5 raisons pour lesquelles le machine learning est l’avenir du marketing

Notre manière de consommer du contenu a beaucoup évoluer. En effet, nous regardons notre téléphone environ 150 fois par jours pour des « micro-moments ». Le choix de placer une annonce ici ou là favorisera l’achat ? En passant par la précision incroyable du targetting et de l’amélioration continuelle des campagnes (chose impossible lorsque nous faisons une campagne traditionnelle !) le machine learning a changé le paysage du marketing. Le machine learning est un domaine de l’Intelligence Artificielle (IA).

Nous allons parler du machine learning à travers les outils que les régies publicitaires nous mettent à disposition. En effet, utiliser Power Editor de Facebook Business, Google AdWords ou LinkedIn est une utilisation du machine learning.  Peut-être étiez vous comme M. Jourdain qui faisait de la prose sans le savoir, vous utilisiez de la Machine Learning sans le savoir ? Ce sont leurs algorithmes, via vos paramétrages, qui vont placer les annonces là précisément pour que nous atteignons notre cible.

Changement de la consommation de contenu (snacking content)

Notre manière de consommer du contenu a considérablement changé ces dernières années. Et cela fait le bonheur des réseaux sociaux. En effet, j’en ai fait l’expérience il y a quelques heures. Je suis allé sur l’application Facebook à 11h50 car j’avais 10 minutes d’avance à mon rendez-vous. Après avoir vu 3 publications d’amis, voilà une première annonce sponsorisée sur la marque de basket, la même marque, que j’ai regardé hier soir avant d’aller me coucher. Je continue mon feed et je vois un article publié par un ami. Dans cet article je vois une annonce pour cette même marque de basket. Mon rendez-vous arrive, je remets mon téléphone dans la poche.

En dehors de cette expérience qui est devenue courante, je m’attarde sur le fait que nous consommons de l’information par intermittence dans des durées très courtes. En marketing nous appelons le snacking content. Dans la définition courante, un snacking content doit être lié à de l’infotainement (infodivertissement) mais nous nous éloignons du sujet principal. Le machine learning s’adapte à notre « consommation » dès lors nous cliquons sur un lien c’est que l’annonce a été bien ciblé et assez percutante. Les annonces ainsi créées vont devenir toujours plus précises.

Précisions des campagnes

Comme nous pouvons le voir, le ciblage sur Facebook, Twitter ou encore sur les réseaux de recherche Google, permettent un ciblage précis de notre cible. Cela a pour avantage de ne plus montrer la publicité à un nombre conséquent de personne qui faisait partie des NCA (non consommateur absolu). En effet, le ciblage est précis car les réseaux sociaux en savent de plus en plus sur nous.

Autre point dans la précision, les résultats générés par les rapports d’activités peuvent être discutable concernant les réseaux sociaux. Je reste d’avis qu’il faut toujours avoir accès à des données internes et non pas avoir une confiance aveugle aux outils proposés gratuitement par ces régies. Du moins, je concède toujours à croiser les données de sources différentes pour mes clients.

Amélioration continuelle des campagnes

Le machine learning est un outil formidable. Comme cité plus haut, le machine learning s’améliore grâce aux data que nous lui donnons. D’une part, les utilisateurs sont de mieux en mieux identifiés. D’autre part, nous pouvons modifier les annonces en temps réel et voir le résultat immédiatement. Il existe même la possibilité de faire des A/B Testing sur des campagnes en cours. C’est-à-dire de faire une campagne « clone » avec un détail de moins ou de plus et ainsi voir l’impact de cette modification. Par conséquent, lorsque je configure une campagne AdWords pour un restaurant qui livre des sushis, je peux voir en temps réel le prix nécessaire pour dépasser les concurrents. Il y a bien évidemment d’autres critères à prendre en compte que le prix de l’enchère, notamment le quality score. C’est un sujet complet qui fera l’œuvre d’un futur article.

Réduction du coût des campagnes

Comme nous venons de le voir, le machine learning permet de mieux cibler, d’améliorer son ciblage et par conséquent de mieux maîtriser ses coûts. D’autant plus qu’une nouvelle métrique est mise au goût du jour : le ROAS (retour sur investissement publicitaire). En effet, il est désormais possible de savoir précisément ce qu’un euro dépensé en publicité a généré en chiffre d’affaires.

Le marketing devient automatisé

Le nombre de personne qui travaille dans un service marketing est largement réduit. En effet, un lancement de campagne sur les réseaux sociaux est prévisible, les retombées immédiates. Les retours d’une mauvaise campagne également. Le marketing automation a révolutionné l’envoi des e-mail marketing. Souvent décrié comme inutile, l’e-mail reste l’un des premiers vecteurs de conversions ! Le marketing automation n’utilise pas vraiment le machine learning, mais il existe déjà des campagnes e-mailing en intégrant l’IA. Non pas dans la conversation mais plutôt pour savoir à quel moment précis il faut envoyer un mail.

Cette expérience a été faite pour la chaîne de restaurant américain TG Friday. Où leur nombre d’or se retrouve dans cette formule : J+7 – 46 minutes = 70 % re-order. Cela signifie que pour une cible très précise de consommateur, ceux-ci ont reçu un e-mail 7 jours après leur dernière commande et 46 minutes avant l’heure à laquelle il avait commandé. Cette segmentation a enregistré un taux record de 70% de commande dans l’heure après réception de ce mail !

Pour conclure, l’efficacité des campagnes marketing résulte dans une bonne configuration des outils machine learning. Cependant, les services marketing ne nécessitent plus autant de personnel qu’avant. Pouvons-nous dire aussi qu’à terme, dans 5 ou 10 ans, la structure même du service marketing pourrait disparaitre intégralement ?