L’analyse prédictive aide les marques de commerce électronique à décider où dépenser avant que les résultats n’arrivent. Les cas d’utilisation les plus pratiques sont la propension à l’achat pour les audiences publicitaires, la prédiction du désabonnement pour les offres de rétention, la valeur vie client pour les budgets d’enchères et d’acquisition, et la prévision de la demande pour les stocks et les promotions. Chacun ne fonctionne que lorsqu’il est lié à une campagne spécifique ou à une décision opérationnelle et vérifié par rapport à un groupe témoin.
De quelles données une boutique en ligne a-t-elle besoin ?
La plupart des boutiques disposent déjà de suffisamment de données pour des modèles de base. La question est de savoir si elles sont propres et connectées. Les commandes provenant de Shopify, WooCommerce ou d’une autre plateforme ; les événements comportementaux provenant de Google Analytics 4 ; l’engagement par e-mail provenant de Klaviyo ou d’un outil similaire ; et les données produit provenant du catalogue sont les sources habituelles.
- Historique des commandes avec ID client, date, articles, valeur, remises et retours.
- Événements Web avec des ID produit cohérents : view_item, add_to_cart, begin_checkout, purchase.
- Engagement par e-mail et SMS : ouvertures, clics, désabonnements.
- Attributs du produit : catégorie, tranche de prix, marge, saisonnalité.
- Statut du consentement, afin que les modèles n’utilisent que les données que vous êtes autorisé à traiter en vertu du RGPD ou de la KVKK.
Deux ans d’historique sont utiles pour les modèles saisonniers, mais un an suffit souvent pour commencer. Les boutiques très récentes peuvent s’appuyer sur les modèles intégrés à la plateforme jusqu’à ce qu’elles disposent de plus de données.
Cas d’utilisation 1 : Comment la propension à l’achat peut-elle améliorer les dépenses publicitaires ?
Les scores de propension à l’achat estiment la probabilité que chaque visiteur ou client achète dans un délai donné. GA4 propose des audiences prédictives, telles que les acheteurs probables à 7 jours, une fois qu’une propriété atteint ses seuils d’éligibilité pour les acheteurs et les utilisateurs récurrents. Les modèles personnalisés dans BigQuery peuvent aller plus loin.
L’utilisation pratique est la création d’audiences. Les utilisateurs à forte propension sont intégrés dans des listes de remarketing avec un message plus fort ; les utilisateurs à faible propension peuvent être exclus des campagnes coûteuses. Par exemple, une boutique de cosmétiques pourrait intégrer les acheteurs probables dans une audience Google Ads pour une campagne de nouveautés et exclure les utilisateurs ayant des scores très bas des publicités de réduction, économisant ainsi du budget.
Cas d’utilisation 2 : Comment utiliser la prédiction du désabonnement ?
Le désabonnement dans le commerce électronique signifie généralement un client qui cesse d’acheter. Un modèle de désabonnement signale les clients dont l’écart d’achat est plus long que prévu compte tenu de leur historique. GA4 fournit une métrique de probabilité de désabonnement pour les applications et les sites éligibles ; de nombreuses plateformes d’e-mail, dont Klaviyo, affichent les dates de prochaine commande prévues et le risque de désabonnement.
- Envoyez un flux de reconquête aux clients dont la date de prochaine commande prévue est passée.
- Offrez une réduction uniquement aux clients à forte valeur ajoutée présentant un risque élevé, pas à tout le monde.
- Demandez des commentaires aux clients à risque pour savoir pourquoi ils partent.
- Excluez les clients à risque des campagnes d’acquisition, car ils sont déjà connus.
Gardez un groupe témoin. Une partie des clients à risque ne devrait recevoir aucun traitement spécial, afin que vous puissiez voir si le flux de reconquête ramène réellement les gens.
Cas d’utilisation 3 : Comment la valeur vie change-t-elle l’acquisition ?
La valeur vie client prévue (pLTV) estime combien un client dépensera sur une période, comme 12 mois. Elle change la question de l’acquisition de ‘combien coûte une première commande ?’ à ‘quelle est la valeur de ce client ?’.
