Modèles d'apprentissage automatique à considérer pour votre plateforme de données client

Une voiture autonome qui s'adapte aux conditions routières en temps réel. L'infobulle Facebook qui affiche le nom de votre mère lorsque vous passez la souris sur sa photo. La saisie semi-automatique qui devine correctement ce que vous auriez tapé dans la barre de recherche Google.

Tous ces exemples illustrent l'apprentissage automatique (ML) dans notre quotidien. Tous témoignent de la puissance du ML.

En traitant de vastes ensembles de données plus rapidement qu'aucun humain ne pourrait jamais le faire, l'apprentissage automatique, une sous-catégorie de l'intelligence artificielle, peut prédire avec précision nos comportements et tendances.

Imaginez cette puissance intégrée dans une plateforme de données clients (CDP), un logiciel qui collecte et unifie les données à travers tous les canaux et systèmes pour créer une source unique de vérité pour les données clients. Avec une CDP, les organisations peuvent affiner leurs campagnes marketing, générer des insights métier qui orientent les opérations et créer des initiatives qui réduisent l'attrition. Il n'est donc pas surprenant que de plus en plus d'organisations cherchent à ajouter une CDP à leur stack technologique.

Avec la demande croissante pour les CDP, il peut être difficile de différencier les capacités d'apprentissage automatique de tous les fournisseurs. Beaucoup prétendront intégrer l'apprentissage automatique dans leur produit ; beaucoup ne tiendront pas leurs promesses. Pour aider les organisations à distinguer le signal du bruit, nous nous sommes associés au CDP Institute pour fournir des conseils aux décideurs marketing. Le livre blanc qui en résulte examine les cas d'usage organisationnels qui favorisent cette technologie, les différents types de modèles ML, et ce qu'il faut rechercher lors de l'évaluation des affirmations des fournisseurs de CDP potentiels.

Cas d'usage : Comment une CDP dotée d'apprentissage automatique aide les organisations

Explorons les cas d'usage des CDP alimentées par le ML pour mieux comprendre les nombreuses façons dont cette sous-catégorie de l'IA transforme l'approche des organisations vis-à-vis des données clients.

Acquérir de nouveaux clients

Augmenter le nombre de nouveaux clients est indispensable pour toute entreprise, et une CDP dotée de capacités ML est un outil essentiel pour atteindre cet objectif. Par exemple, elle peut aider à l'optimisation média et au choix des meilleures offres qui attirent certains segments. Plus important encore, elle peut également estimer la valeur à long terme de clients particuliers, facilitant un ciblage amélioré.

Augmenter la valeur vie client

Les CDP alimentées par le ML n'aident pas seulement les organisations à élargir leur base client, elles peuvent aussi accroître leur valeur vie après acquisition. Ces CDP peuvent, par exemple, déterminer la meilleure voie à suivre lorsqu'un client est actif dans plusieurs campagnes. Ou, s'il y a des catégories de produits dans lesquelles un client n'a pas encore acheté, une CDP dotée de ML peut évaluer celles qui ont la plus forte probabilité d'achat inter-catégories. Et, en utilisant des modèles d'optimisation de canaux qui tiennent compte des préférences de canal d'un client et des taux de réponse potentiels, les CDP soutenues par le ML peuvent proposer le canal de messagerie le plus efficace pour chaque client.

Améliorer les expériences client

Fournir un excellent service client en ligne et hors ligne reste une priorité absolue pour les organisations compétitives, et une CDP peut aider dans les deux domaines. Par exemple, une CDP peut utiliser des modèles ML pour prédire le niveau de support dont des clients individuels peuvent avoir besoin, ainsi que suggérer la meilleure marche à suivre aux représentants du service client et aux chatbots. L'optimisation des opérations de service hors ligne peut inclure la recommandation de l'inventaire qu'il serait préférable d'ajouter aux véhicules de service sur le terrain ou les meilleurs itinéraires pour les ingénieurs de terrain et les livreurs.

Maximiser les opérations internes

Les CDP peuvent également assister les organisations dans des activités qui n'impliquent pas d'interactions client. Par exemple, elles peuvent s'appuyer sur des modèles ML qui aident les entreprises à prévoir la demande, améliorant ainsi la gestion des stocks, ainsi qu'à analyser la valeur des caractéristiques produit ou pourquoi certains produits échouent. Ainsi, au-delà de la gestion client, les CDP alimentées par le ML peuvent soutenir les équipes de chaîne d'approvisionnement et de conception produit.

