IA et marketing : Hyper-personnalisation.

J'ai commencé à m'intéresser à l'intelligence artificielle en 2016, période à laquelle j'ai été amené à lancer le Huawei Mate 9 sur le marché français. La promesse était audacieuse puisque nous annoncions que le Mate 9 fonctionnerait aussi bien et aussi rapidement après 18 mois d'utilisation qu'à sa mise en route. Cette promesse devait être tenue grâce à un algorithme de machine learning (apprentissage automatique) embarqué pour analyser non seulement le comportement de l'utilisateur, mais aussi le comportement des applications installées: quelles applications nécessitent plus de ressources, à quelle fréquence l'utilisateur utilise une application, etc. L'algorithme d'apprentissage automatique devait ensuite créer un profil de l'utilisateur et des applications installées pour hiérarchiser et optimiser les ressources, ce qui leur permet de fonctionner plus efficacement.

Aujourd'hui l'IA est un " buzz word " sujet à de nombreuses polémiques, accusé de fragiliser (si besoin est) nos repères éthiques. L'un des exemples marquants de ces derniers mois est celui de la voiture autonome qui pose des questions morales relevant du "choix de Sophie": Si un enfant traverse la route sans regarder et déboule devant une voiture autonome, doit-elle éviter l'enfant ou tuer ses occupants en fonçant dans un ravin? C'est le genre de scénario que les internautes ont à résoudre sur le site de la machine morale qui propose de juger les situations éthiques auxquelles seront confrontés les véhicules autonomes.

Des véhicules autonomes aux applications d'analyse prédictive à la reconnaissance des visages, aux chatbots, à la détection de la fraude, les cas d'utilisation de l'IA sont multiples.

Toutes ces applications présentent des points communs et un article de Kathleen Walch, pour Forbes, montre que les cas d'utilisation de l'IA relèvent de l'un ou de plusieurs des sept modèles suivants :

1. Le modèle d'hyper-personnalisation est défini comme l'utilisation de l'apprentissage automatique (machine learning) pour développer un profil de chaque individu, puis de ce profil apprendre et s'adapter au fil du temps à diverses fins.

2. Le modèle de systèmes autonomes désigne des systèmes logiciels et matériels physiques et virtuels capables d'accomplir une tâche, d'atteindre un objectif, d'interagir avec leur environnement et d'atteindre un objectif avec une implication humaine minimale.

3. Le modèle d’analyse prédictive et d'aide à la décision utilise l'apprentissage automatique et d'autres approches cognitives pour comprendre comment des comportements passés ou existants peuvent aider à prédire les résultats futurs, ou aider les humains à prendre des décisions concernant les résultats futurs.

4. Le modèle des interactions conversationnelles et humaines définit des machines et des êtres humains qui interagissent les uns avec les autres, par le biais de formes et de contenus conversationnels, à travers une variété de méthodes comme la voix, le texte et les images.

5. Le modèle des anomalies est particulièrement efficace pour identifier des modèles et détecter des anomalies ou des valeurs aberrantes.

6. Le modèle des systèmes de reconnaissance utilise le deep learning (l'apprentissage en profondeur) pour améliorer considérablement la précision des tâches, telles que la reconnaissance, la classification, l'identification d'images et de sons et d'objets.

7. Le modèle des systèmes à objectifs consiste à donner la capacité d'apprendre par essais et erreurs. C’est utile pour toute situation dans laquelle on souhaite que le système trouve la solution optimale à un problème. La principale méthode d’apprentissage de ce modèle est l’apprentissage par renforcement.

Je me suis employé à illustrer par des exemples marketing. Je reviendrai sur chacun de ces modèles dans des billets à venir.

Dans cet article, je m'intéresse au modèle d'hyper-personnalisation.

La personnalisation revient à prendre en compte des informations comme le nom, l'entreprise, l'historique des achats. L'hyper-personnalisation va compiler des données comportementales "real time" avec un algorithme IA et générer une communication contextuelle pertinente pour l'utilisateur.

Par exemple, une entreprise comme Amazon va pouvoir améliorer son taux de conversion en mettant en place une stratégie de CRM opérée par IA :

• Le e-commerçant X personnalise un e-mail à un utilisateur dont il sait le nom et l’historique d’achat avec en objet

" Chère Sylvie, découvrez nos promotions sur le rayon Yoga "

• Amazon hyper-personnalise son email en envoyant à 13h30 un e-mail avec en objet

" Chère Sylvie, pour vous une vente Flash du tapis de yoga couleur argent de la marque Y "

car le leader du e-commerce sait que Sylvie a consulté samedi sur son site, entre midi et 2, pendant 10mn, le tapis de Yoga couleur argent.

Un autre exemple est celui de Starbucks qui, comme le détaille l'Usine nouvelle dans un article du 8 juillet 2018, a décidé d'offrir à chaque membre du programme de fidélité, la boisson la mieux adaptée à ses goûts et ses attentes. Avec un niveau de personnalisation très élevé. Cette opération est rendue possible par l’utilisation d’un moteur IA - qui permet de renforcer la connaissance des clients. Cela doit permettre de fidéliser mieux encore les clients et, bien sûr, d'augmenter les ventes. Il faut toutefois souligner que cette initiative n'est pas exempte de toute polémique. Certains clients fidèles peuvent se sentir traqués.

Si l'IA offre des perspectives marketing multiples et intéressantes, elle reste l'objet de nombreux débats, souvent passionnants, car loin d’être binaires.

A suivre donc.