IA et ML en marketing : application concrète

En 2018, L'Oréal rachète ModiFace, la société torontoise dont l'essayage en réalité augmentée fonctionnait à partir d'une cartographie de la géométrie faciale plutôt que de nuanciers statiques. Cet achat était la décision de posséder la couche modèle au lieu de la louer à une agence ou à une plateforme. Suivez le programme depuis ces premiers diagnostics jusqu'à l'assistant présenté par L'Oréal au CES 2024 et vous obtenez une image singulièrement complète de ce que coûte la personnalisation par IA à un groupe mondial de beauté, des endroits où elle casse, et des chiffres qui survivent au contact d'un CFO.

Concept clé : ce que l'oréal a réellement mis en production

Trois briques, construites séparément puis assemblées. Un diagnostic qui lit un selfie et renvoie des signaux de peau ou de cheveux. Un moteur de rendu d'essayage qui pose une teinte sur un visage en direct. Un recommender qui relie ces sorties et l'historique d'achat à des SKU précis. Tout cela repose sur des profils consentis du type décrit dans la leçon sur les fondations 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 →, et chaque marque fait tourner sa propre version calibrée sur son catalogue, parce que la gamme dermatologique de Vichy et la gamme couleur grand public de Maybelline ne posent pas le même problème de recommandation. À l'échelle du groupe (36 marques, environ 150 pays, 41,2 milliards d'euros de ventes en 2023), cela signifie des dizaines de choses en production, pas une.

Sous-concept clé 1 : le pilote était un diagnostic, pas une campagne

L'Oréal n'a pas commencé par un programme d'emails personnalisés. Le groupe a commencé par Vichy SkinConsult AI en 2019, un diagnostic par selfie développé avec des dermatologues qui note les signes de l'âge et renvoie une routine, suivi par Effaclar Spotscan de La Roche-Posay pour la sévérité de l'acné. Ce choix est la partie intéressante. Des jeux d'images notés par des dermatologues vous donnent une vérité terrain labellisée, ce que presque aucun dataset marketing ne possède. L'objectif était étroit, la sortie vérifiable face à un clinicien, et il y avait exactement une étape de funnelfunnelLe parcours client de la découverte à l'achat, généralement Awareness, Interest, Consideration, Decision, Action, avec des prospects de moins en moins nombreux à chaque étape.Voir la définition complète → à surveiller : du résultat du diagnostic au panier. Quand le pilote sous-performait, vous saviez si le problème venait de la notation ou du mapping produit. Un pilote sur du « contenu personnalisé » à périmètre ouvert ne vous donne ni l'un ni l'autre.

SOUS-CONCEPT CLÉ 2 : CE QUI A CASSÉ ENTRE LE PILOTE ET LE DÉPLOIEMENT

Quatre choses, à peu près dans cet ordre.

La couverturecouvertureLe nombre de personnes uniques exposées à votre message sur une période donnée. Contrairement aux impressions, le reach compte chaque personne une seule fois, quel que soit le nombre d'expositions.Voir la définition complète → du jeu d'entraînement. Une IA beauté entraînée majoritairement sur des images bien éclairées de carnations claires se dégrade aux extrêmes du nuancier, et les extrêmes sont précisément là où un fond de teint mal assorti est retourné. Corriger cela est un projet d'acquisition de données avec une ligne de coût, pas un exercice de tuning de modèle.

La variance caméra. La balance des blancs automatique d'un téléphone réécrit la couleur de l'entrée. Un diagnostic précis en studio et instable sous l'éclairage d'une cuisine produit des recommandations différentes pour le même visage deux soirs de suite, et les consommateurs le remarquent.

Le consentement. La loi BIPA de l'Illinois traite la géométrie faciale comme une donnée biométrique exigeant un consentement écrit et informé avant la capture, et les outils d'essayage beauté ont attiré des actions collectives sur exactement ce fondement. Le résultat : une barrière sensible à la juridiction devant l'expérience, plus un trou structurel dans le dataset : les utilisateurs qui refusent ne sont pas aléatoires, donc le modèle apprend sur une population biaisée.

La distribution que vous ne possédez pas. L'essayage propulsé par ModiFace tournait sur des surfaces partenaires dont Amazon et Google, ce qui est la façon dont la technologie a touché les consommateurs le plus vite. Cela signifie aussi que le signal d'interaction reste chez le distributeur. Vous y achetez de la conversion ; vous n'achetez de l'apprentissage que sur vos propres propriétés. La conséquence de second ordre, c'est que le modèle s'améliore le plus vite sur les canaux avec le moins de trafic, et un plan de déploiement doit budgéter cette asymétrie plutôt que la découvrir en deuxième année.

SOUS-CONCEPT CLÉ 3 : CE QUI A ÉTÉ MESURÉ, ET LA COMPARAISON QUI MENT

Le chiffre tentant est le taux de conversiontaux de conversionLe 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 → des utilisateurs de l'essayage face à tous les autres. Il est toujours spectaculaire et il est quasiment vide de sens : les gens qui ouvrent un module d'essayage sont déjà en train de décider. Toute lecture honnête doit randomiser l'accès au module ou mettre des zones géographiques en holdout, avec la discipline que la leçon sur les frameworks pose pour l'uplift.

