Dans les mois à venir, les spécialistes en marketing en auront plein les bras… et la tête. Ils devront, simultanément, adapter leurs campagnes en ligne à un monde sans identifiants numériques tiers et travailler au développement d’un programme de fidélisation et de marketing relationnel plus personnalisé avec les données primaires de leurs clients tout en veillant à adapter leur pratique aux nouvelles lois protégeant la vie privée des utilisateurs.
Ces deux scénarios impliquent une utilisation plus sophistiquée des données d’une entreprise et des technologies en marketing (MarTech), ce qui n’est pas une mince tâche, même pour les organisations plus matures en analytique.
C’est dans ce contexte délicat que l’intelligence artificielle (IA) est appelée à jouer un rôle plus important au sein de la pratique marketing, tout particulièrement en marketing relationnel. La raison est simple : l’IA est à ce jour le meilleur moyen de gérer et d’automatiser un programme de fidélisation et de personnalisation reposant sur un grand volume de données.
Peut-être que, pour le moment, votre organisation ne détient que peu de données ou que votre culture d’entreprise en analytique n’est pas encore assez développée pour que vous envisagiez sérieusement d’intégrer l’IA à votre approche marketing.
Dans de telles circonstances, il est normal que vous concentriez actuellement vos efforts sur l’amélioration de la gestion et de la gouvernance de vos données primaires. Il s’agit même d’une décision judicieuse, car il est impossible d’exploiter pleinement l’intelligence artificielle sans une stratégie solide et un environnement de données bien géré.
Toutefois, en attendant, permettez-moi de vous faire rêver un peu au futur de votre programme de fidélisation et de personnalisation. Dans cet article, je vous présenterai deux types de modèles d’apprentissage automatique qui peuvent s’arrimer facilement à votre stratégie relationnelle (et la compléter efficacement) en plus de vous recommander quelques avenues intéressantes que vous pourrez emprunter un jour, quand le moment d’intégrer l’IA à votre pratique sera venu.
Les modèles de segmentation
Dans beaucoup d’entreprises, les modèles de segmentation les plus populaires sont le RFM (pour recency, frequency, monetary) et le LTV (pour life-time value). Évidemment, il existe aussi plusieurs autres modèles de segmentation, conçus selon l’âge, le genre, les préférences de produits et bien d’autres facteurs encore.
C’est un bon départ, mais vous pourriez aller plus loin. Grâce à la science des données, il est possible de segmenter votre base de données clients en tenant compte de nombreuses variables en même temps.
Pour ce faire, l’une des techniques les plus couramment utilisées est le regroupement (clustering). Par la combinaison d’algorithmes non supervisés, cette stratégie permet d’évaluer simultanément plusieurs variables et ainsi de découvrir de nouveaux motifs de segmentation adaptés à ses clients. Ce faisant, une entreprise est en mesure d’identifier des facteurs de différenciation parfois insoupçonnés, adaptés à sa clientèle, à son industrie et à son contexte d’affaires.
L’un des algorithmes de segmentation les plus populaires est sans contredit le K-moyennes, mais il y en a évidemment plusieurs autres, recensés dans la littérature scientifique. En effet, les modèles de regroupement ne sont pas nouveaux : plusieurs équipes de gestion de la relation client (ou CRM, pour customer relationship management) en font usage depuis de nombreuses années.
Toutefois, le contexte continue d’évoluer rapidement, notamment en raison du volume et de la diversité des données aujourd’hui disponibles pour ce genre d’analyses. Par exemple, il est de plus en plus courant de croiser et d’unifier les données CRM aux données comportementales récoltées sur une plateforme analytique (comme Google ou Adobe). Il est aussi possible d’ajouter à ce cocktail toutes les informations récoltées sur des plateformes d’e-mailing. Une entreprise peut donc se retrouver facilement avec des dizaines, voire des centaines de millions de lignes dans son entrepôt de données, qui se déclinent sur des dizaines et des centaines de colonnes, arborant un très grand volume d’information à propos de vos clients.
Ainsi, un modèle comme le RFM, par exemple, n’est tout simplement pas en mesure d’exploiter adéquatement un ensemble de renseignements d’un tel degré de complexité. Quant à eux, les modèles de segmentation par l’intelligence artificielle ont été conçus expressément pour répondre à ce contexte et permettent de tirer le maximum d’un ensemble de données primaires.
Notons que, dans une série d’articles à venir, l’équipe d’Adviso vous présentera plus en profondeur la gamme des différentes techniques de segmentation disponibles en intelligence artificielle et en analytique avancée.
Les modèles de personnalisation
Une fois vos clients bien segmentés, il est temps de passer à la deuxième étape : la stratégie de personnalisation. Si vos segments sont bien intégrés dans vos diverses plateformes marketing, vous pourrez communiquer avec eux en fonction de leurs besoins spécifiques et respectifs.
Mais comment saisir les besoins de vos clients? Par exemple, si vous tenez des registres du service à la clientèle et que vous êtes en mesure de les associer à chaque segment identifié par vos algorithmes, comment analyserez-vous les communications de vos clients parmi ces millions de registres? Allez-vous demander à une équipe de nouvelles recrues de traverser manuellement tous les courriels, tous les messages textes, toutes les conversations par chat et tous les enregistrements du centre d’appels? Peu probable.
