IA & ML en marketing : fondamentaux et concepts clés

Assistez à trois démos fournisseurs en une semaine et « IA » désignera trois choses sans rapport entre elles : un modèle de scoring entraîné sur votre CRMCRMCustomer Relationship Management : logiciel et stratégie pour gérer et analyser les interactions clients tout au long de leur cycle de vie.Voir la définition complète →, un modèle de langage qui rédige des objets d'email, et un ensemble de règles si-alors emballées dans un deck bien assuré. Les trois arrivent sous le même mot, et un seul apprend quelque chose de vos clients. Cette leçon vous donne le vocabulaire pour les distinguer : ce qu'est la training data et ce qu'elle décide silencieusement à votre place, ce que produit un modèle de propension par rapport à ce que produit un modèle génératif, et les conditions étroites dans lesquelles une prédiction bat réellement une règle que vous auriez pu écrire vous-même.

Ce que signifient vraiment ia et ML en marketing

L'intelligence artificielle (IA) est la catégorie large : des logiciels qui exécutent des tâches nécessitant normalement un jugement humain. Le machine learning (ML) en est le sous-ensemble où le système déduit des patterns à partir de données historiques et met à jour ses sorties à mesure que de nouvelles données arrivent, sans que personne ne réécrive la logique à la main.

Un système d'emailing à base de règles envoie une remise à tous ceux qui ont abandonné un panier, parce qu'une personne en a décidé ainsi une fois. Un système ML déduit des comportements passés que les abandonnistes sur mobile entre 20h et 22h réagissent mieux à la livraison gratuite qu'à 10 % de remise, agit en conséquence, et continue de vérifier à mesure que le pattern se dégrade.

Cette différence change votre lecture d'un argumentaire fournisseur. Demandez s'il y a un modèle qui s'entraîne sur vos données et se met à jour dans le temps, ou un moteur de règles avec du vocabulaire IA greffé dessus. Les deux peuvent valoir l'achat. Un seul se dégrade si vous arrêtez de l'alimenter, et un seul peut vous surprendre.

Quatre concepts clés que tout CMO doit mamaUtiliser un logiciel pour automatiser les tâches et campagnes marketing répétitives, afin de personnaliser à grande échelle sur des canaux comme l'email, le web et le social.Voir la définition complète →îtriser

1. TRAINING DATA : LA SEULE CHOSE QUE VOTRE MODÈLE CONNAÎT

La training data est un tableau. Chaque ligne est un exemple : un client, une session, un envoi d'email. La plupart des colonnes sont des features, les signaux disponibles au moment de la décision. Une colonne est le label, le résultat que vous voulez prédire, enregistré après coup. Le modèle apprend l'association entre features et label. Rien en dehors de ce tableau n'existe pour lui.

Deux conséquences que les marketeurs sous-estiment. D'abord, le label définit le produit. Entraînez sur « a ouvert l'email » et vous avez construit un prédicteur d'ouvertures, qui placera volontiers en tête un abonné qui ouvre tout et n'achète rien. Entraînez sur « a acheté sous 14 jours » et vous obtenez un modèle différent avec des gagnants différents. Personne dans la démo fournisseur ne vous demandera quel label vous voulez ; décidez-le vous-même avant le lancement de l'achat.

Ensuite, les taux de base. Si 2 % de vos abonnés churnent sur un trimestre, un modèle qui prédit « personne ne churne » est exact à 98 % et inutile. L'exactitude sur des événements rares est quasiment dénuée de sens. La question à poser est de savoir à quel point le décile le mieux scoré est plus riche qu'un décile aléatoire. Comme plancher approximatif de volume, il vous faut des milliers d'exemples positifs labellisés, et idéalement pas tous issus des trois mêmes mois, car un modèle entraîné uniquement sur des comportements de Black Friday a appris le Black Friday.

