La traduction la plus directe dans notre vie moderne est l’apparition des « chatbots » sur les sites web qui démarrent une conversation comme s’il s’agissait d’une vraie personne, et les assistants vocaux comme SIRI ou Google Home.
Même si des progrès importants ont été réalisés dans ce domaine, on est encore loin du compte (il suffit de faire le test soi-même), et il faut chercher ailleurs les applications les plus directes de l’intelligence artificielle en marketing. Elles se trouvent là où l’humain seul ne peut aller, là où la puissance de calcul phénoménale des architectures dans le cloud et leur capacité de stockage infinie ont permis l’émergence de nouvelles disciplines autour de la donnée (Big data) et une nouvelle connaissance inaccessible à l’homme sans leurs aides.
Prérequis
Au-delà même des algorithmes, ce sont les données qui sont le nerf de la guerre et qui permettent de faire appel à l’intelligence artificielle – ou pas. Il y a 3 conditions essentielles pour pouvoir les exploiter. La première condition nécessite d’avoir assez de données. C’est le frein numéro 1 qui fait d’ailleurs que nos amis américains sont bien plus avancés. Les GAFA (pour Google, Apple, Facebook et Amazon) ces géants du web ont accumulé bien plus de données et continuent d’affirmer leur avance dans le domaine. En B2B où les données sont moins importantes, la capacité à entraîner des modèles prédictifs est fortement limitée et seules des plateformes ayant accumulé assez de données sont en mesure de le faire. La deuxième condition réside dans le fait que la qualité et la fiabilité des données doivent être maîtrisées. Ceci est directement lié aux conditions de collecte (techniques ou légales) ainsi qu’aux sources de données. Or de nombreuses données sont échangées via Internet (open data ou bases commerciales) dont l’origine et la complétude sont invérifiables. Il faut donc privilégier les plateformes qui collectent elles-mêmes leurs données dans les conditions qui seront bientôt durcies par le RGPD. Enfin, la dernière condition requiert que l’humain exerce un contrôle suffisant à toutes les étapes de mise au point de l’IA. Données d’entraînement, données de résultats, choix des variables – le plus souvent à l’aide de data visualisations créées spécialement pour le jeu de données : le Data-scientist est l’acteur essentiel pour maîtriser « la machine » et corriger ses propositions.
De l’intérêt d’un traitement intelligent de la donnée
En effet, cela fait des années que nous accumulons des données sur les comportements de nos clients ou les visiteurs de nos sites web (logs de visites et cookie associés), ouvreurs de nos emailings (ouvertures et clics), interactions avec les personnes de notre société (CRM). Jusqu’ici – il faut le dire – sans pouvoir vraiment les exploiter, mais avec la conviction « qu’un jour, on pourrait le faire ». Ce jour est arrivé avec la possibilité de stocker ces données (ne plus perdre la mémoire), les analyser (prendre du recul), les comprendre (faire « parler » ces données), en créer de nouvelles (méta données et modèles) et jusqu’à combler les données manquantes ou prédire les données futures. On parle alors de « Machine learning », voire de « Deep learning », lorsqu’il s’agit de faire « ingurgiter » à nos machines des montagnes de données pour leur permettre de reconnaître par exemple notre langage ou à reconnaître des éléments dans des images. Il s’agit d’entraîner des algorithmes, dont la plupart sont connus depuis les années 50, sur des volumes de données telles qu’à la fin la machine arrive statistiquement à retrouver les liens « cachés » entre ces données et à reproduire un résultat analogue lorsqu’on lui propose des caractéristiques similaires.
Vers le Marketing prédictif
Si nous réussissons à réunir les conditions précédentes – ce qui prend en général plusieurs années –, nous commençons à être en mesure de « faire parler » les données et passer du « Big data » à la « smart data ». Il existe aujourd’hui de nouvelles plateformes de marketing prédictif qui intègrent l’intelligence artificielle dès sa conception. Les meilleures d’entre elles comportent une architecture cloud qui s’appuie notamment sur les ressources de Google tant pour l’archivage des données à large échelle que pour leur traitement massivement parallélisé. Leur processus de collecte des données de référence (tracking, identification, firmographie , bases de contacts) croise et qualifie par l’IA de multiples bases de données. Enfin, ces outils disposent d’algorithmes de scoring qui permettent d’agréger des milliers d’informations et de déterminer l’intention d’achat des clients ainsi que les influenceurs qui sont une partie prenante des décisions au sein de ces entreprises. Concrètement, ces applications donnent un nouveau pouvoir aux marketeurs : celui d’identifier grâce à l’IA les prospects à relancer en priorité. En fonction du niveau de maturité et du degré d’adéquation avec les personas recherchés, un levier d’action peut être automatiquement activé sans aucune intervention humaine, qui enchaîne plusieurs opérations complexes jusqu’ici coûteuses : recherche des contacts clés dans l’organigramme suivant un parcours précis, envoi d’un email personnalisé à chaque influenceur identifié, reciblage publicitaire, déclenchement de tchat ou chatbot lorsqu’une personne clé de l’entreprise revient sur le site, et d’autres.
Projections
On peut facilement projeter que les applications de l’IA en matière de marketing B2B dépasseront bientôt la seule analyse des parcours des visiteurs en ligne et le tri des prospects suivant leur niveau de maturité. À mesure que les chatbots gagneront en « intelligence », il deviendra plus efficace de réaliser un premier tri directement sur le site web à partir d’une conversation 100 % artificielle et rerouter ensuite vers un commercial uniquement si l’engagement du visiteur est confirmé. L’assistant virtuel du commercial lui prendra directement rendez-vous et le préviendra en parallèle. Cela devrait permettre aux commerciaux de se « démultiplier », laissant leurs clones virtuels travailler le pipe, qualifier les prospects et les mettre en relation de la manière la plus appropriée et avec un contexte de plus en plus détaillé.
L’avenir réside également dans la possibilité pour le marketeur B2B de générer de nouvelles interactions avec des prospects jusqu’ici jamais venus sur son site web. Le « lookalike » modeling dont les premières applications sont tout juste disponibles dans une plateforme comme GetQuanty par exemple permet en effet de profiler les entreprises à la recherche d’une offre en particulier, puis de les cibler automatiquement… Avant même qu’elles aient fait le premier pas !