Ebook Actions Marketing Onsite FR PDF

PERSONNALISATION (I.A.
) EBOOK
CIBLAGE PRÉDICTIF
COMMENT MAXIMISER LE ROI DE
VOS ACTIONS MARKETING ON-SITE
SOMMAIRE
LA PROMESSE DE L’I.A. 4
LA DONNÉE, ENJEU MAJEUR 6

DE LA PERSONNALISATION ON-SITE
POURQUOI L’APPROCHE PRÉDICTIVE 8

S’IMPOSE
5 CAS CLIENTS 14
LES ÉTAPES CLÉS D’UNE 26

PERSONNALISATION (I.A.)
QUEL TYPE D’ALGORITHMES 30

LA PLATEFORME KAMELEOON
UTILISE-T-ELLE ?
ANNEXE - I.A. : CROYANCES & RÉALITÉS 36
GLOSSAIRE 44
© Kameleoon, 2018 - Ne pas reproduire sans l’autorisation de Kameleoon

LA PROMESSE
DE L’I.A.
4 CIBLAGE PRÉDICTIF : COMMENT MAXIMISER LE ROI DE VOS ACTIONS MARKETING ON-SITE

Les bénéfices de la personnalisation on-site ne sont plus à démontrer. Que les
expériences personnalisées soient des offres, des messages ou des contenus,
elles permettent d’augmenter ses revenus et ses marges.
Avec l’accès à un nombre de données visiteur toujours plus important, il devient

cependant humainement difficile de tout maîtriser pour mener à bien sa stratégie
de personnalisation. C’est la raison pour laquelle l’intelligence artificielle (I.A.)
s’impose actuellement comme LA tendance majeure pour améliorer la pertinence
de ciblage de ses actions de personnalisation et doper ses taux de conversion.
Toutefois, il n’est pas toujours simple de démêler ce qui a une vraie valeur ajoutée
de ce qui relève davantage d’un effet de mode.
L’ambition de cet ebook est d’expliquer dans quelles situations vous devez
adopter une approche prédictive et d’illustrer - à travers des use cases concrets
en production depuis plusieurs mois ou années chez nos clients – comment elle
permet de maximiser votre chiffre d’affaires et vos marges.
Bonne lecture !
CIBLAGE PRÉDICTIF : COMMENT MAXIMISER LE ROI DE VOS ACTIONS MARKETING ON-SITE 5

LA DONNÉE,
ENJEU MAJEUR DE LA
PERSONNALISATION
ON-SITE
Personnaliser consiste à adapter une offre, un message ou un contenu à une

cible. Pour personnaliser, il faut donc savoir à qui l’on s’adresse. Une démarche
de personnalisation on-site réussie doit pouvoir s’appuyer sur la disponibilité de
l’ensemble des données clients. La récolte et le traitement de ces données permet
d’isoler la cible voulue pour lui proposer une expérience de navigation pertinente
ou une action marketing spécifique.
RÉCOLTE DES DONNÉES
SEGMENTATION
CONTEXTUALISATION

La segmentation de ses clients (ou la définition de sa cible) se réalise à partir de
toutes les données accessibles :
• celles dites « chaudes » d’une part, c’est-à-dire relevant du parcours de

navigation du visiteur en temps réel sur le site : comportementales (temps
passé par page, etc.), contextuelles (moment du jour, lieu de connexion, etc.)
et techniques (type de terminal utilisé).
• celles dites « froides » d’autre part, c’est-à-dire relevant de données
historiques (RFM, CSP, etc.) se trouvant dans votre écosystème de données
(CRM, DMP, CDP, etc.) et que vous pouvez faire remonter dans Kameleoon.
CRITÈRES COMPORTEMENTAUX
Pages Historique Fréquence Cat. de prix

consultées de visite ou de produits
consultées
CRITÈRES CONTEXTUELS
DONNÉES
CHAUDES
Jour Heure Météo Géolocalisation
CRITÈRES TECHNIQUES
Provenance Terminal Navigateur
DONNÉES CRM, DMP, CDP...

