Marketing Prescriptif : comment l’Intelligence Artificielle peut comprendre si le consommateur souhaite recevoir une publicité ?

Marketing Prescriptif : comment l’Intelligence Artificielle peut comprendre si le consommateur souhaite recevoir une publicité ?

Dans un monde encombré par la publicité, les marques doivent se doter de nouveaux outils d’analyse prescriptive (à différencier des analyses descriptive et prédictive comme on le verra par la suite) pour accompagner intelligemment leurs consommateurs et optimiser leurs investissements marketing.

POURQUOI L’HEURE EST-ELLE VENUE POUR LE MARKETING PRESCRIPTIF ?

LE CONSOMMATEUR SOUHAITE QUE SES MARQUES L’ACCOMPAGNENT D’UNE MANIÈRE INTELLIGENTE

La démocratisation des nouveaux médias comme les smartphones et les tablettes (en moyenne une personne utilise 221 fois par jour son smartphone[i]) et la croissance des investissements publicitaires ont augmenté le nombre des messages marketing auxquels est exposé le consommateur. On estime qu’une personne lambda est en moyenne exposée jusqu’à 20 000 messages marketing par jour [ii].

Dans ce monde encombré par la publicité, le consommateur essaie de se protéger de plus en plus contre la publicité de masse (prés de 30 % des Français sont équipés d’un bloqueur de pub[iii]) et souhaite être informé seulement des produits dont il pourrait avoir besoin et pour lesquels la publicité influence son comportement d’achat.

Marketing prescriptif : un outil pour mieux comprendre le consommateur

L’analyse prescriptive est apparue après la maturité de l’analyse descriptive et de l’analyse prédictive.

Les analyses en marketing ont démarré par l’analyse descriptive. Cette méthode d’analyse des données est utilisée pour produire la majorité des rapports d’entreprise que ce soit pour les directions marketing, commerciale ou financière. Elle permet de comprendre et d’expliquer ce qui est arrivée dans le passé.

Ensuite est arrivée l’analyse prédictive. Elle permet d’expliquer ce qu’il va se passer dans le futur. Pour cela, elle combine des données passées avec des algorithmes prédictifs basés sur des méthodes issues de l’intelligence artificielle. Un exemple d’une telle analyse est la construction de scores d’appétence, une méthode souvent utilisée en marketing direct permettant de mesurer la probabilité qu’une personne achète un certain produit.

 

 

 

Enfin, l’analyse prescriptive est apparue. Utilisée initialement dans les domaines médicaux et pétroliers, elle s’installe progressivement au sein des départements marketing. Il est important de noter qu’il s’agit là d’un véritable changement de paradigme : les modèles prescriptifs, de par leur signification métier, sont tout à fait différents des modèles prédictifs classiques.

Un modèle prédictif prédit simplement un résultat, par exemple, si un consommateur achètera ou non tel ou tel produit. Est-ce que cela aide concrètement les équipes métier dans leur prise de décision ? Pas nécessairement. Si le marketing sait déjà qu’un certain consommateur va acheter un produit donné, il n’a pas besoin de le solliciter pour le convaincre. La préoccupation principale du marketing est surtout de produire des prédictions sur la pertinence ou non d’utiliser les leviers d’action disponibles pour solliciter le consommateur. Par exemple, il s’agira d’identifier les consommateurs qui n’achèteront que si le marketing les sollicite par ses outils de communication (émail, appels sortants, etc.). Prédire si une sollicitation fera une différence est une information que le marketing peut directement utiliser pour choisir sa stratégie de communication et son plan marketing. On voit donc se dessiner la différence fondamentale entre prédictif et prescriptif : prédire l’impact de la publicité sur la décision d’achat est une chose entièrement différente de la prédiction de l’achat indépendamment des actions publicitaires réalisées sur cette cible .

Marketing prescriptif pour optimiser les campagnes de communication produit

Un exemple du marketing prescriptif est un de nos projets réalisé pour un client du secteur assurance-banque. Le client souhaite savoir comment optimiser ses campagnes marketing et identifier les consommateurs à solliciter pour qu’ils décident de souscrire à un produit.

Le score d’appétence a une pertinence limitée pour ce type de problématique. Il prévoit le résultat final et répond à la question : « est-ce que le consommateur souscrira à un produit quel que soit le traitement ? », alors que très souvent, on cherche avant tout à évaluer l’impact de certains traitements particuliers. Afin de répondre au besoin du client nous avons proposé une approche combinée BigData et Marketing basé sur deux éléments :

  • Un modèle « d’uplift » pour identifier les consommateurs les plus susceptibles de souscrire sur un canal parce qu’ils ont été sollicités,

  • Plusieurs vagues de campagnes marketing pour apprendre et tester le modèle.

