Expertise

Personnalisation des offres : ciblage vs Machine Learning

15 minutes

Rédigé par Maxime Antoni, Chief Product Officer chez Lucky cart. 12.10.2022

Personnalisation, ultra personnalisation du shopper

La personnalisation est un enjeu stratégique pour la distribution. Considérée à ses débuts comme un simple outil pour améliorer la pertinence des messages marketing poussés aux shoppers, la personnalisation s’est imposée au fil du temps comme un élément indissociable d’une expérience d’achat réussie.

Depuis quelques années, de nombreuses solutions technologiques sont apparues pour tirer profit de la quantité phénoménale de data disponible, permettant d’étendre son champ d’application à de nouveaux domaines, tels que les activations commerciales, les recommandations de produits ou la promotion.

En matière de personnalisation, il est primordial d’adapter la stratégie et les outils utilisés aux objectifs marketing et commerciaux de l’entreprise : développement des ventes, recrutement, fidélisation, augmentation du panier moyen, développement de catégorie, amélioration du ROI, lancement d’innovations ou encore développement du cross-sell. Le point commun de ces objectifs, la pierre angulaire de ces stratégies : le shopper. Et un nouveau challenge majeur : l’omnicanalité. 
Pour faciliter la compréhension, un exemple classique de personnalisation peut être une bannière sur un site de drive, avec une offre promotionnelle ou du gaming.

Nous allons tenter de vous apporter des réponses concrètes pour mieux comprendre les différences entre la personnalisation via ciblage et Machine Learning, et faire le bon choix à l’avenir !

La personnalisation pour quoi faire et quel est l’avis des shoppers ?

 Les promesses de la personnalisation sont alléchantes : 
> Du point de vue shoppers, c’est la promesse d’une amélioration drastique de l’expérience client. Les clients se sentent reconnus, valorisés, et leur relation à la promotion s’en trouve transformée, la pression marketing devenant tolérée car plus pertinente. 

> D’un point de vue retailers et industriels, c’est la promesse de s’adresser aux bons consommateurs, de les fidéliser à leur enseigne et/ou marque et de développer in fine leurs business.

Promesses gagnantes-gagnantes, d’ailleurs les clients ne s’y trompent pas selon le rapport ‘Next in Personalization 2021’ de McKinsey & Company :
> La personnalisation compte plus que jamais car avec la COVID-19 et la montée en puissance des comportements numériques, qui placent la barre toujours plus haute, 3/4 des consommateurs ont changé leurs habitudes de consommation, d’achat, durant la pandémie.

> Forts de ces changements forcés puis plébiscités au fil des mois, 71% des consommateurs s’attendent aujourd’hui à ce que les entreprises offrent des interactions personnalisées. Quant à 76% de ces mêmes consommateurs, ils se disent frustrés quand cela ne se produit pas.  

> Les consommateurs ne veulent pas seulement de la personnalisation, ils l’exigent : 72% ont déclaré s’attendre à ce que les entreprises auprès desquelles ils achètent les reconnaissent en tant qu’individus et connaissent leurs intérêts. 

> Plus des trois quarts des consommateurs (76%) ont déclaré que recevoir des communications personnalisées était un facteur clé pour inciter leur attention à une marque, et 78% ont déclaré qu’un tel contenu les rendait plus susceptibles de racheter.

La personnalisation est particulièrement efficace pour susciter un engagement répété et une fidélité construite au fil du temps. Les interactions récurrentes créent plus de données à partir desquelles les marques, industriels et autres acteurs du marché peuvent concevoir des expériences toujours plus pertinentes, créant de la valeur et une fidélité client forte et à court et moyen terme.

Le saviez-vous ?

72%

ont déclaré s’attendre à ce que les entreprises auprès desquelles ils achètent les reconnaissent en tant qu’individus et connaissent leurs intérêts.

Mais cette personnalisation peut être considérée comme intrusive et pourquoi ?