DONNÉES
FROIDES
RFM CSP Genre Âge
Quand on parle de personnalisation on-site, deux pratiques sont possibles :
• la personnalisation manuelle, c’est-à-dire avec une segmentation de

ses clients (ou définition de sa cible) réalisée humainement. Ce type de
personnalisation est aussi appelé « rule-based » en anglais, puisqu’il s’appuie
sur des règles définies en amont.
• la personnalisation prédictive dans laquelle on confie la segmentation de
ses clients (ou définition de sa cible) à des algorithmes de machine learning.

POURQUOI L’APPROCHE
PRÉDICTIVE S’IMPOSE
Dans la mesure où l’algorithme améliore et adapte sa capacité de prédiction en

temps réel et 24/24 7/7, sa performance est toujours supérieure à l’humaine.
ROI PERSONNALISATION
PRÉDICTIVE (I.A.)
1-to-1
PERSONNALISATION
MANUELLE
1-to-Few
MASS MARKETING
1-to-Many
COMPRÉHENSION VISITEUR
En effet, là où l’humain va déterminer a priori sa cible de manière figée,

l’algorithme va améliorer sa capacité de prédiction en temps réel à partir de
l’ensemble des données chaudes et/ou froides dont il est nourri. Il apprend du
comportement des visiteurs qui viennent sur le site, recherche des corrélations
entre visiteurs et améliore sa capacité à déterminer les chances de conversion de
chacun avec le temps.
Il y a 5 contextes dans lesquels une approche prédictive s’impose tout

particulièrement. Si vous vous reconnaissez dans au moins l’un d’entre eux, le
prédictif est pour vous !

QUAND IL S’AGIT DE DÉTECTER UNE INTENTION
1
D’ACHAT OU UNE APPÉTENCE À UNE OFFRE
L’intention d’achat on-site se mesure quasi exclusivement à partir d’informations

de type comportementales ou contextuelles liées à la visite en temps réel
(données dites « chaudes »). Quantité d’études comme celle de Benjamin Shiller
démontrent en effet que ces données sont de loin les plus discriminantes pour
déterminer l’appétence d’un visiteur à une offre.
Or ces données sont par définition très difficiles à modéliser a priori

humainement. Comment déterminer qui est un visiteur avec une forte, une
moyenne ou faible probabilité de conversion à une offre ? Le déterminer soi-
même relève au mieux d’un calcul de scoring certes rationnel mais très fastidieux
et imparfait, au pire de l’intuition.
Par ailleurs, le machine learning prend tout son sens quand il y a une évolution
permanente des données. Dit autrement, l’algorithme prédictif s’impose quand
il n’est pas aisé d’identifier précisément sa cible parce les critères qui la
définissent sont flous, ambigus ou mouvants :
« Je veux pousser un coupon de réduction aux visiteurs indécis »

« Je souhaite cibler les visiteurs sensibles à l’effet rareté pour leur pousser un message
d’urgentisation », etc.
Si tel est votre objectif, vous pouvez donc considérer que l’algorithmie prédictive
est un must.
QUAND CIBLER LES MAUVAIS LEADS VOUS COÛTE

2
(TRÈS) CHER
Le web est un puissant vecteur de trafic on-site mais aussi en magasin. L’un des
moyens d’attirer de nouveaux clients est de leur pousser une incentive.
Mais tous vos leads ne se valent pas. L’incentive peut se révéler très coûteuse
quand elle est poussée à ceux qui n’ont pas d’intention d’achat : c’est le cas par
exemple quand l’incentive est un essai gratuit d’un service humain qui a un coût.
Dans ce cas, l’algorithmie prédictive est un puissant levier d’économie car elle
maximise le nombre de leads correspondant à l’objectif déterminé.

