Le volume de données mondial devrait être multiplié par 45 d’ici 2035. À l’heure du Big Bang du Big Data, l’Intelligence Artificielle nous permet de tirer le meilleur parti de ces données pour non seulement comprendre, mais aussi et surtout prévoir. Comment exploiter l’analyse prédictive dans le cadre de votre stratégie marketing ? Quels bénéfices sur vos conversions, et pour la satisfaction de vos clients ? Suivez le guide, exemples à l’appui !

 

Imaginez que vous puissiez prédire la façon de convertir vos visiteurs et vos leads. Que vous sachiez quel message leur adresser, sur quel canal et à quel moment, pour vous assurer de leur faire franchir le pas. Un vrai super-pouvoir pour maximiser votre potentiel de vente.

Mais ce n’est pas dans le marc de café ou dans la boule de cristal que vous pourrez le voir. La technique du doigt mouillé n’a pas non plus fait ses preuves.

Non… vous allez pouvoir vous appuyer sur un élément bien plus tangible : les données, moulinées à l’Intelligence Artificielle.

Après l’ère du marketing digital, bienvenue dans l’ère… du marketing prédictif.

 

Vous saurez tout (ou presque) grâce à l'analyse prédictive !

 

Analyse Prédictive : pas de data, pas d’chocolat

 

Jusqu’à présent, vous ne pouviez vous appuyer que sur l’historique de vos données pour segmenter votre base. Si vous voulez faire une campagne ciblée pour fidéliser vos clients ayant dépensé plus de 100€ sur les 3 derniers mois, une segmentation manuelle reste bien sûr efficace.

Mais l’Intelligence Artificielle va vous permettre d’accroître considérablement votre connaissance client, et multiplier votre potentiel de conversion :

 

Grégoire Blond Directeur Business Development Tinyclues

Un ciblage historique poussera les mêmes clients vers les mêmes produits, et les fera entrer dans des clusters. En identifiant les signaux faibles on ira au-delà de segments prédéfinis.

En traitant l’exhaustivité de vos données first-party, l’intérêt du Machine Learning est de permettre d’élargir le champ d’appétence.

Grégoire Blond, Directeur du Business Development chez Tinyclues.

 

Privilégier la first-party data devient d’autant plus indispensable depuis la fin annoncée des cookies tiers. Plutôt que de faire venir sur votre site un internaute en identifiant ses affinités depuis d’autres sites, apprenez à capter les « signaux faibles » de vos propres clients. Grâce à la somme de petits indices glanés ici et là, vous serez ensuite à même d’opérer un ciblage affinitaire pertinent.

 

Alors, de quels « signaux faibles » parlons-nous ?

Par opposition aux données « froides », qui sont celles déjà enregistrées dans votre base clients, les données « chaudes » s’analysent en temps réel pour déterminer l’appétence à une offre selon un ensemble de critères techniques, contextuels et surtout comportementaux :

 

Ciblage marketing sur Données chaudes et froides

 

Toutes ces données sont récoltées puis croisées à travers des milliers de scoring dynamiques.

En opérant ces calculs à la volée, de façon fiable et précise, les algorithmes de Machine Learning révolutionnent la façon de prédire l’intention d’achat, vous permettant de proposer par anticipation une offre personnalisée pour convertir :

 

  • Des « scores d’appétence » sont attribués aux visiteurs et clients identifiés comme ayant le plus d’intérêt pour votre offre. Si un visiteur arrive sur votre site après avoir tapé le nom de votre marque ou de l’un de vos produits, il n’a certes pas le même degré de maturité que s’il avait entré une requête générique.
  • Ces scores enclenchent automatiquement une segmentation prédictive pour envoyer le bon message au bon moment, à la bonne personne, et par le bon canal.
  • Seuls les profils les plus susceptibles de convertir seront ainsi ciblés. Pas d’impression de spam, de meilleurs taux de conversion : en visant juste, vous sur-optimisez votre ROI et votre relation client !

 

Analyse prédictive en Machine Learning

 

De nombreuses startups proposent des solutions clé en main pour comprendre vos audiences et les cibler efficacement, parmi lesquelles Kameleoon, Tinyclues, Antvoice ou Target2Sell.

 

Dans le domaine B2B, toutes ces données arment les équipes commerciales pour travailler efficacement leur prospection, bien au-delà de ce qu’un simple formulaire en ligne leur aurait permis d’obtenir. Au-delà de savoir qualifier les prospects restés anonymes, GetQuanty a réussi à passer de 15% à 70% leur taux d’identification grâce à l’IA. Elle permet ainsi à ses clients de remonter la piste des décideurs.

Je vous invite à lire mon interview de Xavier Paulik, DG de GetQuanty pour savoir comment ils ont réussi à atteindre ce seuil, et à multiplier par 10 le taux de transformation du Groupe PSA par rapport à leur prospection à froid.

