La révolution des données dans le marketing

La personnalisation est la façon dont les marques s’adressent aux clients pour susciter, établir et faire évoluer une relation qui n’est pas seulement plus agréable, mais aussi considérablement plus rentable. Considérez que :

• 80 % des clients sont plus susceptibles d’acheter auprès d’un marque qui offre expériences personnalisées.
• 77 %des clients paieront plus cher à un marque qui leur offre expériences personnalisées.
• 72 % des clients n’interagiront qu’avec les marques qui proposent expériences personnalisées

La meilleure – et dans de nombreux scénarios la seule – façon pour les marques de se rapprocher des clients de manière agréable, évolutive et rentable est de fournir du contenu, du contenu et encore plus de contenu de qualité. C’est encore plus important dans l’espace B2B, où le prospect moyen (qui est généralement composé de plusieurs professionnels) accède à 13 éléments de contenu avant de prendre une décision d’achat finale. Tout élément de contenu – qu’il s’agisse d’un ebook, d’un webinar, d’un white paper, etc. – qui ne parvient pas à informer, à impressionner et à influencer pourrait bloquer ou mettre fin à la relation.

Cependant, il peut être extrêmement difficile pour les marques de déterminer :

• Quel contenu devrions-nous créer ?
• À qui devons-nous fournir du contenu ?
• Quand devons-nous diffuser du contenu ?
• Par quels canaux et points de contact devrions-nous diffuser du contenu ?

Ce sont des questions cruciales qui ne peuvent être ignorées, car elles n’influencent pas seulement le succès d’une marque – dans l’ensemble et à long terme, elles peuvent déterminer si une marque survivra. Heureusement, il existe un moyen éprouvé et pratique pour les marques d’obtenir les réponses et les informations dont elles ont besoin, et cela commence par prédictif données analytiques.

Essentiellement, prédictif données analytiques consiste à utiliser des données historiques pour générer des informations, qui à leur tour aident à prédire les résultats futurs. Cela se fait généralement en attribuant une probabilité (également appelée score prédictif) à la possibilité qu’une certaine unité ou entité, telle qu’un segment de clientèle, agisse d’une certaine manière compte tenu d’un ensemble de détails et de variables. Il existe trois principaux types de modèles prédictifs :

• Modèles de régression : ils définit des modèles dans de grands ensembles de données pour estimer les relations entre les variables. Par exemple, une marque pourrait utiliser cette approche pour définir l’influence des frais d’expédition sur les décisions d’achat.
• Arbres de décision : ils sont pilotés par des algorithmes qui glanent différentes façons de diviser les données en segments de branche et en segments arborescents (d’où leur nom). Par exemple, une marque pourrait utiliser cette approche pour définir lequel des trois nouveaux produits possibles ajouter à sa liste.
• Réseaux neuronaux (alias réseaux neuronaux artificiels) : Ils sont utilisés pour résoudre des enquêtes de reconnaissance de formes très sophistiquées et à multiples facettes. Par exemple, une marque pourrait utiliser cette approche pour prédire la probabilité qu’un client potentiel clique sur une annonce.

L’données analytique prédictive a des applications pratiques dans de nombreux domaines tels que les soins de santé, les assurances, les services financiers, les télécommunications et la cybersécurité. Dans le domaine du marketing, différents types (et sous-types) de prédictif données analytiques sont utilisés par les marques à succès pour capturer des mesures et des indicateurs clés de performance (KPI) tels que :

• Valeur à vie du client
• Attribution marketing
• Recommandations de produits
• Efficacité et retour sur investissement des campagnes marketing

La bonne nouvelle, c’est que prédictif données analytiques peut être extrêmement utile pour prévoir les événements, ainsi que la probabilité que les changements auront sur les résultats futurs. Nous pourrions utiliser la modélisation de régression, par exemple, pour nous dire que si nous réduisons les frais d’expédition de 10 %, nous devrions voir une augmentation des ventes globales de 16 % en un mois, ce qui compenserait nos coûts supplémentaires et augmenterait la valeur vie client.

Cependant, la mauvaise nouvelle, c’est que prédictif données analytiques peuvent être moins perspicaces dans les scénarios caractérisés par considérable changement, car les données historiques ne constituent pas une base fiable sur laquelle prévoir les événements et les résultats futurs. Bien sûr, nous n’avons pas besoin de chercher longtemps pour en trouver un exemple dans la réalité : la pandémie qui a éclaté en 2020 a déclenché des problèmes complexes et nouveaux que les prédictif données analytiques conventionnels avaient du mal à prévoir, car le paradigme était radicalement différent.

Heureusement, c’est là que intelligence artificielle et machine learning entrent dans l’histoire.