QUAND VOUS AVEZ UNE FORTE DISPARITÉ
3
DE DONNÉES À TRAITER
Beaucoup de données peuvent participer à la définition d’un segment ou de sa

cible. S’il y a une grande quantité de données disparates, l’approche prédictive
s’imposera tout particulièrement car l’algorithme sera mieux placé que l’humain
pour brasser cette disparité et identifier parmi tous ces critères ceux qui sont
les plus discriminants pour l’action que l’on souhaite réaliser. Attention, cette
disparité peut être consciente (« je sais que mon segment repose sur beaucoup de
critères ») mais aussi inconsciente.
Prenons l’exemple d’un e-commerçant souhaitant « rattraper » les abandonnistes

de panier avec une offre promotionnelle (gratuité de frais de livraison).
Pop-in « Frais de port offerts à partir de x € dépensés » poussée aux abandonnistes de panier

Avec la segmentation manuelle, la définition du segment « visiteurs
abandonnistes » ne va relever que de deux critères :
1. Le panier n’est pas vide

2. La souris du visiteur a quitté la zone du site
Avec une approche prédictive, on laisse l’algorithme identifier les visiteurs dit
« abandonnistes ». L’algorithme va se nourrir de beaucoup plus de données
que les deux décidées intuitivement (panier non vide et souris quittant le site).
L’algorithme poussera la pop-in beaucoup plus tôt et de manière plus efficace
car il identifiera de futurs abandonnistes ne réalisant aucune action depuis x
secondes ou musardant sur d’autres pages, ouvrant d’autres onglets, etc.
A l’inverse, il écartera certains en sortie de site car leur probabilité de conversion

sera considérée comme nulle quoi qu’il arrive. L’approche prédictive sera plus fine
et sa performance supérieure à l’approche manuelle.
Y A-T-IL UN VOLUME DE DONNÉES MINIMUM

NÉCESSAIRE POUR LE PRÉDICTIF ?
L’une des questions les plus courantes posées sur l’approche

prédictive est celle du volume de données nécessaires pour
qu’elle soit efficace. Contrairement à une idée parfois répandue,
l’approche prédictive ne nécessite pas forcément un gros volume
de données. Dans le cas d’un volume de données plus faible, elle
requiert simplement un temps d’apprentissage plus long.
En revanche, un faible volume de données à traiter peut illustrer,

en creux, un faible potentiel d’amélioration de la conversion,
que ce soit d’augmentation de chiffre d’affaires ou de marge. Le
« risque » est donc que le gain marginal permis par l’algorithmie
prédictive soit peu significatif.

QUAND VOUS VOULEZ PERSONNALISER
4
À GRANDE ÉCHELLE
C’est un fait : la personnalisation manuelle est chronophage. Elle nécessite un

temps de réflexion, la réalisation manuelle de la segmentation et un travail itératif
pour affiner sa segmentation en fonction des résultats obtenus. Elle devient
difficilement tenable quand le nombre d’actions de personnalisation à opérer est
croissant.
L’un des avantages déterminants du prédictif est de permettre l’automatisation

des actions et de gérer les volumes, la complexité et la variété des données bien
mieux qu’un cerveau humain. Dans la mesure où la personnalisation on-site
s’intensifie, on peut considérer que le prédictif deviendra incontournable pour
un nombre croissant d’acteurs du e-commerce et de marketeurs afin qu’ils se
concentrent uniquement sur leur stratégie et pas sur les détails de son exécution.
5 QUAND VOS RESSOURCES SONT LIMITÉES
C’est le pendant du point précédent. Vous avez beaucoup d’enjeux à adresser

et le temps manque pour vous concentrer sur chacun d’entre eux. L’algorithmie
prédictive a un double avantage : elle est facile à mettre en œuvre (pas de
projet tunnel de Big Data à mener en amont pour organiser ses données) et elle
automatise l’identification de ses cibles (pas de mise à jour de sa segmentation à
réaliser en fonction également de la modification des pages de son site, etc.).
En bref, le prédictif vous fait gagner du temps, beaucoup de temps.

