Hors-Série IA 2020

L'intelligence artificielle, la meilleure amie du marketing ?

IA et marketing

Les services marketing des entreprises exploitent depuis toujours des données hétérogènes pour comprendre leurs environnements et marchés. Auparavant connue sous le nom de data mining, la data science est aujourd’hui une discipline bien ancrée chez les professionnels du marketing. Elle a connu un envol depuis les dix dernières années grâce à la démocratisation du phénomène big data et l’évolution des outils informatiques. Puis elle a été englobée par un ensemble de techniques encore plus vaste : l’intelligence artificielle (IA). Mais que l’on ne s’y méprenne pas, l’IA existe depuis les années 1950 ! Pourquoi l’IA est-elle brutalement revenue sur le devant de la scène ? Quelles sont - d’un point de vue marketing - ses applications concrètes et ses limites ?

Une définition de l’intelligence artificielle

Il convient d’abord de rappeler que l’intelligence artificielle est un ensemble de théories et de techniques visant à doter les machines de capacités d’apprentissage et de raisonnement analogues - en certains points - à celles des humains. Il faut résister à la tentation de comparer intelligences humaine et artificielle. Ce n’est pas parce que ces deux concepts partagent le terme “intelligence” qu’ils sont intrinsèquement liés. Il faut plutôt voir l’IA comme des techniques d’analyse inspirées ou adaptées du raisonnement humain.

Bien qu’il soit difficile d’en déterminer les contours exacts, on peut dire que l’IA est une discipline regroupant :

La data science, elle-même incluant :

- Le Big Data et l’IoT (Internet des Objet) : infrastructures distribuées, cloud/edge computing, HPC (calcul à haute performance) ;
- Les statistiques et probabilités : lois, échantillons, intervalles de confiance, représentativité ;
- Le machine/deep learning (apprentissage automatique/profond) : algorithmes descriptifs (non-supervisés), prédictifs (supervisés), par renforcement ;
- Le NLP (traitement du langage naturel) : analyse sémantique, réseaux de connaissances, assistants personnels ;

La RPA (robotisation au sens informatique du terme) :
automatisation des tâches informatiques, règles métiers inférentielles, procédures.

Les sciences cognitives : études des comportements, fonctionnement des neurones biologiques et de la perception sensorielle.

Les sciences sociales : études économique et socio-culturelles, réglementations, éthique.

C’est autour de 2012 que l’intelligence artificielle a brutalement réapparu, notamment grâce aux promesses portées par le deep learning (algorithmes basés sur les réseaux de neurones à couches profondes) dans le domaine de la vision et du langage. Les premiers réseaux de neurones existaient déjà depuis les années 60 - sur le plan théorique - mais les réseaux les plus complexes ont enfin pu être mis en pratique grâce à la commercialisation d’équipements informatiques de pointes tels que les cartes graphiques et les clusters de serveurs. Néanmoins, il est réducteur d’assimiler l’IA au deep learning. D’ailleurs, au marketing, la majorité des techniques d’IA sont supportées par le machine learning traditionnel (qui a fait ses preuves depuis plus de trente ans).

Exemples de techniques de machine learning dans le marketing

Le machine learning comporte deux grands types d’approches. Il y a d’abord les techniques descriptives basées notamment sur le machine learning dit “non-supervisé” et servant à explorer, comprendre ou résumer les amas complexes de données. On peut citer :

- Les statistiques descriptives telles que la moyenne, l’écart-type ou les quartiles ;
- Les analyses dites “factorielles” visant à cartographier le plus clairement possible les clients et à réduire le nombre de variables nécessaires à leur description en éliminant les variables redondantes, corrélées ou non-discriminantes (ex : similarité des réponses à un questionnaire d’enquête, étude préliminaire de segmentation de clients) ;
- Les moteurs de recommandation (recherche d’associations) permettant de déterminer les offres sur lesquelles tel ou tel client pourrait avoir une réelle appétence, compte tenu de son historique d’achat et de celui des clients similaires (ex : vidéos/musiques suggérées sur les plateformes Netflix et Spotify, achats croisés sur les marketplaces telles que Amazon, Cdiscount, etc.) ;
- Le clustering (classification automatique) cherchant à regrouper les clients en segments homogènes - selon un grand nombre de critères - pour faciliter la mise en œuvre d’un marketing différencié.

