Le monde d'aujourd'hui est un monde de machines. Cette évolution est telle que certains craignent que l'intelligence artificielle ne menace l'emploi. Une telle inquiétude se justifie-t-elle pour autant ? Il semble qu'un sentiment d'excitation serait plus approprié. L'intelligence artificielle, plus spécialement le Deep Learning, révolutionne l'univers du marketing numérique, des ventes et du service client.

Téléchargez le rapport sur l'État et le Futur de la Tech en France

Il semble intéressant de chercher à savoir ce que cache vraiment l'apprentissage profond ou Deep Learning, comment il fonctionne, et de quelle manière il peut s'appliquer au marketing et aux ventes dans une entreprise.

Les réseaux neuronaux dans la publicité

Supposez que, pour des raisons de reciblage, un concessionnaire automobile en ligne souhaite recourir aux enchères en temps réel afin d'acheter un espace publicitaire pour son produit sur d'autres sites web.

Ce type d'enchères est un processus automatisé dont la durée ne dépasse pas 100 millisecondes. Lorsqu'un utilisateur consulte un site web, un annonceur en est averti et une série d'actions détermine si ce dernier émet une offre pour un affichage publicitaire. Examinez l'image suivante :

DeepLearning1

Source : Periscopix

Avec les enchères en temps réel, l'entreprise s'appuie sur un logiciel pour décider si elle veut enchérir pour une annonce donnée. Le logiciel prend alors la décision en prédisant si le visiteur est plus ou moins susceptible d'acheter un de ses produits. On parle alors de « propension à acheter ».

Dans cet exemple, l'entreprise va s'appuyer sur le Deep Learning pour établir une telle prédiction. Le logiciel d'enchères en temps réel va donc utiliser un réseau neuronal pour prédire la propension à acheter.

DeepLearning2

Le réseau neuronal du logiciel d'enchères en temps réel se compose de neurones interconnectés. Le réseau présenté sur l'image ci-dessus ne comporte que quelques neurones. En réalité, un réseau neuronal artificiel comporte des milliers, voire des millions de neurones et de connexions. 

Dans cet exemple, l'entreprise souhaite savoir si un visiteur de son site est susceptible d'acheter un véhicule et si elle doit acheter un espace publicitaire pour le cibler. Le résultat dépendra des centres d'intérêt et des actions du visiteur sur le site.

Pour prédire la propension à acheter, l'entreprise choisit d'abord plusieurs « caractéristiques » qui sont essentielles pour définir le comportement de cette personne en ligne. Dans cet exemple, ces caractéristiques correspondent aux pages qui ont été visitées parmi les quatre pages web suivantes :

  1. Tarifs
  2. Configurateur automobile
  3. Caractéristiques techniques
  4. Financement

Ces caractéristiques influenceront le résultat fourni par le réseau neuronal, et plus largement, la conclusion tirée par l'entreprise. Ce résultat peut se traduire de deux façons différentes.

  1. Le visiteur du site est intéressé par le produit : il est « prêt à acheter ». Conclusion : l'entreprise doit afficher une annonce.
  2. Le visiteur du site n'est pas intéressé par le produit : il n'est « pas prêt ». Conclusion : il est inutile d'afficher une annonce.

Fonctionnement du réseau neuronal

Examinez le schéma suivant :

DeepLearning3

Pour chaque donnée, les valeurs 0 ou 1 sont utilisées.

1 signifie que l'utilisateur a visité la page web. Les neurones qui se trouvent au centre cumuleront les valeurs des neurones connectés au moyen de pondérations. Autrement dit, ils définissent l'importance de chaque page web visitée.

Ce processus se poursuit de gauche à droite jusqu'aux neurones de « sortie », à savoir « prêt à acheter » ou « pas prêt », conformément à ce qui a été vu précédemment.

Plus la valeur de la sortie est élevée, plus la probabilité que cette sortie soit correcte est élevée et plus le réseau prédit avec précision le comportement de l'utilisateur.

Dans cet exemple, un visiteur du site a consulté les pages Tarifs et Configurateur automobile, mais pas les pages Caractéristiques techniques et Financement. D'après le système numérique ci-dessus, la note obtenue est 0,7, ce qui signifie qu'il existe 70 % de chances que cet utilisateur soit « prêt à acheter » le produit.