 

 

Convertissez mieux grâce à l’Analyse Prédictive

 

Après avoir identifié et qualifié vos leads, le ciblage prédictif vous permet de passer à l’action pour pousser les plus indécis à franchir le pas. Pour cela, rien de mieux qu’une offre spéciale sur le produit qui les intéresse. Avec, par exemple, une remise sur un panier minimum, ou encore des frais de port offerts…

Mais attention : si vous commencez à distribuer des incentives tout azimut, cela pourrait bien vous coûter cher. Très cher. Imaginez ce mauvais lead qui n’a en fait aucune intention d’acheter, ou au contraire ce lead tellement chaud qu’il n’avait besoin d’aucun coup de pouce pour convertir.

 

Un ciblage qui fait mouche !

C’est le problème des campagnes automatisées de retargeting qui pourtant, elles aussi, sont capables de réengager vos visiteurs anonymes : en faisant de la pêche intensive au grand large plutôt qu’à la mouche, vous n’apprenez pas à faire mordre à l’hameçon les meilleures prises.

Distribuer aléatoirement des remises à l’ensemble de vos visiteurs dégraderait à la fois votre image de marque et votre marge. Idéalement, il ne faudrait pouvoir adresser que les plus indécis, à savoir ceux qui ont plus de 50% de chance de convertir, sans avoir non plus trop de chance de convertir par eux-mêmes.

Ce qui permet de se rapprocher le plus de ce modèle théorique parfait, c’est le modèle prédictif.

 

Ciblez juste grâce au modèle prédictif !

 

Ce modèle n’est pas sans faille. Mais il s’affine au fil de ses entraînements successifs pour viser toujours plus juste, en apprenant de son flux de visites et de ses conversions passées. Grâce au modèle prédictif, vous ne rognez plus inutilement sur votre marge, et le rendement de vos campagnes s’améliore !

 

 

Cas client d’une campagne en Analyse Prédictive

Prenons un cas client concret, utilisant la solution de ciblage prédictif Kameleoon :

Logo Kameleoon

Logo Allopneus

  • Allopneus est le leader en France de la vente en ligne de pneus (1 million de visiteurs uniques/mois).
  • 25% de son CA est généré par seulement 10% de son trafic associé aux « gros rouleurs ».
  • Pour augmenter son chiffre d’affaires, Allopneus voulait identifier parmi ses nouveaux visiteurs ceux ayant le plus de chance d’appartenir au segment « gros rouleurs », et leur pousser une offre en exclusivité pour les convertir.
  • L’incentive, un montage de pneus offert à domicile, est très attractif mais aussi très coûteux pour Allopneus. Il s’agissait donc de ne l’adresser qu’à une cible « rentable ».

  • L’algorithme de Kameleoon s’est alors entraîné sur la base d’un profilage des clients « gros rouleurs » de Allopneus, prenant en compte :

 

Ciblage prédictif gros rouleurs Allopneus

  • En appliquant ces mêmes critères aux nouveaux visiteurs du site, et après 3 semaines d’apprentissage en Machine Learning, l’algorithme prédictif a été capable de calculer leur probabilité d’appartenir au segment cible.

  • Seuls les visiteurs ayant entre 52% et 60% de chances d’être de gros rouleurs se sont alors vus adresser l’offre en pop-in, avec une durée de validité courte pour créer un sentiment d’urgence.

Ciblage prédictif Kameleoon

  • La campagne enregistre une courbe de conversion plus que convaincante :
    • +48% de « gros rouleurs » comptabilisés parmi les clients acheteurs, démontrant la bonne capacité d’identification de l’algorithme prédictif.
    • +15% de CA sur le segment ciblé grâce à la campagne, sur une gamme de pneus premium conforme à la cible, et donc plus chère que la moyenne.

 

Bruno Hétier Directeur marketing Allopneus

Les résultats sont probants avec des taux de conversion clairement plus élevés que lors de mêmes opérations menées manuellement.

Bruno Hétier, Directeur marketing Allopneus.

 

 

 

3 autres bénéfices de l’Analyse Prédictive

 

L’Analyse Prédictive vous dote d’un super-pouvoir d’omniscience dont vous ne pourrez plus vous passer. Voici trois cas d’usage qui vont vous le démontrer, de la création du produit jusqu’à sa livraison, en passant par l’optimisation de votre rétention.

 

Prédiction des tendances émergentes

Imaginez que vous soyez capable de savoir avant tout le monde quelles seront les tendances de demain. Vous pourriez alors anticiper la production, et devancer la concurrence en vous plaçant stratégiquement, en SEO, sur les futures intentions de recherche. Succès assuré.

