Tout ce que vous pensiez savoir sur la modélisation analytique a changé

Note de l'éditeur : Ce qui suit est un article invité de David Baker, COO et co-fondateur de Cordial.

Les nouvelles de l'année dernière ont été difficiles pour les personnes travaillant dans la construction de modèles analytiques. Quelques appels soufflés sur la scène mondiale auront cet effet. Mais ceux qui croient qu'il est possible de prédire un résultat spécifique devraient visiter les tables de jeu de Las Vegas. En chemin, ils feraient bien de tenir compte des paroles de Peter Drucker, qui a déclaré : "Essayer de prédire l'avenir, c'est comme essayer de conduire sur une route de campagne la nuit sans lumière tout en regardant par la fenêtre arrière."

Drucker avait raison. C'est de la folie de croire qu'un modèle peut prédire l'avenir - une leçon que j'ai apprise pour la première fois à l'âge des ténèbres des années 1990, lorsque le processus prenait des semaines et que personne ne pensait que c'était cool d'être un quant. Bien sûr, à cette époque, nous avions relativement peu de points de données, et donc notre image d'un consommateur typique avait une ressemblance frappante, bien qu'unidimensionnelle, avec le constructeur de modèles. Mais dans quelques années, d'ici 2020, selon un rapport , chaque personne sur la planète générera 1,7 mégaoctet de nouvelles informations par seconde. Pour mettre cela en perspective, Audible estime qu'une heure d'audio représente environ 28 mégaoctets d'espace de stockage, ce qui signifie qu'une personne moyenne en 2020 générera l'équivalent d'une heure d'audio de haute qualité en 16,5 secondes environ.

Qu'est-ce que cela signifie d'avoir autant d'informations sur les consommateurs ? On peut dire que le flux d'informations est sur le point de passer d'un goutte à goutte à un océan puissant, mais même cette analogie minimise à quel point ce moment est transformateur. Nous ne parlons pas de nouvelles idées sur le même ancien consommateur. Nous assistons à l'arrivée d'un tout nouveau consommateur, un consommateur avec lequel les spécialistes du marketing doivent s'engager via l'apprentissage automatique. Ce qui peut être difficile, car l'apprentissage automatique change tout ce que nous savons déjà - et beaucoup plus que nous devons encore apprendre - sur la pratique de la modélisation analytique.

Démocratisation de la prise de décision

De nombreux spécialistes du marketing considèrent la pile marketing comme un entrepôt de données lourd nécessitant une coordination. Mais la pile est aussi une manière de penser la démocratisation de la prise de décision. Plus les spécialistes du marketing ingèrent d'informations, plus ils peuvent poser de questions. Avec plus de questions, les spécialistes du marketing peuvent imaginer plus de scénarios. Au fur et à mesure qu'ils élaborent de nouveaux scénarios, les spécialistes du marketing démocratisent la prise de décision incrémentielle. Cela ne signifie pas que tout le monde prend une décision, cela signifie simplement qu'il y a des niveaux dans l'entreprise qui possèdent des droits de décision pour différentes décisions, et plus important encore, ces niveaux peuvent être étendus et coordonnés à mesure que le besoin de plus de décisions se fait sentir.

Une récente entretien avec le directeur de la technologie marketing d'eBay offre un aperçu de la façon dont l'apprentissage automatique démocratise la prise de décision en ce moment. Pour eBay, le défi consiste à personnaliser une place de marché avec des milliards d'articles à vendre et 167 millions d'acheteurs actifs. La solution de l'entreprise consistait à permettre aux spécialistes du marketing d'eBay de créer des offres comme ils l'entendaient, mais de placer ensuite ces offres dans des compartiments spécifiques afin qu'un modèle d'apprentissage automatique puisse exploiter l'historique de navigation de l'utilisateur, ainsi que d'autres données vraisemblablement, pour prédire quelle offre un client trouverait le plus attrayant.