À la base, l’intelligence artificielle consiste à simuler l’intelligence humaine par des systèmes informatiques (« machines intelligentes ») qui s’appuient sur des données externes et des algorithmes internes pour prendre des décisions. En général, il existe trois types de systèmes d’intelligence artificielle :

• L’intelligence artificielle générale (AGI), dans laquelle les systèmes peuvent effectuer n’importe quelle tâche dont un humain est capable, mais avec beaucoup plus de compétence, de vitesse, de précision et d’endurance. L’IAG est actuellement hypothétique.
• Superintelligence artificielle (ASI), dans laquelle les systèmes sont conscients d’eux-mêmes et surpassent l’intelligence et les capacités de l’homme. Parallèlement à l’AGI, l’ASI est également hypothétique.
• L’intelligence artificielle étroite (ANI), dans laquelle les systèmes sont conçus pour atteindre un objectif unique (par exemple, effectuer des recherches sur le Web, piloter des applications d’assistant vocal, etc.).

L’un des types d’ANI les plus populaires est le machine learning. Semblable à prédictif données analytiques, machine learning s’agit d’une méthode d’analyse de données, en ce sens qu’elle automatise le processus de création de modèles analytiques en créant et en affinant des algorithmes pour rechercher des modèles et des comportements dans les données.

Cependant, contrairement à prédictif données analytiques, machine learning n’a pas besoin qu’on lui dise ce qu’il faut rechercher. En d’autres termes, le machine learning n’est pas ancré ou limité par des données historiques. Il « apprend littéralement par la pratique », c’est pourquoi il est adopté par les spécialistes du marketing du monde entier. Nous explorons pourquoi dans la section suivante.

Jusqu’à présent, nous avons discuté de ce qui suit :

• L’données analytiques prédictive consiste à utiliser des modèles ancrés dans des données historiques pour prévoir des événements futurs.
• L’intelligence artificielle consiste à créer des machines intelligentes pour simuler la capacité de pensée et le comportement humain.
• L’apprentissage automatique consiste à utiliser des machines intelligentes pour apprendre à partir de données, d’expériences ou des deux, mais sans avoir à être explicitement programmées pour le faire.

L’intégration de ces trois éléments ouvre des possibilités considérables – et à certains égards étonnantes – pour les organisations de divers secteurs. Par exemple:

• Les organisations du secteur des services financiers utilisent l’intelligence artificielle pour détecter et contrecarrer la fraude.
• Les entreprises du secteur de la cybersécurité utilisent l’intelligence artificielle pour prévenir les menaces et répondre aux attaques actives en temps réel.
• Les organisations du secteur du retail utilisent l’intelligence artificielle pour planifier les articles à stocker en fonction des tendances, de la saison et d’autres facteurs.

Mais qu’en est-il de la livraison de contenu, qui, comme nous l’avons noté précédemment, est la clé de la personnalisation ? L’intelligence artificielle s’applique-t-elle ici ? Absolument. Voici quelques-unes des façons remarquables dont les spécialistes du marketing tirent parti de intelligence artificielle (et de son sous-ensemble machine learning) pour stimuler engagement et expérience à travers le parcours client :

• Segmentation de la clientèle automatisée : L’intelligence artificielle peut analyser le comportement de navigation des visiteurs du site Web (ce qu’ils font, quand ils le font, combien de temps ils le font, s’ils l’ont déjà fait, etc.) et les placer automatiquement dans des segments d’audience préconstruits.
• Création automatisée de nouveaux segments : l’intelligence artificielle peut détecter si le comportement de navigation des visiteurs du site Web ne correspond pas aux segments d’audience préconstruits et en créer de nouveaux (c’est une illustration parfaite de la valeur du machine learning).
• Personnalisation automatisée : l’intelligence artificielle peut fournir du contenu de manière sélective aux clients dans chaque segment et au moment optimal de leur parcours. Par exemple, les clients qui en sont à l’étape de la « sensibilisation », qui ignorent en grande partie ou totalement les options qui s’offrent à eux, pourraient être invités à télécharger un livre électronique leur fournissant une checklist sur la façon d’optimiser leur étude et leur processus d’évaluation. Alternativement, les clients qui sont plus avancés dans leur parcours et prêts à prendre une décision d’achat finale peuvent être invités à regarder ou à lire des témoignages, des études de cas ou d’autres formulaires de preuves de médias sociaux qui leur permettent d’aller de l’avant en toute confiance dans une transaction.
• Tests A/B automatisés : l’intelligence artificielle peut exécuter des tests A/B fractionnés sur diverses ressources de marketing de contenu (livres électroniques, livres blancs, listes de contrôle, infographies, bannières, images, etc.) et définit ceux qui convertissent efficacement et ceux qui doivent être mis à niveau ou retirés.
• Marquage automatisé du contenu : intelligence artificielle pouvez glaner ce qu’une image ou une vidéo représente, et les automatiquement tag en conséquence (par exemple, « train », « plage », etc.). Cela permet non seulement de briser les silos de contenu , mais cela permet également aux spécialistes du marketing de passer moins de temps sur des tâches manuelles fastidieuses et plus de temps sur des priorités à forte valeur ajoutée.

