Aller au contenu principal
personnalisation approche predictive et humaine

Quelles différences entre personnalisation on-site manuelle et prédictive ?

17 juillet 2018

4 marketeurs sur 5 pensent que la personnalisation est indispensable, d’après l’une de nos études. Les entreprises abandonnent petit à petit les stratégies de mass-marketing (un message pour tous) pour un marketing pour un marketing basé sur une segmentation de plus en plus fine afin d’offrir des expériences, des offres ou des messages personnalisés. Quand on parle de personnalisation des actions marketing on-site, deux pratiques sont possibles :

  • la personnalisation manuelle (c’est-à-dire régie par des règles figées et finies),
  • la personnalisation prédictive (régie par des algorithmes de machine learning)

 

Quelles sont les différences entre les deux pratiques ? Laquelle correspond-elle le mieux à vos enjeux métiers ? Les deux pratiques sont-elles exclusives ou complémentaires ? Réponse dans cet article avec des définitions et exemples concrets.

1 Qu’est-ce que la personnalisation ?

Personnaliser consiste à adapter une offre, un message ou un contenu à une cible. Pour personnaliser, il faut donc savoir à qui l'on s’adresse. Qu’elle soit manuelle ou prédictive, la personnalisation s’appuie sur la récolte et le traitement de données visiteurs permettant d’isoler la cible voulue pour lui proposer une expérience de navigation pertinente ou une action marketing spécifique.

Segmentation et contextualisation des données collectées

1. La personnalisation manuelle 

Avec la personnalisation manuelle, le ciblage et le déclenchement de vos actions contextualisées se font en fonction de règles (ou critères) fixes et définies préalablement.

On segmente à partir de l’analyse en temps réel de données dites « chaudes », c’est-à-dire liées directement au contexte de la visite en cours sur le site (comportementales, contextuelles et techniques) d’une part et de données dites « froides » d’autre part (c’est-à-dire relevant de données visiteurs historiques provenant de votre CRM, DMP, CDP, etc.) et que vous pouvez faire remonter dans Kameleoon.

Critères de segmentation données chaudes vs froides

 

Une fois la segmentation réalisée, à partir des critères que l'on jugent discriminants, on peut pousser des actions marketing on-site aux différents segments visiteurs d’un site (par ex. : nouveaux visiteurs, clients de plus de 2 ans, clients sur mobile, abandonnistes de panier, etc.).

2. La personnalisation prédictive

La personnalisation prédictive, elle, ne dépend pas de règles figées dans le temps, mais repose sur l’analyse en temps réel de l'ensemble de vos données visiteurs par une intelligence artificielle. Ce type de personnalisation s’appuie sur des algorithmes de machine learning.

Le Machine Learning est une branche de l’intelligence artificielle qui consiste à confier des données à un algorithme, dont il va se nourrir & apprendre pour réaliser des prédictions.  3 étapes clés :

  1. On assigne un objectif à l’algorithme

Le rôle de l'algorithme est de mesurer en temps réel la probabilité de conversion de chaque visiteur de votre site. La première étape est donc de définir quelle « conversion » nous intéresse. L’objectif de conversion donné à l’algorithme peut être par exemple la probabilité d'achat sur une catégorie de prix donnée, ou encore la probabilité qu'un message A fasse convertir un visiteur plus efficacement qu'un message B.

  1. L'algorithme se nourrit de l'ensemble des données visiteurs provenant de votre écosystème de données

L’algorithme démarre son apprentissage à partir des données chaudes et/ou froides dont il est nourri. Il apprend du comportement des visiteurs qui viennent sur le site, recherche des corrélations entre visiteurs et améliore sa capacité à déterminer les chances de conversion de chacun avec le temps.

  1. L’algorithme identifie en temps réel l’appétence de chaque visiteur à votre action marketing, qu’il s’agisse d’une offre, un message, un contenu...

L’algorithme détermine la probabilité de conversion de chaque visiteur et adapte ses actions en conséquence (déclenchement d’actions contextuelles uniquement lorsque c’est pertinent).

« Il ne suffit pas de « brancher » un algorithme sur votre site et de croiser les doigts pour qu’il identifie automatiquement les corrélations entre visiteurs. Le marketeur doit d’abord lui assigner un objectif clair et le paramétrer pour qu’il traite en priorité les données qui ont une influence sur l’objectif donné. L’algorithme améliore sa prédiction en temps réel et identifie la cible optimale à votre message ou votre offre. »
Abdel El Ouazzani, Consultant IA, Kameleoon.