Au vu de la formule d'origine, cette note permet à l'entreprise de conclure qu'elle devrait acheter le placement d'annonce par voie d'enchères en temps réel.

Comment entraîner le réseau neuronal ?

Après avoir étudié le fonctionnement d'un réseau neuronal, il convient maintenant de voir comment il est possible de s'assurer que les neurones de sortie sont calculés correctement et permettent de prendre la bonne décision.

La difficulté est de trouver les bons facteurs de pondération pour toutes les connexions du réseau neuronal. Il est donc essentiel de former ce dernier.

Dans ce contexte, la « formation » consiste à alimenter le réseau neuronal à partir de données provenant de plusieurs visiteurs du site web, comme leurs caractéristiques (pages visitées), ainsi que d'indicateurs de l'entreprise concernant leurs décisions d'achat éventuelles (« oui » ou « non »).

Le réseau neuronal traite toutes ces données en ajustant le poids de chaque neurone jusqu'à ce qu'il effectue les calculs appropriés pour chaque personne en se basant sur les données fournies pour l'entraîner. Une fois cette étape terminée, les pondérations sont déterminées et le réseau neuronal peut prédire avec plus de précision le résultat pour les nouveaux visiteurs du site.

L'avenir du Deep Learning

Démocratisation de l'intelligence artificielle

L'intelligence artificielle trouve rapidement sa place parmi les outils marketing du quotidien. Par exemple, l'outil de création de chatbots de Motion.ai, qui s'appuie sur l'intelligence artificielle, permet de créer et de publier facilement votre propre chatbot. Dialogflow, une plateforme Google, permet pour sa part de créer un chatbot pour une entreprise ou un service.

Les utilisations de l'intelligence artificielle ne s'arrêtent pas là. L'IA peut faciliter l'élaboration de campagnes publicitaires et d'e-mails hyper-personnalisés. Elle peut aussi servir à optimiser le score des leads, et à classer et à faire remonter les problèmes des clients. Plus globalement, l'intelligence artificielle est utile pour tout ce qui nécessite un traitement de données ou une orchestration.

Le Deep Learning peut être appliqué dans n'importe quel domaine du marketing digital, à condition de disposer d'une quantité suffisante de données de « formation ». La difficulté réside généralement dans l'extraction des données collectées par les différents outils marketing. Lorsqu'une entreprise commence à s'intéresser au Deep Learning et à l'intelligence artificielle, il lui est donc indispensable de se doter d'une plateforme d'intégration de données comme Blendr.io pour connecter ses données isolées.

L'intelligence artificielle au service d'une nouvelle intelligence

Google explique que la conception des réseaux neuronaux est souvent très longue en termes de développement et d'expérimentation, car toutes les couches du réseau doivent être conçues par l'homme. Pour cette raison, les équipes Google ont inventé AutoML : une intelligence artificielle capable de créer de nouveaux algorithmes d'intelligence artificielle plus puissants.

Il est facile d'imaginer tout ce que ce type de technologie peut apporter à des domaines comme le marketing automation. L'intelligence artificielle pourra créer d'autres algorithmes d'IA personnalisés qui apprendront et optimiseront automatiquement les campagnes de nurturing, par exemple.

Bien qu'il paraisse complexe, le processus d'apprentissage profond se résume la plupart du temps aux mathématiques. Les réseaux neuronaux apprennent de la même manière que les humains, c'est-à-dire en observant de nombreux exemples et en découvrant les points communs entre eux.

Une fois formé, le réseau neuronal peut accomplir des tâches complexes et parvenir à un certain niveau de raisonnement. Le Deep Learning et l'intelligence artificielle peuvent ainsi être intégrés dans de nombreux aspects du marketing digital et de l'automatisation des ventes.

Pour découvrir les autres tendances et les pistes de développement de votre entreprise, téléchargez ce rapport gratuit sur le secteur des nouvelles technologies en France. 

CTA-French-Tech-HubSpot

Publication originale le 8 novembre 2019, mise à jour le 08 novembre 2019

Sujet(s):

Growth hacking