terme fait essentiellement référence à la fusion de trois composants: le Big Data + les études de marché/les insights clients + les analyses prédictives . En voici la définition :

Les études de marché par le  Big Data sont un art et une science qui consistent à combiner les données sur les consommateurs, les données sur les comportements, les données sur les attitudes et l’analytique  avancée pour prendre de meilleures décisions plus rapidement qui engendrent des résultats d’affaires supérieurs.

Toutefois, entre vous et moi, je ne crois pas aux solutions miracles. Ce terme sert simplement de référence dans le sous-titre pour souligner la prochaine quête des spécialistes marketing, qui, comme nous le savons tous, aiment aller à la poursuite de solutions miracles et des dernières nouveautés. Sauf que dans ce cas, même si les études de marché par le  Big Data ne sont pas une vraie solution miracle, elles deviendront néanmoins un outil nécessaire pour demeurer concurrentiel au cours des prochaines années.

C’était aussi le cas des publicités remarketing qui sont apparues il y a environ une décennie. Les premiers utilisateurs de cette technologie avaient un avantage par rapport à leurs concurrents qui n’utilisaient pas le remarketing programmatique. Alors que la technologie s’est démocratisée, l’avantage concurrentiel revenait à ceux qui étaient en mesure de mener des campagnes de remarketing plus sophistiquées . Par exemple, de plus en plus d’entreprises ont commencé à utiliser une plateforme de gestion des données (PGD). Plus récemment, la tendance s’est davantage dirigée vers les plateformes de données clients (PDC) et les plateformes de gestion créatives (PGC).

Au cours des prochaines années, les études de marché par le Big Data aideront les spécialistes marketing à obtenir des perspectives plus approfondies plus rapidement grâce à leurs données marketing en vue d’atteindre potentiellement de meilleurs résultats commerciaux et de saisir de nouvelles occasions de croissance. Un article intitulé Reducing time to insight with AI publié par Think with Google insiste sur l’importance d’investir dès maintenant dans votre stratégie d’intégration de l’IA. Au bout du compte, l’IA en marketing et la science des données visent à concevoir des modèles capables d’analyser l’entièreté de l’expérience client dans l’ensemble des canaux de marketing. Il est encore plus important que ces modèles s’appuient sur des observations tirées de plusieurs sources de données. En fonction de ces résultats de recherche, l’IA peut contribuer de façon efficace à une stratégie d’activation marketing omnicanale vraiment concurrentielle, ce qui mènera à des insights complémentaires. De là, le cycle se poursuit indéfiniment.

 

L'importance de l'IA omnicanale

En prévision des défis auxquels le marketing de Big Data sera confronté dans les prochaines années, nous avons vu des entreprises accélérer le rythme pour développer des capacités en science des données et en ingénierie de données. Au moyen d’une approche omnicanale, l’attention, actuellement dirigée vers l’IA préintégrée dans les plateformes se dirige graduellement vers des modèles d’IA personnalisés, lesquels sont mieux adaptés aux besoins spécifiques des entreprises.

Tout en continuant d’utiliser les algorithmes de la boîte noire dans vos campagnes publicitaires ou de courriels automatisés, l’idée est de développer et d’entraîner vos propres algorithmes pour déconstruire les insights provenants de l’ensemble de ces canaux, puis de les regrouper ensemble. L’objectif d’affaires principal est de réfléchir aux insights clients propulsés par l’IA afin de pouvoir améliorer votre stratégie marketing, optimiser et automatiser vos activités de campagnes globales (pas seulement Facebook Ads ou HubSpot en silos) et fournir de nouvelles questions aux équipes chargées de l’intelligence d’affaires. Lorsque votre équipe est en mesure de mettre à profit vos données à ce niveau, vous pouvez être certain que votre entreprise est en bonne voie d’atteindre l’analytique augmentée.

OMNICHANNEL-AI-FR-1-750x336

 

En 2017, McKinsey a publié une étude démontrant la façon dont 60 % des entreprises adoptent actuellement l’IA. D’ici 2022, 50 % des nouvelles sources de revenus des entreprises numériques seront découvertes au moyen de métadonnées dynamiques générées par machine, selon Gartner (via Contentstack). Dans quelle position votre service de marketing se trouve-t-il aujourd’hui en ce qui a trait à ces tendances de l’industrie? Maintenez-vous le rythme? Combien de projets d’IA ou de science des données sont-ils en cours au sein de votre entreprise, groupe ou équipe?

