L’analyse prédictive est l’utilisation de données historiques et de modèles statistiques ou d’apprentissage automatique pour estimer ce qui est susceptible de se produire ensuite, comme quels prospects convertiront ou quels clients partiront. Ses principaux risques sont des données d’entraînement biaisées, une dérive silencieuse du modèle et des décisions prises sur des scores que personne ne peut expliquer. La gouvernance signifie convenir, avant le lancement, qui est propriétaire du modèle, comment il est vérifié et quand un humain l’outrepasse.
La plupart des équipes marketing rencontrent l’analyse prédictive via une fonctionnalité dans un outil pour lequel elles paient déjà. Google Analytics 4 propose des audiences de probabilité d’achat et de probabilité de désabonnement. HubSpot et Salesforce notent les prospects. Meta et Google Ads enchérissent en utilisant la valeur de conversion prédite. Comme le modèle arrive pré-construit, la conversation sur la gouvernance n’a souvent jamais lieu. C’est là que les problèmes commencent.
Qu’est-ce qui peut réellement mal tourner avec les modèles prédictifs ?
Une prévision est une déclaration sur le passé déguisée en déclaration sur l’avenir. Si le passé était inhabituel, la prévision hérite de cette bizarrerie. Un détaillant dont l’année d’entraînement incluait une pénurie d’approvisionnement obtiendra un modèle qui pense que certains produits ne sont pas populaires, alors qu’en fait ils étaient simplement en rupture de stock.
Les modes de défaillance ont tendance à se regrouper en quelques types. Connaître leurs noms les rend plus faciles à repérer lors d’une réunion de revue.
- Données d’entraînement biaisées ou incomplètes : des segments entiers, comme les acheteurs hors ligne ou les nouveaux marchés, sont manquants, donc le modèle les note mal par défaut.
- Fuite de cible : un champ qui n’est rempli qu’après la conversion, comme un numéro de facture, se faufile dans les entrées et rend la précision excellente lors des tests et médiocre en production.
- Dérive : le comportement des clients, les prix ou le suivi changent, et le modèle continue de noter avec des modèles obsolètes.
- Boucles de rétroaction : l’équipe ne contacte que les prospects à score élevé, donc les prospects à score faible n’ont jamais la chance de prouver que le modèle a tort.
- Excès de confiance : une probabilité de 0,71 est lue comme une certitude, et le budget se déplace sur du bruit.
Les changements de suivi méritent une attention particulière. Les bannières de consentement, les restrictions des navigateurs sur les cookies tiers et les invites de suivi des applications suppriment tous le signal. Un modèle entraîné avant un changement de mode de consentement peut sembler cassé après, même si rien dans le modèle lui-même n’a bougé.
Où sont les limites strictes de la prévision ?
Certaines limites ne peuvent pas être corrigées avec plus de données ou un meilleur algorithme. L’analyse prédictive trouve une corrélation, pas une cause. Un modèle de désabonnement peut apprendre que les clients qui arrêtent d’ouvrir les e-mails ont tendance à partir, mais envoyer plus d’e-mails ne les retiendra pas. Traitez chaque score comme une invitation à enquêter, pas comme une explication.
Le volume est la deuxième limite. Les métriques prédictives de GA4, par exemple, ne deviennent disponibles que lorsqu’une propriété atteint des seuils minimaux d’exemples positifs et négatifs sur une fenêtre récente, et Google indique ces seuils dans sa documentation d’aide. Les petits sites B2B avec quelques douzaines de transactions par mois ne se qualifient souvent jamais, et un modèle personnalisé entraîné sur si peu de données mémorisera principalement le bruit.
La troisième limite est le temps. Les modèles prédisent bien dans les conditions qu’ils ont vues. Un nouveau concurrent, un changement de prix ou un changement de réglementation se situent en dehors de cette plage. Dans ces semaines-là, le jugement bat le tableau de bord.
Quelles règles de gouvernance doivent être convenues avant le lancement ?
La gouvernance semble lourde, mais pour une équipe marketing, elle tient généralement sur une page. Le point est que les décisions sont écrites avant que le premier chiffre surprenant n’apparaisse, et non discutées après.
Propriété et objectif
Nommez un propriétaire pour chaque modèle et écrivez une seule phrase décrivant la décision qu’il soutient. « Ce score décide quels prospects les ventes appellent dans les 24 heures » est clair. « Ce score aide au marketing » ne l’est pas, et cela invite à utiliser le modèle pour des choses pour lesquelles il n’a jamais été testé.
