L’analyse prédictive échoue en marketing pour une courte liste de raisons répétables : le modèle est entraîné sur des données qui révèlent la réponse, il prédit quelque chose sur lequel personne ne peut agir, ou personne ne mesure si l’action basée sur la prédiction a changé quoi que ce soit. Les agences évitent ces erreurs en définissant d’abord la décision, en testant sur des périodes réservées et en effectuant des tests de gain contrôlés avant de passer à l’échelle.
La technique elle-même est ancienne. La régression, les arbres boostés par gradient et les modèles de survie sont utilisés depuis des décennies pour le désabonnement et la valeur à vie. Ce qui a changé, c’est l’accès : GA4 fournit des mesures de probabilité d’achat et de désabonnement, Google Ads et Meta utilisent la valeur de conversion prévue pour les enchères, et des outils comme BigQuery ML permettent à un analyste d’entraîner un modèle avec SQL. Un accès plus facile signifie que les mêmes erreurs se produisent maintenant plus rapidement.
Que fait réellement l’analyse prédictive en marketing ?
Un modèle prédictif estime la probabilité ou la taille d’un résultat futur pour chaque client, prospect ou session. Les objectifs typiques sont l’achat dans les sept prochains jours, le désabonnement dans les 30 prochains jours, le revenu attendu sur 12 mois ou la chance qu’un prospect devienne une opportunité.
Le résultat est un score. En soi, il ne fait rien. La valeur n’apparaît que lorsque le score change une décision : qui reçoit une remise, quelle audience reçoit plus de budget, quel prospect un vendeur appelle en premier. Cet écart entre le score et la décision est l’endroit où la plupart des projets meurent tranquillement.
Erreur 1 : Prédire quelque chose sur lequel personne n’agira
Une équipe construit un modèle de désabonnement avec une bonne précision, présente un graphique, et rien ne se passe car aucune offre de rétention, aucun budget ou aucun propriétaire n’existe. Le modèle était un projet de recherche, pas un outil marketing.
La solution est d’écrire l’action avant que tout travail sur les données ne commence. Par exemple : les clients avec un score de désabonnement supérieur à un seuil reçoivent une séquence d’e-mails de reconquête et un bon de 10 pour cent, géré par le responsable CRM, révisé mensuellement. Si vous ne pouvez pas écrire cette phrase, le modèle n’est pas prêt à être construit.
Erreur 2 : Données d’entraînement qui révèlent la réponse
La fuite est l’erreur technique la plus coûteuse car elle produit des modèles qui semblent excellents lors des tests et échouent en production. Cela se produit lorsqu’une caractéristique contient des informations qui n’existeraient pas au moment de la prédiction.
Un cas classique : prédire si un prospect se convertit en utilisant un champ comme “nombre d’appels commerciaux”. Les prospects qui se convertissent reçoivent plus d’appels parce qu’ils se convertissent. Le modèle apprend la conséquence, pas la cause.
Comment vérifier s’il y a une fuite
- Pour chaque caractéristique, demandez : cette valeur serait-elle connue au moment exact où la prédiction est faite ?
- Divisez les données d’entraînement et de test par temps, pas au hasard. Entraînez de janvier à juin, testez de juillet à septembre.
- Soyez méfiant vis-à-vis de tout modèle avec une précision quasi parfaite sur un problème commercial complexe.
- Reconstruisez la table des caractéristiques comme un instantané à un moment donné plutôt que de lire les valeurs CRM actuelles.
Erreur 3 : Optimiser la précision au lieu de la valeur commerciale
La précision est une mesure médiocre lorsque les résultats sont rares. Si 3 pour cent des utilisateurs achètent, un modèle qui prédit “pas d’achat” pour tout le monde est précis à 97 pour cent et inutile.
De meilleures mesures dépendent de la décision. Pour classer les prospects, regardez la précision dans le décile supérieur : sur les 10 pour cent de prospects ayant obtenu le score le plus élevé, combien se sont convertis ? Pour l’allocation budgétaire, regardez le calibrage : quand le modèle dit 20 pour cent, est-ce qu’environ 20 pour cent de ce groupe se convertit ? Le calibrage est important car les enchères basées sur la valeur et les prévisions de LTV multiplient les probabilités par de l’argent.