Les shoppers convaincus par la personnalisation l’associent de facto à une expérience positive, ils réagissent lorsque les annonceurs les sollicitent, que ce soit pour une action transactionnelle ou un engagement comme par exemple poster un avis sur un produit, une offre, une marque… 

A contrario, il y a les sceptiques, ceux qui ne veulent pas recevoir de messages (ultra)personnalisés car cela impliquerait le partage de données personnelles (géolocalisation, cartes de fidélité…).  Ce sujet épineux émerge dans un contexte où le type de données récoltées et la finalité de cette collecte ne sont pas toujours transparentes. Gros point de friction donc !

Les marketers doivent doubler de vigilance car la ligne est mince entre ce que les consommateurs perçoivent comme intrusif et les services qui apportent une réelle valeur ajoutée. L’utilisation de la géolocalisation des shoppers pour communiquer (à l’entrée d’un magasin ou pendant le parcours d’achat) et le retargeting basé sur les historiques de navigation, sont les outils les moins appréciés. A l’inverse, les recommandations et les offres promotionnelles personnalisées sont plébiscitées. Difficile de s’y retrouver !

Et au fait, c’est quoi la différence entre le ciblage et le Machine Learning ?

Si nous sommes tous d’accord sur la stratégie et les objectifs énoncés plus haut, nous sommes souvent associés à des échanges avec les distributeurs et les industriels sur le ciblage et la personnalisation basée sur le Machine Learning.

Bien que ces 2 méthodes permettent – in fine – d’augmenter la pertinence des offres promotionnelles envoyées au shopper, elles sont très différentes dans leur construction, ne présentent pas les mêmes avantages et inconvénients et sont souvent confondues.  Les acteurs du marché parlaient de ciblage, de personae, et l’IA était plus marginale. Petit tour d’horizon pour comprendre les rouages et les subtilités de chaque méthode.

Le ciblage quésako ?

C’est une combinaison de règles appliquées à des segments de consommateurs, préalablement formés, qui tiennent compte de leurs attributs et de leurs comportements, en vue de personnaliser l’offre ou la communication pour tous les membres qui composent le segment. 

Voici une illustration concrète de ciblage promotionnel, avec une règle simple comme ci-dessous :

« IF (si) le shopper 1 se retrouve dans le segment A, THEN (alors) on lui envoie l’offre X. »

Autrement dit, par exemple, si un shopper est un consommateur régulier de la catégorie “eaux gazeuses”, on lui adresse la promotion “PERRIER 30% de remise dès 2 packs achetés”. 

Cette approche est intéressante car elle permet aux industriels de rationaliser leurs investissements en diffusant des promotions en rapport avec l’affinité du consommateur pour la marque. Un consommateur d’une marque concurrente (ou un non-consommateur d’eaux gazeuses) recevra une offre agressive avec une générosité élevée, tandis qu’un consommateur fidèle à la marque ou à la catégorie se verra quant à lui proposer une promotion avec une générosité plus faible (ou pas de promotion du tout).

Une donnée = un segment potentiel

Cette méthode s’appuie sur les connaissances métiers des services marketing et sur la quantité de données disponible ainsi que sur des raisonnements ‘en moyenne’ sur les segments considérés :
> Une première limite de cette approche est de savoir jusqu’à quel point il est intéressant d’affiner les segments vs le temps passé à créer l’ensemble des règles et les promotions associées.

> La configuration d’une campagne qui utilise plusieurs critères devient vite fastidieuse. Il faut en effet avoir écrit à l’avance i) toutes les règles (IF) et ii) les offres promotionnelles associées (THEN). Avec seulement 3 critères croisés, le nombre de combinaisons peut rapidement devenir difficile à gérer, et cela pour une seule offre ! 

> Autre difficulté : il n’est pas possible de réagir en temps réel à des changements dans les habitudes de consommation du consommateur. Le ciblage est figé dans le temps, au moins pour une période donnée, ce qui pose problème dans un secteur d’activité dans lequel la fréquence d’achat est très élevée et la volatilité des shoppers de plus en plus forte.

