« Trois éléments-clés pour utiliser l’intelligence artificielle dans un projet marketing »

Comme toutes les innovations technologiques, l’intelligence artificielle (IA) est aujourd’hui atteinte d’une forme de « gueule de bois’ » passé l’ivresse des sur-promesses initiales. Il est vrai que le terme même d’intelligence artificielle est à la fois trop large et trompeur. De nombreuses voix s’élèvent à juste titre pour le remplacer par une appellation plus appropriée, comme celle d’intelligence augmentée. Oui, Deep Mind de Google a battu le champion du monde de Go en 2016. Mais non, l’IA ne remplacera pas l’intelligence humaine ; pas plus dans le domaine du marketing que dans les autres secteurs de l’entreprise.

Il est vrai également que le label « IA » est souvent utilisé abusivement à des fins de communication, par des start-up pour faciliter leurs levées de fonds, ou par des éditeurs de solutions Adtech pour mieux vendre leurs produits et services. Une analyse publiée en mars 2019 par le fonds d’investissement anglais MMC Ventures montrait que 40 % des 2 830 start-up européennes affichant affirmant utiliser l’intelligence artificielle ne recouraient en fait pas au machine learning, pourtant la branche la plus dynamique de l’IA.

Dans ce contexte propice à semer la confusion, les professionnels du marketing doivent trouver leur voie, entre un scepticisme contre-productif et une croyance démesurée en la capacité de l’IA à transformer l’ensemble des process marketing et à tout solutionner.

1) De quoi parle-t-on quand on parle de l’application de l’IA, ou plus précisément du machine learning au marketing ?

Par rapport aux solutions classiques de marketing automation – qui permettent d’automatiser des processus répétitifs – le machine learning ajoute une capacité nouvelle : apprendre. Apprendre à partir de grands volumes de données (structurées ou non, séries historiques ou real-time) pour identifier les données déterminantes d’un résultat (un comportement, par exemple) et prédire des résultats.

Le machine learning peut donc non seulement identifier des règles que les marketeurs n’auraient pas pu identifier eux-mêmes, mais aussi avoir une capacité prédictive. Ses applications au marketing sont nombreuses, notamment pour le digital riche en data, et méritent d’être explorées.

Il est important de noter que le champ d’application qui a été le mieux exploré par les grandes entreprises technologiques (Google, Facebook, Amazon, Microsoft) est celui du traitement des images et du langage. Le traitement du langage naturel a fait d’immenses progrès et il existe aujourd’hui de nombreux frameworks en open source que les entreprises peuvent exploiter pour leur marketing. Les plus connus et utilisés étant Tenserflow (Google) et Pytorch (Facebook).

A titre d’illustration, la traduction d’une langue à une autre peut se faire sans avoir recours à un dictionnaire. Autant d’opportunités majeures pour améliorer l’expérience client mobile ou web et automatiser la production de contenus en masse : fiches produits, catalogues, pages web…

2) Quelles entreprises peuvent utiliser le machine learning pour améliorer le marketing et quelle valeur business en attendre ?

De nombreuses solutions technologiques marketing (adtech, martech) intègrent déjà le machine learning et à ce titre, il n’existe pas nécessairement de barrière à l’entrée pour bénéficier de cette opportunité.

Le premier consiste à vérifier quelles opportunités sont accessibles avec le stack technologique marketing en place et s’assurer qu’elles sont exploitées pleinement. En revanche, pour que l’application du marchine learning au marketing soit efficace et rentable, il faut garder à l’esprit trois faits essentiels :

1. Les applications du machine learning sont nécessairement très spécifiques à un usage (use case). Il n’existe pas de solution universelle. Si une entreprise identifie une solution qui permet d’améliorer le taux d’ouverture des emails, elle devra en identifier une autre pour améliorer la conversion après ouverture et une troisième pour prédire la valeur client (lifetime value).

2. Le machine learning est gourmand en données et de ce point de vue, toutes les entreprises ne sont pas également éligibles. Pour caricaturer, une entreprise qui disposera de 5 millions d’adresses dans sa base d’emails le sera, alors qu’une autre avec seulement 50 000 adresses ne le sera pas.

3. Tous les objectifs business traduits en cas d’usage ne correspondent pas à des enjeux financiers de même ampleur. Il conviendra donc d’évaluer le bénéfice potentiel lié à une amélioration par machine learning avant de lancer un projet afin de s’assurer de sa rentabilité. Un investissement en machine learning peut être rentable, mais tous ne le sont pas.

