La plupart des travaux d’analyse prédictive en marketing produisent des chiffres que personne n’utilise. Un score d’attrition (churn) apparaît dans le CRM, un modèle de propension tourne chaque nuit, un tableau de bord affiche une bande de prévision pour le trimestre prochain, et l’équipe continue de prendre les mêmes décisions qu’auparavant. Avant de construire quoi que ce soit, la question qui mérite d’être débattue est la suivante : quelle décision change si la prévision est élevée ou faible, et qui a l’autorité pour effectuer ce changement ? Si vous ne pouvez pas répondre aux deux parties, le projet est un exercice de reporting déguisé en science des données.
La bonne nouvelle est que la prédiction utile en marketing est rarement sophistiquée. Les modèles qui gagnent leur place dans nos comptes ne sont pas glamour : une estimation de la valeur vie client suffisamment précise pour fixer un plafond d’enchères d’acquisition, une probabilité d’attrition suffisamment précise pour classer une liste de rétention. Aucun de ceux-ci n’a besoin d’être précis. Ils doivent être directionnellement corrects et disponibles avant la date limite de décision, ce qui est une barre beaucoup plus basse que ce que la plupart des équipes supposent et beaucoup plus difficile à atteindre sur le plan opérationnel.
Quatre prévisions qui changent ce que vous faites
Commencez par la valeur client prévue lors de l’acquisition, car cela corrige l’erreur la plus courante dans les médias payants : enchérir le même montant pour chaque conversion. Lorsque les signaux précoces distinguent un client susceptible d’acheter trois fois d’un client susceptible d’acheter une fois, vous pouvez vous permettre de payer plus pour le premier et devriez refuser de payer beaucoup pour le second. Ce seul changement améliore généralement l’efficacité globale plus que tout travail d’audience ou de création effectué parallèlement.
- Valeur vie prévue lors de l’inscription, utilisée pour fixer les plafonds d’enchères et la profondeur du parcours d’accueil.
- Probabilité d’attrition ou de désabonnement, utilisée pour classer une liste de rétention limitée plutôt que d’envoyer des courriers à tout le monde.
- Meilleure catégorie suivante, utilisée pour décider laquelle des trois e-mails envoyer, et non pour rédiger le texte.
- Demande par SKU et région, utilisée pour suspendre les dépenses sur les lignes qui seront en rupture de stock cette semaine.
- Réponse attendue à une remise, utilisée pour retenir les offres des clients qui auraient acheté de toute façon.
Le dernier mérite plus d’attention qu’il n’en reçoit. Les modèles de propension ordinaires identifient qui est susceptible d’acheter, ce qui conduit les équipes à envoyer des remises exactement aux personnes qui n’avaient besoin d’aucune remise. Ce que vous voulez vraiment, c’est l’uplift : la différence que fait un traitement. Cela nécessite des groupes témoins et un peu plus de soin, et c’est la différence entre une promotion qui augmente la marge et une qui la donne silencieusement.
De quelles données avez-vous réellement besoin
Moins que ce que suggèrent les fournisseurs et plus propres que ce que vous avez. Pour la plupart des entreprises de consommation, l’historique des transactions avec les dates et les valeurs, la source d’acquisition de base et une poignée d’événements d’engagement vous donneront la majeure partie de la précision réalisable. Là où les équipes perdent, c’est sur l’intégrité : dossiers clients en double, retours non reflétés dans les revenus, commandes de test laissées dans l’ensemble d’entraînement et un changement de suivi il y a six mois qui a silencieusement altéré la signification d’un événement.
Consacrez les deux premières semaines de tout projet d’analyse prédictive marketing à cet audit plutôt qu’à la sélection du modèle. Nous avons mis de côté plus de projets pour des données de revenus peu fiables que pour un volume insuffisant. Une règle empirique : si vous ne pouvez pas reproduire les revenus déclarés du dernier trimestre à partir de la table brute avec une petite marge, vous n’êtes pas prêt à prévoir quoi que ce soit à partir de celle-ci.
La précision est la mauvaise métrique de titre
Un modèle d’attrition précis à quatre-vingt-dix pour cent semble excellent et peut être inutile, car si seulement cinq pour cent des clients partent, prédire que personne ne part obtient un score de quatre-vingt-quinze. Ce qui compte, c’est de savoir si la tranche supérieure de la liste classée contient significativement plus de clients qui partent qu’une tranche aléatoire, et si cette augmentation est suffisamment importante pour justifier le coût de l’intervention.
La calibration est tout aussi importante. Si le modèle dit trente pour cent, environ trente pour cent de ces clients devraient partir. Les scores non calibrés sont bons pour le classement et dangereux pour la budgétisation, et les équipes multiplient systématiquement un score brut par la valeur moyenne de la commande pour produire un chiffre de revenus à risque qui n’a aucune base. Vérifiez la calibration avant qu’un chiffre ne quitte l’équipe d’analyse.
Construisez la boucle avant le modèle
Décidez à l’avance comment la prévision atteint le point d’action. Un score dans une table d’entrepôt que quelqu’un exporte vers une feuille de calcul chaque lundi sera utilisé pendant trois semaines puis oublié. Un score réécrit dans le champ CRM que l’équipe de vente regarde déjà, ou poussé dans la plateforme publicitaire comme un signal de valeur, est utilisé indéfiniment car il ne coûte rien à personne de l’utiliser.
Planifiez la dégradation dès le premier jour. Les modèles dérivent lorsque l’entreprise change : un nouveau niveau de prix, un mélange de canaux d’acquisition différent, une contrainte d’approvisionnement. Mettez en place une routine de surveillance qui compare les résultats prévus aux résultats réalisés mensuellement et déclenche une reconstruction lorsque l’écart dépasse un seuil que vous avez convenu alors que tout le monde était encore calme. Sans cela, les modèles se dégradent de manière invisible et la confiance de l’équipe dans toutes les prévisions se dégrade avec eux.
Garder des attentes honnêtes
Les prévisions sont des plages, et les présenter comme des chiffres uniques invite au mauvais type de responsabilité. Donnez la plage, énoncez les hypothèses et dites clairement ce que le modèle ne peut pas voir : promotions des concurrents, chocs macro, changement de politique de canal. Traitée de cette manière, l’analyse prédictive en marketing devient une partie normale de la planification plutôt qu’une déception périodique, et les arguments passent de la question de savoir s’il faut croire le chiffre à celle de savoir quoi faire à ce sujet, ce qui est là où ils appartiennent.
Continuer la lecture : Optimisation par IA
Service associé: Optimisation par IA