06812_Think-Image-

Il est parfois utile de transposer et penser les rapports commerciaux dans leur forme la plus simple. Au quotidien, nous passons notre temps à nous adapter inconsciemment à la ou les personnes en face de nous. Cela nous permet de tenir un discours plus convaincant car plus personnalisé. Imaginez être entièrement méconnu de votre commerçant de proximité lors de votre entrée dans sa boutique. Que le vendeur ne vous reconnaisse pas malgré vos fréquents achats, qu’il ne connaissent pas vos goûts ou votre situation familiale exactes… Peu importe, car il s’agit de barrières entre le consommateur et le commerçant qui sont contournables grâce à la conversation et au contact humain.

Mais sur Internet, la data est le seul moyen de connaître la personne qui consulte votre site. L’utilisation de data utilisateurs s’est dans un premier temps concentrée sur les informations d’ordres transactionnelles. Quels produits étaient le plus achetés, à quelle fréquence d’achat, quel était le panier moyen, etc. Aujourd’hui, ce qui fait la différence, c’est la possibilité de croiser ces données transactionnelles avec des données comportementales toujours plus fines, afin d’augmenter en valeur et en qualité l’expérience client et in fine la préférence de marque.

Au service d’une compréhension plus fine du parcours client

L’heure n’est plus seulement aux statistiques socio-économiques, mais aux data, au machine learning et à la compréhension de l’utilisateur, dont le nom est sur toutes les bouches. L’idée est de comprendre les ruptures et les moments d’engagements, quels éléments pourraient le pousser à l’achat et quels moments amènent la personne à quitter le site de la marque, car c’est 88% de consommateurs qui ne reviendront pas après une mauvaise expérience utilisateur.

Pour éviter cela, la qualité, l’ergonomie mais surtout la personnalisation de l’expérience est clé. Grâce aux data, les marque peuvent développer leur expérience utilisateur sur leur écosystème digital de manière totalement personnalisée. Chacun consulte ainsi un site, une plateforme ou une application adaptée à son comportement. Les réactions des utilisateurs sont anticipées en fonction de son caractère et de ses attentes. Hésitant ? À la recherche d’un article en particulier ou simplement là pour un achat au plus long terme ? Que ressent-il ? Où habite-t-il ? Qui est cet utilisateur potentiellement client ? Comment faire optimiser son temps passé sur l’interface en personnalisant son parcours ? Cette fluidité et cette personnalisation rendent plus agréables et efficaces les différents points de contact entre le client et la marque et créent un lien plus fort avec celle-ci. Un cercle vertueux puisqu’est ainsi généré un grand nombre de données au sein même des écosystèmes propriétaires des marques, prêtes à être agglomérées et exploitées. Mais il existe aussi aujourd’hui des plateformes de « user data exchange » comme BIG de Adthink qui permettent aux annonceurs de vendre leurs data utilisateurs et d’acheter celles d’autres annonceurs. Cette pratique est en plein développement.

Des algorithmes toujours plus efficaces

Le machine learning, c’est en réalité déjà de l’intelligence artificielle. Basée sur des évènements mesurés par des machines, c’est là où le lien entre outils de collecte et outils d’achat prend toute sa force. La data devient ici prédictive. Il s’agit de modèles auto-apprenants, alimentés par les prospects à partir de leurs comportements sur le site. Cela alimente en continu les modèles statistiques et permet donc de déduire des tendances et de définir des règles comportementales qui seront automatiquement optimisées en fonction des nouvelles actions de l’internaute.

Netflix est l’acteur ayant démocratisé cette pratique au sein de la proposition de valeur de son service. Les utilisateurs de ce service de streaming vidéo profitent d’une sélection de film et de séries qui correspond à leurs goûts et à leurs précédents choix de visionnage sur la plateforme. Toujours à la recherche d’optimisation de son algorithme, Netflix avait par ailleurs tenu un concours dont le but était de trouver une façon d’améliorer la précision de ces prédictions. L’équipe gagnante a amélioré la précision de leur algorithme après avoir remarqué des récurrences dans le comportement des utilisateurs, ce qui a permis un système de recommandations plus efficace et une expérience plus agréable.

Quelles applications pour ces technologies ?

Les usages les plus communs du machine learning se font dans le secteur du e-commerce : analyse prédictive d’un panier d’achat, cross-selling et recommandations, estimation du coût des frais de port et du temps de livraison… Nombreuses sont les marques à avoir adopté aujourd’hui ce qui a fait le succès d’Amazon qui se définit comme la marque de l’expérience client. Mais le plus intéressant réside peut-être dans l’analyse prédictive à partir d’une Data Management Platform qui analyse et classifie les données utilisateurs enregistrées sur l’ensemble de l’écosystème digital (cookies de navigateur internet, d’applications, réseaux sociaux…) et crée des profils type afin de lisser la personnalisation de la relation client. Une utilisation omnicanal de l’analyse des datas serait donc la solution à ces publicités ciblées parfois intrusives, se glissant dans l’intimité de nos fils d’actualités à peine la page d’e-commerce consultée. Voilà de quoi offrir une expérience seamless sur tous les devices et toutes les interfaces. Concrètement, cela permet aux marques d’adapter les recommandations et messages à la phase de réflexion et décision du consommateur, selon qu’il soit passivement ou activement intéressé par un produit, ou encore sur le point d’acheter ou client déjà acquis et à fidéliser. Mieux encore, cet outil permet également de l’analyse prédictive, en associant directement un nouvel utilisateur à un profil type existant.

Néanmoins, l’utilisation de données des réseaux sociaux, externes aux données propriétaires d’une DMP, laisse également entrevoir certains travers. On peut s’en rendre compte actuellement avec Instagram, filiale de Facebook et son puissant outil Facebook Connect. Le réseau social opère désormais des suggestions de profils inconnus et hors du cercle de followers avec comme justification « en fonction des j’aime ». Si des suggestions semblent en effet faites selon une analyse des affinités de l’utilisateur, d’autres mettent en avant des profils auxquels l’utilisateur a été connectés sur d’autres applications utilisant l’outil Connect, comme par exemple certaines apps de dating. De quoi réfléchir à deux fois avant d’accepter de donner accès à ses données personnelles…

Enfin, avec la digitalisation des écrans, les technologies de ciblage mobile dans le monde physique et la course au temps réel, de nouvelles utilisations de la data apparaissent. British Airways par exemple avait réalisé une campagne d’affichage digital réagissant en live aux flux des départs d’avions de la compagnie. Pour les passants témoins, ce fut une expérience amusante de réalité augmentée.

Au-delà de la data utilisateur, il est intéressant de voir à quel point les marques s’emparent des données pour les intégrer et enrichir leurs discours et leurs communications, sur le digital mais aussi dans le monde physique et les média traditionnel.

Plus d’infos :

https://goo.gl/cYowrL
https://goo.gl/eYa1tj
https://goo.gl/pswXtn
https://goo.gl/PolaOI
https://goo.gl/ygSAzg
https://goo.gl/RxEp0q