Illustration avec le partenariat entre WNP et Factonics.
Le machine learning est une forme d’intelligence artificielle qui se base sur l’étude de données pour en découvrir des modèles et enseignements utiles. Cette technique est de plus en plus pertinente au fil de « l’apprentissage » par la machine, du moins, si elle est bien paramétrée ! Un des avantages « compétitifs » du machine learning est de pouvoir analyser des quantités astronomiques de données : big data, open data, données publicitaires, CRM, données transactionnelles… Ce qui bouleverse la consumer intelligence, réalisée jusqu’alors principalement à partir d’études et de panels.
Convaincue par le tsunami à venir du machine learning appliqué au marketing, l’agence WNP s’est rapprochée de Factonics, une startup incubée à CentraleSupelec qui propose une IA utilisable par les entreprises soucieuses de leurs données marketing. Pour en savoir plus sur le machine learning et la « consumer intelligence augmentée », nous donnons la parole à Charles Dadi, « machine learner » et fondateur de Factonics.
Qu’est-ce que l’IA et le machine learning peuvent apporter au monde de la communication et du marketing ?
Charles Dadi : Le machine learning est d’ores et déjà le meilleur ami du marketing. Il apporte de la fluidité, du temps réel et de la profondeur.
À court terme, l’intelligence artificielle va continuer de permettre à la performance d’être mesurée en temps réel. Les algorithmes de machine learning optimisent les stratégies d’allocation mix media de façon itérative durant une campagne, dans une optique de rationalisation.
Mais le machine learning permet aussi d’identifier de nouvelles tendances et de segmenter automatiquement les consommateurs. La découverte d’insights peut ainsi se faire sur la base de données plus granulaires, voire individuelles, intégrant des dimensions temporelles, géographiques, relationnelles. Ainsi, les audiences se fragmentent et les messages se personnalisent. Les créatifs vont devoir créer des dispositifs plus ciblés voire évolutifs afin d’exploiter ce supplément d’information.
On oppose souvent intelligence artificielle (dont le machine learning) et les algorithmes. Ce n’est pas votre cas puisque vous venez d’évoquer les algorithmes de machine learning…
CD : Le machine learning rassemble deux grands modèles théoriques : la classification supervisée et la classification non supervisée.
Avec la classification supervisée, le machine learning apprend à reconnaitre des labels. Par exemple, si on montre des milliers de photos de chats à un algorithme de machine learning, il sera capable au bout de quelque temps d’identifier les chats… Idem avec des chiens !
Dans le cas d’une classification non supervisée, il n’y a pas de label prédéfini. Le machine learning identifie seul des groupes. Ce clustering est particulièrement utile pour le marketing qui peut ainsi identifier des cibles inattendues jusqu’alors.
Ce qui différencie le machine learning et l’IA des algorithmes traditionnels est que le machine learning apprend à partir de données, et non d’un code informatique préalablement écrit. Dans le cas d’un algorithme classique, tout est « scripté » à l’avance par un développeur. Avec le machine learning et l’IA ce n’est pas le cas.
L’avantage du machine learning sur les algorithmes connus jusqu’alors est de pouvoir analyser un volume très important de données sans l’aide d’humains. Le machine learning peut extraire des patterns [= des figures] pas forcément identifiables à l’œil humain grâce à des corrélations, qui serviront de base à l’analyse ensuite. L’autre avance du machine learning est l’exploitation de données différentes de la data bien structurée qui était jusqu’alors utilisée par les entreprises : la vidéo, l’image, le son…
Quelles données le machine learning permet-il d’exploiter, et qui n’étaient pas traitables auparavant ?
CD : Le machine learning dévoile toute sa puissance sur des données granulaires et des volumes importants.
Les données analysées par la customer intelligence étaient jusqu’à présent limitées. Les données de panels sont agrégées et souffrent donc par construction de biais qui limitent leur actionnabilité. Les données sociales sont très bruitées, difficiles à qualifier et de moins en moins disponibles du fait des réglementations, à l’image d’Instagram qui a revu de façon drastique les règles d’accès à son API.
Le machine learning va offrir la possibilité d’intégrer de nouvelles données et les capacités à les analyser. Les agences de communication vont devoir apprendre à travailler avec !
Premièrement, la connaissance du consommateur va être élargie par l’intégration de données comportementales dites “passives” qui apportent une profondeur supplémentaire : données transactionnelles, logs, voiture connectée, quantified self et autres objets connectés… Deuxièmement, le machine learning va offrir de nouvelles méthodes pour interroger les consommateurs. L’échange sera moins intrusif, le machine learning va permettre de s’adapter aux changements de modes de communication en termes de canaux avec les chatbots et autres assistants vocaux. Les formats de données vont se diversifier avec l’analyse automatisée de l’image, de la vidéo et de la voix. Sur des secteurs particuliers comme le tourisme, la mode ou encore la beauté, l’analyse des données sous forme de photos et vidéos deviendra la norme. Les consommateurs leur accordant un crédit plus important que le texte.