L'équipe marketing d'eBay prédit-elle l'avenir ? Absolument pas. Ce qu'ils font avec l'apprentissage automatique, c'est se donner un nombre exponentiellement plus grand de bouchées à la pomme proverbiale. Pensez-y de cette façon : le vieil adage est d'échouer rapidement, probablement parce que vous trouverez le succès bien plus tôt. Mais une meilleure façon d'énoncer ce vieil adage à l'avenir est : "Échouez plus intelligemment". Les offres créées par les spécialistes du marketing eBay sont toujours aléatoires – elles le seront toujours parce que la prédiction n'est pas la perfection – mais l'entreprise globale d'eBay frappe et rate beaucoup plus rapidement qu'auparavant, ce qui signifie qu'elle apprend également à un rythme exponentiellement plus rapide.

Mais rappelez-vous, la démocratisation est une voie à double sens

Les clients ont également accès à des outils d'apprentissage automatique. Nous faisons déjà confiance à l'apprentissage automatique pour organiser nos boîtes de réception, suggérer les films que nous regardons et gérer nos maisons. Bientôt, l'apprentissage automatique écrira nos réponses, et finalement, le côté consommateur de nombreux engagements sera également automatisé, ou à tout le moins, soutenu par l'apprentissage automatique. Alors, que se passe-t-il lorsque les outils d'apprentissage automatique d'un spécialiste du marketing se heurtent à ceux employés par les consommateurs ? La réponse courte est que nous ne savons pas. Mais si vous voulez un contexte pour comprendre le dynamisme de la démocratisation, regardez votre application de navigation.

Les fonctions de cartographie de nos téléphones sont plus que de simples créateurs d'itinéraires. Aujourd'hui, nous attendons de nos téléphones qu'ils nous indiquent l'itinéraire le plus rapide compte tenu des conditions de circulation. Les applications de navigation sont adaptatives par nature, ce qui est nécessaire car les modèles de trafic sont fluides et les conditions environnementales évoluent (par exemple, l'impact des conditions météorologiques sur les itinéraires et le trafic).

Bien sûr, il y a un nombre fini d'itinéraires car une ville donnée a un espace fini. Les engagements qui préoccupent les spécialistes du marketing sont exponentiellement plus complexes. Cette complexité augmentera à mesure que la prise de décision démocratisée s'intégrera davantage dans le comportement des consommateurs. Ce qui signifie que vous pouvez construire une entreprise pour échouer plus intelligemment, mais vous devez vous rappeler que quiconque est de l'autre côté de cet engagement échoue également plus intelligemment. Les offres d'eBay, par exemple, voient d'énormes avantages en termes de pertinence, grâce à l'apprentissage automatique. Mais du côté du client, un outil d'apprentissage automatique similaire pourrait filtrer les achats impulsifs, car ce modèle a appris ce qui suit sur un consommateur individuel : le regret des achats impulsifs.

Mais quand le modèle, articulé via l'apprentissage automatique, prédira-t-il l'avenir ?

Jamais. La modélisation analytique ne concerne pas la grande révélation prédictive. C'est une discipline conçue pour la prise de décision progressive, la gestion des risques et la création de scénarios pour réagir aux conditions du marché. L'apprentissage automatique ouvre de nouvelles capacités de modélisation analytique, mais les spécialistes du marketing doivent se souvenir de l'avertissement de Drucker concernant la prédiction de l'avenir. L'apprentissage automatique ne vous dira pas ce qui vous attend sur cette route sombre, mais il vous donnera exponentiellement plus d'options pour réagir à tout ce que l'avenir vous réserve lorsque vous y arriverez. Plus important encore, l'apprentissage automatique n'est pas quelque chose à craindre, en fait, il ne fait qu'accélérer ce pour quoi les spécialistes du marketing sont déjà doués : la pensée créative et la fourniture d'expériences exceptionnelles à leurs clients, et c'est vraiment l'objectif final sur lequel nous devons garder nos yeux.