Intelligence artificielle, analytique et marketing numérique

Données, données, données. Nous avons tellement de choses, mais connaissons-nous toute la puissance de toutes les informations que nous avons à portée de main ? Avec la complexité et la taille croissantes des ensembles de données et des capacités marketing, l'intelligence artificielle (IA) et ses sous-ensembles (traitement du langage naturel, vision par ordinateur et apprentissage automatique) présentent un moyen efficace d'organiser et d'utiliser toutes ces données à utiliser pour la collecte aperçus de l'analyse numérique. Ces sous-ensembles sont devenus de plus en plus populaires ces dernières années pour améliorer le retour sur investissement et augmenter les bénéfices globaux en raison de leur nature prédictive précise. Voici quelques-unes des façons dont les organisations tirent déjà parti des solutions d'apprentissage automatique.

Traitement du langage naturel

Si vous avez déjà utilisé un chatbot ou Siri, vous avez été exposé au traitement du langage naturel (TAL). Le langage humain est extrêmement complexe et varié. Bien qu'en théorie le langage soit structuré, en réalité, des variations syntaxiques, sémantiques et phonétiques existent au sein des langues, ce qui signifie qu'il peut être difficile d'assigner des objectifs définis pour l'extraction textuelle ou verbale. Dans ce cas, la PNL est importante car nous pouvons « apprendre » à un programme à identifier des modèles syntaxiques, sémantiques et phonétiques pour organiser les données de cette manière.

Pourquoi s'en soucie-t-on ?

Traiter des millions de mots prendrait beaucoup trop de temps alors que nous pouvons plutôt former un programme pour structurer les données sous une forme que nous pouvons utiliser pour éclairer les stratégies de marketing.

Graphique de traitement NLP : affiche le processus dans lequel les données sont organisées pour être traitées plus facilement

Vision par ordinateur

La vision par ordinateur change non seulement la façon dont nous achetons, conduisons et nous connectons aux appareils, mais elle change également la façon dont nous commercialisons. L'un des principaux moyens d'utiliser les programmes de vision consiste à mettre en œuvre des publicités contextuelles. Par exemple, supposons que vous fassiez de la publicité pour un studio de yoga. Les partenaires tiers peuvent analyser des sites pour rechercher des images similaires au yoga, par exemple un site affichant des poses de yoga. Ils le font en utilisant la segmentation d'image (processus abrégé vu ci-dessous). À ce stade, une annonce pour votre studio de yoga peut être placée, garantissant que vous touchez un public plus pertinent que vous ne le feriez avec un ciblage strictement public.

Une autre utilisation de la vision par ordinateur est l'écoute sociale. Ces types de programmes peuvent identifier quand votre marque a été mentionnée ou ses photos ont été utilisées, ce qui peut vous donner plus d'informations sur la façon dont la marque se porte. La vision par ordinateur est relativement nouvelle dans le domaine du marketing et n'est en aucun cas parfaite, car la segmentation d'une image est beaucoup plus difficile que la segmentation d'un mot. Actuellement, des initiatives tirant parti de la vision par ordinateur sont lancées par des entreprises comme GumGum et Vibrant Media. Globalement, les tendances publicitaires n'indiquent pas tant que ce type de publicité remplacera le ciblage contextuel et utilisateur, mais qu'il constituera une option supplémentaire pour le ciblage. Le ciblage d'audience et contextuel sera toujours crucial en raison de la fiabilité des données de 1ère et 2ème partie.

Pourquoi s'en soucie-t-on ?

En tant que professionnels du marketing, nous devons agir rapidement pour capter le bon public au bon moment. Avec la nature visuelle de notre société, nous pouvons utiliser les capacités de la technologie de la vision pour diversifier nos options de ciblage en matière de marketing numérique.

Traitement de la vision : Le processus dans lequel l'image est prise et les parties de l'image sont extraites pour développer des parties plus organisées et standard

Apprentissage automatique

Bien que l'apprentissage automatique et la PNL soient très similaires dans la manière dont ils exploitent les données, la principale différence est que la PNL est axée sur la langue, ce qui signifie que les données doivent d'abord être structurées. Cependant, l'apprentissage automatique se concentre davantage sur l'aspect statistique du traitement des données structurées. L'apprentissage automatique est fréquemment utilisé dans les pratiques de PNL. La façon la plus courante d'utiliser l'apprentissage automatique dans le marketing concerne le ciblage des stratégies de curation et d'enchères. Pour les enchères, les jours de vente manuelle et d'achat d'inventaire sont comptés. Nous utilisons désormais autant que possible des algorithmes d'apprentissage automatique pour déterminer l'enchère la plus optimale et la plus efficace pour l'inventaire.

Cela est allé encore plus loin avec le développement de multiplicateurs d'enchères dans le paysage programmatique. Vous pouvez configurer des multiplicateurs qui, si un certain aspect est appelé (type d'appareil, audience, zone géographique, etc.), peuvent dépasser votre enchère maximale définie d'un certain pourcentage si l'algorithme détecte que l'inventaire sur lequel vous enchérissez est très susceptible de surpasser le KPI.

En ce qui concerne les audiences, ces algorithmes peuvent créer des segments d'audience en fonction des modèles observés. Par exemple, c'est ainsi que sont créées les audiences similaires de Facebook. Une fois que l'algorithme a déterminé le segment d'audience, il peut rechercher des modèles observés en dehors de ce segment (instances qui se produisent moins souvent) et déterminer qu'il pourrait s'agir d'un sosie et d'un interprète proche prédit du segment déterminé précédemment.

Pourquoi s'en soucie-t-on ?

L'apprentissage automatique nous rapproche d'une offre efficace et d'un public plus pertinent. Le marché devenant de plus en plus compétitif en raison de niveaux d'enchères supplémentaires (enchères préférées, en-tête, etc.) à mesure que de plus en plus de marques exploitent les médias numériques, nous devons faire ce que nous pouvons pour rester compétitifs tout en étant rentables avec notre stratégie d'enchères et d'audience.

Processus d'apprentissage automatique : illustré ci-dessus, le processus dans lequel les données brutes sont transformées en données structurées et les données structurées se transforment en données pouvant être analysées

L'avenir est plein d'opportunités pour l'IA et le marketing. Un exemple intéressant qui existe déjà est l'utilisation de la publicité géo-ciblée dans les voitures : avec la création et le développement ultérieur des voitures autonomes, les consommateurs pourront voir des publicités géo-pertinentes dans la voiture.

À l'avenir, il y aura davantage d'options d'enchères automatisées. Bien que les enchères soient déjà automatisées dans une certaine mesure, les annonceurs sont quelque peu limités dans la définition des KPI vers lesquels l'algorithme va s'optimiser. Nous pourrions voir quelque chose qui permet à un algorithme de planifier et de définir des enchères pour des KPI plus spécifiques au-delà des CPM et des CTR. Avec toutes les données granulaires que nous pourrons acquérir et organiser avec l'utilisation de l'IA, une personnalisation plus poussée des publicités sera possible. En utilisant des créations et des données dynamiques, nous serons en mesure d'afficher des créations qui résonnent plus étroitement avec le public cible.

Dans l'ensemble, en tant que spécialistes du marketing, nous devons tirer pleinement parti des développements technologiques qui nous attendent pour prendre des décisions marketing éclairées, efficientes et efficaces.

Lectures complémentaires :

Forbes, TechEmergence et AI4Marketing