Les boutiques utilisent la pLTV de trois manières. Premièrement, comme valeurs de conversion envoyées à Google Ads ou Meta, afin que les enchères favorisent les clients susceptibles de revenir. Deuxièmement, pour définir le CPA cible par canal. Troisièmement, pour créer des audiences similaires ou sources à partir des clients à forte valeur ajoutée. Un magasin de meubles, par exemple, peut constater que les acheteurs d’une certaine gamme de canapés ont une valeur de répétition élevée grâce aux accessoires, ce qui justifie un coût d’acquisition plus élevé pour cette gamme.
Cas d’utilisation 4 : La prévision de la demande peut-elle guider le marketing ?
La prévision de la demande prédit les ventes unitaires par produit et par période. Elle est généralement gérée par les opérations, mais le marketing en bénéficie directement. Promouvoir un produit qui sera en rupture de stock la semaine prochaine gaspille du budget ; retenir un produit avec un excédent de stock gaspille de la marge.
- Partagez les prévisions chaque semaine avec l’équipe média payant.
- Réduisez les enchères ou mettez en pause les publicités pour les produits dont la pénurie est prévue.
- Planifiez les promotions en fonction des prévisions d’excédent de stock.
- Alignez les calendriers d’e-mailing avec les arrivées de stock prévues.
Cas d’utilisation 5 : Meilleur produit et offre suivante
Les modèles peuvent également prédire à quel produit ou offre un client est le plus susceptible de répondre ensuite. Cela alimente les recommandations sur le site et par e-mail. Des règles simples, telles que ‘les clients qui ont acheté une machine à café achètent des filtres dans les 30 jours’, fonctionnent souvent presque aussi bien que des modèles complexes et sont plus faciles à expliquer. Commencez simplement et augmentez la complexité uniquement lorsque la version simple cesse de s’améliorer.
Quels sont les pièges courants ?
L’erreur la plus courante est de créer un score que personne n’utilise. Un modèle de propension avec une bonne précision mais sans audience connectée ne produit aucune valeur. La deuxième est de mesurer le succès sans groupe témoin. La troisième est d’ignorer la marge : un modèle qui génère plus de commandes d’articles à faible marge peut réduire les bénéfices.
La dérive des données est également importante. Un changement de prix, une nouvelle gamme de produits ou une mise à jour du suivi peuvent rendre un ancien modèle incorrect. Examinez la précision du modèle chaque mois.
Comment Alien Road applique l’analyse prédictive pour le commerce électronique
Dans un engagement typique, nous commençons par un audit des données sur la plateforme de la boutique, GA4, l’outil d’e-mailing et les comptes publicitaires, en vérifiant les ID, le consentement et la qualité des événements. Ensuite, nous classons les cas d’utilisation par valeur attendue et effort, en commençant généralement par un : reconquête basée sur le désabonnement ou enchères basées sur la pLTV.
La configuration connecte le score à une action, telle qu’une synchronisation d’audience avec Google Ads ou un segment Klaviyo, avec un groupe témoin défini dès le départ. Nous documentons les entrées du modèle et le calendrier de rafraîchissement afin que l’équipe du client puisse suivre son fonctionnement.
Les rapports mensuels montrent les revenus supplémentaires par rapport au groupe témoin, la précision du modèle et tout problème de données trouvé. Les cas d’utilisation qui ne dépassent pas la ligne de base simple après un test équitable sont arrêtés.
Par où commencer cette semaine
Vérifiez si votre propriété GA4 affiche des métriques prédictives sous les modèles d’audience. Si c’est le cas, créez une audience d’acheteurs probables à 7 jours et liez-la à Google Ads. Si ce n’est pas le cas, votre boutique n’atteint peut-être pas encore les seuils, et les dates de commande prévues d’une plateforme d’e-mailing sont un bon point de départ alternatif.
Choisissez une action pour un score, définissez un groupe témoin de 10 % et exécutez-le pendant un mois. Le résultat vous dira si vous devez investir dans des modèles plus approfondis. Partagez le résultat avec les finances et les opérations ainsi qu’avec le marketing, car les mêmes scores les aident souvent à planifier.
Continuer la lecture : Optimisation par IA · Optimisation par IA