1. MODÈLES DE PROPENSION : UN CHIFFRE PAR PERSONNE, PAR DÉCISION

Un modèle de propension est de l'apprentissage supervisé appliqué à une décision marketing. Il lit les features d'un client et renvoie une probabilité entre 0 et 1 : probabilité de churner, d'acheter, de monter en gamme, d'ouvrir. Les modèles de lifetime valuelifetime valueLifetime Value : le revenu total (ou le profit) qu'un client génère sur toute la durée de sa relation avec votre entreprise.Voir la définition complète → fonctionnent de la même façon mais renvoient un montant plutôt qu'une probabilité.

La sortie est un score, pas une instruction. Un score ne fait rien tant que vous n'y attachez pas un seuil et une action, et choisir ce seuil est une décision commerciale sur ce que vous êtes prêt à dépenser pour sauver un client, pas une décision technique. Un modèle de propension ne vous dit pas non plus pourquoi. Il signale que ce client ressemble à des gens qui sont partis ; il ne peut pas vous dire que vos délais de livraison ont glissé dans le nord du pays. Cela reste le travail des analystes.

1. MODÈLES GÉNÉRATIFS : ILS PRODUISENT DU CONTENU, PAS DES PROBABILITÉS

Les grands modèles de langage (la série GPT d'OpenAI, Claude d'Anthropic et leurs équivalents) sont entraînés à prédire le fragment de texte suivant sur d'énormes corpus. Pointez-les sur le marketing et ils rédigent des objets d'email, des descriptions produit, des variantes d'annonces et des réponses de chatbot. Les modèles d'image font de même pour les visuels. Les outils de natural language processing plus anciens les côtoient pour l'analyse de sentiment sur les avis et les publications sociales.

La différence structurelle compte plus que la capacité. Un modèle de propension a un label, vous pouvez donc vérifier s'il avait raison. Un modèle génératif n'a pas de vérité terrain pour « une bonne accroche publicitaire », il n'existe donc aucun chiffre d'exactitude, seulement une relecture humaine ou un test en aval. Il ne sait rien non plus de vos clients à moins que vous ne mettiez des données client dans le prompt ou dans la couche de retrieval, et c'est là que le profil persistant décrit dans la leçon sur les fondamentaux du CDPCDPLogiciel qui unifie les données client de toutes les sources en un profil unique et durable, exploitable par le marketing, les ventes et le service.Voir la définition complète → joue son rôle. Acheter un outil génératif en attendant de la propension est l'une des erreurs de catégorie les plus fréquentes dans l'achat MarTech.

Une note pratique : les noms de modèles bougent vite, et les fournisseurs remplacent discrètement le modèle sous leur produit. Demandez quelle version de modèle alimente un outil aujourd'hui et comment vous êtes informé quand cela change, car un remplacement peut faire basculer le ton et la longueur des textes générés du jour au lendemain.

1. LÀ OÙ LA PRÉDICTION BAT VRAIMENT LES RÈGLES

La prédiction gagne quand la décision se répète des milliers de fois par jour, que le résultat est observé rapidement et souvent, et que le pattern utile implique des interactions entre plus de signaux que quiconque n'en écrirait à la main. Les règles gagnent plus souvent que les fournisseurs d'IA ne l'admettent : quand le volume est faible, quand le résultat met 14 mois à être observé comme en B2B à cycle long, quand la contrainte est juridique ou éthique (ne jamais écrire à quelqu'un qui s'est désabonné), et quand quelqu'un doit pouvoir expliquer une décision précise à un régulateur ou à un client.

