Blog

La personnalisation pilotée par l'IA n'est plus un choix 

Posted by Jean-Luc Bernard on 16/05/17 07:30

Pas plus que de publicité, personne ne peut plus se passer désormais de personnaliser l’ensemble de sa relation – client.

Quand, à la fin du XIX° siècle, Lux lança ses premières campagnes de publicité, personne n’aurait parié qu’un siècle plus tard, aucune offre, aucune marque, aucune enseigne (aucun candidat…) ne pourrait exister sans publicité media.

Ne pas être publicitairement présent dans les médias – la règle pendant des siècles – est devenu au XX° une auto-condamnation à la non – existence en seulement quelques décennies : pas connu, pas comparé ; pas comparé, pas préféré. Une rupture dans la pratique.

« Image / notoriété » est devenu le couple central du marketing depuis bientôt un siècle. La TV, l’affichage, la radio, la presse, puis le cinéma – et désormais internet- ses enfants légitimes.

C’est toujours le cas. Toutefois c’est désormais une condition nécessaire mais insuffisante. Il faut y rajouter désormais la « personnalisation » pour être au bon niveau de la compétition. La Personnalisation de la relation crée un tel différentiel concurrentiel que ceux qui ne sauront pas acquérir cette dimension s’auto-condamneront aussi à la non – existence.

Ce différentiel, nous le mesurons tous les jours sur nos serveurs. En termes d’efficience commerciale.

Ce différentiel se joue aussi sur des éléments que nous commençons à peine à mesurer en termes de satisfaction – client.

 

Une efficience commerciale dopée :

Grâce à la personnalisation, chaque centime d’euro investi dans l’acquisition, le merchandising (votre site !), la fidélisation, rapporte plus.

Nul besoin de longues pages d’argumentaire pour illustrer le fait que la personnalisation Temps Réel génère un surcroît de productivité commerciale.

Quelques chiffres seulement.

Chez l’un de nos clients, acteur majeur du e commerce français, figurant parmi les 10 premiers, dont le CA se comptabilise en centaines de millions d’euros, un A/B test récent sur du cross selling personnalisé a montré sur 4 semaines que la production du cross selling piloté par notre processeur d’IA surperforme de plus de 600% celle du cross selling piloté par des règles manuelles…

Sur l’ensemble de nos clients (environ 2 milliards € de CA on line), le CA généré sur les bannières personnalisées générées par notre processeur d’IA pèse entre 11% et 31% de leur CA total sur la période 1er janvier au 31 mars 2017.

Sur l’ensemble des A/B tests que nous avons réalisés, les écarts entre une animation commerciale du site pilotée « a la mano » et une animation personnalisée pilotée par l’IA génère entre 2 et 80% d’augmentation du CA par visite.

2% sur les sites très performants, là où de nombreuses ressources humaines gèrent ce que nous confions à l’IA. 80% sur des sites quasiment pas animées, affichant une offre relativement statique, ne proposant pas ou que peu de mécanismes – push.

En fait, méfiance sur ces chiffres incrémentaux. Ils ne constituent pas la preuve de la performance absolue d’une solution. Ils constituent souvent la mesure relative de la sous performance préexistante d’un site comparée avec celle d’un site pertinemment animé…

 

Un visiteur satisfait :

Il faut aussi comptabiliser la satisfaction pour un visiteur d’être compris par le site comme il est compris par le vendeur en magasin. Et mieux même, sans effort. Sans avoir à subir le compromis d’expliquer son besoin.

Nos outils le comprennent parfaitement en interprétant sa navigation. Cette satisfaction a un prix, ou plutôt un bénéfice : elle conditionne la capacité « à revenir » et la propension « à recommander ».

Combien dépensez-vous pour générer du retour, de la réacquisition ? Combien dépensez-vous pour faire de votre visiteur un ambassadeur ? Combien dépensez-vous au total, quand vous ne le faites pas sur ces deux leviers, pour acquérir et réacquérir vos visiteurs ?

Que ce soit en termes de conversion, de panier moyen, de fidélisation, la personnalisation s’est imposée en quelques années comme un levier incontournable de la relation – clients on line.

 

Une montée en puissance au cours des 4 dernières années du « manual – rules driven » au « AI driven » :

La personnalisation a vraiment gagné ces lettres de noblesse au cours des toutes dernières années.