Pourquoi les modèles prédictifs cessent-ils de fonctionner après le lancement ?
Les modèles décrivent le passé. Lorsque les prix, le mix produit, les sources de trafic ou l’économie changent, la relation que le modèle a apprise dérive. Un modèle entraîné avant un calendrier de promotion majeur ou un nouveau canal d’acquisition peut se dégrader en quelques semaines.
La dérive est normale et doit être planifiée. Une routine de surveillance simple détecte la plupart des problèmes :
- Suivez le score prévu moyen par semaine à côté du taux de résultat réel.
- Comparez les distributions des caractéristiques de ce mois-ci avec la période d’entraînement, en particulier la source de trafic et l’appareil.
- Établissez un calendrier de réentraînement, mensuel ou trimestriel selon le volume, au lieu de réentraîner uniquement lorsque quelqu’un se plaint.
- Gardez la version précédente du modèle afin de pouvoir revenir en arrière.
Erreur 4 : Ne jamais mesurer le gain incrémental
Une audience à forte propension se convertit plus souvent. C’est le but du score, et aussi le piège. Si vous envoyez une remise aux personnes qui allaient acheter de toute façon, les conversions semblent excellentes alors que la marge diminue.
Le test honnête est un groupe témoin. Divisez le groupe à score élevé au hasard, agissez sur la moitié et laissez l’autre moitié tranquille. La différence entre les deux groupes est le gain que le modèle et l’action ont créé ensemble. Certaines équipes vont plus loin avec des modèles de gain, qui prédisent qui change de comportement en raison de l’action, mais un groupe témoin propre est le point de départ.
Erreur 5 : Traiter le score du fournisseur comme la vérité
Les scores de plateforme tels que la probabilité d’achat GA4 ou la valeur prévue utilisée par les enchères publicitaires sont utiles, mais ce sont des boîtes noires entraînées sur des objectifs que vous ne contrôlez pas entièrement. GA4 a également des seuils d’éligibilité : la propriété a besoin de suffisamment d’exemples positifs et négatifs sur une période récente avant que les mesures prédictives n’apparaissent.
Utilisez ces scores comme une entrée, pas comme le dernier mot. Comparez-les avec une règle simple que vous comprenez, comme la récence et la fréquence d’achat. Si un segment RFM de base fonctionne aussi bien que le score de plateforme dans un test témoin, vous avez appris quelque chose de précieux sur l’origine réelle du signal.
Comment Alien Road applique l’analyse prédictive
Dans un engagement typique, le travail commence par un atelier de décision plutôt que par un ensemble de données. Nous listons les deux ou trois choix que le client fait de manière répétée, comme les répartitions budgétaires par audience ou le routage des prospects, et en choisissons un où une meilleure prévision changerait les dépenses.
La configuration signifie généralement une table de caractéristiques à un moment donné dans BigQuery construite à partir des données d’exportation GA4 et CRM, un modèle de base et une division de test basée sur le temps. Avant que quoi que ce soit ne soit mis en ligne, nous convenons de la conception du groupe témoin et de la mesure, souvent la marge par utilisateur plutôt que le taux de conversion. Le reporting va dans un tableau de bord Looker Studio montrant les résultats prévus par rapport aux résultats réels et la comparaison du groupe témoin, afin que le client voie si le modèle mérite sa place.
Par où commencer cette semaine
Choisissez une décision que vous prenez chaque semaine avec une intuition, comme quels anciens clients reçoivent une offre de remarketing. Écrivez l’action, le propriétaire et la mesure qui prouverait que cela a fonctionné.
Vérifiez ensuite quelles données existent au moment où cette décision est prise. Si les mesures prédictives GA4 sont disponibles dans votre propriété, construisez une audience de test à partir des “acheteurs probables à 7 jours” et exécutez-la contre un groupe témoin aléatoire pendant un mois. Ce petit test mesuré vous en apprendra plus sur vos données qu’un grand modèle construit sans un tel test.
Continuez à lire : Optimisation par IA · Optimisation par IA