À cet égard, les percées en apprentissage profond peuvent vous aider, surtout l’avancée technologique des modèles de compréhension et de génération du langage, (soit les réseaux de neurones artificiels par transformers) qui a eu lieu ces cinq dernières années.Ces nouvelles techniques sont extrêmement puissantes. C’est grâce à elles que le très populaire modèle GPT-3 a été conçu par OpenAI. Cette même technologie a donné naissance au modèle BERT de Google, qui a révolutionné la façon dont l’engin de recherche interprète les requêtes des utilisateurs depuis 2018.
Sans entrer dans les détails techniques trop pointus, disons que la sauce secrète de BERT et de GPT-3 est ce qu’on appelle leur mécanisme d’attention. Grâce à celui-ci, ces modèles sont capables de se concentrer attentivement sur chaque mot d’une phrase, pour ensuite comprendre son sens dans un contexte linguistique particulier.
Le schéma ci-bas donne un aperçu de l’architecture de GPT-3, grâce auquel le niveau de compréhension du langage humain que nous pouvons atteindre aujourd’hui est sans précédent dans l’histoire de l’intelligence artificielle.
Comment un modèle comme BERT ou GPT-3 peut-il contribuer à votre programme de personnalisation?
Puisque ces modèles sont accessibles en open source, n’importe quel le scientifique de données ou ingénieur·e en apprentissage automatique peut y accéder et les adapter au contexte spécifique d’une entreprise.
Ceci étant dit, même s’il existe de nombreuses manières de les mobiliser, il y a deux cas d’utilisation très complémentaires vers lesquels nous aimerions attirer votre attention aujourd’hui.
- Analyse sémantique des données du service à la clientèle
Cela consiste, essentiellement, à rassembler les milliers ou les millions de registres issus de vos communications avec vos clients (chat, centre d’appels, e-mail, etc.) et à les analyser par traitement naturel du langage, dans le but de mieux catégoriser les enjeux, les besoins, les attentes et les insatisfactions de vos clients.
Suite à cette catégorisation rendue plus « comestible » pour le cerveau humain, il devient possible (dans la mesure où ces communications peuvent être assignées à un identifiant client) d’assigner ces attributs communicationnels à vos différents segments. Grâce à ces informations précieuses, vos experts en marketing relationnel seront en mesure de concevoir une nouvelle stratégie de personnalisation associée à chaque enjeu ou besoin identifié. Ainsi, votre programme de fidélisation deviendra de plus en plus pertinent et intime.
2. Construction d’un VRAI chatbot
Il y a quelques années, avant l’émergence de GPT-3 et BERT, les chatbots se sont bâti une très mauvaise réputation. Bien souvent, les chatbots d’entreprise n’étaient pas basés sur l’intelligence artificielle, mais bien sur un algorithme construit à partir d’un ensemble de règles linéaires, souvent trop simplistes.
Toutefois, aujourd’hui, cela est de plus en plus appelé à changer. Avec des modèles comme GPT-3 (et d’autres encore plus puissants, qui sont en émergence), une équipe de scientifiques de données peut maintenant entraîner un chatbot beaucoup plus sophistiqué et, surtout, mieux adapté à la réalité de votre entreprise comme à celle de vos clients.
En effet, il est techniquement possible d’entraîner un modèle doté de tout le pouvoir des réseaux de neurones par transformers, mais tout de même construit à partir des données primaires provenant de divers canaux du service à la clientèle. Sachant que les clients s’attendent de plus en plus à un accès 24/7 aux marques avec lesquelles ils entretiennent une relation, et tenant compte du coût exorbitant d’une telle chose, l’IA est une avenue prometteuse tant pour améliorer l’expérience client que pour réduire les coûts d’exploitation.
Somme toute, ces quelques exemples démontrent que l’intelligence artificielle, lorsqu’elle est combinée à une bonne stratégie de données primaires, peut accroître le rendement de votre entreprise, à commencer par l’efficacité des efforts que vous investissez en marketing. Toutefois, la transition vers cette technologie exige que vous vous engagiez à développer une culture d’entreprise réellement orientée vers une utilisation judicieuse de la donnée.
Une étude récente, menée par PwC et reprise par AiThority, montre à quel point les entreprises pleinement investies en IA en tirent un bien plus grand bénéfice que celles qui ne s’y investissent qu’à moitié. Elle arrive également à la conclusion que l’expérience client est le domaine qui profite le plus de l’intégration de l’IA au marketing relationnel.
*
Bien entendu, les quelques exemples d’utilisation de l’intelligence artificielle en marketing relationnel que nous avons couverts dans cet article ne peuvent pas se matérialiser du jour au lendemain. Il vous faut une feuille de route à plus long terme, voire un plan quinquennal divisé en plusieurs phases, mais rappelez-vous du dicton :
Un voyage de mille lieues commence toujours par un premier pas.
Lao-Tseu
Vous aimeriez, justement, discuter de vos premiers pas en la matière ou amorcer la conception de votre future stratégie de marketing relationnel et de données primaires? N’hésitez pas à communiquer avec nous. Notre équipe se fera un plaisir de vous épauler et de propulser votre entreprise vers de nouveaux sommets.
