Blog

Personnalisation : la pertinence c'est générer les règles en temps réel

Posted by Netwave on 25/04/17 10:09

Les serveurs Netwave constatent 16.000 situations (segments dynamiques) ayant une valeur statistique tous les 1 million de visites.

Il est illusoire de penser définir ces 16.000 segments « à la main » et gérer leur évolution permanente de manière pertinente.

De même, vous ne pouvez pas concevoir et paramétrer « à la main » 16.000 règles associés (et leur évolution permanente).

Pour être pertinents en matière de personnalisation, soyons lucides : il faut disqualifier au maximum toute modélisation.

Celle-ci sera toujours limitée par la capacité d’observation, les a priori culturels et l’imagination de celui qui modélise.

De surcroît, les  limites sont très rapidement atteintes au regard de la fragmentation des comportements qui caractérise chaque jour un peu plus la consommation. La limitation de notre capacité d’observation et l’évolution rapide, la plasticité des consommateurs, font de la « modélisation a priori » une utopie (si ce n’est pire…) en termes de pertinence.

Au mieux les règles ainsi définies seront tellement génériques que vous ne serez plus dans la Personnalisation. Au pire elles seront rapidement obsolètes et génèreront l’effet inverse à celui recherché.

Tous les mois, nous observons un renouvellement d’environ 15% de ces 16.000 situations ayant une valeur statistique par rapport au mois précédent.

Chez l’un de nos clients, début avril, un A/B test en cross selling personnalisé délégué par l’IA a constaté, dès la 1ère semaine (avec donc une faible courbe d’expérience du processeur d’IA) un uplift de plus de 600% de CA généré par rapport aux règles manuelles paramétrées par les ressources – métier.

Deux exceptions à ce constat :

  • le besoin que vous avez de pouvoir imposer à l’IA une règle manuelle de push pour répondre à un cas particulier pour lequel vous ne lui fournissez pas les données nécessaires ou à une stratégie volontariste. Par exemple : un niveau de stock important sur un produit que vous savez devenir rapidement « fin de vie » ou la volonté de privilégier ponctuellement une marque dans le cadre d’un partenariat.
  • tester une intuition car l’IA ne sait pas vraiment agir selon ce mode très spécifique.

Dans ce contexte, il importe donc de ne pas confondre:

- D’une part : décision d’usage d’une règle pré-paramétrée à appliquer à un segment pré-déterminé et publication pendant la visite.

- D’autre part : identification d’une attente en cours de visite, auto - génération en temps réel d’un segment autour des caractéristiques de cette visite (signaux faibles) ainsi que de la règle d’interaction la plus pertinente, puis publication. Le tout en moins de 70 Ms.

Dans le premier cas vous êtes dans l’application de conventions préalablement établies, dans le second dans l’adaptation agile en temps réel.

Dans le premier cas, vous êtes en Marketing Automation dans le second en Real Time Marketing.

Il est important de souligner, enfin, qu’un algorithme d’autolearning n’est qu’un algorithme d’arbitrage entre des éléments pré paramétrés. Il ne génère rien par lui-même, il ne fait qu’arbitrer entre des  règles dont l’outil dispose en standard (toujours très limité) ou entre celles que vous aurez passé des semaines à paramétrer vous-même… sans être sûrs qu’elles soient toujours d’actualité.

En matière de règles de personnalisation, 3 éléments clefs, sont à retenir :

  • Pour produire du sens et définir la meilleure interaction possible, modéliser en amont est contre productif : vous vous condamnez à une couverture partielle de votre visitorat et à une pertinence jamais acquise car sans cesse remise en cause par l’évolution permanente des modes, des comportements, des motivations, des freins…etc.
  • L’autolearning ne fait qu’arbitrer entre des alternatives que vous avez pré paramétrées. Si dans le choix laissé à l’arbitrage de vos algorithmes vous n’avez pas émis la bonne hypothèse, celle-ci n’apparaitra jamais.
  • Le pré-paramétrage de segments et de règles définit des outils d’Automation, pas de Personnalisation. Le prix à payer ? Une forte consommation de ressources humaine tant dans la définition initiale que dans la maintenance.

Pour produire du sens et définir la meilleure interaction possible, Netwave ne modélise pas en amont.

Nous nous  «contentons» de :

1/ regarder si dans la mémoire de notre processeur d’IA il existe des individus présentant les mêmes caractéristiques que celui avec lequel nous voulons interagir (hyper segmentation dynamique),

2/ d’observer  ce qu’ont fait ces individus, la stratégie gagnante,

3/ de la reproduire sur l’individu concerné (induction) dans le cadre de votre stratégie commerciale (limites d’autonomie données à l’IA).

Le tout en temps réel. Comme le vendeur en magasin.

C’est ce que font à chaque seconde nos processeurs d’IA sur les sites de nos clients, auto-générant plus de 15.000.000 d’interactions personnalisées chaque jour.

Choisir un outil de personnalisation réellement dynamique, c’est déléguer à des processeurs ce long et fastidieux travail de modélisation. C’est décider que cette modélisation sera dynamique c'est-à-dire renouvelée à chaque milliseconde.

C’est recruter une armée de dataminers, de marketers et de vendeurs online digitaux.

Sans augmenter sa masse salariale.

 

Jean-Luc BERNARD - CEO Netwave

 

En savoir plus sur Netwave Booster

Topics: Personnalisation