La segmentation traditionnelle commence par une hypothèse : femmes de vingt-cinq à quarante ans, propriétaires de petites entreprises, personnes ayant abandonné un panier. Ce sont des étiquettes utiles, mais ce sont aussi des suppositions, généralement héritées d’un document de persona écrit par des personnes qui n’ont jamais vu les données. La segmentation d’audience par AI inverse le processus. Vous donnez à un modèle le comportement que vous avez enregistré et il renvoie les groupes qui existent réellement, qui ne correspondent souvent à aucune ligne démographique que vous auriez tracée.
Les résultats sont souvent inconfortables. Un compte de vente au détail avec lequel nous avons travaillé avait trois personas dans sa présentation de marque et six clusters comportementaux clairs dans ses données d’achat, le plus grand cluster ne correspondant à aucun des personas. Un autre a découvert que son groupe le plus précieux n’était pas défini par qui ils étaient, mais par quand ils achetaient : une étroite fenêtre de matinée en semaine qui recoupait toutes les données démographiques. Aucune de ces informations n’était disponible pour un humain lisant un tableau de bord, car il s’agissait dans les deux cas d’interactions entre variables plutôt que de propriétés d’une seule.
La segmentation d’audience par AI fonctionne sur le comportement, pas sur les attributs
Les entrées qui produisent des clusters utiles sont presque toujours comportementales : récence, fréquence, valeur monétaire, mix de catégories, temps jusqu’au premier achat, sensibilité aux remises, canal de premier contact, profondeur de session avant conversion. Les champs démographiques peuvent être inclus, mais ils ont tendance à dominer le clustering pour des raisons inintéressantes et à évincer le signal que vous vouliez. Commencez par le comportement, ajoutez des attributs plus tard uniquement s’ils améliorent la séparation.
En pratique, cela signifie que le travail se fait dans votre propre entrepôt de données ou exportation CRM, pas sur la plateforme publicitaire. La plateforme sait ce qui s’est passé sur sa propre surface. Vos propres enregistrements savent ce qui s’est passé ensuite, ce qui est la partie qui détermine la valeur. Toute segmentation construite uniquement à partir des signaux de la plateforme publicitaire sera biaisée vers le canal qui a produit le clic.
Choisir le nombre de groupes
Les algorithmes de clustering vous donneront volontiers trois groupes ou trente. Le bon nombre est une question opérationnelle, pas statistique. Si vous ne pouvez pas écrire une publicité différente, une offre différente ou une page de destination différente pour un segment, ce segment n’a pas besoin d’exister. En pratique, quatre à sept clusters utilisables est la plage sur laquelle la plupart des comptes de taille moyenne atterrissent. Au-delà, les groupes se confondent et l’équipe créative manque de choses vraiment différentes à dire.
Validez avant de construire quoi que ce soit. Un cluster est réel s’il est stable lorsque vous le réexécutez sur une fenêtre de temps différente, s’il est assez grand pour être atteint dans une campagne, et s’il diffère sur un résultat qui vous importe plutôt que seulement sur les entrées utilisées pour le former. Les clusters qui échouent au test de stabilité sont généralement des artefacts d’une promotion ou d’un pic saisonnier.
Transformer les clusters en quelque chose que vous pouvez cibler
Un cluster est une liste de clients. Les plateformes publicitaires veulent soit que cette liste soit téléchargée en tant qu’audience correspondante, soit une règle la décrivant. Les deux chemins fonctionnent et ont des modes d’échec différents.
- Les listes téléchargées donnent une appartenance exacte mais se dégradent : les gens se déplacent entre les clusters, et une liste mise à jour trimestriellement est fausse à la fin du trimestre.
- Les approximations basées sur des règles restent à jour mais perdent en précision, car une plateforme ne peut voir que les variables qu’elle détient.
- L’expansion d’audience similaire à partir d’un cluster fonctionne bien lorsque le cluster est comportementalement distinct et mal lorsqu’il s’agit principalement d’un artefact de taille.
- Les mises à jour d’audience côté serveur gardent les listes fraîches sans exportation manuelle, et valent le temps d’ingénierie une fois que vous avez plus de trois segments.
- La suppression est souvent plus précieuse que le ciblage : exclure un cluster à faible valeur améliore souvent l’efficacité plus que de poursuivre un cluster à haute valeur.
Ce dernier point est sous-utilisé. La plupart des comptes ont un cluster qui convertit facilement, revient fréquemment et coûte plus cher en service qu’il n’apporte. Le trouver grâce à la segmentation d’audience par AI, puis l’exclure de la prospection est un changement d’une ligne avec un effet mesurable sur la marge mixte.
Donnez à chaque segment un message différent
La segmentation sans création différenciée est un moyen coûteux de mener la même campagne deux fois. Une fois les clusters validés, la tâche suivante consiste à décrire chacun en langage clair : ce qu’ils achètent, quand, à quoi ils réagissent, ce qu’ils ne font jamais. Cette description est le brief créatif. Si toutes les descriptions se lisent de la même manière, vos clusters n’étaient pas significatifs et vous devriez faire un pas en arrière.
Nous écrivons généralement un profil d’un paragraphe par segment et le testons en interne : donnez-le à quelqu’un qui n’a pas vu les données et demandez-lui s’il pourrait choisir ce client dans une pièce. S’ils ne le peuvent pas, le segment n’est pas encore exploitable.
Réexécutez-le, selon un calendrier
Les bases de clients dérivent. Une segmentation construite en janvier décrit une entreprise qui n’existe plus en octobre, en particulier après un changement de prix, une nouvelle gamme de produits ou un changement de canal significatif. Réexécutez le clustering trimestriellement et comparez : les clusters stables confirment le modèle, et les clusters qui se divisent ou fusionnent vous disent que quelque chose a changé dans l’entreprise, souvent avant que les rapports de revenus ne le fassent.
La valeur stratégique de la segmentation d’audience par AI n’est pas de meilleurs paramètres de ciblage. C’est une image plus précise de qui sont réellement vos clients, construite à partir de ce qu’ils ont fait plutôt que de ce qu’un atelier a décidé qu’ils étaient. Le ciblage n’est que la première chose que vous faites avec cette image.
Continuez à lire : Optimisation publicitaire par AI
Service associé: Optimisation publicitaire par IA