Personnalisation IA : notre CTO ouvre la boite noire

Personnalisation IA : notre CTO ouvre la boite noire

Jean-NoëlEntretien avec Jean-Noël Rivasseau, CTO de Kameleoon

L’IA est-elle la clé de la personnalisation à grande échelle et en temps réel ?

98 % des visiteurs d’un site web le quittent sans convertir.

En magasin physique les visiteurs ont nettement plus de chance de faire preuve d’engagement et d’effectuer un achat car ils sont en présence de vendeurs expérimentés et compétents qui comprennent leur comportement, personnalisent leur approche et leurs offres en fonction de ce qu’ils recherchent. On comprend donc pourquoi les marques cherchent continuellement à atteindre le même niveau de personnalisation dans le monde virtuel.

Toutefois, appliquer cette stratégie de manière digitale, à grande échelle et en temps réel, s’est jusqu’ici avéré difficile, sinon impossible. Les marques doivent en effet être capables d’offrir un service personnalisé à des milliers de visiteurs en même temps, souvent avec peu d’informations sur leurs envies et leurs besoins.

L’IA offre une solution à ce problème en associant l’intelligence à la rapidité du temps réel pour offrir une expérience personnalisée qui améliore l’engagement et les ventes.

Cependant, l’approche « boîte noire » de la plupart des fournisseurs de solutions de personnalisation IA implique que les marques s’inquiètent d’un manque de contrôle et de transparence. Le principal problème est que les marketers ne sont pas en mesure de comprendre exactement ce qui a généré certains résultats et ne peuvent donc pas déterminer si leur stratégie globale est efficace. Ils sont donc méfiants à l’idée de laisser l’IA définir leurs cibles et leurs tactiques tant qu’ils n’auront pas compris exactement comment fonctionne le système.

Comment les marques peuvent-elles résoudre ce problème ? Nous avons interrogé notre CTO, Jean-Noël Rivasseau, sur la manière idéale d’obtenir des résultats grâce à la personnalisation IA, tout en préservant contrôle et transparence.

Quels sont les défis des marketers qui souhaitent utiliser l’IA aujourd’hui ?

Jean-Noël Rivasseau :

« Les marques ont compris que l’intelligence artificielle peut offrir de nombreux avantages (notamment en matière de personnalisation), mais ont des inquiétudes concernant trois aspects :

  1. Le choix. Il existe déjà un grand nombre de plateformes technologiques pour le marketing et ce nombre ne cesse d’augmenter. Choisir celle qui répond le mieux à ses besoins spécifiques est difficile et ce d’autant plus que, vu de l’extérieur, elles semblent toutes offrir des services similaires.
  2. L’effet de mode. L’intelligence artificielle est LE terme à la mode. On peut avoir l’impression que tous les fournisseurs offrent maintenant une solution basée sur l’IA et qu’ils promettent de trouver des réponses miraculeuses à tous les problèmes. Il est donc plus difficile pour les marques d’identifier les cas d’utilisation où l’IA pourrait réellement faire la différence et générer des résultats qui répondent à leurs besoins business.
  3. Les résultats et l’éthique. Les marques ont besoin de savoir que l’IA choisie produira des résultats et ce de manière éthique. Permettra-t-elle de générer du ROI ? Le principe et les modèles utilisés sont-ils compréhensibles ? Peut-on être sûrs que le système répondra aux besoins de l’entreprise ? Les marques veulent évidemment atteindre leurs objectifs marketing mais pas au prix de leur réputation si les algorithmes sont discriminatoires ou contraires à l’éthique. Elles veulent garder le contrôle sur leur stratégie et leurs tactiques. »

Comment fonctionne la personnalisation IA en pratique ?

Jean-Noël Rivasseau :

« La personnalisation IA repose sur l’intelligence artificielle par apprentissage automatique (machine learning). Le point clé est que le système apprend par lui-même, ce qui le rend extrêmement puissant. Il suffit de l’alimenter en données pour qu’il s’entraîne par lui-même. En analysant des données visiteur, les algorithmes détectent des schémas et les appliquent ensuite aux nouvelles données visiteur, améliorant ainsi leurs prévisions au fur et à mesure.

L’apprentissage automatique est déjà connu par le biais de technologies telles que la reconnaissance d’image ou vocale par exemple. Je travaille sur l’apprentissage automatique depuis 2002 et j’ai suivi de près l’évolution de cette technologie, lorsqu’elle est passée de la reconnaissance d’image ou vocale à une myriade d’applications, tout particulièrement ces dernières années.

Avec la personnalisation IA appliquée au marketing, les systèmes s’attachent essentiellement à analyser les données liées au comportement client pour prédire ce que voudront les consommateurs. Il peut s’agir de données « chaudes » qui illustrent ce que les visiteurs font sur le site web en temps réel, ou de données « froides », issues des CRM ou DMP utilisées par les marques, comme par exemple les commandes précédentes si le visiteur est connu et connecté sur le site.

Le but est d’augmenter les conversions en offrant aux clients les informations et l’expérience qui répondront le mieux à leurs besoins immédiats.

Kameleoon utilise les réseaux neuronaux pour analyser ces deux types de données (chaudes et froides) en temps réel et pour identifier de manière automatique des corrélations entre les visiteurs afin de définir des groupes cibles qui présentent souvent des caractéristiques très complexes. Ces caractéristiques sont souvent trop complexes pour être facilement comprises par un cerveau humain et c’est là que l’IA s’avère être un atout considérable.

Il est alors possible d’analyser quels visiteurs ont besoin d’être motivés pour convertir et lesquels convertiront dans tous les cas sans avoir besoin d’offre spéciale. »

En quoi l’approche de Kameleoon est-elle différente ?