L'attributionattributionUn framework qui attribue le crédit d'une conversion aux différents touchpoints y ayant contribué, afin de mesurer quels canaux et quelles interactions génèrent réellement des résultats.Voir la définition complète → est le cas le plus net d'une règle battue. Le last-click est une règle, et une mauvaise, car il attribue tout le crcrLe pourcentage de visiteurs ou de prospects qui réalisent une action attendue (achat, inscription, formulaire de contact), calculé en divisant les conversions par le nombre total d'opportunités.Voir la définition complète →édit au dernier contact. L'attribution data-drivendata-drivenUne approche où les décisions s'appuient systématiquement sur l'analyse de données plutôt que sur la seule intuition.Voir la définition complète → modélise la séquence réelle des points de contact et attribue statistiquement un crédit fractionné. Google est allé au-delà de la simple option : il a retiré les modèles à base de règles (last-click, first-click, linéaire, dépréciation temporelle, basé sur la position) dans Google Ads et a fait de l'attribution data-driven le standard. Notez la condition, toutefois. L'attribution statistique a besoin de volume de conversions pour séparer le signal du bruit, ce qui explique précisément pourquoi elle bat une règle pour un annonceur à fort volume et pas pour un annonceur à 40 conversions par mois.

Résultats réels de marques identifiées

NETFLIX : dans leur article de 2015 sur le système de recommandation, les chercheurs de Netflix situaient environ 80 % des heures streamées comme provenant des recommandations plutôt que de la recherche, et estimaient la valeur annuelle combinée de la personnalisation et de la recommandation à plus d'un milliard de dollars, essentiellement via la rétention. La partie instructive est le Netflix Prize. Netflix a payé 1 M$ en 2009 pour un algorithme qui améliorait la prédiction de notes d'un peu plus de 10 %, puis a déclaré publiquement ne pas avoir mis l'intégralité de la solution gagnante en production : le coût d'ingénierie pour faire tourner cet ensemble dépassait le gain d'exactitude. L'exactitude d'un modèle et la valeur business sont deux monnaies différentes, et le taux de change est souvent mauvais.

Un effet de second ordre à comprendre : chaque ligne de la training data d'un moteur de recommandation enregistre ce que le système lui-même a choisi d'afficher. Les titres jamais mis en avant ne génèrent aucun engagement, ce qui ressemble, pour l'entraînement suivant, à un désintérêt. Laissé à lui-même, le modèle se resserre sur ce qu'il promeut déjà, raison pour laquelle les équipes de recommandation sérieuses injectent délibérément de l'exploration.

SPOTIFY : Discover Weekly, lancé en 2015, a atteint des dizaines de millions d'auditeurs dès sa première année. Il mêle du collaborative filtering (les gens dont l'écoute recoupe la vôtre ont aussi joué ceci) et des signaux issus d'Echo Nest, la société d'intelligence musicale rachetée par Spotify en 2014, qui analysait les caractéristiques audio et les textes écrits sur les artistes à travers le web.

Ce mélange existe à cause du problème du cold start, la limite la plus nette de l'apprentissage à partir de l'historique. Un titre uploadé ce matin n'a aucun historique d'écoute, le collaborative filtering n'a donc rien à se mettre sous la dent. Seul un modèle qui écoute l'audio lui-même, ou lit ce qui s'écrit dessus, peut situer une sortie toute neuve. Le même écart s'ouvre pour vos visiteurs de première fois : quel que soit le modèle de propension que vous construisez, à peu près toute la population de nouveaux clients arrive sans features dignes d'être scorées, et ce segment a besoin de règles ou de signaux contextuels à la place.

🎬 note : le quiz ci-dessus se situe à peu près aux deux tiers de la leçon.

Actions pour le CMO

• Exigez de tout fournisseur employant le mot IA qu'il indique par écrit si le système fait tourner des règles statiques ou un modèle entraîné sur vos données, quel label ce modèle prédit, et quelle version de modèle sous-jacent alimente toute fonctionnalité générative. Cette seule série de questions supprime immédiatement la moitié du bruit.
• Écrivez le label avant de commander quoi que ce soit. « Susceptible d'acheter » n'est pas un label. « A passé commande dans les 30 jours suivant l'envoi » en est un. Débattez-en avec la finance maintenant plutôt qu'après la première campagne.
• Commandez un modèle prédictif de lifetime value pour votre plus gros segment sous 90 jours. Vous n'avez pas besoin d'une équipe ML interne ; Databricks, BigQuery ML et le scoring intégré à la plupart des suites CRM feront tourner un premier modèle sur les données existantes, sachant que tous ces fournisseurs vendent l'outillage qu'ils benchmarkent. Utilisez la sortie pour fixer des plafonds de coût d'acquisition différents par segment.
• Confiez à une personne nommée la boucle de feedback entre les sorties des modèles et les équipes campagnes. Les modèles dérivent quand le marché bouge, et quelqu'un doit le remarquer.