UNE APPROCHE MANUELLE DE LA PERSONNALISATION FAIT-
ELLE ENCORE SENS ?
La personnalisation prédictive ne signifie pas que l’approche manuelle n’a plus de

raison d’être. Elle reste adaptée pour toutes les actions marketing pour lesquelles
la cible client est clairement déterminée et ses critères clairement identifiables.
« Je souhaite récompenser mes clients fidèles ayant acheté pour plus de 200 € sur
les 6 derniers mois en les invitant à un événement » ; « je veux pousser une offre de
bienvenue à mes nouveaux visiteurs », etc.
À titre d’exemple, les équipes de Darty souhaitent spécifiquement s’attirer les

faveurs d’acheteurs habitant hors de France avec une campagne SEM mettant en
avant des frais de livraison offerts. Ils peuvent facilement paramétrer Kameleoon
pour proposer :
• à tous les nouveaux visiteurs issus d’une campagne SEM et qui se connectent
depuis l’étranger (QUI)
• un code de livraison offerte, via une pop-in (QUOI)
Pour définir la cible de cette campagne personnalisée, ils utiliseront donc les
critères suivants :
• Nombre de visites (1ère)

• Provenance (SEM)
• Géolocalisation (Hors du territoire Français)

5 CAS CLIENTS
Les marques utilisant l’I.A. de Kameleoon pour comprendre qui sont leurs
visiteurs et personnaliser leur expérience en temps réel sont de plus en plus
nombreuses.
Nous avons sélectionné 5 exemples de stratégies, menées par Cdiscount,

Toyota, Allopneus, PriceMinister et une grande marque de Telecom pour vous
montrer comment l’I.A. peut doper vos performances et faire croître votre chiffre
d’affaires.

CDISCOUNT 16
DOUBLE LE ROI DE SES CAMPAGNES
PROMOTIONNELLES
TOYOTA 18
MAXIMISE LA CONVERSION DES LEADS
DE SON SITE WEB JUSQU’AU POINT DE
VENTE
ALLOPNEUS 20
GÉNÈRE 15 % DE CA EN PLUS
SUR SA CAMPAGNE PROMOTIONNELLE
PRICEMINISTER 22
ENRÔLE PLUS DE VISITEURS
« VENDEURS »
UN ACTEUR DU TELECOM 24
CIBLE SES VENTES FLASH
AUX CLIENTS INDÉCIS

1
DOUBLE LE ROI DE SES
CAMPAGNES POMOTIONNELLES
CONTEXTE
Dans un contexte très concurrentiel où les prix sont tirés vers le bas, Cdiscount
mise sur la qualité du service et l’innovation. Ainsi, pour répondre aux attentes
de clients de plus en plus promophiles, Cdiscount lance régulièrement des
campagnes promotionnelles sous forme de bons de réductions accessibles à tous
ses visiteurs.
OBJECTIF
Pour maximiser le ROI des campagnes promotionnelles tout en améliorant
l’expérience sur son site, Cdiscount souhaite proposer ces bons de réduction
non plus de manière massive, mais ciblée selon la probabilité de conversion des
visiteurs.
RÉALISATION
Pour inciter ses visiteurs à l’achat, Cdiscount propose par exemple un bon de
réduction personnalisé de 10 €, dès 99 € d’achat.
L’objectif de l’I.A. de Kameleoon est d’identifier les visiteurs indécis avec une
intention d’achat de panier supérieur à 99 €, afin de ne pousser les bons de
réduction qu’à ces derniers.