Les solutions « manual rules driven »

Assise initialement sur de simples de règles d’e-merchandising manuellement paramétrées, la personnalisation s’est avérée probante en termes de résultats, notamment avec sa généralisation par Amazon, et tout particulièrement sur le terrain du cross selling. C’était l’ère des solutions « manual rules driven ».

L’inconvénient ? Personnaliser avec des règles manuelles impose de disposer d’un bataillon complet de marketers, dataminers, merchandisers :

  • Il faut identifier les situations, les segments : il y en a des milliers dès que votre catalogue devient un peu riche,
  • Il faut paramétrer les règles : des centaines pour couvrir l’intégralité du catalogue,
  • Il faut surveiller en permanence leur efficience : les comportements n’ont-ils pas évolué ?
  • Il faut surveiller en permanence leur actualité : obsolescence du catalogue,
  • Il faut les faire évoluer, en « cleaner » une partie, en créer de nouvelles quotidiennement
  • Il faut évaluer si les segments restent d’actualité,
  • Si non, en créer de nouveaux, désactiver ceux qui ne sont plus productifs de sens commercialement exploitable.

 

Les solutions « machine learning driven »

Cet énorme travail de paramétrage, contrôle et maintenance permanents a ainsi favorisé l’apparition d’une nouvelle génération de solutions basées sur l’auto-learning : au lieu de paramétrer une règle générale pour un cas particulier (un segment), on en paramètre plusieurs pour chaque segment, chaque cas, et on laisse un algorithme d’autolearning arbitrer entre ces règles.

L’algorithme affecte l’essentiel des visites à la règle qui affiche la plus grande performance mais conserve une partie de ses réalisations sur les autres règles.

Par exemple, 3 règles dont la N°1 traite 80% des visites, les N°2 et 3, 10% chacune. Si la N°3 devient la plus productive, c’est sur elle que basculent automatiquement 80% des cas.

L’ère des solutions « machine learning driven » débutait.

Et en fait elle débutait sur une ambigüité fondamentale : l’algorithme n’apprend rien en dehors de ce que vous avez paramétré à la main ou codé…

Vous n’apprendrez rien de nouveau dans un cadre pur autolearning. Vous ne saurez que ce qui fonctionne le mieux entre les alternatives que vous connaissez déjà…

Le progrès, même s’il se pare des couleurs de la modernité s’avère très relatif pour 5 raisons au moins :

  • Il vous faudra toujours définir les segments, les cas, les situations,
  • Il vous faudra paramétrer les règles (plus qu’avant puisqu’on en affecte plusieurs à chaque situation),
  • On ne peut que douter de la fiabilité d’une mesure comparée de performance entre 3 règles quand celui-ci repose sur le fait que, par exemple, l’une d’entre elles traite 80% des visites et les deux autres 10%. A votre avis, quelle est celle qui a le plus de chances de prouver qu’elle est efficiente ?
  • Et qui vous garantit que ce n’est pas une règle N°4 – celle que vous n’avez pas paramétrée- qui aurait le mieux fonctionné ? Dans ce cas, l’autolearning ne peut vous indiquer que ce qui marche le moins mal parmi tout ce que vous avez imaginé…
  • Vous aurez toujours une guerre de retard : ces solutions sont incapables de constater les évolutions de situation (vos segments) et les évolutions comportementales. Elles ne peuvent que les restituer à l’observation et à l’interprétation humaines, qui prendra le temps nécessaire pour faire évoluer le paramétrage des segments et des règles soumis à l’arbitrage des algorithmes d’autolearning.
  • Quand on tient quelque chose qui marche, pourquoi ne le faire fonctionner que sur 80% des cas ? C’est se priver de 20% de performance…

Au final, au mieux, vous aurez une couverture très partielle en termes de pertinence, au pire vous aurez complexifié la gestion des solutions « manual rules driven ».

Un avatar de cette catégorie, les solutions « machine learning - low cost » est venu se greffer sur le machine learning. Constatant la lourdeur qu’impliquent le paramétrage et la maintenance de règles qui seront mises en concurrence sur des « cas » identifiés, elles réduisent volontairement la complexité quitte à sacrifier la pertinence.

Quelques segments très génériques type « 1ères visites / visites retour » afin de simplifier les choses associées à 20 à 30 règles ou moteurs, mis en concurrence par des algorithmes d’autolearning.

Le pilotage est limité, donc aisé, mais le prix se paye en termes de couverture, de pertinence et d’adaptation à vos spécificités.