Modèle « d’uplift » basé sur les campagnes Test & Learn pour comprendre comment influencer la décision du consommateur

Le modèle « d’uplift » est relativement nouveau. Il se trouve en tout début du Cycle du hype de Gartner Advanced Analytics and Data Science[i].

 Le modèle « d’uplift » propose une « réponse incrémentale », qui vise à ne cibler que les consommateurs « à convaincre», les consommateurs les plus susceptibles de réagir à une sollicitation commerciale (souscrire à un produit) et d’éviter ainsi de solliciter les consommateurs du type « Certains », qui souscriront dans tous les cas, les consommateurs du type « Cause perdue », qui ne souscrivent jamais et finalement les consommateurs du type « Ne pas déranger », qui ne souscrivent pas si on les sollicite.

C’est une approche qui permet d’améliorer directement le ROI de la campagne grâce à :

  • A un meilleur taux de conversion intrinsèque au groupe 1 (« à convaincre »)

  • A un nombre limité d’envois de messages en évitant de « gâcher » des envois de mails aux groupes 2 et 3 (« Certains » et « Cause perdue »)

  • A une préservation du groupe 4 (« ne pas déranger ») des personnes susceptibles d’être négativement dérangés par le message (alors qu’ils auraient naturellement tendance à acheter le produit)

Pour construire le modèle « d’uplift » nous avons mis en place plusieurs vagues de campagnes de communication pour apprendre les comportements réels des consommateurs lors des campagnes et améliorer le modèle au cours de chaque itération. Pour chaque campagne de communication nous avons construit deux échantillons de test :

  • Un échantillon des personnes à contacter pour présenter le produit,

  • Un échantillon constitué des personnes à ne pas solliciter (échantillon « Placebo»).

À la fin de chaque itération nous avons analysé la différence du taux de souscription entre les personnes sollicitées et les personnes « Placebos » pour mesurer l’efficacité des campagnes marketing.

Pour construire le modèle « d’uplift » nous avons construit deux sous-modèles d’appétence :

  • Un premier sur les individus ciblés (= individus contactés) visant à modéliser l’appétence des individus à souscrire,

  • Un second sur des individus neutres qui n’ont pas été contacté Ce modèle vise à modéliser l’appétence naturelle des individus à acheter.

Pour rassembler les deux sous-modèles et finaliser le modèle « d’uplift » à l’appétence après la sollicitation, nous avons soustrait l’appétence naturelle des individus.

Appétence après contact – Appétence naturelle = impact du contact

Dans le cadre de notre projet, la première vague basée sur le modèle nous a permis de multiplier par 5 le taux de souscription entre l’échantillon des personnes contactés et les personnes placebos.

Marketing prescriptif : Comment la machine décide du volume d’envoi de messages pour optimiser le ROI

Une fois le modèle construit, nous avons travaillé sur la question de l’optimisation des sollicitations. Notre client avait deux contraintes :

  1. Une contrainte business : Limiter le nombre de messages envoyés pour solliciter ses consommateurs,

  2. Une contrainte marketing : Maximiser le nombre de personnes supplémentaires qui souscrivent au produit proposé.

L’algorithme basé sur le modèle « d’uplift » a permis de définir le volume d’envoi optimal pour prendre en compte les contraintes business et marketing. Ainsi nous avons divisé par 3 le nombre d’envois de messages et multiplié par 2 le nombre de personnes supplémentaires qui ont acheté le produit.

Et après ? L’intelligence artificielle pourrait accompagner le marketing dans l’optimisation de tous ses investissements

Nous pouvons imaginer que dans un futur proche, les algorithmes prescriptifs pourront accompagner les équipes métier et optimiseront les campagnes marketing pour tous les produits d’une marque. Il ne s’agit donc pas d’optimiser l’investissement pour un seul produit mais de trouver un scénario optimal pour tous les produits.

Une telle approche pourrait ainsi apporter une aide à la décision précieuse, surtout dans le scénario où l’entreprise doit constamment arbitrer entre plusieurs produits et prioriser ses campagnes marketing pour ne pas trop solliciter ses clients. Ainsi l’algorithme du marketing prescriptif pourrait proposer l’échantillon des personnes à solliciter pour chaque produit prenant en compte la probabilité de souscription après le traitement, les chevauchements entre les populations, la limite de sollicitation par personne, la rentabilité de chaque produit, le coût d’activation de chaque canal.

✍écrit par Aleksander Dabrowski

 

[i] Hype Cycle for Advanced Analytics and Data Science, 2015

[i] Tecmark survey 2014 – http://www.tecmark.co.uk/smartphone-usage-data-uk-2014/

[ii] Sheds Light 2014 – https://sjinsights.net/2014/09/29/new-research-sheds-light-on-daily-ad-exposures/

[iii] Institut Ipsos pour l’IAB, 2016