Monthly Archives

mai 2018

Digital-émois Intelligence Artificielle

IA : mon nouveau soutien produit

digital-emois.fr

Le machine learning permet d’extraire facilement et simplement un maximum d’insights de l’analyse big data et du web social pour créer de  la valeur. Cette agrégation de tout ce qui est dit sur la marque permet de mettre en évidence des insights et des tendances non détectable avec l’analyse humaine. Voici différentes applications concrètes d’assistance à la veille et conception des offres :

Veille sociale

Sur les réseaux sociaux, les contenus intégrant des images se généralisent et génèrent plus d’engagement qu’un simple texte ou qu’un lien. Face à cette vague de fond, la société Linkfluence, spécialisée dans le Social Listening, a intégré la reconnaissance d’images pour permettre aux marques d’avoir une analyse plus exhaustive des publications sociales qui les concernent. Cette technologie, basée sur le machine learning, permet aux marques de mieux appréhender leur présence sur le web et les usages qui sont faits de leurs produits. Grâce à l’analyse des images, les marques identifient plus facilement leurs influenceurs et ambassadeurs et en cas de crise elles peuvent ajuster leur action.

En complément de la reconnaissance d’image, le machine learning est capable depuis tout récemment, d’intégrer également une reconnaissance de la personnalité de l’internaute. Cette analyse de sentiment intègre des paramètres comme l’affect, l’humeur et l’émotion pour mieux l’intégrer à un scénario marketing.

Veille tarifaire

Autre activité que le machine learning simplifie grandement en permettant aux e-commerçants de suivre les prix de leurs concurrents.

Les marques ont besoin dans un contexte marché aussi compliqué que celui dans lequel elles opèrent actuellement, d’une stratégie de prix temps réel et contextualisé. Grâce à des algorithmes de matching les produits identiques d’un e-commerçant avec ceux de ses concurrents sont détectés et associés. Leurs prix sont alors mis sous surveillance quotidienne avec un système d’alertes pour permettre à la marque d’être réactive. C’est l’algorithme qui détermine par exemple la meilleure fréquence de suivi de chaque produit et chaque site.

En observant et analysant les variations de prix d’une marque concurrente le machine learning est capable d’anticiper les prochaines variations et d’en déduire la stratégie de prix de la marque. Un outil comme Profitero suit activement 450 millions de produits dans plus de 5000 sites de vente au détail, dans plus de 45 pays !

Positionnement tarifaire

Certains des outils de surveillance des tarifs vont jusqu’à intégrer la politique tarifaire interne et la politique commerciale. Ils croisent alors ces données avec celles de la concurrence pour produire des rapports de recommandation sur le positionnement prix à tenir. Ces super-assistants peuvent même gérer la mise à jour automatique des tarifs. Ainsi le système Amazon pilote plus de 2,5 millions changements de prix par jour [1] !

Recommandation produit

Les moteurs de recommandation produit sont déjà très développé et nous sommes nombreux à avoir déjà expérimenté la puissance des technologies de personnalisation, sans s’en rendre compte. C’est par exemple, la possibilité  de trouver un ancien collègue via la fonction « Personnes que vous connaissez peut-être » de LinkedIn. Ces moteurs de recommandation permettent d’anticiper de façon très précise les préférences des acheteurs via des algorithmes spécifiques utilisant des données historiques.

A l’image de la solution IBM Product Recommendations, ces moteurs de recommandation produit fournissent des recommandations d’achat personnalisés dynamiques sur les canaux Web, mobiles et email. Ils génèrent automatiquement des recommandations de produit sur la base des caractéristiques spécifiques d’un client, de ses achats antérieurs, de ses comportements d’achat actuels et passés, et de règles métier.

Le système utilise les données de comportement des visiteurs générées pendant chaque session, par exemple les termes de recherche entrés et les produits consultés et applique des algorithmes basés sur les tendances actuelles pour créer des recommandations de produits à la fois optimales, pertinentes et en quasi-temps réel.

Les moteurs peuvent aussi s’appuyer sur la reconnaissance visuelle. L’algorithme apprend alors de l’individu en l‘invitant à sélectionner les visuels le plus proche de son besoin. Le machine learning analyse les visuels des différents produits d’un site par exemple afin de proposer des produits visuellement similaires au produit source et cela en basant uniquement sur l’image, sans aucun attribut produit permettant définir une similarité. Cela permet par exemple au visiteur d’un site de disposer d’un aperçu plus large de la gamme d’offre disponible et de lui éviter de devoir visiter trop de pages pour trouver le produit qu’il cherche !

Le moteur de recommandation va devenir un incontournable dans le parcours client, du fait de la multitude de produit, mais surtout de cette exigence de réponse personnalisée.

Rédaction de fiches produit

Des solutions pour produire de façon automatisée le contenu des fiches produit en langage naturel sont désormais disponibles. LabSense par exemple, rédige à grande échelle et à une vitesse extrême des textes à partir de données Concrètement, un algorithme permet de comprendre et de structurer les datas des entreprises et de les interpréter ensuite en langage naturel de façon automatique et en temps réel.

LabSense travaille notamment pour des e-commerçants qui ont besoin de rédiger des fiches pour leurs centaines, voire milliers, de produits à partir de leurs caractéristiques. “Un client qui commercialise les offres de 300 000 hôtels dans le monde souhaitait une fiche unique pour chaque établissement. Une fois les paramétrages effectués, il a fallu une nuit de temps-machine pour rédiger les 300 000 fiches”[2]. Au-delà de l’aspect rédactionnel, les contenus rédigés sont optimisés pour gagner en visibilité sur Internet, grâce au SEO.

Les moteurs de recherche étant plus en plus exigeants concernant la qualité du contenu et le respect de la sémantique,  les algorithmes intègrent un champ sémantique. C’est en tout cas la promesse d’une plateforme de machine learning telle que Scribeur. Son algorithme innovant permet de réaliser un audit sur les meilleurs contenus indexés par Google, afin d’en extraire les mots-clés les plus pertinents et de  définir un environnement sémantique pertinent.

 

Le développement de ces solutions évoluant très rapidement et sans cesse, le but de cet article est d’illustrer des cas d’usage marketing. Ce propos n’est en rien exhaustif mais il permet simplement de prendre conscience de cette tendance de fond, et de l’arrivée irrémédiable de ces nouveaux assistants dans tous les domaines du  marketing… Retrouvez d’autres applications marketing [ici]

[1] Etude Profitero I Décembre 2014

[2] Edouard de Ménibus, Cofondateur de Lab Sense