Erreurs courantes qui tuent les résultats

Erreur 1 : déployer du ML sur des données sales

Un modèle ne vaut que son tableau. Des fiches client en doublon découpent l'historique d'une personne en trois historiques faibles, et un modèle entraîné là-dessus apprend que tout le monde achète peu. Des signaux comportementaux manquants sont pires qu'absents, car le modèle traite « non enregistré » comme « n'a pas eu lieu ». Faites l'identity resolution et un audit de qualité des données avant tout travail de modélisation, pas après le premier résultat décevant.

ERREUR 2 : LA FUITE DE LABEL, L'ÉCHEC QUI RESSEMBLE À UN SUCCÈS

La fuite survient quand une feature encode le résultat. Un modèle de churn alimenté par « nombre de contacts avec le service résiliation » paraîtra stupéfiant hors production et sera sans valeur en production, car au moment où cette feature existe le client est déjà parti. Idem pour un modèle d'achat qui inclut « code de remise utilisé ». Traitez un résultat de test suspectement excellent comme une odeur suspecte plutôt qu'un triomphe, et exigez la liste des features avec l'horodatage exact à partir duquel chacune devient disponible.

ERREUR 3 : TRAITER L'IA COMME UN SYSTÈME QU'ON INSTALLE ET QU'ON OUBLIE

Les comportements changent et le tableau d'entraînement se périme. Spotify a décrit comment l'écoute au printemps 2020 a quitté les trajets domicile-travail pour les enceintes domestiques, les TV et les consoles, avec des schémas de semaine ressemblant à ceux du week-end. Tout modèle utilisant l'heure, l'appareil ou le contexte comme features a hérité de ce basculement le jour même. Intégrez le monitoring et une cadence de réentraînement au plan d'exploitation dès le départ, et retestez vos prompts et vos sorties chaque fois qu'un fournisseur génératif change le modèle en dessous. Comment prouver que le lift obtenu est réel relève de la leçon sur la méthodologie ; remarquer qu'il a disparu est votre travail chaque mois.

À retenir

• L'IA est la catégorie ; le ML est la partie qui apprend de vos données et se met à jour. Faites dire aux fournisseurs lequel des deux ils vendent et quelle version de modèle tourne en dessous.
• La training data est un tableau de features plus un label, et le label que vous choisissez est le produit que vous obtenez. « A ouvert » et « a acheté » construisent des modèles différents avec des gagnants différents.
• Sur des événements rares, l'exactitude est une metric de vanité. Un taux de base de churn de 2 % rend « personne ne churne » exact à 98 %. Demandez comment le premier décile se compare à l'aléatoire.
• Les modèles de propension renvoient une probabilité par personne et aucune explication. Les modèles génératifs renvoient du contenu et n'ont aucune vérité terrain à laquelle être confrontés. N'achetez pas l'un en attendant l'autre.
• La prédiction bat les règles à fort volume avec des résultats rapides et fréquemment observés. Les règles restent meilleures à faible volume, sur les cycles de vente longs, et pour toute décision que vous devez expliquer à un régulateur. Le retrait de l'attribution à base de règles par Google Ads est le cas canonique du premier cas.
• Netflix a payé 1 M$ pour un gain d'exactitude de 10 % qu'il a choisi de ne pas déployer entièrement. Exactitude et valeur ne sont pas la même monnaie.
• Le cold start est une limite permanente : les nouveaux items et les nouveaux clients arrivent sans historique, prévoyez donc des règles ou des signaux contextuels pour cette population.
• Données sales, fuite de label et déploiement « installer et oublier » sont les trois modes d'échec qui gaspillent le budget en silence.