La ligne qui compte en beauté, ce sont les retours. Les retours de cosmétiques sont fréquemment invendables une fois ouverts, donc un fond de teint retourné porte le coût de logistique inverse plus la perte sèche de l'unité. Sur une catégorie où les taux de retour en ligne sont à deux chiffres, gagner deux points sur les retours grâce à un meilleur appariement de teinte vaut généralement plus de marge que deux points de conversion, et c'est plus facile à attribuer parce que le SKU et le code motif sont tous deux enregistrés. En parallèle, suivez le taux d'opt-in au consentement par marché, la précision par décile de carnation plutôt qu'en agrégé, et l'intervalle de réachat des clients diagnostiqués.

SOUS-CONCEPT CLÉ 4 : LA COUCHE GÉNÉRATIVE S'EST POSÉE AU-DESSUS DE TOUT ÇA

Au CES 2024, L'Oréal a présenté Beauty Genius, un assistant génératif qui répond en texte libre aux questions beauté et redirige vers des produits. Cela change le profil de risque plutôt que la plomberie. Un recommender ne peut choisir que dans un catalogue ; un assistant écrit des phrases, et une phrase sur l'acné, la perte de cheveux ou l'eczéma peut basculer dans le territoire de l'allégation réglementée en UE et aux États-Unis. La question de gouvernance relève de la leçon sur le playbook du CMO. Le gain commercial est plus discret : les requêtes en texte libre expriment mieux l'intention que n'importe quel clickstream, ce qui fait du log de l'assistant le dataset first-party le plus précieux du groupe, et aussi celui dont la mèche juridique est la plus courte si la rétention et le consentement sont mal tenus.

Cas réel : l'arithmétique du déploiement

Ce qui a transformé une série d'expérimentations de marque en infrastructure, c'est le choc de demande de 2020 : l'e-commerce de L'Oréal a crû de plus de 60 % cette année-là et a atteint environ un quart des ventes du groupe. C'est le volume qui rend la personnalisation rentable. Faites l'arithmétique sur vos propres chiffres avant de financer quoi que ce soit. Un diagnostic qui augmente la conversion panier d'un point sur 50 000 sessions mensuelles avec un panier moyen de 60 € rapporte environ 30 000 € par mois, ce qui ne couvrira pas une équipe data science, des licences d'images et une revue juridique dans neuf juridictions. Le même point sur 20 millions de sessions est un autre métier. L'Oréal pouvait justifier de posséder la couche modèle parce qu'il avait le trafic et le nombre de SKU pour l'amortir sur 36 marques. Un distributeur monomarque avec un dixième du trafic a généralement intérêt à acheter la capacité et à dépenser son propre budget sur les données d'entrée.

Cas réel : la partie restée de niche

Le programme a aussi produit du matériel. Perso, montré au CES 2020, était un appareil domestique qui mélangeait des formules personnalisées de soin et de rouge à lèvres, et il est arrivé sur le marché sous le nom YSL Rouge Sur Mesure à un prix premium. Comparez sa portée à celle du module d'essayage, présent partout où L'Oréal ou un partenaire distributeur avait une page. La personnalisation logicielle passe à l'échelle à un coût marginal proche de zéro ; la même intelligence exprimée dans un appareil hérite d'une nomenclature, d'une logistique de cartouches, d'un support firmware et d'une politique de retours pour l'électronique. Les deux étaient de vrais déploiements des mêmes modèles. Un seul a passé l'échelle, et la différence n'avait rien à voir avec la qualité du modèle.

Actions pour le CMO

• Choisissez un premier cas d'usage où un expert externe peut noter la sortie, comme la notation dermatologique a ancré le diagnostic Vichy. Si personne ne peut dire si une prédiction était juste, vous passerez un an à discuter de dashboards.
• Avant tout pilote, écrivez ce que vous ferez quand le modèle sera mesurablement moins bon pour un groupe de clients que pour un autre. Les trous de couverture en beauté se manifestent par de mauvaises teintes ; en crédit ou en assurance, ils se manifestent par quelque chose qu'un régulateur lit.
• Cartographiez celles de vos surfaces propulsées par l'IA que vous contrôlez et celles qui reposent chez un distributeur ou une plateforme. Négociez le retour de signal dans le contrat de partenariat, pas après le lancement.
• Faites l'arithmétique du volume face à une comparaison build-versus-buy. Posséder les modèles a du sens au niveau de trafic et de profondeur de catalogue de L'Oréal ; sous un certain seuil, c'est un projet de vanité avec une masse salariale.

Erreurs courantes qui tuent les résultats

• Présenter au conseil des comparaisons utilisateurs engagés contre tous les autres. L'auto-sélection vous donnera un chiffre de conversion 3x que vous ne pourrez pas reproduire sous holdout, et vous ne le découvrez que quand quelqu'un demande au modèle de prévoir le trimestre suivant.
• Optimiser sur la mauvaise ligne comptable. Un recommender poussé vers la conversion vendra volontiers deux fois la mauvaise teinte, générant un retour, une perte sèche et un client qui cesse de faire confiance au diagnostic. Fixez l'objectif sur la marge de contribution après retours.
• Traiter le consentement comme une case juridique à cocher plutôt que comme une donnée d'entrée. Une population qui a refusé le consentement est un trou dans votre jeu d'entraînement, pas seulement une session perdue, et dans les catégories proches du biométrique, il peut être large.
• Supposer que parce que le pilote a marché sur un marché, il tiendra sur le suivant. Le matériel caméra, l'éclairage, la distribution des carnations, les règles d'allégation et les régimes de consentement changent tous à la frontière, et chacun d'eux touche le modèle.