Notre glossaire, méticuleusement élaboré, est votre boussole dans l’univers complexe et dynamique du marketing, de la communication et du digital. Ici, chaque terme est une clé que nous vous aidons à décrypter pour vous ouvrir a des concepts innovants et des stratégies éprouvées. Plongez dans nos thématiques pour éclairer votre chemin vers l’excellence et la créativité.
Le Machine Learning (ML), ou apprentissage automatique, est une branche de l’intelligence artificielle (IA) qui permet aux systèmes d’apprendre à partir de données, d’y repérer des régularités et de produire des prédictions sans programmation explicite des règles.
Le principe est l’entraînement. Un algorithme ajuste les paramètres d’un modèle sur un jeu d’exemples, puis le modèle est évalué sur des données qu’il n’a pas vues. Une fois validé, il s’applique à de nouveaux cas : c’est la phase d’inférence. Ses performances dépendent de la qualité et de la représentativité des données d’entraînement. Un modèle déployé ne s’améliore pas de lui-même : il progresse seulement s’il est réentraîné sur des données nouvelles.
Le ML se divise en plusieurs familles. L’apprentissage supervisé part d’exemples étiquetés, par exemple des clients dont on sait s’ils ont racheté. L’apprentissage non supervisé cherche des groupes ou des structures dans des données sans étiquette. L’apprentissage par renforcement procède par essais et erreurs, guidé par des récompenses. L’apprentissage semi-supervisé combine quelques exemples étiquetés et un grand volume de données brutes.
Le ML se distingue du deep learning, qui en est une sous-famille fondée sur des réseaux de neurones à nombreuses couches. Il se distingue aussi de l’IA générative, qui s’appuie sur l’apprentissage profond pour produire du texte ou des images, alors que les usages classiques du ML prédisent une valeur ou une catégorie. En France, la Commission d’enrichissement de la langue française recommande « apprentissage automatique » depuis 2018, selon le Grand dictionnaire terminologique de l’Office québécois de la langue française. En marketing, le ML sert notamment au scoring prédictif, à la segmentation, à la recommandation de produits et à la prévision des ventes.
Le ML remplace une règle fixée à l’avance par une prédiction calculée pour chaque client : probabilité d’achat, risque de départ, valeur à vie du client attendue. L’intérêt ne tient pas au modèle, mais à la décision qu’il améliore : qui relancer, quelle offre proposer, quel budget allouer. Nous recommandons de partir de cette décision, puis de chercher la donnée et l’algorithme. L’ordre inverse risque de produire des modèles soignés que personne n’utilise.
Les métriques techniques jugent la qualité de la prédiction : précision, rappel, erreur moyenne. Elles ne suffisent pas. Si 3 % des clients partent chaque année, un modèle qui annonce « aucun départ » pour tous affiche 97 % de bonnes réponses sans rien prédire d’utile. Seule la mesure métier tranche : écart de chiffre d’affaires, de marge ou de taux de réachat entre le groupe traité avec le modèle et le groupe témoin. Nous recommandons de fixer ce gain attendu avant le projet, et d’arrêter le modèle s’il ne bat pas la référence simple.
Dès qu’un modèle traite des données personnelles, par exemple pour calculer un score d’appétence, le RGPD s’applique : base légale, information des personnes, limitation aux données nécessaires. Nous recommandons d’associer le délégué à la protection des données, s’il a été désigné, ou la personne chargée de la conformité, dès le cadrage et non au moment du déploiement.
Advalians aide vos équipes à repérer les cas d’usage de l’IA à forte valeur, à les tester par étapes mesurables et à monter en compétences pour les exploiter.
Le deep learning est une sous-famille du machine learning. Il repose sur des réseaux de neurones à nombreuses couches, capables d’apprendre eux-mêmes leurs représentations à partir de données brutes comme des images, du son ou du texte. Le machine learning classique travaille plutôt sur des données en tableau, avec des variables préparées.
Critère pratique : pour prédire un comportement d’achat à partir d’un fichier clients, les méthodes classiques suffisent souvent et restent plus faciles à expliquer. Le deep learning se justifie pour les images, la voix, le texte libre ou de très grands volumes.
Choisissez une décision fréquente, déjà prise aujourd’hui avec une règle simple, et dont l’effet se mesure vite. Le score de réachat, la priorisation des prospects ou la prévision des volumes de commandes remplissent souvent ces conditions.
Vérifiez trois points avant de lancer : un historique suffisant, avec des exemples des deux issues, des données disponibles au moment de la décision et une équipe prête à agir sur le score. Si l’un manque, traitez-le d’abord. Un premier projet réussi sur un périmètre étroit vaut mieux qu’un projet ambitieux jamais déployé.
Comparez les résultats obtenus avec le modèle à ceux d’un groupe témoin traité sans lui, ou avec la règle actuelle. Mesurez l’écart sur un indicateur métier : chiffre d’affaires, marge, taux de réachat ou taux de transformation.
Les métriques techniques ne suffisent pas. Le taux de bonnes réponses, en particulier, peut être excellent sans aucun gain commercial lorsque l’événement visé est rare : un modèle qui ne prédit jamais de départ semble juste presque à tous les coups. Fixez avant le test le gain minimal qui justifie le coût du modèle et de sa maintenance. En dessous, conservez la règle simple.
Parce que le monde change et que le modèle ne le sait pas. Les comportements d’achat, l’offre, les prix ou les sources de données évoluent : les relations apprises sur l’historique deviennent moins vraies. On parle de dérive des données.
Prévoyez dès le départ un suivi mensuel de deux indicateurs : la distribution des scores produits et la performance réelle sur les cas récents. Fixez un seuil d’alerte qui déclenche un réentraînement. Documentez chaque version du modèle pour pouvoir revenir en arrière si une nouvelle version fait moins bien.
Préférez des règles lorsque les données sont rares, lorsque la décision est peu fréquente ou lorsqu’une explication complète de chaque décision est exigée. Une règle claire, comme relancer les clients sans achat depuis six mois, se comprend, se contrôle et se corrige facilement.
Passez au machine learning lorsque les règles se multiplient au point de devenir ingérables, lorsque de nombreuses variables interagissent ou lorsqu’un test montre un gain net face à la règle. Dans tous les cas, gardez la règle simple comme référence de comparaison.
Par Thomas Bizot – Président du cabinet Advalians
Le marketing évolue à grande vitesse. Longtemps centré sur l’acte d’achat pur, le..
Les directions marketing se trouvent aujourd’hui à un tournant décisif. Alors que la..