Comme nous pouvons le constater, prédictif données analytiques, intelligence artificielle et machine learning ont le potentiel d’aider les marques à améliorer considérablement leurs résultats marketing et, peut-être plus important encore, compte tenu des événements récents, à prospérer et à saisir de nouvelles opportunités, plutôt que de lutter et de faire face à des revers, dans des conditions incertaines et volatiles.

Cependant, tenter d’établir et d’appliquer des prédictif données analytiques, des intelligence artificielle et des machine learning sans la bonne architecture peut piste commerciale au chaos au lieu de la clarté, des problèmes au lieu des profits. Cela nous amène à une autre pièce essentielle du puzzle : les plateformes de données de clients (CDP).

Les CDP sont des solutions logicielles packagées qui créent une base de données client persistante et unifiée accessible à d’autres systèmes. Le Customer Data Platform Institute décompose cette définition :

• « Logiciel packagé » : une CDP est un système préconstruit qui est configuré pour répondre aux besoins de chaque client. Certaines ressources techniques seront nécessaires pour configurer et maintenir la CDP, mais cela ne nécessite pas le niveau de compétence technique d’un projet d’entrepôt de données typique. Cela réduit le temps, les coûts et les risques tout en donnant aux utilisateurs entreprises plus de contrôle sur le système.
• « Crée une base de données client unifiée et persistante » : une CDP crée une vue complète de chaque client en capturant des données provenant de plusieurs systèmes, en reliant les informations relatives au même client et en stockant les informations pour atelier comportement au fil du temps. Le CDP contient des identifiants personnels utilisés pour cibler les messages marketing et les résultats marketing individuels des ateliers.
• « Accessible à d’autres systèmes » : les données stockées dans une CDP peuvent être utilisées par d’autres systèmes à des fins d’analyse et de gestion des interactions avec les clients.

Cette définition est un bon point de départ. Mais ce n’est pas tout, car cela soulève une question cruciale : quelle est la fonctionnalité essentielle d’une CDP, et que doit-elle être capable de faire ? Sans ces informations de base, les spécialistes du marketing courent le risque de choisir la mauvaise solution.

Heureusement, il n’est pas nécessaire de faire des essais et des erreurs. Une solution CDP supérieure est construite avec trois couches : la segmentation, la prise de décision et l’optimisation

• Segmentation : cette couche suit chaque clic, recherche et signal d’achat provenant de profils de clients connus et anonymes. Il consolide et connecte également toutes les données de clients en un seul endroit, crée des profils et des segments de clients avec des données en temps réel et intègre de manière transparente les données de l’ensemble de l’organisation. Une segmentation robuste et fiable peut être considérée comme le « moteur » d’une solution CDP.
• Prise de décision : cette couche utilise prédictif données analytiques, intelligence artificielle et machine learning pour générer des interactions positives dans l’ensemble du parcours client. Il exploite également les données des clients et de l’entreprise ainsi que le contexte en temps réel, utilise la technologie décisionnelle pour prendre des décisions puissantes basées sur les données et permet des tests A / B sur n’importe quel canal numérique - ce qui est essentiel pour une optimisation et une expérimentation intelligentes basées sur des données fiables plutôt que sur des sentiments instinctifs. Cette capacité de prise de décision puissante, fiable et évolutive (c’est-à-dire « l’apprentissage par la pratique ») est ce qui rend une solution CDP « intelligente ».
• Optimisation : cette couche orchestre chaque interaction sur tous vos canaux, crée des expériences transparentes qui passent de canal à canal, offre des expériences hyper-pertinent à chaque client et déclenche des messages personnalisé pour aider les clients à agir. La couche d’optimisation peut être considérée comme le « hub » d’une solution CDP.

Bien que certaines solutions CDP soient extrêmement sophistiqué (et peuvent sembler de la science-fiction à certaines personnes en dehors du monde du marketing étant donné à quel point elles peuvent être puissantes, efficaces, utiles et précises), choisir la bonne solution ne nécessite pas de doctorat.

Les spécialistes du marketing qui se concentrent sur une solution CDP construite avec les trois couches décrites ci-dessus (segmentation, prise de décision et optimisation) peuvent être assurés que leur investissement sera gratifiant plutôt que regrettable.

Au cours des dernières décennies, et en particulier depuis l’éruption de la COVID-19, le marketing a subi d’énormes changements. Les clients veulent savoir que les marques qu’ils choisissent peuvent toujours les traiter comme les individus qu’ils sont. Et les marques veulent que les clients sachent qu’elles s’engagent à établir, protéger et faire évoluer une relation authentique, adaptée à leurs besoins tout en préservant leur sécurité et leur vie privée.

La solution de CDP prédictive données analytiques, intelligence artificielle et machine learning, fondée et alimentée par a solution CDP supérieure, permet de répondre à ces attentes et ambitions, tout en libérant des récompenses révolutionnaires pour les marques et les clients.

En savoir plus sur les solutions intelligence artificielle Sitecore.