Ça fait rêver ? Heuritech l’a fait, dans le domaine de la mode :

Analyse prédictive pour anticiper les prochaines tendances

 

Cette start-up française utilise l’analyse prédictive pour connaître les tendances du marché de la mode dans les 6 à 12 mois à venir. Pour cela, elle analyse chaque jour plus de 3 millions de photos, stories et vidéos postées sur les réseaux sociaux, en portant une attention particulière à celles des influenceurs. Ses algorithmes passent au crible jusqu’à 2000 détails des tenues vestimentaires.

Grâce à ces données précieusement collectées et analysées par reconnaissance visuelle en Deep Learning, Heuritech permet aux marques d’anticiper leurs prochaines collections, tout en jaugeant efficacement la demande et les prévisions de stocks associées. 

Heuritech a ainsi détecté 4000 tendances avec un taux de précision de 90%. Sa solution a fait progresser de +9% le CA des marques de mode, tout en faisant diminuer leurs stocks de -13%.

 




 

 

Prédiction du churn pour agir en conséquence (SAV prédictif)

Conquérir de nouveaux clients coûte 5 à 10 fois plus cher que de les fidéliser.

Préférer les remplacer n’est donc pas un bon calcul. Ni d’ailleurs essayer de retenir ceux qui sont presque déjà partis : la reconquête in extremis à coup de displays ou remises peut vous coûter cher, alors que la partie est perdue d’avance…

Non, ce qu’il vous faut, c’est pouvoir anticiper suffisamment ce désengagement pour le soigner à la racine, le contenir. Grâce au modèle prédictif, vous allez pouvoir évaluer non plus la probabilité de conversion, mais la probabilité d’attrition (« churn »).

Un certain nombre de données vont pouvoir être récoltées, jusque dans des chatbots IA dont les compétences en traitement du langage naturel permettent de détecter un problème éventuel, et d’y répondre 24h/24, 7j/7.

Analyse prédictive pour anticiper le churn

En analysant ces variables, les algorithmes peuvent interpréter les raisons probables d’abandon de vos clients déjà perdus, et ainsi détecter le comportement type d’un « churner » sur votre site.

Les futurs churners sont scorés selon leur valeur client, pour vous aider à déterminer s’il vaut la peine que vous déployiez des efforts pour le retenir : offre spéciale, assistance personnalisée, etc.

 

 

Prédiction des stocks et de la livraison

La prédiction des ventes ne repose plus simplement sur l’analyse des données historiques telles que la saisonnalité des achats, ou les résultats de vente des années précédentes. Le Machine Learning vous permet de mieux anticiper le volume de vos ventes à venir, et vous approvisionner en conséquence.

Amazon a déposé depuis 2014 un brevet pour bientôt pousser cette logique à son extrême. Avec la livraison anticipée, Amazon va vous envoyer vos produits avant même que vous ne les ayez commandés !

 

Analyse prédictive pour la livraison

Amazon à la pointe pour vous livrer plus vite, toujours plus vite…

 

  • Comment ça marche ?
    • Dès lors que vous progressez vers votre achat, des algorithmes déterminent la probabilité que vous alliez au bout, déclenchant automatiquement le processus de livraison.
    • Ces algorithmes s’appuient sur votre profil et votre historique d’achat. Un client fidèle, qui commande régulièrement un produit sans avoir l’habitude de le retourner, n’a que peu de chances de ne finalement pas convertir.

 

  • La prédiction n’était pas bonne ?
    • Vous aviez mis le produit dans votre panier sans vouloir vraiment l’acheter ? Amazon a pensé à tout, et vous pouvez même déjà en profiter. Selon la valeur du produit, votre profil d’acheteur et le coût de traitement représenté par son retour (taille, poids, stockage…), la firme américaine préférera vous l’offrir et vous rembourser, afin de vous fidéliser.
    • Avec un bond de +70% de retours en 2020 sur les plateformes e-commerce américaines, l’IA permet d’arbitrer le coût du retour, tout en limitant le risque de fraude. Et cette tendance devrait se répandre : Walmart comme d’autres l’ont déjà mis en place.

 

 


En somme, grâce à l’Analyse Prédictive :

  • Vous optimisez vos coûts d’acquisition en connaissant toujours mieux votre cible ;
  • Vous améliorez votre taux de transformation en ne ciblant que vos clients les plus susceptibles de répondre à vos offres, et en réduisant la pression commerciale inutile sur les autres ;
  • Vous anticipez mieux vos ventes et votre logistique ;

  • Vous améliorez votre satisfaction client et passez du mass marketing à l’hyper-personnalisation, avec une expérience de navigation sur-mesure.

 

Suivez-moi sur Twitter (@Lefden) et LinkedIn pour en savoir plus sur les pouvoirs de l’IA Marketing.