Pour aller plus loin : Machine learning, le lien entre analyse et activation pour personnaliser son site

Comment la data science a évolué d’un modèle rule-based à celui du machine-learning

Dans le monde de l’analyse et du traitement de la donnée, les systèmes de règles finies (rule-based) fonctionnent à merveille … dès lors que toutes les éventualités sont connues par celui ou celle qui définit les règles en amont. Hier, les volumes restreints, la faible complexité des données et des parcours clients moins variés rendaient l’élaboration de règles finies relativement simple. Aujourd’hui, avec d’importants volumes de données, complexes et parfois non structurées, il est de plus en plus difficile de s’en tenir à un système de règles finies. C’est là que le Machine Learning prend le relai. Si on classe des données quelconques dans des catégories A, B, C, D, E, etc., un algorithme de Machine Learning peut apprendre seul ce qui définit les éléments de chaque catégorie et traiter ces données en temps réel. Ce modèle évolutif  prend le pas dans la data science, et cela s’applique logiquement au marketing et à la personnalisation.

 

2 3 considérations illustrées entre personnalisation manuelle et personnalisation prédictive

1. D’une approche « 1-to-Few » à une approche 1-to-1

D’une approche « 1-to-Few» …

La personnalisation manuelle est tout à fait adaptée si vous avez une idée précise du segment client que vous souhaitez toucher et des critères qui le définissent : « je souhaite récompenser mes clients fidèles ayant acheté pour plus de 200 € sur les 6 derniers mois en les invitant à un événement » ; « je veux proposer une offre de bienvenue à mes nouveaux visiteurs », etc.

À titre d’exemple, les équipes de Darty peuvent paramétrer Kameleoon pour proposer :

  • à tous les nouveaux visiteurs issus d’une campagne SEM et qui se connectent depuis l’étranger (QUI)
  • un code de livraison offerte, via une pop-in (QUOI)
Personnalisation prédictive exemple Darty

Pour définir la cible de cette campagne personnalisée, on utiliserait donc les critères suivants :
  • Nombre de visite (1 ère)
  • Provenance (SEM)
  • Géolocalisation (Hors du territoire Français)
Le ciblage (QUI) est donc défini en fonction de règles que l’on a manuellement définies. Quant à l’action qui s’ensuit (QUOI), elle est également préparée à l’avance : les équipes marketing ont décidé quelle action marketing elles souhaitaient déclencher et ont préparé en amont le design de la pop-in, et les conditions dans lesquelles elle se déclenche.

… à une approche 1-to-1

Avec la personnalisation prédictive, on dépasse la notion de segment ; on laisse l’algorithme déterminer la cible optimale de son action à partir des caractéristiques de chaque visiteur pris individuellement.

L’algorithme calcule, pour chaque visiteur, une probabilité de conversion à un instant t. En fonction de cette probabilité, il déclenche – ou non- une action marketing adaptée, et qu'il peut contextualiser en temps réel. Sur la courbe ci-après, on peut voir comment sont répartis les visiteurs d’un site en fonction de leur probabilité de conversion.

Probabilité de conversion

Dans l’exemple ci-dessus, on peut par exemple décider d’envoyer une action promotionnelle aux clients dits « tièdes » afin de maximiser les chances de les faire passer à l’achat. Inutile de le faire pour ceux dont la probabilité d’achat est forte (cela revient à perdre en marge) ou faible (cela revient à nuire à l’expérience client puisqu’il n’a aucune ou peu de chances d’achat). Les actions marketing on-site sont donc ciblées individuellement, au lieu de l’être par segments.

Dit autrement, l’algorithmie prédictive s’impose quand il n’est pas aisé d’identifier précisément sa cible parce que les critères qui la définissent sont flous, ambigus ou mouvants : « je veux pousser un coupon de réduction aux visiteurs indécis » « je souhaite cibler les visiteurs sensibles à l’effet rareté pour leur pousser un message d’urgentisation »), etc.

Exemple avec Toyota qui est passé d’un scoring manuel à un scoring prédictif pour identifier les potentiels acheteurs de voiture et les inciter à pousser la porte de leur concessionnaire. Le site de Toyota n’a pas pour vocation de faire acheter une voiture en ligne mais de générer du trafic qualifié vers ses concessions physiques, c'est-à-dire concrètement de faire en sorte que les personnes qui se rendent chez les concessionnaires pour faire des essais de véhicules depuis le site de Toyota soient uniquement de potentiels acheteurs.

