Publicité par l’IA : de la personnalisation à l’ultra-pertinence

Les marketeurs s’efforcent chaque jour de proposer les bons produits aux consommateurs, au moment où ils sont le plus susceptibles d’acheter – et l’arrivée de l’intelligence artificielle dans le monde de la publicité leur simplifie aujourd’hui la tâche. Car la personnalisation n’est plus simplement un bonus – elle est désormais nécessaire, pour les marketeurs comme les consommateurs.

Avec l’IA, les recommandations de produits dans les publicités ont subi une profonde transformation et jouent aujourd’hui un rôle clé dans le parcours d’achat.

Les algorithmes de machine learning permettent désormais de traiter d’énormes volumes de données en constante évolution mais aussi de prédire les besoins futurs des utilisateurs. De fait, les annonces non pertinentes devraient donc peu à peu disparaître.

Et si ce n’était que le début ? Et s’il était possible de repousser encore les limites de l’intelligence artificielle pour créer des annonces ultra-pertinentes, contextuelles et bien plus convaincantes ?

Avec l’AI Lab, Criteo étudie et teste de nouveaux modèles de machine learning pour révolutionner les capacités de la publicité digitale. Nos recherches approfondies sur les systèmes de recommandation montrent que les recommandations de produits ont un bel avenir devant elles.

Mais avant de découvrir ce que le futur nous réserve, revenons tout d’abord sur la façon dont l’IA change aujourd’hui la publicité digitale ainsi que sur les progrès des moteurs de recommandation de produits.

Comprendre le rôle moteur du machine learning dans la personnalisation

Depuis des années, les marketeurs sont submergés par le traitement des données. Aujourd’hui, ces derniers se posent plusieurs questions : ai-je assez de données ? Ai-je les bonnes données ? Et surtout, comment être sûr(e) de les exploiter pleinement ?

La démocratisation de l’intelligence artificielle à travers les plates-formes de technologies publicitaires a complètement changé la donne. Plus le volume de données analysé par l’IA est grand, plus les marketeurs comprennent leurs utilisateurs au niveau individuel et leur proposent des annonces ultra-pertinentes. Avec l’IA, il n’y a donc jamais trop de données.

Les modèles de machine learning sont formés pour repérer des schémas parmi de vastes volumes de données historiques dont les comportements d’achat en ligne et les données de points de vente offline ainsi que les objectifs à atteindre. Ils prédisent ensuite le meilleur scénario possible – ici, le produit le plus susceptible d’intéresser l’utilisateur.

Les annonces créées sont personnalisées pour chaque destinataire mais aussi plus susceptibles de générer les résultats escomptés qu’il s’agisse d’un clic ou d’un achat. Après chaque prédiction, des retours sont envoyés au modèle, qui améliore alors sa performance.

Ce qui est beau avec l’IA, c’est que ces processus sont automatisés. Quelques principes clés sont toutefois à retenir :

L’IA profite à la fois aux annonceurs et aux consommateurs

La personnalisation au niveau individuel permet aux marketeurs d’exploiter pleinement leurs données et leurs budgets. Les modèles de machine learning sont optimisés en fonction de leurs objectifs et les annonces sont conçues pour rentabiliser le mieux possible les dépenses publicitaires.

L’IA permet aujourd’hui de créer des annonces ultra-pertinentes pour des offres, des contenus et des publicités individuellement personnalisés. Avec les modèles prédictifs, les recommandations de produits des annonces basées sur l’IA permettent aux consommateurs de découvrir de nouveaux produits susceptibles de les intéresser.

De l’importance de l’ultra-pertinence : des recommandations de produits au design

Les annonces personnalisées proposent les produits les plus susceptibles d’intéresser les utilisateurs. Et tout est une question de contexte.

Vous exploitez tout le potentiel de vos données grâce au machine learning et vous créez ainsi des annonces aux bonnes couleurs, au bon format et sur le bon canal. De cette façon, l’IA propose des annonces uniques à chaque consommateur.

L’efficacité de l’IA dépend de la qualité de vos données

Tous les marketeurs veulent des données précises – mais avec de telles quantités difficile de filtrer complètement les informations de moins bonne qualité. Avec l’IA, l’impact d’une mauvaise source de données est bien plus grand qu’avec une feuille de calcul.

L’IA gagnera du terrain dans plusieurs domaines du marketing cette année et les données permettront d’alimenter des modèles prédictifs précis. Il est donc essentiel de s’assurer dès aujourd’hui de leur qualité. Pour cela, optez pour des partenaires de confiance et recrutez des data analysts pour filtrer les données inutilisables et vous en débarrasser.

Les recommandations de produits par l’IA aujourd’hui

Selon notre rapport sur l’Ad Tech en 2019, les annonces payantes restent la méthode publicitaire la plus utilisée dans le monde. Et ce n’est pas surprenant : les recommandations de produits font avancer les consommateurs dans leur parcours d’achat pour les rapprocher toujours plus de la conversion.

Mais l’efficacité d’une recommandation de produit dépend aussi du niveau de sophistication du modèle de recommandation et de la capacité des algorithmes de machine learning utilisés.

