Ce que signifie réellement le machine learning dans un contexte marketing
Le machine learning est l’un des termes les plus galvaudés dans les technologies marketing. Les fournisseurs l’appliquent à des fonctionnalités allant de modèles prédictifs sophistiqués à une simple automatisation des tests A/B. Comprendre ce que cela signifie réellement - et ce qu’il faut pour que cela fonctionne - fait la différence entre le déployer efficacement et dépenser de l’argent pour une fonctionnalité que vous n’utiliserez jamais correctement.
Concrètement, le machine learning dans l’automatisation marketing est un système qui améliore ses décisions au fil du temps en fonction des données de résultats, sans être explicitement reprogrammé pour cela. Chaque fois qu’il envoie un e-mail, affiche une publicité ou attribue un score à un prospect, il reçoit un retour (est-ce que cela a fonctionné ?) et ajuste ses décisions futures en conséquence. Il apprend.
Arjun conçoit les modèles de classification, de recommandation et d’optimisation expliqués dans cet article - sans fuite de données, validés et déployés en production, plutôt que simplement configurés dans une plateforme marketing.
Voir Arjun - Ingénieur ML →Les trois modèles de machine learning les plus utilisés dans l’automatisation marketing
1. Modèles de classification (pour la segmentation et le scoring)
Les modèles de classification attribuent les contacts à des catégories en fonction de tendances présentes dans leurs données. En marketing, cela signifie : ce prospect va-t-il convertir ou non ? Ce client va-t-il se désabonner ou non ? L’engagement envers cet e-mail est-il authentique ou s’agit-il d’un trafic généré par un bot ? Le modèle s’entraîne sur des exemples historiques dont la réponse est connue, puis applique les tendances apprises à de nouveaux contacts pour lesquels la réponse est inconnue.
Où vous les voyez : scoring prédictif des prospects de HubSpot, Salesforce Einstein, probabilité d’attrition de Klaviyo. Le résultat est un score de probabilité - « ce contact a 73 % de chances de convertir dans les 30 jours ».
2. Modèles de recommandation (pour la personnalisation)
Les modèles de recommandation identifient le contenu, le produit ou le message le plus susceptible de susciter l’engagement d’un contact donné, en se fondant sur les réactions historiques de contacts similaires. Le modèle « les clients qui ont acheté X ont également acheté Y » - appliqué au contenu des e-mails, aux créations publicitaires et à la personnalisation sur site.
Où vous les voyez : recommandations de produits de Klaviyo, personnalisation de Dynamic Yield, moteurs de recommandation de Netflix et Spotify. En marketing : le bloc d’étude de cas qui présente à chaque visiteur l’exemple sectoriel le plus pertinent.
3. Modèles d’optimisation (pour les enchères, le moment d’envoi et l’allocation du budget)
Les modèles d’optimisation ajustent continuellement les variables - prix de l’enchère, heure d’envoi, répartition du budget - afin de maximiser une métrique de résultat définie. Ils n’apprennent pas quoi dire ni à qui le dire. Ils apprennent les conditions de diffusion optimales pour tout ce que vous leur fournissez.
Où vous les voyez : Google Smart Bidding, optimisation du budget de Meta Advantage+, Smart Send Time de Klaviyo. Ce sont les modèles de ML les plus largement déployés en marketing - et la plupart des marketeurs les utilisent sans se rendre compte qu'il s'agit de machine learning.
Ce dont l'automatisation marketing par machine learning a besoin pour fonctionner
Les modèles de machine learning ne valent que par la qualité des données sur lesquelles ils sont entraînés. Avant d'investir dans l'automatisation basée sur le ML, vérifiez que vous disposez des éléments suivants :
- Un historique de données suffisant - Les modèles de classification ont besoin d'exemples. Google Smart Bidding nécessite plus de 50 conversions en 30 jours. Le scoring prédictif de HubSpot nécessite au moins 3 mois d'historique CRM. En dessous de ces seuils, le modèle ne dispose pas d'assez de signaux et produit des résultats aléatoires.