« La création automatique de messages à moindre enjeu stratégique pour les marques est un domaine où il existe des solutions éprouvées »

Les domaines d’applications marketing pour le machine learning portent sur la génération d’insights sur les consommateurs (scoring clients & prospects, segmentation, analyses prédictives de churn et de lifetime value, sentiment…), l’amélioration de l’expérience client (UX/CRO, moteurs de recommandation, chatbots, reconnaissance produit par computer vision…) et l’amélioration des performances des campagnes marketing digital (ciblage, capping, personnalisation). C’est dans ce dernier domaine que l’on note le plus grand développement des solutions d’IA autonomes, comme Albert ou Tinyclues.

En dépit de l’intérêt qu’il a suscité, le cas du film de publicité Lexus, produit avec l’assistance de l’IA (l’analyse des campagnes primées à Cannes sur 15 ans) en 2016 reste une expérience isolée dans la mesure où le cerveau humain reste très supérieur à l’IA dès qu’il est question de sensibilité et de créativité. En revanche, la création automatique de messages à moindre enjeu stratégique pour les marques est un domaine où il existe des solutions éprouvées.

3) Quelles ressources sont-elles nécessaires pour se lancer dans le machine learning appliqué au marketing ?

Les entreprises doivent commencer par s’assurer qu’elles utilisent au mieux de leur intérêt toutes les potentialités des solutions adtechs et martechs dont elles sont déjà équipées et qui peuvent pour certaines d’entre-elles intégrer du machine learning.

La seule limite restant la qualité et la quantité des données qui peuvent être traitées par les algorithmes pré-entrainés intégrés dans ces solutions. Au-delà de la volumétrie des données, il est essentiel de s’assurer que leur qualité est bien maintenue dans le temps. Sans confiance dans les données, il n’y aura pas de confiance dans les résultats produits.

L’étape suivante consiste à lister toutes les questions business qui correspondent à un enjeu financier significatif et à les prioriser. Selon l’ampleur de cette liste et les moyens existants en interne, surtout humains (data scientifsts qui peuvent être mobilisés pour le marketing), deux choix s’offrent aux entreprises :

• Celui du pragmatisme : à partir de la liste de questions business prioritaires, identifier les algorithmes pré-entrainés pouvant les résoudre, soit au travers de solutions ‘sur étagère’, soit à partir de solutions open source, et construire une roadmap du prototypage au déploiement à l’échelle

• Celui de l’ambition : faire du machine learning un levier stratégique et un avantage concurrentiel. Dans cette approche, il devient nécessaire de s’équiper de ressources internes suffisamment expérimentées en machine learning pour d’une part faire un travail de veille permanent sur les avancées du marché et d’autre part, piloter un plan ambitieux de tests et de déploiement.

« Les entreprises doivent considérer un projet de machine learning comme stratégique et éviter de tomber dans le piège de l’externalisation »

Un projet de machine learning comme un projet informatique peut se heurter à des obstacles imprévus. La définition d’objectifs précis et de « checkpoints » est donc indispensable pour assurer le succès d’un plan d’action IA marketing, quel que soit le niveau d’ambition. Le droit à l’erreur doit être intégré dans la planification et la construction budgétaire, mais il doit également exister des garde-fous pour éviter une trop grande déception qui mènerait à l’abandon de l’initiative.

Dans tous les cas, les entreprises doivent considérer un projet de machine learning comme stratégique et éviter de tomber dans le piège de l’externalisation qui peut mener ensuite à la dépendance comme cela a été trop souvent le cas avec l’informatique.

En conclusion, les opportunités sont vastes et les early-adopters de l’IA appliquée au marketing qui mèneront à bien leur projet bénéficieront d’un avantage concurrentiel. Pour y parvenir, un effort de formation préalable est un pré-requis : si les professionnels du marketing ne doivent pas se transformer en data scientists, ils doivent se familiariser avec le langage des algorithmes et disposer d’un bagage minimum pour interagir efficacement avec les spécialistes du sujet. Une réflexion sur l’organisation des équipes marketing est également nécessaire pour tirer le meilleur parti de l’IA et notamment bieb collaborer avec les solutions d’IA autonomes.