Entrées et données personnelles
Listez les champs que le modèle utilise et confirmez que chacun a une base légale en vertu du RGPD ou de la KVKK turque, selon l’endroit où vivent les clients. Excluez complètement les catégories sensibles telles que la santé ou la religion. Si un champ est un proxy pour l’une d’elles, comme un code postal représentant l’appartenance ethnique, discutez-en ouvertement et enregistrez la décision.
Cadence de revue et seuils
Convenez de la fréquence à laquelle la performance est vérifiée et de ce qui compte comme un problème. Une règle simple fonctionne : comparez les taux de conversion prévus par bande de score par rapport aux taux réels chaque mois, et mettez en pause les actions automatisées si la bande supérieure cesse de surpasser la bande inférieure.
- Propriétaire et déclaration de décision enregistrés
- Champs d’entrée listés avec base légale
- Groupe de contrôle maintenu en dehors des actions pilotées par le modèle
- Vérification de calibration mensuelle par bande de score
- Règle de pause et intervention humaine documentées
- Journal des modifications pour le réentraînement et les changements de fonctionnalités
Comment garder un modèle honnête après la mise en ligne ?
L’habitude la plus utile est un groupe de contrôle. Gardez une tranche aléatoire de prospects ou de clients, souvent cinq à dix pour cent dans une configuration typique, en dehors de tout traitement piloté par le modèle. Sans cela, il n’y a aucun moyen de savoir si le modèle ajoute de la valeur ou s’il prend simplement le crédit pour des personnes qui auraient converti de toute façon.
Deuxièmement, surveillez la calibration, pas seulement la précision. Si les clients notés à 60 pour cent convertissent à 20 pour cent, le classement pourrait encore être utile, mais tout plan budgétaire construit sur la probabilité brute sera faux. Tracez le prévu par rapport au réel pour chaque bande. Cela prend dix minutes dans Looker Studio ou une feuille de calcul.
Troisièmement, enregistrez chaque réentraînement. Lorsque quelqu’un modifie une entrée ou actualise la fenêtre d’entraînement, notez la date et la raison. Des mois plus tard, lorsque les résultats changent, ce journal fait la différence entre une réponse rapide et une semaine de conjectures.
Comment Alien Road applique l’analyse prédictive
Dans un engagement typique, le travail commence par la découverte plutôt que par la modélisation. Nous cartographions les décisions que le client souhaite automatiser, les données qui atteignent réellement la pile CRM et analytique, et où les lacunes de consentement ou de suivi faussent l’image. Souvent, le premier livrable est une liste de lacunes de données, pas un modèle.
La configuration vient ensuite. Là où GA4 ou les plateformes publicitaires fournissent déjà des prédictions, nous préférons celles-ci et construisons des audiences autour d’elles, car elles sont maintenues par la plateforme. Là où un score personnalisé est justifié, comme la notation de prospects B2B avec de longs cycles de vente, nous gardons l’ensemble de fonctionnalités petit et explicable, et nous convenons de la feuille de gouvernance d’une page avec les contacts marketing et juridiques du client.
La mesure repose sur des groupes de contrôle et des graphiques de calibration mensuels. Le reporting montre les bandes de score, les résultats réels et toute décision de pause, rédigés dans un langage simple afin qu’un directeur commercial puisse le lire sans une équipe de données dans la pièce.
Par où commencer cette semaine
Choisissez une fonctionnalité prédictive que vous utilisez déjà, peut-être les scores de prospects dans votre CRM ou une audience de probabilité d’achat GA4. Notez qui en est propriétaire et quelle décision elle pilote. Ensuite, extrayez les données du dernier trimestre et vérifiez si le groupe le mieux noté a vraiment mieux converti que le groupe le moins bien noté.
Si la réponse est oui, mettez en place un petit groupe de contrôle et une vérification mensuelle. Si la réponse n’est pas claire, mettez en pause toute automatisation liée à ce score jusqu’à ce que vous compreniez pourquoi. Quoi qu’il en soit, vous aurez fait plus de gouvernance en un après-midi que beaucoup d’équipes n’en font en un an.
Continuer la lecture : Optimisation par IA · Optimisation par IA