L’enjeu concomitant est d’éviter de proposer l’essai véhicule à des visiteurs n’ayant aucune ou une très faible intention d’achat car le prêt véhicule est très coûteux. L’objectif des équipes en charge de Toyota.fr est donc d'identifier le plus précisément possible qui sont les visiteurs qui montrent une vraie appétence d’achat. Ensuite,  on leur poussera sur le site un avantage substantiel : une proposition de rendez-vous pour essayer un véhicule pendant plusieurs jours.

Personnalisation manuelle et prédictive exemple Toyota Affichage d’une pop-in de demande d’essai aux potentiels acheteurs « test-drive »

Dans un 1er temps, Toyota a défini sa cible de visiteurs « acheteurs potentiels » manuellement, grâce à un scoring manuel. Chaque action réalisée sur le site par le visiteur représente un score : consultation de la page configurateur de Toyota, temps passé sur une page véhicule, durée totale passée sur le site, etc. Dès que le visiteur dépasse un certain niveau de score, la pop-in de test drive se déclenche. Résultat ? Le scoring manuel apporte une amélioration marginale à Toyota.

Il est cependant évident que, quel que soit le sérieux avec lequel le scoring est réalisé, il relève d’une approche intuitive et imparfaite de ce qui définit un acheteur potentiel. La définition d'« un acheteur potentiel » repose en effet sur de critères ambigus et mouvants qui sont majoritairement liés au comportement et contexte de visite sur le site.

Dans un 2ème temps, Toyota s’est appuyée sur l’IA de Kameleoon pour identifier l’appétence d’achat des visiteurs de son site. Cette appétence dépend de quantités de données de comportement et de contexte de visite. En traitant ces données 24/24 7/7 et en s’adaptant à l’évolution des comportements visiteur, l’algorithme est logiquement beaucoup plus pertinent qu’une approche humaine figée. Le nombre de leads « qualifiés » qui se révèlent être des acheteurs potentiels d’un véhicule Toyota a ainsi été multiplié par 2. Concomitamment, l’approche prédictive permet de réduire considérablement le nombre d’essais véhicule à des leads qui n’ont aucune intention d’achat in fine.

Personnalisation grâce à l'IA Kameleoon exemple ToyotaLégende : Avec l’IA de Kameleoon, Toyota personnalise également la pop-in de demande d’essai avec le modèle pour lequel le visiteur montre de l’intérêt et l’identification du concessionnaire le plus proche

« Nous avions besoin d’une solution capable de calculer l’appétence de nos visiteurs pour la marque Toyota et nos véhicules. Le scoring manuel a permis une 1ère amélioration dans la qualité des leads envoyés à nos concessions mais c’est avec l’I.A. de Kameleoon que nous avons fortement amélioré le taux nombre achats / nombre d’essais véhicules. Nos concessionnaires nous en remercient. ». -Julien Descombes, Responsable Communication Digitale, Toyota

2. Segmentation statique vs. Segmentation dynamique

La personnalisation manuelle n’est pas dynamique, les règles de ciblage sont fixées dès le départ et n’évoluent que si quelqu’un se charge de les modifier. Si l’on reprend l’exemple de Darty, la personnalisation manuelle ne « discrimine » pas. On propose une expérience identique à tous les visiteurs qui répondent aux critères fixes d’appartenance à un segment précis (dans notre exemple, les nouveaux visiteurs issus d’une campagne SEM).

À l’inverse, la personnalisation prédictive est dynamique et la prédiction évolue dans le temps avec l’évolution des comportements des visiteurs on-site. L’algorithme apprend et affine ses critères de ciblage en temps réel pour ne déclencher une action contextualisée que lorsque c’est pertinent (c’est à dire lorsqu’il détermine que la probabilité de conversion d’un visiteur nécessite le déclenchement d’une action). L’animation ci-dessous permet de visualiser l’apprentissage de l’algorithme, semaine après semaine, dans le cas d’un use case prédictif mis en place chez Allopneus.

Evolution probabilité de conversion - personnalisation prédictive

 

3. Le volume de données nécessaires pour adopter la personnalisation prédictive

L’une des questions les plus courantes posées sur l’approche prédictive est celle du volume de données nécessaires pour qu’elle soit efficace. Contrairement à une idée parfois répandue, l’approche prédictive ne nécessite pas forcément un gros volume de données. Logiquement, elle nécessitera cependant un temps d’apprentissage plus long.