Vous ne serez pas surpris d’entendre que l’IA en marketing est considérée comme l’une des quatre tendances les plus importantes de 2020, toujours selon Gartner. Du point de vue de l’activation marketing, l’IA est déjà en train de prendre un élan grâce au tagging de contenu automatique et à la personnalisation en temps réel. Toutefois, comme mentionné un peu plus haut, de plus grandes possibilités se trouvent dans l’optimisation de la science des données et de l’IA en vue d’effectuer une extraction de connaissances et des analyses d’insights clients plus approfondies. Le domaine des études de marché par le  Big Data en pleine émergence favorisera de nouvelles avenues de collaboration entre l’expert en expérience client, le développeur/spécialiste en analytique et le scientifique/ingénieur de données.

La combinaison de ces trois ensembles de compétences offre au spécialiste marketing omnicanal le bon équilibre entre des analyses quantitatives et qualitatives dans l’ensemble des canaux, tant en ligne que hors ligne. Naturellement, pour pouvoir atteindre ces capacités, les entreprises et organisations doivent passer par une courbe d’apprentissage importante. Trouver des candidats capables de concrétiser cette vision est un sérieux enjeu dans l’industrie (comme l’ont démontré les deux études d’eMarketer citées plus haut). Attirer des experts en expérience client, des scientifiques/ingénieurs de données et des développeurs/spécialistes en analytique vers votre noble cause d’entreprise est déjà assez difficile. Arriver à faire travailler toutes ces personnes ensemble et leur faire parler la même langue est une autre paire de manches.

Toutefois, l’IA omnicanal est certes très prometteuse pour ceux qui arrivent à concevoir la bonne stratégie et le bon modèle d’exploitation pour surmonter ces obstacles. Dans le but de tirer profit de ce nouvel horizon de possibilités, le parcours commence avec un premier pas. Il existe d’innombrables algorithmes de l’apprentissage automatique ou de l’apprentissage approfondi (deep learning), ainsi que des scénarios d’utilisation pour le marketing parmi lesquels choisir. Comment pouvez-vous établir les modèles qui sont pertinents pour les besoins de votre entreprise? Comment pouvez-vous tâter le terrain de l’IA au moyen de petits projets afin de faciliter l’apprentissage, tout en évitant les erreurs coûteuses dans le cadre de projets de grande envergure (ce qui pourrait entraîner la perte de centaines de milliers ou même de millions de dollars en expériences ratées)? Il est très risqué d’entreprendre des projets d’IA de grande envergure sans avoir mené de petits projets au préalable. Vous vous dirigeriez directement dans la redoutable vallée des désillusions du cycle du hype de Gartner.

Une meilleure façon plus sécuritaire de commencer est de simplement organiser des ateliers sur l’IA en marketing avec vos équipes. Invitez des gens de différents services et jumelez-les avec des consultants experts en IA dans le domaine, puis réfléchissez à ce que la science de données pourrait apporter à vos objectifs d’affaires. Commencez par identifier des scénarios d’utilisation pratiques à court et long terme avec un potentiel d’impact important. Établissez une feuille de route préliminaire dotée de quelques jalons pour l’année en cours à mesure que vous étoffez progressivement la marche à suivre. Embauchez une firme qui utilise déjà l’intelligence artificielle en marketing pour mettre en œuvre de petits projets avec vos données actuelles. Il vous suffit de tester, d’apprendre, d’ajuster, puis de mesurer. Chaque étape vous permet de prendre plus d’élan, jusqu’à ce que vous soyez prêt pour le décollage. Le facteur clé est de mettre davantage l’accent sur ce que l’intelligence artificielle peut apporter à votre stratégie de marketing plutôt que sur la stratégie d’IA en elle-même. Si vous n’avez pas une idée précise du premier facteur, le second est voué à l’échec.  

Si vous avez besoin d’aide pour mettre sur pied des ateliers sur l’IA en marketing ou pour créer une feuille de route, Adviso a une équipe de scientifiques de données qui sont également des experts de l’industrie en marketing. Nous serions ravis de suivre le processus avec vous, sans faire exploser vos budgets  en cours de route.