Se conformer aux réglementations sur la confidentialité des données

L'un des plus grands avantages des CDP soutenues par le ML est peut-être leur capacité à garantir la conformité aux normes de confidentialité des données, qui sont en augmentation. Les CDP atteignent la conformité via des modèles ML qui utilisent des ensembles de données d'entraînement maîtres organisés par autorisation. Par exemple, un ensemble de données d'entraînement peut exclure entièrement les données sensibles à la confidentialité, mais si certains clients ont consenti à l'utilisation de leurs données, alors l'ensemble de données peut inclure ces informations. Certains systèmes ML peuvent également détecter des éléments sensibles dans les données et demander aux utilisateurs s'ils doivent ou non être inclus dans le modèle.

Unifier les données grâce à la résolution d'identité

Les données unifiées peuvent être le résultat clé des CDP. Les applications ML produisent ces dossiers clients dorés via la résolution d'identité qui combine les données de diverses sources. Même quand il n'y a pas d'ID client partagé et persistant, certaines CDP peuvent fusionner les données et inclure des correspondances exactes, déterministes ou probabilistes. (Assurez-vous de connaître les types de correspondance dont vous avez besoin pour choisir une CDP qui peut les fournir.)

Types de modèles d'apprentissage automatique

La petite poignée de cas d'usage mentionnés ci-dessus offre, espérons-le, un aperçu de la large gamme d'applications auxquelles les CDP peuvent être appliquées. Tout aussi étendus sont les types de modèles ML nécessaires pour produire les résultats que les organisations désirent. Examinons trois catégories principales de modèles d'apprentissage automatique et quelques exemples dans chacune.

Prédictions

L'un des objectifs les plus familiers des modèles prédictifs est d'anticiper les comportements futurs. En observant les comportements dans le temps, les marques peuvent juger plus précisément la valeur vie client et créer des expériences plus pertinentes. Voici quelques exemples des types de modèles ML prédictifs qu'une CDP peut créer :

• Probabilité d'engagement : Le ML peut prédire les chances qu'un client ouvre un email ou s'abonne à une newsletter, informant quels segments envoyer certaines offres.
• Probabilité d'achat : Ce modèle prédit si un client est au point de son parcours pour effectuer un achat. Cette information est précieuse pour savoir quels utilisateurs nourrir davantage et auxquels offrir des remises limitées dans le temps.
• Probabilité d'attrition : Ce modèle identifie les clients à risque pour qu'une organisation puisse se préparer à une perte de revenus ou se concentrer sur une campagne de reconquête.
• Probabilité de payer le prix fort : Ce modèle prédit le degré auquel un client est susceptible d'acheter un produit sans remise, permettant aux marques d'augmenter les revenus en obtenant plus de conversions au prix fort et de réduire le temps et les ressources dépensés à envoyer des offres non pertinentes à ce public.
• Valeur vie prédictive (PLV) : Ce modèle prédit le chiffre d'affaires ou la marge d'un client au cours des 12 prochains mois en examinant leurs actions à travers différents canaux, des achats en magasin à l'engagement email en passant par les comportements web comme la durée de session et l'abandon de panier. En identifiant les clients les plus engagés et de plus haute valeur, une organisation peut concentrer ses efforts sur le développement de ce public central existant.

Personas

La catégorie persona comprend une série de modèles de clustering. Le clustering est une technique d'apprentissage non supervisé où les algorithmes d'apprentissage automatique créent des segmentations clients basées sur de nombreuses variables différentes. Contrairement aux segments créés par les marketeurs, les modèles d'apprentissage automatique peuvent prendre en compte beaucoup plus de dimensions client. Quelques types de modèles de clustering utiles pour le marketing incluent :

• Clusters produit : Savoir quels types de produits certains segments achètent régulièrement aide à améliorer les efforts de campagne ciblée.
• Clusters comportementaux : Ces clusters révèlent des choses comme le canal préféré, la dépense moyenne et le temps moyen passé à naviguer vs acheter pour que les marketeurs puissent mieux anticiper comment, quand et où engager.
• Clusters saisonniers : Nombreuses marques de vente au détail utilisent la segmentation saisonnière et les données pour détecter les modèles de quand la demande client est élevée pour certains produits et informer quand commencer les "soldes d'été" ou commencer à fortement réduire les articles spécifiques à la saison comme les manteaux et bottes de neige.