Les systèmes de recommandation fonctionnent sur le principe suivant : plus on en sait sur le consommateur, plus on peut lui proposer les produits qu’il/elle sera susceptible d’acheter. Le secteur a par ailleurs bien évolué depuis les premiers modèles de recommandation – des systèmes basés sur les retours explicites et sur la façon dont les utilisateurs notent les produits ou indiquent leurs préférences avec des articles ensuite traités par catégorie.

Ces dernières années, deux grands facteurs ont influencé l’évolution des modèles de recommandation :

1. Une IA plus performante

La puissance de calcul et le machine learning se sont extrêmement développés ces dernières années décuplant la capacité et la rapidité des systèmes de recommandation.

Criteo a conçu l’AI Lab pour repousser toujours plus les limites du deep learning et de l’IA. Notre objectif : construire un modèle capable d’améliorer la performance pour l’annonceur et de créer une expérience exceptionnelle pour l’utilisateur.

Et puisque les attentes des consommateurs évoluent sans cesse, notre connaissance de l’IA se développe elle aussi toujours plus.

2. Des modèles de recommandation avancés

Face aux besoins plus poussés des marketeurs, les systèmes de recommandation sont passés de l’explicite à l’implicite – autrement dit, des produits que les consommateurs affirment préférer aux articles qu’ils sont le plus susceptibles d’acheter.

Les produits sont aussi considérés au-delà des catégories et au niveau du SKU pour des recommandations plus précises.

Grâce à son AI Lab, Criteo étudie et teste les modèles de recommandation pour atteindre (et un jour surpasser) un niveau d’ultra-pertinence.

Ces deux facteurs changent aujourd’hui la donne de la recommandation de produits dans les annonces. Loin de se limiter aux produits-mêmes et aux catégories, ces dernières sont aujourd’hui basées sur le consommateur et son parcours d’achat.

Tels des assistants personnels, les recommandations de produits doivent permettre aux consommateurs de découvrir les derniers articles les plus susceptibles de répondre à leurs besoins actuels. Dans l’idéal, le système répond même aux besoins des consommateurs avant qu’ils ne surviennent.

Les modèles de recommandation avancés permettent aux annonceurs d’atteindre plus efficacement leurs objectifs et d’ajouter de la valeur aux expériences digitales des utilisateurs. Selon Accenture Interactive, 91 % des consommateurs sont plus susceptibles d’acheter chez les marques capables de les identifier sur tous les canaux et de leur proposer des offres et des recommandations pertinentes.

Quel avenir pour les moteurs de recommandation ? Comment tenir compte de la causalité pour plus d’efficacité

Les marketeurs les plus avisés se demandent souvent ce que l’avenir leur réserve. Criteo aussi. Et notre AI Lab a la réponse : les futurs systèmes de recommandation comprendront le lien de cause à effet des recommandations de produits sur le comportement de l’utilisateur.

Les moteurs de recommandation actuels se basent sur le degré corrélation. Avec l’IA, la nouvelle génération de systèmes intègrera non seulement les données historiques des utilisateurs mais aussi l’effet de chaque recommandation de produit proposée et la réaction engendrée.

Enrichis de ces données, les algorithmes actualiseront alors les prochaines recommandations en temps réel pour un impact maximal sur le consommateur. Autre avantage : les marketeurs pourront mesurer l’influence de leurs produits sur le comportement des consommateurs ayant visualisé les annonces.

Si notre modèle de recommandation causal est encore en phase expérimentale, nos spécialistes confirment qu’il s’agit là d’un nouveau facteur déterminant pour les recommandations de produits.

Côté annonceurs, les recommandations basées sur la causalité permettront de booster l’efficacité des budgets publicitaires et de mieux comprendre le comportement des consommateurs – avec bien sûr plus de ventes à la clé. L’objectif de Criteo est également de diminuer le nombre d’annonces non-pertinentes proposées aux utilisateurs avec des offres reflétant toujours leur parcours d’achat.

Les annonces ultra-pertinentes générées par ce nouveau modèle seront aussi plus diverses et plus inattendues, inspirant et guidant les consommateurs à travers un parcours unique vers de nouveaux produits.

Des données pleinement exploitées

L’IA permet aux entreprises de toutes tailles et de tous secteurs d’exploiter pleinement leurs données. Avec une plate-forme publicitaire basée sur de puissantes fonctionnalités d’IA, les marketeurs proposent une personnalisation et une expérience client dignes de celles des plus grandes entreprises internationales.

Criteo a investi 23 millions sur trois ans pour développer son AI Lab et permettre aux entreprises de réaliser pleinement le potentiel de leurs données. L’AI Lab fusionne les équipes Criteo Research et Machine Learning Platform Engineering, donnant à Criteo toutes les capacités techniques nécessaires pour développer et intégrer une IA de pointe à ses systèmes de production, tout en innovant pour faire évoluer l’ensemble de l’industrie.

Nous croyons en un marketing où les professionnels misent sur les données consommateurs pour créer des annonces ultra-pertinentes, de meilleures expériences et de solides relations clients.

Rendez-vous sur ailab.criteo.com pour découvrir tous les travaux et publications de l’AI Lab et suivre l’évolution de nos recherches sur le modèle de recommandation causal.