Ensuite, on trouve les techniques prédictives (ou “extrapolatives”) basées majoritairement sur le machine learning dit “supervisé” et servant à trouver la relation de cause à effet existant entre des variables en entrée (prédicteurs) et une réponse attendue en sortie (variable-cible). Les techniques typiques sont :

- Les statistiques inférentielles pour déterminer les lois (relations) qui existent entre des grandeurs et des groupes de clients (ex : test A/B, impact du genre ou de la catégorie socioprofessionnelle sur le comportement d’achat d’un produit, etc.) ;
- Les analyses de survie pour évaluer la décroissance d’une certaine métrique (par exemple, la durée de vie contractuelle d’un client ou d’une entreprise) ;
- Les régressions et séries temporelles pour prédire une grandeur numérique continue telle que les ventes, la température, le trafic web, etc. ;
- Les classifications pour affecter des clients à des catégories (ex : profils à risque, potentiels churners, clients appétents à une nouvelle offre, etc.).

Comme on a pu le voir, le machine learning non-supervisé sera surtout utilisé pour réaliser des analyses d’enquêtes, de comportements et de segmentation, tandis que le machine learning supervisé sera davantage dédié à la mise en oeuvre de ciblage et scoring. Il existe une troisième approche non évoquée - le machine learning par renforcement - mais celle-ci n’a pas de cas d’usage évident en marketing. Il concerne plutôt les véhicules autonomes, la science des matériaux, les jeux, etc.

Avantages et limites

Il va de soi que le machine learning a permis la manipulation d’un nombre colossal de données diversifiées et jusqu’alors inexploitées (notamment le texte écrit/oral et les images). Celui-ci a permis d’accélérer considérablement les processus marketing en automatisant un certain nombre de tâches (saisie de données, reporting, routage d’emails, etc.) et d’affiner la précision des actions marketing, augmentant par là même le ROI des opérations. Plus encore, les algorithmes de deep learning et les techniques de NLP sont au cœur du développement de nouvelles offres comme les chatbots et autres assistants virtuels qui débarquent dans nos téléphones et nos maisons.

Cependant, il n’y a aucune magie là-dedans. Si l’entreprise ne dispose pas de données qualifiées, les algorithmes ne seront d’aucune utilité. On est donc amené à s’interroger sur la gouvernance des données et les réglementations en vigueur autour de l’utilisation des données personnelles. Par ailleurs, il faut savoir que plus un algorithme est performant, plus il est difficile à interpréter (c’est ce qu’on appelle une “boîte noire”). Le marketing est donc davantage enclin à utiliser des algorithmes plus traditionnels, moins précis, mais dont les paramètres sont plus facilement mesurables et exploitables d’un point de vue métier. C’est pourquoi le profil de statisticien était aussi prépondérant dans la fonction marketing.

La mise en œuvre des projets d’IA

Autant la réalisation d’études ad hoc basées sur le machine learning est bien ancrée au marketing, autant la complexité actuelle est d’industrialiser les initiatives pour assurer une reproductibilité des études dans un contexte d’évolution rapide des données. C’est également la condition pour le déploiement d’applications intelligentes à usage intensif de données. Or, ce passage à l’échelle fait intervenir de nombreuses équipes (DSI, Data, marketing, juridique, etc.) et de nombreuses technologies, pouvant générer des frictions et un désalignement. L’instauration de processus agiles, automatisés et sécurisés passe par l’implémentation de solutions de “DataOps” conçues pour satisfaire toutes les parties prenantes d’un projet data de grande ampleur. Celles-ci permettent d’orchestrer et superviser des technologies analytiques hétérogènes (souvent open source) dans des environnements hybrides (clouds publics et privés). Dès lors, il est plus facile de partager les ressources, de tracer l’activité des utilisateurs et l’exécution des algorithmes.

En synthèse, l’intelligence artificielle a été et restera un réel atout pour le marketing. Celle-ci a émergé au travers des data miners de ces trente dernières années et s’est envolée avec l’arrivée des équipements informatiques récents et du développement du deep learning pour le traitement des images et du langage naturel. La data science et le machine learning en particulier peuvent être vus comme le cœur de l’IA. Ce sont eux qui, au travers d’algorithmes, permettent d’enrichir (avec des données structurées ou non) et d’accélérer la mise en œuvre d’analyses de comportements, de segmentation, de ciblage et autres scoring (appétence, churn, défaillance, etc.). Par ailleurs, en interne des entreprises, l’IA a permis l’automatisation d’un certain nombre de processus métiers pour gagner en productivité et réduire la proportion de tâches ingrates. Néanmoins, l’IA ne remplacera jamais l’humain dans toutes son adaptabilité, en particulier dans des métiers tels que la relation client où les émotions et l’irrationnel sont prépondérants. En effet, même si l’on observe des progrès tangibles et motivants chaque année, il faut bien garder à l’esprit que l’IA ne sera jamais véritablement comparable à l’intelligence humaine, au même titre qu’un avion ne sera jamais un oiseau, quand bien même les deux ont des ailes.

Contenu du dossier