Recherche
Magazine Relation Client
S'abonner à la newsletter S'abonner au magazine

[Tribune] Pourquoi l'utilisation du deep learning peut renforcer la personnalisation de l'expérience client

Publié par le - mis à jour à
[Tribune] Pourquoi l'utilisation du deep learning peut renforcer la personnalisation de l'expérience client
© Siarhei - stock.adobe.com

Afin de personnaliser au mieux les opérations de fidélisation, notamment, il convient de constituer des socles de données fiables, incluant le filtrage collaboratif de la data ainsi que les interactions client-produit.

Je m'abonne
  • Imprimer

Si les clients disposent d'une offre de plus en plus large et en constante évolution, des études comportementales montrent que cette abondance peut gêner leur prise de décision et même les détourner de l'acte d'achat. Pour atténuer ce phénomène, de nombreuses entreprises investissent dans de nouvelles façons de personnaliser davantage les interactions avec leurs clients et ainsi renforcer leur engagement. Cela peut aller de la proposition d'offres promotionnelles personnalisées, à l'utilisation de dispositifs ciblés dans les programmes de fidélité, voire à l'adaptation de contenus sur les sites web visités et applications mobiles utilisées.

Toutefois, si l'engagement multicanal est devenu une réalité pour la plupart des entreprises, dans les faits, la personnalisation sur chacun des canaux est souvent gérée de manière distincte, parfois avec des techniques différentes. Ainsi, les systèmes de recommandation utilisés pour réaliser cette personnalisation sont souvent développés séparément, sur des données distinctes. Les entreprises passent alors à côté de données précieuses qui peuvent avoir un impact sur la cohérence de l'expérience du client globale. Pourtant, les réactions d'un client sur un canal donné peuvent permettre de prédire les réactions sur un autre.

Adopter une stratégie globale pour modéliser la recommandation

Délivrer des recommandations fines et pertinentes nécessite de pouvoir exploiter tous les types de données sur l'ensemble des canaux. Il est donc important pour les entreprises de pouvoir collecter efficacement ces données d'interactions sur chaque canal, de leur donner un sens avec l'ensemble des données client et de pouvoir les partager avec toutes les personnes impliquées dans la relation avec le client, de manière à parvenir à une compréhension globale et collective du client, de son contexte, de ses attentes.

Cela demande de pouvoir s'appuyer sur un socle de données fiable, permettant de regrouper les données, de les diffuser le plus efficacement possible et d'en permettre leur usage dans les travaux de modélisation. Et concernant les choix de modélisation à utiliser dans les systèmes de recommandation, l'entreprise doit impérativement choisir des approches de modélisation adaptées à chaque canal et à chaque type de données, et même de combiner plusieurs techniques simultanément. Sans cela, ces systèmes de recommandation n'exploitant pas ou partiellement l'ensemble des données à disposition risquent d'entraîner une compréhension partielle du client, de son comportement et de ses attentes.

Les différents types de filtrage ont atteint leurs limites

La technique de recommandation la plus souvent utilisée par les entreprises est le filtrage collaboratif, basée sur le comportement et les intérêts exprimés par un ensemble de clients ayant déjà réalisé leur choix. On peut intégrer dans ces modèles les données explicitement ou implicitement fournies par les clients.

Cependant, les modèles ne reposant uniquement que sur le filtrage collaboratif sont souvent moins efficaces que des modèles prenant également en compte les caractéristiques des produits et des offres proposées, ainsi que les interactions récentes du contexte client-produit. On parle ici de techniques basées sur le contenu. La combinaison de ces deux approches permet d'aboutir à des recommandations plus précises. Ces systèmes de recommandation hybride permettent aux entreprises d'améliorer considérablement leurs initiatives de personnalisation. Mais dans un contexte où le nombre d'interactions entre le client et le produit est peu élevé, le lancement d'un nouveau produit par exemple, les modèles embarqués doivent permettre de s'appuyer sur d'autres types de données.

En utilisant les techniques avancées qu'offrent aujourd'hui le deep learning, les systèmes de recommandation hybride pourraient également exploiter d'autres sources de données telles que les images, les éléments textuels, les dimensions temporelles ou bien encore les séquences d'événements précédents les interactions.

Un système hybride utilisant le deep learning pour aller plus loin

Si les réseaux de neurones convolutifs (CNN(1)) permettent d'analyser de grandes quantités de données supplémentaires et extraites à partir d'images, les réseaux de neurones récurrents (RNN) sont, quant à eux, utilisés pour exploiter une analyse des sentiments (i.e. commentaires en ligne). Ils peuvent également être utilisés pour extraire des caractéristiques de l'historique récent des interactions client. Grâce à cet apprentissage, les modèles sont capables de mieux prédire l'état actuel du client et de ses besoins, permettant ainsi d'adapter les recommandations fournies au contexte du client.

Des systèmes de recommandation hybride utilisant le deep learning et basés sur ces modélisations avancées, permettent d'exploiter plus de données, notamment des données dites "non-structurées". Et en exploitant en complément toutes ces données, les perspectives d'amélioration des recommandations sont réelles, avec des résultats de qualité supérieure en comparaison avec des systèmes de recommandation plus classique. Toutefois, la conception de ce type de système utilisant ces nouvelles approches est d'autant plus complexe qu'elle multiplie le nombre de combinaisons possibles de modèles.

Une approche par étapes dans une démarche d'amélioration continue

A chaque étape de création avec ces nouvelles approches de modèles prédictifs, il est important d'évaluer le succès des améliorations attendues, notamment la performance obtenue sur des jeux de données de test bien élaborés avant le déploiement en production. Et dans les phases de production, une approche comparative avec des campagnes d'A/B testing sur des groupes non exposés et des groupes utilisant les versions antérieures du système de recommandation par exemple pourra être envisagée.

Lorsqu'ils sont développés correctement, dans un environnement analytique permettant d'exploiter toutes les données et de combiner plusieurs modélisations à l'échelle jusqu'à leur mise en production, les systèmes de recommandation hybride utilisant le deep learning permettront rapidement aux entreprises et aux clients d'obtenir tous les bénéfices de la personnalisation en continu en prenant en compte systématiquement toutes les données disponibles.

(1) Types de réseaux de neurones notamment utilisés pour le traitement de l'image et qui produisent automatiquement les éléments caractéristiques de l'image à utiliser dans la modélisation.

L'auteur

Depuis 2011, Yann Ros a occupé plusieurs rôles au sein de Teradata, aujourd'hui en tant que senior industry consultant sur la région Europe de l'Ouest. Référent sur les sujets marketing et expérience client, il accompagne les clients dans leurs réflexions autour de l'usage de la donnée et de l'intégration de l'écosystème technologique marketing, notamment sur l'utilisation de l'analytique avancée "at scale" et dans le cloud pour l'amélioration de l'expérience client et de la performance marketing. Avant de rejoindre Teradata, Yann Ros a contribué et dirigé de nombreux programmes, CRM, digital et data-driven marketing tous secteurs, au sein de marketing service providers, d'agences conseils et d'éditeurs de logiciels, en couvrant les aspects KPI, processus métiers, data et technologies.




 
Je m'abonne

NEWSLETTER | Abonnez-vous pour recevoir nos meilleurs articles

La rédaction vous recommande

Retour haut de page