L’analyse prédictive utilise des données historiques et des modèles statistiques ou d’apprentissage automatique pour estimer ce qui est susceptible de se produire ensuite, comme quels clients achèteront, se désabonneront ou répondront à une campagne. Pour les marketeurs, cela permet de gagner du temps lorsqu’il s’agit d’un workflow reproductible : définir la question, préparer les données, créer ou activer un modèle, pousser les scores dans les outils déjà utilisés, agir en conséquence et vérifier les résultats par rapport à la réalité.
Que peut faire l’analyse prédictive pour le marketing ?
La plupart des utilisations marketing entrent dans quelques groupes.
- Propension à l’achat : la probabilité qu’un utilisateur achète dans une période donnée.
- Prédiction du désabonnement (churn) : le risque qu’un client ou un abonné parte.
- Lead scoring : la chance qu’un prospect devienne une opportunité ou une vente.
- Valeur vie client (Customer Lifetime Value) : revenu attendu d’un client au fil du temps.
- Prévision de la demande : ventes ou trafic attendus par semaine ou par produit.
De nombreux outils proposent désormais ces fonctionnalités sans nécessiter de travail en science des données. GA4 fournit des métriques prédictives telles que la probabilité d’achat, la probabilité de désabonnement et le revenu prévu lorsque les seuils d’éligibilité sont atteints. HubSpot, Salesforce Einstein, Klaviyo et les applications connectées à Shopify proposent des scores prédictifs. BigQuery ML et Vertex AI permettent aux équipes ayant des compétences en SQL de créer leurs propres modèles.
Workflow 1 : audiences prédictives dans GA4
Ce workflow convient aux entreprises d’e-commerce et aux applications qui utilisent déjà GA4.
- Vérifier l’éligibilité : GA4 a besoin d’un nombre suffisant d’utilisateurs achetant et se désabonnant sur une période récente avant que les métriques prédictives n’apparaissent.
- Confirmez que les événements d’achat et les valeurs sont suivis correctement, y compris la devise.
- Dans l’administration, ouvrez les Audiences et créez-en une à partir des modèles prédictifs suggérés, tels que “acheteurs probables à 7 jours”.
- Liez GA4 à Google Ads afin que l’audience puisse être utilisée dans les campagnes.
- Utilisez l’audience pour les enchères de remarketing ou les exclusions, par exemple en excluant les “utilisateurs susceptibles de se désabonner à 7 jours” des campagnes de prospection coûteuses.
Examinez la taille de l’audience chaque semaine au début. Une petite audience peut ne pas diffuser les annonces efficacement, et les seuils derrière les métriques prédictives sont définis par Google, pas par vous.
Workflow 2 : lead scoring dans un CRM
Les équipes B2B commencent généralement ici, car le temps de vente est coûteux.
Étapes
- Exportez les transactions conclues et les prospects perdus des 12 à 24 derniers mois.
- Listez les champs connus lors de l’arrivée du prospect : taille de l’entreprise, secteur, source, pages visitées, réponses aux formulaires.
- Activez le scoring prédictif du CRM, comme la probabilité de clôture de HubSpot ou Einstein Lead Scoring, ou entraînez un modèle simple dans BigQuery ML.
- Vérifiez les principaux facteurs utilisés par le modèle et supprimez ceux qui fuient le résultat, comme un champ rempli uniquement après une vente.
- Définissez des bandes de score et le routage : les scores élevés vont aux ventes le jour même, les scores moyens au nurturing, les scores faibles au contenu automatisé.
Garder les ventes à bord
Partagez des exemples de prospects à score élevé et faible avec l’équipe de vente avant le lancement. Si les commerciaux ne font pas confiance au score, ils l’ignoreront. Convenez d’une revue après un trimestre en utilisant les taux de conversion réels par bande.
Workflow 3 : prévention du désabonnement pour les abonnements
- Définissez clairement le désabonnement, comme “aucune commande en 90 jours” ou “abonnement annulé”.