Personnalisation 1:1

Les clients d'aujourd'hui sont constamment bombardés de nouveaux messages marketing de marques, et l'afflux de nouveaux points de contact numériques signifie que les enjeux pour créer des connexions mémorables et gagner la fidélité client sont plus élevés que jamais. La personnalisation permet aux marketeurs de créer une stratégie marketing holistique qui couvre le qui, quoi, où, quand et pourquoi de l'expérience client. Voici quelques exemples de comment les modèles de personnalisation peuvent être utilisés pour atteindre la bonne audience avec le bon contenu sur le bon canal au bon moment :

• Recommandations du prochain meilleur produit : le "quoi" qu'un client veut acheter
• Optimisation du temps d'envoi pour les campagnes email : le "quand" les clients veulent recevoir des messages
• Prochain meilleur canal : le "où" les clients préfèrent interagir avec les marques

Quelques exemples bien connus de ceci sont les playlists personnalisées "Daylists" de Spotify ou la fonctionnalité "autres produits que vous pourriez aimer" d'Amazon. En personnalisant une expérience selon les préférences de chaque client, les marketeurs peuvent stimuler les ventes additionnelles et croisées et garder les gens dans leur écosystème de marque plus longtemps. Et en bonus, plus le client effectue d'actions sur votre site ou achète de produits, plus de données client sont données à l'algorithme pour continuer à personnaliser leur prochaine meilleure expérience.

Exigences à considérer

Examiner quelle CDP alimentée par le ML est la meilleure pour votre organisation implique de peser non seulement les cas d'usage qu'elle supporte ou les types de modèles qu'elle inclut. D'autres considérations incluent :

• Explicabilité. Autant nous aimerions penser que nous contrôlons l'IA, certaines de ses sorties dépassent la compréhension humaine. Pour tenir compte de cela, les systèmes ML offrent une gamme de rapports. Certains identifieront les éléments de données les plus importants et expliqueront pourquoi des enregistrements particuliers ont été notés d'une certaine façon, tandis que d'autres systèmes rapporteront sur la performance d'un modèle dans le temps. Les types de rapports que les organisations requièrent dépendront de la base d'utilisateurs attendue. Un utilisateur non technique bénéficiera de rapports qu'un data scientist trouverait moins utiles, par exemple.
• Échelle. La taille de la base client d'une organisation, la quantité de données qu'elle génère, et les sources d'où les données sont collectées sont des variables qui influencent les exigences de performance d'une CDP. Votre organisation jouit-elle d'une base client de millions (et des milliards de points de données qu'ils représentent) ? Ou votre organisation a-t-elle un pool plus modeste de sources de données ? Gardez l'échelle à l'esprit lors de l'évaluation de ce qui entrera dans votre CDP et de ce que vous en attendez.
• Automatisation. Avez-vous besoin d'une CDP qui automatise la création de modèles ML, ou avez-vous besoin qu'elle automatise d'autres tâches liées au ML, comme l'exploration d'ensembles d'entraînement ou la préparation de données ? Analysez quelles tâches d'automatisation nécessitent l'apprentissage automatique et lesquelles peuvent être gérées par d'autres composants de la CDP ou d'autres outils inclus dans votre stack de technologie marketing (martech).

Où aller à partir d'ici

Les façons dont l'apprentissage automatique peut renforcer les CDP sont multiples, et nous n'avons fait qu'effleurer la surface ici. De plus, le domaine de l'apprentissage automatique continue d'évoluer, donc les résultats et modèles décrits ci-dessus ne montrent que ce qui est possible aujourd'hui. Un spécialiste des données interne ou un fournisseur entreprenant peut avoir des demandes ou des fonctionnalités prévues qui repoussent les limites de la discipline, alors n'hésitez pas à demander l'apparemment impossible. Au minimum, cela vous donnera une idée de la connaissance qu'a un fournisseur de l'environnement R&D actuel pour le ML.
 

En attendant, nous nous sommes associés au CDP Institute pour créer un guide complet sur l'apprentissage automatique et les CDP. Téléchargez maintenant le livre blanc gratuit pour améliorer votre compréhension de comment le ML façonne les possibilités pour les CDP et les organisations aujourd'hui !

Ce blog a été initialement publié en 2023 et a été mis à jour pour rester actuel.