Ces limites vont rendre difficile voire impossible l’utilisation en temps réel d’une quantité de données suffisamment importante pour prendre en compte de façon très fine toutes les préférences du consommateur, et encore moins de prédire son comportement d’achat au-delà d’une prévision ‘en moyenne’.

On voit que le ciblage seul met de côté l’élément central d’une bonne stratégie promotionnelle ou d’une communication efficace : le consommateur. Ses préférences et ses besoins ne sont pas suffisamment pris en compte, ce qui rend impossible la création d’une relation véritablement personnalisée et l’amélioration de son expérience d’achat, qui sont les 2 piliers de la fidélisation.

Pour aller plus loin, il faut tenir compte de nombreuses caractéristiques – qui font sens et qui sont facilement identifiables niveau métier (acheteurs de catégorie, de références concurrentes, …) – mais également d’autres qui ne sont pas identifiables à la main…

La personnalisation via le Machine Learning

A contrario, la personnalisation via le Machine Learning utilise l’analyse prédictive et des algorithmes d’optimisation pour créer en temps réel les offres les plus pertinentes pour chaque consommateur tout en servant les objectifs des distributeurs et des industriels.

Le Machine Learning combiné à la recherche opérationnelle apporte une réponse plus efficace pour personnaliser les offres pour chaque consommateur.

> Dans un premier temps, les algorithmes de Machine Learning vont prédire le comportement de chaque shopper face à de nombreux scénarios promotionnels imaginables.

> Puis les algorithmes d’optimisation de la recherche opérationnelle vont créer – en temps réel – une offre promotionnelle unique (générosité, mécanique promotionnelle, durée de validité, message, …) qui répond aux préférences du consommateur et qui maximise les objectifs de l’industriel ou du distributeur, sous contrainte budgétaire.

Le Machine Learning est le moyen le plus efficace pour prédire le comportement des shoppers : les algorithmes de Machine Learning peuvent exploiter toutes les données qui font du sens commercialement parlant, mais également des “signaux faibles” et des patterns de consommation qui n’auraient pas pu être identifiées autrement et exploitées :
> Les algorithmes prédictifs sont préalablement entraînés sur les données antérieures (historiques d’achat, habitudes comportementales lors de campagnes précédentes, réactions face aux différents types de promotion). La prédiction s’appuie sur des événements – ou non événements – factuels.

> Au travers de leurs conceptions, les modèles de Machine Learning reposent de manière extrêmement forte sur les données qui ont servies à leur entraînement, et ne nécessitent pas de faire des hypothèses ad hoc sur le comportement ou la psychologie des consommateurs.

> Cette approche permet de prédire avec une marge d’erreur faible, car on ne raisonne plus en moyenne, le comportement des shoppers face à une multitude de scénarios promotionnels.

Le travail manuel des équipes marketing et commerciales, qui consiste à créer des offres promotionnelles ex-nihilo et de les assigner à des segments de consommateurs selon des règles pré-établies et des hypothèses par définition incertaines, est remplacé par une analyse prédictive qui met à profit la grande majorité des données comportementales et transactionnelles disponibles.

“Le ciblage est une réponse aux besoins des marketers, tandis que la personnalisation est une réponse aux besoins des consommateurs.”

Nicolas Trannoy – Directeur Marketing & Business Insight Lucky cart

Nous sommes tous favorables à ce que les clients reçoivent des offres personnalisées et les plus pertinentes possibles. Si la connaissance client est devenue le centre de toutes les attentions, l’enjeu est désormais de connaître le shopper dans sa singularité. Il s’agit de prévoir son comportement pour l’orienter, le convaincre et le fidéliser (et pas le tracker !).