RÉSULTAT
La performance des campagnes pilotées par le ciblage prédictif est calculée avec
le ratio de ROI :
CA additionnel généré / coût des bons de réduction
“ Grâce à l’I.A. de Kameleoon, le ROI de nos campagnes

promotionnelles est multiplié par 2.
“
Ferdinand Tomarchio
Directeur Commercial,
Cdiscount

2
MAXIMISE LA CONVERSION
DES LEADS DE SON SITE WEB
JUSQU’AU POINT DE VENTE
CONTEXTE
Le site de Toyota n’a pas pour vocation de faire acheter une voiture en ligne mais
de générer du trafic qualifié chez ses concessionnaires automobiles. L’objectif de
la marque est d’y attirer les visiteurs qui ont une vraie appétence d’achat ; pour
cela, elle leur pousse sur son site un avantage substantiel : l’essai d’un véhicule
pendant plusieurs jours.
Dans un 1er temps, Toyota a réalisé un scoring manuel pour identifier ses
« acheteurs potentiels » sur la base d’éléments de navigation : consultation de la
page configurateur de Toyota, temps passé sur une page véhicule, durée totale
passée sur le site, etc. Dès que le visiteur dépasse un niveau de score, la pop-in de
test drive se déclenche.
Ce scoring manuel apporte une amélioration marginale à Toyota avec plus de

leads qualifiés en concession. Cependant, quel que soit le sérieux avec lequel le
scoring est réalisé, il relève d’une approche intuitive et imparfaite de ce qu’est un
acheteur potentiel.
OBJECTIF
Toyota décide alors de s’appuyer alors sur l’I.A. de Kameleoon pour identifier
l’appétence d’achat des visiteurs de son site, et ne proposer l’essai véhicule qu’aux
visiteurs montrant une forte intention d’achat car le prêt véhicule est très coûteux.
RÉALISATION
Cette appétence dépend de quantités de données de comportement et de
contexte de visite. En traitant ces données 24/24 7/7 et en s’adaptant à l’évolution
des comportements visiteur, l’algorithme est logiquement beaucoup plus
pertinent qu’une approche humaine figée.

L’algorithme identifie les visiteurs qui ont plus de 52 % de probabilité de
conversion et leur pousse une pop-in de demande d’essai, personnalisée avec
le modèle pour lequel le visiteur montre de l’intérêt et l’identification du
concessionnaire le plus proche.
RÉSULTAT
Leads qualifiés
+ 97 %
“ Nous avions besoin d’une solution capable de calculer

l’appétence de nos visiteurs pour la marque Toyota et
nos véhicules. Le scoring manuel a permis une 1ère
amélioration dans la qualité des leads envoyés à nos
concessions mais c’est avec l’I.A. de Kameleoon que nous
“
avons fortement amélioré le ratio du nombre achats vs
nombre d’essais véhicules.
Julien Descombes
Responsable Communication Digitale,
Toyota

3 GÉNÈRE 15 % DE CA EN
PLUS SUR SA CAMPAGNE
PROMOTIONNELLE
CONTEXTE
Allopneus est le leader français de la vente en ligne de pneus pour tous véhicules.
La Société porte une attention particulière sur les « gros rouleurs » car ce sont
leurs plus gros contributeurs de chiffre d’affaires et de marge.
OBJECTIF
Maximiser l’identification de visiteurs appartenant au segment premium (« gros
rouleurs ») et augmenter le chiffre d’affaires généré sur ce segment.
RÉALISATION
Identification par l’I.A. des visiteurs appartenant au segment premium pour leur
proposer une offre promotionnelle.

L’enjeu est double :
• Ne pas réduire la marge en évitant de pousser cette offre à ceux qui n’ont pas
besoin d’offre incitative pour convertir.
• Ne pas proposer l’offre promotionnelle à des visiteurs n’appartenant pas au
segment clé au risque que l’opération ne soit pas rentable.
RÉSULTAT
+ 15,7 %
+ 48 %
de « gros rouleurs »
de CA sur la marque
de pneus premium
identifiés ciblée par l’offre
promotionnelle
“ Nous avons souhaité aller plus loin que notre analyse

déjà poussée des données client en nous appuyant sur
les capacités prédictives des algorithmes de machine
learning de Kameleoon. Les résultats sont probants,
avec des taux de conversion clairement plus élevés que
lors de mêmes opérations menées manuellement.
“
Bruno Hétier
Directeur Marketing,
Allopneus

