IA et marketing : la contribution de l’IA dans la recherche d’insights, mythes et réalités
La recherche d’insight reste encore aujourd’hui l’un des fondamentaux de la démarche marketing. Que l’on parle de parcours client, de taux de pénétration marché, de pricing, de distribution, de modèle économique, de produit, la pierre angulaire de ces approches reste l’identification du bon insight.
A l’image des pommes, des insights il y en a un nombre incalculable de variétés. Certains sont très macro, par exemple, sur le marché international des eaux aromatisées, le miel est considéré comme nourrissant en Chine, à l’inverse des Etats-Unis où il est considéré comme hydratant. Tandis que d’autres sont très micro, par exemple, sur le marché de l’assurance vie, les CSP+ 25-49 ans habitant en ville sont 2 fois plus enclins à souscrire à un contrat en ligne que les autres catégories de la population.
En toute bonne logique, le bouleversement majeur introduit par la data, le digital et maintenant l’IA devrait permettre de repérer et transformer beaucoup plus rapidement ces signaux en actions concrètes. Cette fluidité entre l’identification des données consommateurs à analyser, la découverte de l’insight puis sa transcription en actions est néanmoins encore trop rare dans les organisations. Les explications se situent à différents niveaux.
La recherche d’insight reste encore aujourd’hui l’un des fondamentaux de la démarche marketing. Que l’on parle de parcours client, de taux de pénétration marché, de pricing, de distribution, de modèle économique, de produit, la pierre angulaire de ces approches reste l’identification du bon insight.
A l’image des pommes, des insights il y en a un nombre incalculable de variétés. Certains sont très macro, par exemple, sur le marché international des eaux aromatisées, le miel est considéré comme nourrissant en Chine, à l’inverse des Etats-Unis où il est considéré comme hydratant. Tandis que d’autres sont très micro, par exemple, sur le marché de l’assurance vie, les CSP+ 25-49 ans habitant en ville sont 2 fois plus enclins à souscrire à un contrat en ligne que les autres catégories de la population.
En toute bonne logique, le bouleversement majeur introduit par la data, le digital et maintenant l’IA devrait permettre de repérer et transformer beaucoup plus rapidement ces signaux en actions concrètes. Cette fluidité entre l’identification des données consommateurs à analyser, la découverte de l’insight puis sa transcription en actions est néanmoins encore trop rare dans les organisations. Les explications se situent à différents niveaux.
Le time-to-insight : une équation complexe
La recherche d’insight doit conjuguer vitesse et précision, sans sacrifier l’un pour l’autre. Or le marché des acteurs de la data, le fuel de l’insight, s’est jusqu’à aujourd’hui scindé entre ceux qui ont investi dans les infrastructures (big data, temps réel, intégration et connecteurs), et ceux qui ont investi dans la technologie et la modélisation (NLP, NLU, reconnaissance d’image…).
Concomitamment, l’écosystème du market research a été le théâtre d’une vaste recomposition, notamment parce que la profession est fortement challengée par la vague technologique.
Les modèles économiques d’instituts, intensifs en capital humain et établis sur une proposition de valeur de collecte, sont chahutés par des technologies qui viennent « commoditiser » la data, qui devient accessible au plus grand nombre et ne suffit plus à elle seule à créer de la différenciation.
« L’écosytème du market research est fortement challengé par la vague technologique »
D’ailleurs, le changement de nom de la fonction d’études vers consumer knowledge au fil des ans est un révélateur de ce déplacement, avec pour ambition de revaloriser la fonction en lui apportant une valeur ajoutée forte et distinctive dans l’entreprise.
L’IA pour quoi faire exactement ?
Toutes ces méthodes, héritées ou non de traditions historiques de recherche d’insights, sont potentiellement augmentées par la technologie, qui introduit plusieurs éléments :
– Gestion de la volumétrie (en réalité plus un sujet technique que technologique)
– Modélisation complexe : combinatoire inaccessible au cerveau humain, calcul de corrélations, modélisation de comportements ou segmentation multivariée…
– Rapidité : la puissance de calcul permet aujourd’hui de réaliser des opérations complexes en quasi temps réel
– Capacité à traiter de nouvelles sources de données : voix, image, comportement
Plus précisément, l’IA vient contribuer à l’enrichissement de la modélisation de l’information, pour essayer de systématiser l’identification d’une information, un comportement ou une opportunité qui ne serait pas visible à l’œil nu, ou demanderait un effort trop important d’analyse s’il était fait par un humain.