Pour y parvenir, il est nécessaire de capter et de structurer des données toujours plus fragmentées et couplées avec de l’Intelligence Artificielle.  Nous parlerons désormais d’hyper personnalisation. Véritable avancée technologique et culturelle pour les professionnels du secteur, elle permet de reconnaître son client, de lui créer des expériences sur-mesure. Et pour y parvenir, il n’y a que L’IA qui est capable de le faire ! 

L’Intelligence Artificielle permet de reconnaître vos clients, de leur offrir une expérience shopper optimale.  L’enjeu est de récolter un maximum d’informations sur chaque client pour affiner son profil, en respectant toutes les guidelines RGPD. L’ensemble de ces données anonymisées permettent d’obtenir une vue globale de chaque parcours client.

Vous l’aurez compris, la personnalisation est un multiplicateur de force, une attente de base des shoppers. Plus les offres seront pertinentes, plus les résultats business seront bons. Les marques qui analysent en profondeur les données et se laissent guider par les comportements de leurs clients sont celles qui, à terme, parviendront à mettre en œuvre une stratégie holistique axée sur l’IA et répondre ainsi aux attentes de leurs consommateurs en matière d’expériences retail hyper-personnalisées.

Cette recherche est aussi faite pour maximiser le ROI :

Dans un second temps, les algorithmes de recherche opérationnelle vont sélectionner, pour chaque consommateur, parmi la multitude d’offres promotionnelles auxquelles il réagira positivement, celle qui maximise le ROI – ou tout autre objectif business modélisable – tout en respectant les budgets alloués.

Le véritable avantage qui découle de l’utilisation du Machine Learning, c’est de lever le voile sur les nombreuses incertitudes qui entourent la promotion : prédire le comportement des consommateurs, c’est prédire le nombre d’unités écoulées, le montant des ventes incrémentales et l’investissement promotionnel, et ce faisant réduire les risques d’erreur, mieux anticiper et faciliter le travail de toutes les parties prenantes de la promotion. Les résultats de chaque campagne, tant au niveau du chiffre d’affaires que du comportement des consommateurs (consommateurs recrutés, fidélisés, réactivés, …) sont disponibles en temps réel, facilitant les prises de décision et rendant inutiles le recours à des consultants extérieurs et des analyses onéreuses.

“Quand le marketer réfléchit au produit qu’il souhaite promouvoir, le ciblage s’impose. Mais quand les distributeurs et industriels souhaitent que les préférences et les intentions du consommateur soient, en temps réel, le moteur de la création d’offres, la personnalisation basée sur le Machine Learning apparaît clairement comme la solution à privilégier.” 

Julien Guitard – Chief Data Officer chez Lucky cart

Nous savons tous que les vérités d’aujourd’hui ne sont pas celles de demain et que surtout les événements récents nous poussent tous à devoir aller encore plus loin. La COVID 19 a été le catalyseur de changements, nombreux d’ailleurs et d’une certaine manière, cette pandémie s’est révélée être un ‘banc d’essai’, un laboratoire pour de nouveaux usages. Il était nécessaire d’aller plus loin, de trouver des alternatives encore plus innovantes pour assurer le business en berne. 

La personnalisation est apparue comme la bonne réponse : elle vise à adapter la communication, l’offre ou le service à chaque consommateur, avec pour objectif de leur donner ce dont ils ont besoin. Rien de plus, rien de moins ! La personnalisation est en train de devenir un élément indispensable de la stratégie marketing. 

Chez Lucky cart, c’est le cœur de notre métier, le cœur de notre réacteur en quelque sorte. 
Nos experts sont des ingénieurs, des data analysts, des développeurs et bien d’autres métiers dont la quête première est d’utiliser la first party data, que nous récoltons auprès de nos partenaires retailers, pour apporter une expérience shopper la plus personnalisée possible, la plus fluide, la plus efficace pour lui, pour nos clients les industriels et nos partenaires, les retailers.

Alors, elle est pour quand votre prochaine campagne E-Retail Media avec nos équipes Lucky cart ?

Sources :
*McKinsey & Company – 2021

CONTACTEZ-NOUS

Plus d’articles