Çà ne coûte pas cher mais çà ne peut pas rapporter gros… Nos amis américains disent, en parlant des ressources humaines, « You pay peanuts, you get monkeys ». C’est la même chose s’agissant des outils de personnalisation.

Ce sont ces limites qui ont motivé l’apparition de solutions « AI- Driven » dont Netwave est l’un des représentants.

Les solutions « AI driven »

Adossées non plus seulement à de simples algorithmes de machine learning mais à un véritable processeur d’Intelligence Artificielle, elles reposent sur une double philosophie :

  • Ne pas segmenter et identifier a priori les cas, les situations, mais déléguer à l’IA qui analyse toutes les visites en temps réel, la mission d’auto segmenter en permanence et de manière dynamique, autour des caractéristiques de la visite en cours,
  • Ne pas créer de règles a priori mais laisser l’IA auto-générer, en temps réel, la règle qui lui paraît la plus pertinente au regard de ce qu’elle a déjà vécu comme success full dans des situations similaires.

Vous n’avez alors plus qu’à « briefer » l’IA, à paramétrer votre stratégie commerciale, pour définir le cadre dans lequel vous lui laissez l’autonomie d’agir.

Une solution « AI –driven » vous permet de maximiser :

  • Votre taux de couverture : jusqu’à 83/84% de visites autour desquelles on peut générer un segment ayant une valeur statistique probante,
  • La pertinence : la règle étant générée en temps réel, en fonction de ce que constate l’IA à l’instant T en termes de performance.

 

Elles permettent parallèlement de minimiser la consommation de ressources humaines, celle-ci se limitant au paramétrage initial de votre stratégie commerciale, au contrôle de performance permettant de détecter d’éventuels dysfonctionnements, à des tests de stratégies commerciales alternatives, au paramétrage des éventuelles évolutions de votre stratégie.

Elles vous donnent la possibilité de libérer les ressources humaines pour les tâches de plus haut niveau (stratégie, innovation) » en déléguant à l’IA la gestion de la volumétrie, de la complexité et de l’exécution.

 

Tout déléguer à l’IA ?

S’agit-il pour autant de tout déléguer à l’IA ? Non, bien évidemment.

L’IA ne crée pas de disruption, elle n’innove pas. Pour l’instant. Au mieux sait-elle appliquer des stratégies de « contrepied » pour échapper à son fonctionnement normal - évaluer ce qui fonctionne le mieux et le reproduire en réactualisant en permanence- et donner leur chance à des scénarios alternatifs.

Et ces stratégies de « contrepied » restent des stratégies… paramétrées par l’être humain. L’IA ne va pas les inventer, elle va les appliquer.

Et puis, vous avez besoin de tester vos intuitions, vos idées. Et vous devrez avoir la possibilité de by-passer l’IA pour appliquer votre règle sur la totalité de votre visitorat ou sur un AB test.

Vous avez des impératifs qui ne sont inscrits dans aucun système d’information, pour lesquels aucune donnée exploitable par l’IA ne sera disponible et qui pourtant pèsent sur votre exploitation : renvoyer l’ascenseur à un fournisseur qui vous a rendu service en le mettant plus systématiquement en avant, déstocker rapidement un produit dont on vient d’apprendre qu’il va être « fin de vie »,…etc.

Influencer l’IA par la couche « stratégie commerciale de l’enseigne », by passer l’IA en lui imposant l’application d’une règle manuelle, ou mixer IA et règles manuelles au sein d’un même espace personnalisé : autant de possibilités que devra absolument vous délivrer votre plateforme « AI- Driven ».

Marketers, il va falloir que vous appreniez à devenir des pilotes de systèmes « AI –driven ».

A les briefer, les contrôler, les challenger, les compléter. Votre efficacité est à ce prix. Vous ne pouvez plus apporter une pertinence pérenne dans un monde où les choses bougent très vite ; vous ne pouvez pas réduire la complexité du réel à une simplification que vous paierez en termes de pertinence. Vous ne pourrez pas être présents 7-24.

Et même si vous pouviez l’être vous ne pourriez pas rendre compte, analyser et exploiter en temps réel des milliers, des dizaines de milliers, des centaines de milliers de visites simultanées.

Apprenez à piloter l’IA, votre performance est à ce prix.

 

Jean Luc BERNARD - CEO Netwave

En savoir plus sur Netwave Booster

 

Topics: Personnalisation, Intelligence Artificielle