Où en sommes-nous dans la reconnaissance automatisée et fidèle du parcours client ?
CD : Il y a des avancées, mais aussi des marches arrières suite à la réglementation, comme le RGPD ou l’ePrivacy.
Ces dernières années nous avons essayé de construire une vision 360 du parcours client en croisant des données internes et externes [1st party, 2nd and 3rd party…]. L’enjeu pour le machine learning est d’arriver à réconcilier ces différents types de données. Ensuite, la deuxième étape est de labelliser les consommateurs. Cette clusterisation est enrichie par trois facteurs : moment, intensité, centre d’intérêt.
Pour y parvenir, nous avons besoin d’un historique, de pouvoir deviner les moments de vie. Le RGPD et demain l’ePrivacy – qui limitera l’utilisation des cookies – vont soulever de vraies questions sur les investissements en place, notamment ceux liés aux DMP. Aux annonceurs, aux data scientists et aux planners stratégiques de s’adapter en mettant en place une collecte pertinente et légale des données !
L’IA peut parfois avoir un côté « boîte noire » avec des raisonnements intermédiaires auxquels nous n’avons pas accès. Ne craignez-vous pas que cela soit problématique dans les domaines du marketing et de la communication, où le sens est clé ?
CD : Derrière le terme de machine learning se cachent de nombreux modèles mathématiques. Certains n’offrent pas de résultats interprétables. D’autres, au contraire, permettent une lisibilité des règles de décision mais des performances statistiques généralement plus faibles. Un arbitrage doit se faire entre besoin de transparence et performance.
Toutefois, quel que soit le modèle utilisé, les prises de décisions sont construites sur la base des données. La question de l’usage de « boîte noire » peut alors être décalée, en partie, sur la construction du jeu de données. Celui-ci doit être conforme aux réglementations mais aussi respecter des règles éthiques pour éviter toute discrimination, par exemple à cause d’un historique où la diversité et la parité sont mal équilibrées. La phase exploratoire réalisée par les data scientists doit mettre en lumière et corriger ces biais.
Comment avez-vous commencé à travailler avec [tag]WNP[/tag] ? Comment forme-t-on une agence de publicité au machine learning ?
CD : L’ADN de Factonics est à la croisée entre technologie et stratégie d’entreprise.
Nous offrons aux entreprises les outils techniques pour cartographier, piloter et diffuser les algorithmes de façon transversale à l’ensemble de l’organisation. L’enjeu est de dépasser le plafond de verre qui a limité, sur les dernières années, l’exploitation du machine learning en entreprise. Pour ce faire, il faut sortir d’une logique de défiance qui oppose trop souvent les agences et les startups technologiques afin de mutualiser les compétences. Nous partageons cette même vision avec WNP. Mutualiser nos avantages respectifs, pour exploiter le machine learning au coeur de dispositifs ambitieux.
Nous devons expliquer que le machine learning est avant tout un moyen de fluidifier la collaboration entre tous les métiers de l’agence avant de décupler le niveau des analyses et la qualité des recommandations offertes aux clients. Pour ce faire, nous avons créé un socle de connaissances communes, illustrées par de nombreux cas d’usage dans le cadre d’une formation de deux jours auprès d’une « task force » de WNP, comportant des représentants de tous les métiers de l’agence.
Quels sont les premiers retours des annonceurs face au machine learning ?
CD : L’afflux massif d’informations a été intégré par les annonceurs. Leur exploitation est devenue un impératif. Nous avons dépassé la phase de sensibilisation, puis celle de l’innovation, pour atteindre celle du déploiement.
Les annonceurs ont aujourd’hui des attentes plus fortes en matière de performance et d’actionnabilité des analyses générées par les données. Ils sont pressés par les consommateurs à transformer leurs méthodes de communication, à augmenter la qualité de leurs messages, tout en bénéficiant de données que les marques n’exploitaient pas auparavant. Le machine learning apporte des dispositifs concrets à ce nouveau paradigme.
Comment voyez-vous votre discipline évoluer dans les années à venir ?
CD : Le machine learning va devenir une commodité. Le recours à l’algorithme sera un réflexe, un moyen à la disposition des annonceurs et des agences. Toutefois, le défi sera de rassembler les bonnes compétences (planners, créatifs, machine learners …) afin de croiser toujours plus de données. L’enjeu sera également d’inventer les modèles mathématiques susceptibles de satisfaire à la fois des impératifs de performance et le respect des engagements vis-à-vis des consommateurs. Le machine learning est au final une opportunité de replacer le consommateur au centre.
Crédit photo : Vincent Bousserez