4
ENRÔLE PLUS DE VISITEURS
« VENDEURS »
CONTEXTE
PriceMinister est une marketplace où particuliers et professionnels se rencontrent
pour vendre et acheter. Le recrutement régulier de nouveaux vendeurs est
essentiel car il est clé pour la fréquentation du site et l’augmentation régulière du
chiffre d’affaires. Ce recrutement est ardu car, à l’arrivée d’un visiteur sur son site,
PriceMinister ne sait pas s’il est susceptible d’être un vendeur potentiel ou s’il est
uniquement en position d’achat.
OBJECTIF
Recruter de nouveaux vendeurs et augmenter le nombre de mises en vente sans
dégrader l’expérience des visiteurs acheteurs.
RÉALISATION
L’I.A. identifie les visiteurs potentiellement « vendeurs » mais nécessitant un
incitateur pour passer à l’acte.
Cette expérience particulière s’articule autour de la mise en avant d’un jeu

concours via une pop-in s’adressant uniquement aux vendeurs.

Après trois semaines d’apprentissage, l’algorithme est capable de cibler la pop-in
du jeu concours uniquement aux visiteurs étant de potentiels vendeurs.
L’opération entraine une hausse de 6,23 % des mises en vente, sans dégrader par
ailleurs la conversion acheteurs.
RÉSULTAT
+ 6,23 %
de mises en vente
sans dégradation de la
conversion acheteur
“ Le défi de PriceMinister est de segmenter très

rapidement les vendeurs pour leur proposer une
expérience de navigation dédiée, sans dégrader
l’expérience des acheteurs. Avec l’I.A. de Kameleoon
et sa compréhension avancée des signaux
comportementaux, PriceMinister a réussi à augmenter
“
le nombre de mises en vente de façon significative.
Frédéric De Todaro
Head of Consulting,
Kameleoon

5
UN ACTEUR DU TELECOM CIBLE
SES VENTES FLASH AUX CLIENTS INDÉCIS
CONTEXTE
Une grande marque de Telecom organise régulièrement des ventes Flash sur son
site, pour certains modèles de téléphones. Une vente Flash est une promotion
temporaire sur un produit spécifique. Chez cet opérateur téléphonique,
l’utilisateur doit souscrire à un forfait pour bénéficier de la vente Flash.
L’objectif des ventes Flash est de gagner des abonnés de manière accélérée. Le
prix du téléphone est très fortement discounté pour le client. Une telle opération
représente donc un coût substantiel pour chaque nouveau client.
OBJECTIF
Limiter l’offre aux seuls acheteurs pour lesquels elle est déterminante à l’achat
d’un téléphone, pour in fine maximiser le ROI des ventes Flash.
MOYEN
L’algorithme Kameleoon identifie les visiteurs indécis, ayant besoin d’un incentive
pour passer à l’achat.
Dégradation de Promotion Génération d’une dépense

l’expérience utilisateur secrète ciblée non nécessaire
0% 40% 60% 100%

Intention faible de s’inscrire Indécis Intention ferme de s’inscrire
Probabilité de conversion

RÉALISATION
L’algorithme calcule la probabilité de conversion sur l’objectif « Acheter un
téléphone » pour chaque visiteur, puis ne cible que les indécis avec une
probabilité de conversion entre 40 et 60 %.
Pour ces visiteurs, une expérience personnalisée est déployée dès la homepage.
VENTE
FLASH
Ainsi, seuls les visiteurs ciblés par l’algorithme peuvent accéder à la landing page
de la vente flash, permettant ensuite une mise au panier.
RÉSULTAT
On compare les résultats de la vente flash ciblée par I.A avec les résultats d’une
vente flash réalisée dans les mêmes conditions mais affichée aléatoirement à
certains visiteurs.
Aléatoire Prédictif
Visites exposées 87K 35K

Accès LP 2.8% 8.3%
Ajout panier 0.3% 1.06%
Conversions 0.02% 0.06%
Les leads générés grâce au prédictif ont un taux de conversion 3 fois plus
important qu’en aléatoire.

