64px_Speech Bubble

Comment améliorer votre stratégie marketing grâce au Machine Learning ?

dans Data management,
Le 3 février 2021 par Blanca Rivera

Les avancées en machine learning ont révolutionné le secteur technologique et de l’industrie, mais la plupart des spécialistes du marketing n’ont pas encore commencé à explorer le potentiel de cette technologie.

Si nous prenons en compte la quantité de données auxquelles nous pouvons accéder sur nos clients (pages visitées, produits achetés, interactions avec une marque, comportement sur le site, informations du CRM…), les possibilités d’analyse sont énormes. Le machine learning peut permettre de réaliser des analyses prédictives. Il ne s’agit pas de décrire la réalité d’un moment, mais de prévoir les résultats auxquels on peut s’attendre.

Dans cet article nous vous présentons les principes du machine learning et comment cela peut vous aider à la prise de décisions !

Comment créer des modèles de machine learning grâce à BigQuery ML ?

L’apprentissage automatique, ou machine learning, est un ensemble d’algorithmes qui ont la capacité “d’apprendre” en fonction des données que nous leur fournissons, c’est-à-dire de résoudre des problèmes sans être explicitement programmés pour chaque situation.

La qualité d’un modèle de machine learning dépend de la quantité et qualité de données que nous utilisons pour l’entraîner. Pour avoir un bon modèle, nous avons besoin d’une grande quantité de données et cela nécessite d’une grande infrastructure pour stocker et requêter notre base de données, ce qui est coûteux et long. BigQuery ML nous permet de concevoir des modèles de machine learning en utilisant des requêtes SQL ultra-rapides grâce à la puissance de traitement de l’infrastructure de Google.

Construction d’un modèle de machine learning sur BigQuery ML

La construction d’un modèle de ML repose sur 3 étapes :

  1. Apprentissage : On crée un modèle qui apprend à modéliser un phénomène à partir du dataset hébergé par BigQuery. Par exemple, le comportement d’un utilisateur pendant une période déterminée.
  2. Évaluation : On évalue le modèle créé à partir d’un dataset contenant les mêmes variables que celui qui à permis de le créer mais avec un jeu de données différent. Par exemple, le comportement du même utilisateur mais pendant une autre période.
  3. Prédiction : Une fois que le modèle a des critères d’évaluation assez bon, on l’utilise pour effectuer des analyses prédictives. Par exemple, nous pouvons prédire le comportement de cet utilisateur dans une période future.

étapes machine learning

Comment le machine learning peut améliorer mon business ?

L’utilisation des analyses prédictives du machine learning présente de nombreux avantages d’un point de vue commercial et marketing :

  • Prévisions précises de la demande (forecasting)
  • Prévisions sur les conversions. Par exemple, un modèle de ML  peut constater que la visualisation de toutes les images sur une page de produit a un énorme pouvoir prédictif pour les achats futurs.
  • Déterminer l’offre idéale pour une efficacité maximale
  • Réduire les coûts. Les tâches automatisées réduisent l’investissement en temps humain.
  • Accélérer l’innovation et le développement.

Cas pratique : Comment exploiter les données Google Analytics 4 avec BigQuery ML ?

Associé avec Google Analytics 4, BigQuery permet de requêter les données brutes et non échantillonnées afin de pouvoir mener des analyses statistiques significatives sur l’ensemble des données.

Grâce à BigQuery ML nous pouvons collecter les données de Google Analytics 4, exploiter des fonctionnalités, entraîner des modèles et effectuer des prédictions. Nous allons vous présenter 3 exemples d’utilisation de BigQuery ML sur vos données GA4.

Lifetime value

Dans une optique e-commerce, nous pouvons modéliser la valeur qui pourrait représenter un client au bout d’une certaine durée en appliquant un modèle de régression linéaire – modèle qui permet de modéliser une variable  numérique à partir d’autres variables numériques -. 

Lorsque nous demandons des données à GA4 à l’aide de BigQuery, nous générons un ensemble de données qui collecte des indicateurs de comportement pour chaque nouveau client en 2019 (nombre de pages vues, nombre de produits achetés, catégories de produit visitées, etc.) et le chiffre d’affaire qu’il a généré. 

Nous évaluons ensuite ce modèle à partir des mêmes indicateurs mais cette fois à partir des données de 2020. Et pour 2021 nous pouvons prédire le CA que ce client va nous rapporter.

Analyse de churn

Le taux de churn permet d’analyser la fidélité d’une clientèle à une marque ainsi que l’impact de modifications du marketing mix sur celle-ci. Nous pouvons, par exemple, prédire quels utilisateurs sont sur le point de résilier leur abonnement en utilisant un modèle de régression logistique – qui permet de modéliser la probabilité qu’un individu caractérisé par une variable binaire (oui/non, vrai/faux) de prendre la modalité 1 ou la modalité 2 -.

Grâce à BigQuery nous pouvons requêter les données GA4 afin de voir comment les utilisateurs qui ont churné en 2019 se sont comportés (fréquence de visites, type de page consultées, période de l’année…). Nous pouvons évaluer ce modèle à partir de churners de 2020, et ensuite prévenir les churners potentiels de 2021, avant même qu’ils n’aient résilié leur abonnement !

churners machine learning

Segmentation

En marketing il est très important de bien segmenter sa clientèle pour pouvoir mener des actions marketing ciblées. En machine learning on peut utiliser un modèle de clustering K-Means pour effectuer cette action. Ce modèle regroupe les individus en fonction des certaines variables que nous y intégrons et grâce à un algorithme, nous obtenons des groupes avec des individus qui partagent des similitudes et qui sont très différents des individus des autres groupes.

La principale plus-value par rapport à un segment Google Analytics est que cette analyse a une vertue exploratoire. Elle permet de mettre en évidence des segments que l’on n’imaginait pas forcément ou des segments que l’on veut définir soi-même en regroupant ensemble des individus en fonction d’autres critères que les critères proposés par défaut par Google Analytics.

A l’aide de BigQuery nous pouvons, donc, modéliser les caractéristiques des groupes et assigner les utilisateurs aux segments correspondants.

segments k-means

Conclusion

Les possibilités d’analyse du machine learning sont énormes et grâce à ces analyses nous pouvons donner des recommandations stratégiques et mettre en place des actions personnalisées pour nos différents utilisateurs. BigQuery ML nous permet, en plus, de stocker et requêter des données de façon rapide pour accélérer le flux de travail.

Les exemples que nous avons présentés sur l’exploitation des données GA4 grâce à BigQuery ML sont uniquement un aperçu du potentiel. Le futur des analyses marketing se dirige vers l’application des modèles plus complexes et profonds que ceux que nous utilisons jusqu’à présent. Les algorithmes du ML peuvent prouver ou réfuter l’hypothèse du marketeur et lui permettent d’ajuster le modèle pour pousser les prédictions dans la direction nécessaire.

Et vous, est-ce que vous avez déjà commencé à réfléchir à mettre en place des analyses de machine learning pour améliorer votre stratégie et votre business ? Nous sommes ouverts à la discussion, donc n’hésitez pas à prendre contact avec nous !