- Créez ou activez un score de désabonnement dans votre plateforme d’e-mail ou CRM.
- Créez trois segments : risque élevé, moyen et faible.
- Planifiez une action différente par segment, d’un appel personnel pour les comptes à haute valeur et haut risque à un e-mail de rappel léger pour ceux à faible risque.
- Gardez un groupe témoin aléatoire qui ne reçoit aucun traitement spécial, afin de pouvoir mesurer si les actions réduisent le désabonnement.
Le groupe témoin est l’étape que la plupart des équipes sautent, et sans lui, il n’y a aucune preuve que le workflow fonctionne.
Workflow 4 : prévision de la demande pour les budgets médias
Les prévisions aident à planifier les budgets pour les pics tels que le Ramadan, le Black Friday ou la saison des voyages d’été.
- Collectez au moins deux ans de données hebdomadaires sur les ventes, le trafic et les dépenses.
- Utilisez une méthode de prévision telle que ARIMA_PLUS de BigQuery ML, Prophet ou une fonction de prévision de feuille de calcul pour une première vue.
- Ajoutez les événements connus : vacances, lancements, changements de prix.
- Comparez la prévision avec les résultats réels chaque semaine et notez les gros écarts.
- Ajustez les budgets médias avant les pics prévus au lieu de réagir après.
Comment vérifier que les prédictions sont correctes ?
Les modèles dérivent à mesure que les marchés et les comportements changent. Une simple liste de contrôle les garde honnêtes.
- Comparez les résultats prévus et réels par bande de score chaque mois.
- Suivez une métrique de lift : combien la bande supérieure convertit mieux que la moyenne.
- Réentraînez ou vérifiez les modèles après des changements majeurs, comme un nouveau plan tarifaire.
- Gardez un groupe témoin pour toute action automatisée.
- Documentez les sources de données et les définitions afin que d’autres puissent les auditer.
Comment Alien Road applique l’analyse prédictive
Dans les projets d’optimisation IA, Alien Road commence par la découverte : quelle décision le client veut-il améliorer et quelles données existent déjà dans GA4, le CRM, la plateforme e-commerce ou les comptes publicitaires. La question vient toujours avant le modèle.
La configuration commence généralement par des fonctionnalités intégrées, comme les audiences prédictives GA4 ou le scoring CRM, car elles sont rapides à tester. Lorsque le client a suffisamment de données et un besoin clair, nous construisons des modèles personnalisés dans BigQuery avec l’équipe d’analyse du client. Les scores sont poussés dans les outils utilisés quotidiennement : plateformes publicitaires, outils d’e-mail et CRM.
La mesure repose sur des groupes témoins et le lift par bande de score. Les rapports mensuels montrent si les prédictions correspondaient à la réalité, quelles actions ont été prises et ce qu’elles ont rapporté. Si un modèle cesse d’ajouter du lift, nous le disons et nous le réparons ou le retirons.
Quels problèmes de qualité des données cassent les prédictions ?
Les prédictions héritent de chaque défaut dans les données. Les enregistrements clients en double divisent un acheteur en deux profils plus faibles. Les valeurs d’achat manquantes font paraître les clients à haute valeur comme étant moyens. Les paramètres de consentement et les bloqueurs de publicités suppriment une partie des données web, donc le modèle apprend à partir d’un échantillon biaisé. Avant de faire confiance à un score, passez une heure à vérifier les doublons, les champs vides et les lacunes de suivi dans les tables sources.
Par où commencer cette semaine
Choisissez une décision qui coûte du temps à votre équipe, comme quels prospects appeler en premier ou quels clients cibler avec une offre de rétention. Vérifiez si vos outils actuels offrent déjà un score prédictif pour cela ; beaucoup le font.
Activez-le pour un segment de test, gardez un groupe témoin et comparez les résultats après quatre à huit semaines. Un petit workflow mesuré vous apprendra plus qu’un grand modèle que personne n’utilise.
Continuer la lecture : Optimisation par IA · Optimisation par IA