Personnalisation des actions marketing on-site – Manuelle vs Prédictive : quelles différences, quels usages ?

Personnalisation des actions marketing on-site – Manuelle vs Prédictive : quelles différences, quels usages ?

Le dernier Baromètre de l’expérience utilisateur rapporte que 4 marketeurs sur 5 pensent que la Personnalisation est indispensable.

Ce mouvement s’accompagne d’une tendance plus générale : les entreprises cherchent à maximiser les performances de leurs actions marketing on-site. Elles abandonnent petit à petit les stratégies de mass-marketing (un message pour tous) pour un marketing segmenté de plus en plus fin afin d’offrir des expériences, des offres ou des messages personnalisés.

Quand on parle de personnalisation des actions ou des campagnes 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 ?

Quelle est celle qui correspond le mieux à vos enjeux métiers ?

Les deux pratiques sont-elles exclusives ou complémentaires ?

Réponse dans cet article avec des définitions et exemples concrets.

Personnaliser, c’est quoi ?

Personnaliser consiste à adapter une offre, un message ou un contenu à une cible. Pour personnaliser, il faut donc savoir à qui 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.

process_personnalisation_actions_marketing_manuelle_predictive

1. La personnalisation manuelle (ou « rule-based »)

Avec la personnalisation manuelle, le ciblage et le déclenchement de vos actions contextualisées se fait 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 relevant des données visiteur 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 se trouvant dans votre CRM, DMP, CDP, etc.) et que vous pouvez faire remonter dans Kameleoon.

segmentation_personnalisation_actions_marketing_manuelle_predictive

Une fois cette segmentation réalisée, on peut pousser des actions marketing on-site aux différents segments visiteurs d’un site (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 vos données 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

L’objectif de conversion donné à l’algorithme peut être la maximisation du chiffre d’affaires, la maximisation de la marge ou un mix des deux (maximisation du CA jusqu’à une dépense maximale de x €).

  1. On le nourrit des données visiteurs que l’on juge pertinentes pour la réalisation de l’objectif

L’algorithme démarre alors 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 l’appétence des visiteurs à votre action marketing, qu’il s’agisse d’une offre, un message ou d’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).

« Attention ! 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 I.A., 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 a pris le pas sur la data science, et cela s’applique logiquement au marketing et à la personnalisation.

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 pousser 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_predictive_darty_example

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.

Sur la courbe ci-après, on peut voir comment sont répartis les visiteurs d’un site en fonction de leur probabilité de conversion.

probabilite_personnalisation_actions_marketing_manuelle_predictive

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 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 dans les concessions. L’objectif de la marque est d’y attirer les visiteurs qui ont une vraie appétence d’achat ; pour cela, elle leur pousse sur son site un avantage substantiel : l’essai d’un véhicule pendant plusieurs jours. 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.

toyota1_personnalisation_actions_marketing_manuelle_predictive

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 en donnant un score par action réalisée sur le site par le visiteur : 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 niveau de score, la pop-in de test drive se déclenche.

Résultat ? Le scoring manuel apporte une amélioration marginale à Toyota avec plus de leads qualifiés en concession. Il est cependant évident que, quel que soit le sérieux avec lequel le scoring est réalisé, il relève d’une approche très intuitive et imparfaite de ce qu’est un acheteur potentiel. Définir ce qu’est un acheteur potentiel relève en effet 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’I.A. 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 relèvent 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.

toyota2_personnalisation_actions_marketing_manuelle_predictive

Légende : Avec l’I.A. 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’IA de Kameleoon que nous avons fortement amélioré le taux nombre achats / nombre d’essais véhicules ».

Julien Descombes, Responsable Communication Digitale, Toyota

2. Segmentation statique vs. Segmentation dynamique

La personnalisation rule-based 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

etapes_personnalisation_actions_marketing_manuelle_predictive

lecture : ici, au bout de 48 semaines, l’algorithme sait avec une marge d’erreur de 0 %, que 35 % des visiteurs n’ont aucune chance d’appartenir au segment ciblé par Allopneus.

3. Le volume de données nécessaires

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 poussé 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.

promo_personnalisation_actions_marketing_manuelle_predictive

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. A l’inverse, il écartera peut-être certains en sortie de sortie de site car leur probabilité de conversion sera peut-être considérée comme nulle.

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 apparaitre 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.

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.

segmentation_personnalisation_actions_marketing_manuelle_predictive copie

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.). A noter cependant qu’avec le nombre croissant d’actions de personnalisation opérées sur un site, l’approche manuelle peut se révéler très fastidieuse et lourde. 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 bien mieux qu’un cerveau humain.

 

Si vous aussi, vous souhaitez maximiser le ROI de vos actions marketing on-site, alors contacter nos équipes qui répondront à toutes vos interrogations.

En attendant, si vous souhaitez partager votre propre expérience de la personnalisation en commentaires, allez-y !

demande de démo kameleoon

Clément René

Content marketer chez Kameleoon, Clément analyse tous les retours de nos clients et consultants et partage les meilleures pratiques d'optimisation de l'expérience utilisateur.