Nos serveurs constatent tous les 1 million de visites, 85.000 situations (segments dynamiques) dont 16.000 ont une valeur statistique pertinente.
De la même manière que vous ne pourriez pas définir 16.000 segments « à la main », - et gérer leur évolution permanente de manière pertinente, vous ne pouvez pas concevoir et paramétrer « à la main » les 16.000 règles associées (et leur évolution permanente) de manière réaliste.
Pour être pertinents en matière de personnalisation, soyons clairs : il faut disqualifier au maximum toute modélisation préalable. Celle-ci est toujours limitée par la capacité d’observation, les a priori culturels et l’imagination de celui qui modélise. Et l’évolution de la consommation.
Et ces limites, au regard de la fragmentation des comportements qui caractérise chaque jour un peu plus la consommation, sont très rapidement atteintes.
La limitation de notre capacité d’observation et l’évolution rapide, la plasticité des consommateurs, font de la « modélisation a priori » une utopie (si ce n’est pire…) en termes de pertinence.
Au mieux les règles ainsi définies seront tellement génériques que vous ne serez plus dans la Personnalisation, au pire elles seront obsolètes et génèreront l’effet inverse à celui recherché.
Il est très important, aussi , ne pas confondre :
- D’une part décision d’usage d’une règle pré-paramétrée à appliquer à un segment pré-déterminé assortie d’une publication pendant la visite,
- Et, d’autre part, identification d’une attente en cours de visite, génération d’une règle instantanée et publication en moins de 70 Ms.
Dans le premier cas vous êtes dans l’application de conventions préalablement établies, dans le second dans l’adaptation agile en temps réel.
Dans le premier cas, vous êtes en Marketing Automation dans le second en Real Time Marketing.
Ne pas oublier non plus qu’un algorithme d’autolearning n’est qu’un algorithme d’arbitrage entre des éléments pré paramétrés. Il ne génère rien par lui-même, il ne fait qu’arbitrer entre des règles dont l’outil dispose en standard (toujours extrêmement limité) ou entre celles que vous aurez passé des semaines à paramétrer vous-même… sans être sûrs qu’elles soient toujours d’actualité.
3 éléments clefs, donc à retenir :
- Pour produire du sens et définir la meilleure interaction possible, modéliser en amont est contre productif
- L’autolearning ne fait qu’arbitrer entre des hypothèses que vous avez pré paramétrées.
- Le pré-paramétrage de segments et de règles définit des outils d’Automation, pas de Personnalisation.
Pour produire du sens et définir la meilleure interaction possible, Netwave modélise a minima en amont.
Nous nous «contentons» de:
1/ regarder si dans la mémoire de notre processeur d’IA il existe des individus présentant les mêmes caractéristiques que celui avec lequel nous voulons interagir,
2/ d’observer ce qu’ont fait ces individus -la stratégie gagnante- et,
3/ de la reproduire sur l’individu concerné.
Le tout en temps réel. Comme le vendeur en magasin.
C’est ce que font à chaque seconde nos processeurs d’IA sur les sites de nos clients, générant plus de 16.000.000 d’interactions personnalisées chaque jour.
Choisir un outil de personnalisation réellement dynamique, c’est déléguer à des processeurs ce long et fastidieux travail de modélisation. C’est décider que cette modélisation sera dynamique c'est-à-dire renouvelée à chaque milliseconde.
C’est recruter une armée de dataminers, de marketers et de vendeurs online digitaux. Sans augmenter sa masse salariale.
JL BERNARD
CEO Netwave