Surtout, un faible volume de données à traiter peut illustrer, en creux, un faible potentiel d’amélioration de la conversion, que ce soit d’augmentation du chiffre d’affaires ou de marge. Le « risque » est donc que le gain marginal permis par l’algorithmie prédictive soit peu significatif. Il convient aussi de s’interroger sur ce qui se cache derrière la notion de « volume » de données. S’il s’agit juste d’une grande quantité de données de segmentation facilement identifiables (voir plus haut), la personnalisation manuelle sera tout aussi efficace. Si en revanche, on entend par « volume », une grande quantité de données disparates qui participent à l’identification de sa cible, l’approche prédictive s’imposera là encore car l’algorithme sera mieux placé que l’humain pour brasser cette disparité et identifier parmi tous ces critères ceux qui sont les plus discriminants pour l’action que l’on souhaite réaliser.

Prenons l’exemple d’un e-commerçant souhaitant « rattraper » les abandonnistes de panier avec une offre promotionnelle (gratuité de frais de livraison). Avec la segmentation manuelle, il crée un segment visiteurs « abandonnistes » en croisant deux critères :

  • le panier n’est pas vide,
  • la souris du visiteur a quitté la zone du site.

Segment auquel est proposé une pop-in « Frais de port offerts à partir de x € dépensés » pour les retenir. Cela ne requiert pas beaucoup de données visiteur, l’action de personnalisation est facile à réaliser. Personnalisation pop-in segment visiteurs abandonnistes Avec une approche prédictive, on laisse l’algorithme identifier les visiteurs abandonnistes. L’algorithme va se nourrir de beaucoup plus de données que les deux décidées intuitivement (panier non vide et souris quittant le site). L’algorithme identifiera beaucoup plus d’abandonnistes en incluant ceux ne réalisant aucune action depuis x secondes ou musardant sur d’autres pages, ouvrant d’autres onglets, etc.

À l’inverse, il écartera peut-être certains en sortie de sortie de site car leur probabilité de conversion sera considérée comme faible. En théorie, l’approche prédictive sera plus fine et sa performance supérieure à l’approche manuelle. Reste à voir maintenant le gain généré. Si le trafic du site est faible, il y aura certes un gain mais qui pourra apparaitre totalement marginal. Plus le trafic sera élevé, plus le gain potentiel sera élevé.

 


En bref, avec un faible trafic et très peu de données à fournir à l’algorithme, la personnalisation prédictive est tout à fait possible, mais le gain peut paraitre marginal. En revanche, si vous avez un trafic soutenu et beaucoup de données à exploiter, l’approche prédictive montrera toute sa force de frappe.
 
Ronan Sy - Full Stack Engineer, Kameleoon
« Plus l’algorithme a de données visiteurs à analyser et à partir desquelles apprendre, plus rapide sera son apprentissage. » -Ronan Sy, Full Stack Engineer, Kameleoon.

3Personnalisation manuelle vs. prédictive : y’a-t-il une approche à privilégier ?

Dans la mesure où l’algorithme améliore et adapte sa capacité de prédiction en temps-réel et 24/24 7/7, sa performance est dans la théorie toujours supérieure à l’humaine. C’est particulièrement vrai si les données chaudes (de type comportementales ou contextuelles de visite) jouent un rôle déterminant dans l’identification de la cible optimale de vos actions.

Or, quantité d’études comme celle de Benjamin Shiller démontrent que ces données sont de loin les plus discriminantes pour déterminer l’appétence d’un visiteur à une offre. Si tel est votre objectif, vous pouvez donc considérer que l’algorithmie prédictive s’impose.

Customer Life Value

Ceci ne disqualifie pas pour autant l’approche manuelle pour les actions dont la cible répond à des caractéristiques bien identifiées et facilement paramétrables (nouveaux vs anciens visiteurs, desktop vs mobile, etc.). Cependant, avec le nombre croissant d’actions de personnalisation opérées sur un site, l’approche manuelle peut se révéler fastidieuse et lourde à orchestrer.

L’un des avantages déterminants du prédictif est aussi de permettre l’automatisation des actions et de gérer les volumes, la complexité et la variété des données mieux qu’un cerveau humain. Si vous aussi, vous souhaitez maximiser le ROI de vos actions marketing on-site, alors contactez nos équipes qui répondront à toutes vos interrogations. 
 


Academy ACADEMY / Poursuivez votre formation à la personnalisation en cliquant ici. 


 

demande de démo kameleoon

Thèmes traités dans cet article