E-commerce : sans la donnée, l’algorithme prédictif n’est rien

Les algorithmes prédictifs ont besoin d'être alimentés en données pour faire des calculs fins et proposer les meilleures recommandations aux consommateurs qui surfent sur des sites d'e-commerce.

Favorisé par notre environnement du tout numérique où tout est affaire de données, l’algorithme gagne en importance dans les secteurs d’activités privés et publics. En matière d'e-commerce, la collecte de données combinée à différents outils de business intelligence permet de mettre en place des analyses prédictives très fines. En effet, nous nous trouvons aujourd’hui dans une configuration idéale qui est en train de modifier en profondeur les business modèles et les habitudes de consommation. Les systèmes d’informations permettent de déployer de puissants modèles mathématiques et algorithmiques alimentés par des données très riches afin de proposer une expérience des plus fluides et attirantes pour les consommateurs. Pourtant, l’algorithme est parfois perçu à tort comme un outil magique universel. Or, il n’en est rien. Sans la donnée, il ne peut livrer de résultat pertinent. Bien que très puissant, il sert à modéliser une certaine réalité sur un modèle statistique limité, il établit donc des probabilités et non une certitude. 

Des sites personnalisés dès la première visite

Exposé à une offre pléthorique, le consommateur - par essence versatile et exigeant - se montre très sélectif et attentif à tous les détails de son expérience d’achat. Il faut immédiatement capter son attention et répondre le mieux à ce qu’il recherche. Dans cette perspective, les techniques actuelles de marketing prédictif permettent de dégager de grands profils types afin de faire des recommandations de produits personnalisées et déployer une expérience unique.

Modéliser la réalité

Dès qu’il arrive sur la page d’accueil, il faut lui montrer du contenu susceptible de lui plaire afin de l’inciter à consulter les pages suivantes du site. En l’absence de l’historique du client, le site peut s’appuyer sur des algorithmes permettant de mettre en avant les produits les plus tendance du moment pour stimuler le visiteur et susciter les premières interactions qui permettront de déterminer un profil type. 

Quelques clics plus tard, les algorithmes de recommandations et de machine learning ont déjà lancé leurs calculs pour créer des modèles de base (patterns) et les recouper. Ces derniers peuvent s’appuyer sur les meilleures ventes (compte des articles les plus vendus), les fiches produits (en associant les mêmes propriétés d’un article à un profil de consommateur), les parcours utilisateurs... Les algorithmes doivent détecter au plus vite les modèles. Ensuite, ils fournissent un score d’intérêt pour calculer la probabilité que la personne aime un produit. Pour qu’une recommandation fasse mouche, il faut prendre en compte un grand nombre de facteurs pour prédire la probabilité́ d’un type d’intérêt du client et pour optimiser le tri (ranking).

Créer un parcours client sur mesure à partir des modèles prédictifs

L’analyse du parcours client est très intéressante car elle peut révéler beaucoup d’informations permettant de reconstituer une vision globale du consommateur qui aura pourtant utilisé différents canaux et interagi sur plusieurs réseaux sociaux. L’analyse du parcours client peut préciser la fréquence des visites, la date de la dernière transaction, le temps moyen passé sur le site y compris lorsqu’il y a eu un achat. Ces données peuvent être analysées et articulées de différentes manières pour déterminer l’engagement du client vis-à-vis de la marque. L’analyse sert également à définir le parcours le mieux adapté en s’appuyant sur les notions de temporalité. Si une marque vend à l’international, l’algorithme est paramétré en fonction des spécificités culturelles propres à chaque pays.

Sans la donnée l’algorithme n’est rien

L’algorithme en tant que procédé logique doit reposer sur des données exactes et pertinentes. Dans ce contexte, du déploiement d’une véritable culture de la donnée dépend la performance de l’algorithme. Les traces numériques laissées quotidiennement par un internaute sont aussi variées que volumineuses.  Pour une plateforme s’appuyant sur des algorithmes, la première étape consiste à collecter tout type de données afin de pourvoir établir des corrélations entre profils similaires. Partir d’un historique client très détaillé, permet d’affiner les prédictions. La probabilité qu’un consommateur se tourne vers le même type de produit est grande. Proposer une recommandation personnalisée repose donc sur l’agrégation et le traitement des nombreuses données connexes qui ont été laissées par l’internaute. 

La gageure pour un site d'e-commerce consiste à collecter les flux de données (CRM, historique de navigation, centres d’intérêt…) par l’intermédiaire d’une "data management platform" puis à démarrer le traitement. La plupart des données non structurées sont "bruitées" et les flux sont souvent erronés. Il faut alors corriger les flux en fonction des signaux indicateurs d’erreurs qui sont nombreux mais néanmoins faibles. La donnée doit en quelque sorte être nettoyée des éléments parasites - par exemple, si plusieurs personnes différentes utilisent un même ordinateur familial, les données pourront être contradictoires car elles seront rattachées à plusieurs profils, il peut également s’agir d’un robot qui parcourt le site d'e-commerce...

Une analyse prédictive bien structurée permet de suivre même un client qui n’est pas identifié sur le site du e-commerçant, afin de lui proposer un parcours omnicanal sur mesure. Cette connaissance très approfondie des clients confère un avantage stratégique qui permet non seulement d’augmenter les ventes mais aussi de créer une expérience novatrice. La modélisation des profils et des comportements est mesurée et testée en temps réels permettant d’ajuster les recommandations au plus juste. Grâce à la puissance de calcul des algorithmes nous expérimentons le marketing ultra personnalisé en temps réel.

Réseaux sociaux / Business intelligence