Reprenons la chaîne de valeur de la recherche d’insight :
1- Sourcing de données : sur cette étape, la contribution de l’IA est aujourd’hui faible, il s’agit essentiellement d’un sujet méthodologique (quelles sources exploiter), et technique (comment récupérer efficacement l’information).
2- Qualité des données : sur ce plan, des solutions d’IA peuvent venir apporter une vraie valeur ajoutée, en apprenant à détecter des incohérences. Par exemple des erreurs de saisie qui conduisent à des champs contenant des valeurs avec des ordres de grandeur délirant, ou des orthographes différentes d’une même information. Ou encore du bruit, c’est-à-dire une information non pertinente par rapport à l’homogénéité du reste du data set. Et également des écarts sur les formats de données (désalignement de champs, problèmes d’encodage…).
3- Traitement de la donnée : une partie du traitement est déjà exploitée pour le nettoyage, mais on s’intéresse ici à la modélisation de l’information post-cleaning. Comment traduire la donnée brute en donnée intelligible et exploitable de façon à mieux faciliter le travail d’interprétation. L’IA permet ici d’analyser le contenu de l’information selon des schémas de détection d’un certain nombre de signaux qui vont permettre de caractériser finement la donnée. C’est ici que l’on retrouve la reconnaissance d’image qui permet de tagger un visuel ou une vidéo par ce qu’il représente, la reconnaissance vocale, le traitement automatique du langage, la reconnaissance d’émotions (à partir du langage ou de la vidéo…).
4- La modélisation de la donnée : une fois la donnée brute caractérisée, il faut l’organiser pour en faire émerger des phénomènes ou dynamiques qui vont pointer des dysfonctionnements, des comportements inédits, des opportunités. De façon imagée, ce sont comme des calques successifs projetés sur la data, qui une fois assemblés vont finir par dessiner de plus en plus précisément les motifs intéressants dans la donnée.
Cet exercice peut-être très encadré : par exemple on croise le contenu d’une conversation avec la date à laquelle la conversation a eu lieu, le canal par lequel elle a été captée, et le profil des interlocuteurs pour comprendre la ventilation des sujets abordés selon ces différents critères de segmentation. On aboutit à des centaines voire des dizaines de combinaisons possibles, et des modèles statistiques permettent de retenir celles qui font apparaître des singularités. Mais il est également possible de mobiliser de l’IA, qui sur la base de situations précédentes lors desquelles on lui a appris le type de phénomène qui nous intéresse, va être en capacité de reconstituer de façon plus autonome la bonne combinatoire pour pointer les événements saillants.
Dans la prédiction de churn, c’est précisément ce qu’il se passe : on donne à la machine une série de données avec de nombreuses variables associées à des clients qui ont quitté l’entreprise (ou non), de façon à ce qu’elle construise elle-même un modèle de prédiction.
Lorsqu’un nouveau data set se présente, elle saura avec un certain taux de précision déterminer la probabilité que tel ou tel client change d’opérateur par exemple
« L’IA permet de projeter des calques successifs sur la data, qui une fois assemblés vont finir par dessiner de plus en plus précisément les motifs intéressants dans la donnée ».
Côté connaissance client, l’IA peut également permettre de produire des segmentations inédites, et à repérer des corrélations entre des actions d’achat par exemple, et des critères de base CRM (âge, panier moyen, historique de relation, géographie, CSP…).
5- Dernière étape : la recommandation. Comment aller plus loin que l’identification et la description de phénomène, pour enchaîner directement sur une prescription d’action. Là encore, une option est la scénarisation d’action via des arbres d’intention : pas besoin d’IA, et on peut déjà arriver à un premier niveau d’automatisation : réponse automatique à des emails, personnalisation de contenus etc. Mais de nouveau, l’IA va venir enrichir les possibilités d’action et d’adaptation au contexte. Génération automatique de contenu, personnalisation d’offres, agent conversationnel…