- Une structure de données propre et cohérente - Les modèles de ML apprennent à partir de tendances. Si vos données présentent un formatage incohérent, des contacts en double ou des fiches incomplètes, le modèle apprend les mauvaises tendances. La qualité des données est indispensable au fonctionnement du ML.
- Un objectif défini et mesurable - Le modèle apprend à optimiser quelque chose. Ce quelque chose doit être clairement défini et suivi avec précision. « Plus de ventes » n'est pas un objectif ML mesurable. « Événement d'achat finalisé dans Klaviyo » en est un.
- Volume d'interactions - Les modèles s'améliorent avec l'exposition. Une liste d'e-mails de 500 contacts permet un apprentissage du ML plus lent qu'une liste de 50 000 contacts. Si vous êtes en dessous des seuils de volume requis par les fonctionnalités ML d'une plateforme, vous risquez de ne constater aucune amélioration significative pendant plusieurs mois.
Les tâches d'automatisation marketing où le ML est systématiquement plus performant que les règles
- Gestion des enchères à grande échelle - Aucun humain ne peut traiter le nombre de variables que le ML de Google ou de Meta traite à chaque enchère. Les enchères intelligentes sont plus performantes que la gestion manuelle pour les comptes disposant d'un historique de conversions suffisant.
- Optimisation de l'heure d'envoi - Gérer manuellement l'heure d'envoi au niveau individuel est impossible. Le ML s'en charge à l'échelle d'une liste.
- Prédiction du churn - Identifier les signaux précurseurs spécifiques qui annoncent le churn nécessite de reconnaître des tendances parmi des dizaines de variables. Le ML détecte des tendances que les humains ne voient pas - le même travail prospectif que dans notre guide sur l'analyste marketing prédictif.
- Recommandations de produits - Le filtrage collaboratif (ce que des clients similaires ont acheté) est un problème de mise en correspondance mécanique que le ML résout à une échelle et une vitesse impossibles à atteindre avec des règles.
Là où le jugement humain reste plus performant que le ML en marketing
- Stratégie créative et messages - L’apprentissage automatique optimise la diffusion du contenu. Il ne crée pas d’idées, ne comprend pas le contexte culturel et n’exerce pas le jugement stratégique qui distingue une bonne création d’une création moyenne. Claude avec une compétence en création publicitaire s’en charge.
- Situations inédites sans données historiques - Lancements de nouveaux produits, nouveaux marchés, nouveaux segments d’audience. Sans données historiques, il n’y a aucun signal exploitable par l’apprentissage automatique. Le jugement humain prend le relais jusqu’à ce que le modèle accumule suffisamment de données.
- Sécurité et ton de la marque - L’apprentissage automatique ne comprend pas pourquoi certains messages ne correspondent pas à la marque, sont politiquement sensibles ou culturellement inappropriés. Les humains définissent les garde-fous. L’apprentissage automatique fonctionne dans ce cadre.
Questions fréquentes
Que signifie réellement l’apprentissage automatique dans le contexte de l’automatisation marketing ?
L’apprentissage automatique dans l’automatisation marketing est un système qui améliore ses décisions au fil du temps en fonction des données de résultats, sans être explicitement reprogrammé à cette fin. Chaque fois qu’il envoie un e-mail, affiche une publicité ou évalue un prospect, il reçoit un retour indiquant si cela a fonctionné et ajuste ses décisions futures en conséquence. Cela le distingue de l’automatisation fondée sur des règles, qui suit une logique fixe de type si-alors quels que soient les résultats. La plupart des spécialistes du marketing utilisent déjà l’apprentissage automatique sans s’en rendre compte - Google Smart Bidding, Meta Advantage+ et Klaviyo Smart Send Time sont tous des modèles d’optimisation fondés sur l’apprentissage automatique.