Jean-Noël Rivasseau :

« Je m’intéresse depuis toujours à l’apprentissage automatique et j’ai commencé à développer la plateforme de personnalisation IA Kameloon avec l’équipe en 2012. L’intelligence artificielle n’est pas une technologie facile et nous bénéficions donc d’une expérience approfondie qui nous permet à la fois de comprendre les besoins actuels et de prédire les tendances futures.

Par rapport aux autres fournisseurs, nous avons trois spécificités :

1. Notre plateforme est orientée usages – Je suis sincèrement convaincu que la valeur d’une technologie réside dans l’application que l’on peut en avoir, raison pour laquelle nous avons imaginé notre plateforme pour qu’elle s’adapte à tous les cas d’usage. Nous avons ensuite affiné notre produit avec plus de 450 clients provenant d’industries différentes. Voici quelques cas d’utilisation classiques :

  • Personnaliser l’univers de la marque et le contenu en fonction de la sensibilité des visiteurs et de leurs besoins. Cela peut signifier créer une page d’accueil personnalisée avec un bandeau, des images et du contenu personnalisés pour chaque utilisateur en fonction de ce qui lui correspond le mieux ;
  • Lancer des actions marketing et commerciales qui dépendent de l’intention d’achat. Par exemple, offrir une remise pour convaincre les acheteurs indécis ;
  • Générer plus de leads qualifiés en identifiants les prospects « chauds » au sein d’un segment cible et en leur offrant une expérience sur mesure qui les incite à s’investir davantage et à convertir ;
  • Activer des données en réactivant des prospects froids qui ont été définis par une Plateforme de gestion des données (DMP) ou une Plateforme de données client (CDP).

2. Notre point de départ est le client – Les plateformes classiques de recommandation de produits dans le monde du retail fonctionnent via une méthode par graphe : si un visiteur consulte les produits A, B puis C, la plateforme va chercher à prévoir quel produit D afficher pour avoir la meilleure probabilité de générer une vente additionnelle.

Notre démarche est inverse : les données que nous utilisons sont presque intégralement liées au client et les recommandations sont basées sur ce qu’il a fait ou ce que vous savez de lui.

3. Notre IA offre des stratégies de personnalisation onsite en temps réel – La personnalisation est focalisée sur la visite actuelle du client et les actions sont déclenchée en fonction de son comportement sur le site.

La plateforme Kameleoon est idéale lorsque vous disposez d’un objectif ou d’une offre spécifique mais ne savez pas qui devrait être l’audience cible. Elle utilise l’apprentissage automatique pour définir les caractéristiques de cette audience cible, puis la trouve parmi vos visiteurs, en temps réel, pour fournir l’expérience personnalisée la plus susceptible de mener à une conversion. »

Dans la boîte noire : les algorithmes de Kameleoon

Jean-Noël Rivasseau :

« L’une des principales réserves des marketers concernant l’IA est l’absence de transparence du système et le fait qu’ils n’ont pas la possibilité de comprendre comment les algorithmes parviennent à des résultats donnés.

Comme la plupart des fournisseurs d’IA, Kameleoon utilise des algorithmes propriétaires qui sont créés via un apprentissage à partir des données brutes. Cependant, notre valeur ajoutée réside dans l’architecture qui les encadre. Ces algorithmes sont supervisés et l’intelligence vient de l’entraînement. Voici le principe :

1. Phase d’apprentissage

Lorsque les paramètres sont modifiés, une nouvelle phase d’apprentissage supervisé est lancée. Le modèle de données est entraîné en utilisant les données de tous les visiteurs du site. Cela entraîne le réseau neuronal en injectant des données de session visiteur, corrélant ceci avec l’objectif de conversion et identifiant ainsi des signaux qui influencent positivement ou négativement la conversion.

Lorsque ses performances prédictives sont considérées comme satisfaisantes (en général après 2 500 conversions / autour de 100 000 visites), le modèle de données peut être déployé. Cependant, la phase d’apprentissage elle-même ne s’arrête jamais car toutes les nouvelles données visiteur continuent d’entraîner l’algorithme, améliorant au fur et à mesure ses capacités prédictives et l’adaptant aux changements de contexte.

Étant donné que le pourcentage des visiteurs qui convertissent sur un site web donné est très faible (de l’ordre de 2 %), la tendance naturelle des algorithmes est de prédire une non-conversion. L’heuristique de Kameleoon compense cette tendance : nous incitons les algorithmes à prendre des risques en amplifiant les signaux positifs, en fonction de l’expérience et des cas d’utilisation précédents.

2. Phase de déploiement

Une fois déployé, le modèle de données suit le comportement du visiteur en temps réel, puis calcule son niveau d’intention de conversion actuel – le score brut. Cet indicateur interne est ensuite normalisé dans le Score de Conversion Kameleoon (KCS), qui est un indicateur externe facile à appréhender par les marketers.

Il s’agit d’un point majeur de différenciation pour Kameleoon. Notre système n’est pas une « boîte noire » : nos algorithmes fournissent un score qui permet facilement aux marketers de comprendre pourquoi certaines actions ont été réalisées pour certains segments de visiteurs. Cette transparence accrue permet d’accroître la confiance dans le système. »

Pour en savoir plus sur la technologie Kameleoon et son objectif de transparence pour les marketers digitaux, téléchargez notre livre blanc.

Lauréline Saux

Content Marketer chez Kameleoon, Lauréline analyse tous les retours de nos clients et consultants et partage les meilleures pratiques d'optimisation de la conversion.