Quels sont les trois modèles d’apprentissage automatique les plus utilisés dans l’automatisation marketing ?
Les trois modèles sont les modèles de classification (qui attribuent des contacts à des catégories à partir de tendances historiques - ce prospect va-t-il convertir, ce client va-t-il se désabonner - et produisent des scores de probabilité, comme la notation prédictive de HubSpot, Salesforce Einstein et la probabilité de désabonnement de Klaviyo) ; les modèles de recommandation (qui identifient le contenu, le produit ou le message le plus susceptible d’intéresser un contact en fonction de la réaction de contacts similaires, comme les recommandations de produits de Klaviyo et Dynamic Yield) ; et les modèles d’optimisation (qui ajustent continuellement l’enchère, l’heure d’envoi et le budget afin de maximiser un résultat défini, comme Google Smart Bidding, Meta Advantage+ et Klaviyo Smart Send Time).
De quoi une équipe marketing a-t-elle besoin avant que l’automatisation par apprentissage automatique fonctionne ?
Quatre prérequis : des données historiques suffisantes (Google Smart Bidding nécessite plus de 50 conversions en 30 jours et la notation prédictive de HubSpot nécessite plus de 3 mois d’historique CRM - en dessous de ces seuils, le modèle fonctionne de manière aléatoire) ; une structure de données propre et cohérente (un formatage incohérent, des contacts en double ou des fiches incomplètes apprennent au modèle de mauvaises tendances) ; un résultat défini et mesurable (un événement suivi avec précision, comme un achat finalisé, et non un objectif général comme augmenter les ventes) ; et un volume d’interactions suffisant (une liste de 500 contacts apprend bien plus lentement qu’une liste de 50 000, et l’amélioration peut prendre des mois lorsque le volume est faible).
Dans quels domaines l’apprentissage automatique surpasse-t-il systématiquement le jugement humain en marketing ?
Quatre domaines : la gestion des enchères à grande échelle (aucun humain ne peut traiter les variables que l’apprentissage automatique de Google ou Meta évalue pour chaque enchère) ; l’optimisation de l’heure d’envoi (la gestion manuelle du moment idéal pour chaque personne est impossible, mais triviale pour l’apprentissage automatique à l’échelle d’une liste) ; la prédiction du désabonnement (repérer les signaux précurseurs parmi des dizaines de variables que les humains ne détectent pas) ; et les recommandations de produits (le filtrage collaboratif est un problème de mise en correspondance mécanique que l’apprentissage automatique résout à une vitesse et une échelle inégalables par les règles).
Dans quels domaines le jugement humain reste-t-il plus performant que l’apprentissage automatique en marketing ?
Trois domaines : la stratégie créative et le message (l’apprentissage automatique optimise la diffusion, mais ne crée pas d’idées, ne comprend pas le contexte culturel et n’exerce pas de jugement stratégique - c’est là qu’une Skill AI configurée fait toute la différence) ; les situations inédites sans données historiques (les nouveaux lancements, marchés ou segments ne disposent d’aucun signal issu de l’apprentissage automatique, le jugement humain prend donc le relais jusqu’à l’accumulation de données) ; et la sécurité de la marque et le ton (l’apprentissage automatique ne comprend pas pourquoi un message ne correspond pas à la marque ou est culturellement inapproprié - les humains définissent les garde-fous dans lesquels l’apprentissage automatique opère).
Mettez cela en pratique avec Claude. L’apprentissage automatique gère l’optimisation ; la stratégie, la création et le jugement sont les domaines où une Skill AI configurée fait toute la différence - dans Claude, ChatGPT ou n’importe quel chat AI.
· Claude pour les publicités Google
· Claude pour les publicités Meta et Facebook
· Claude pour Klaviyo
· Claude comme analyste marketing prédictif
· Claude pour l’analyse marketing
· Parcourir toutes les Skills de marketing et de croissance