LES ÉTAPES CLÉS D’UNE
PERSONNALISATION (I.A.)
3 RUN
2 APPRENTISSAGE
1
CONFIGURATION

1 CONFIGURATION
La 1ère étape d’un projet de ciblage prédictif est de nourrir l’algorithme avec des
données pertinentes. Dans l’absolu, l’algorithme peut traiter toutes les données
qui lui sont fournies mais sa rapidité de prédiction va grandement dépendre de la
qualité de ces données.
La phase de configuration a pour objet d’identifier les données structurantes

et discriminantes et de faire gagner du temps à l’algorithme. Même s’il est en
mesure d’éliminer seul le « bruit » de la masse de données qui lui est fourni,
il sera d’autant plus efficace qu’il pourra se concentrer dès le début de son
apprentissage sur les données essentielles.
PARCOURS DE NAVIGATION
TEMPS PASSÉ,
MÉTÉO
NOMBRE DE VISITES...
COMPLÉTION FORMULAIRE GÉOLOCALISATION
HISTORIQUE D’ACHAT JOUR
SEO
PROFIL ACHETEUR PROVENANCE
SEM
TERMINAL
Exemple de sélection des données clés

2 APPRENTISSAGE
L’algorithme démarre alors son apprentissage à partir des données chaudes

et/ou froides dont il est nourri. Il apprend du comportement et des
caractéristiques client qui viennent sur le site, recherche des corrélations entre
visiteurs et améliore sa capacité de prédiction avec le temps.
Cette phase est supervisée par un data scientist en mesure de valider

que l’algorithme donne des résultats probants avant qu’il ne soit lancé
opérationnellement.
En semaine 1, l’algorithme identifie une probabilité de conversion de 50 %

sur 50 % des visiteurs. Avec le temps, l’algorithme améliore son analyse. Dans
l’exemple ci-dessus, la phase de run est lancée dès la semaine 4.

3 RUN
L’expérience utilisateur est personnalisée en temps réel. Pour chaque nouveau

visiteur arrivant sur le site et tout au long de sa navigation, l’algorithme
détermine sa probabilité de conversion et adapte ses actions en conséquence
(déclenchement d’actions contextuelles uniquement lorsque c’est pertinent).
La performance de l’algorithme est toujours comparée à celle d’un groupe témoin

afin de mesurer le taux de conversion incrémental obtenu. A noter également
que l’algorithme continue son apprentissage puisqu’il améliore sa capacité de
prédiction de manière permanente. Sa performance continue donc à s’améliorer
également en phase de run.

QUEL TYPE
D’ALGORITHMES LA
PLATEFORME KAMELEOON
UTILISE- T-ELLE ?

Même si vous n’avez pas l’ambition de devenir spécialiste du sujet, cette section
explique brièvement le fonctionnement des différents types d’algorithmes de
machine learning sur lesquels repose l’I.A. de la plateforme Kameleoon.
Il existe trois types d’algorithmes :
MACHINE LEARNING
APPRENTISSAGE APPRENTISSAGE APPRENTISSAGE

SUPERVISÉ NON-SUPERVISÉ PAR RENFORCEMENT
L’I.A. de Kameleoon repose sur des algorithmes de machine learning

supervisés, non-supervisés et d’apprentissage par renforcement capables de
traiter en temps réel la volumétrie et la complexité des données visiteurs.

DATASET
Ensemble des données
(comportementales, contextuelles,
techniques ou provenant d’un CRM
L’APPRENTISSAGE SUPERVISÉ / DMP) dont les algorithmes de
machine learning vont s’alimenter
pour étayer leur apprentissage et
affiner leurs prédictions.
APPRENTISSAGE
MODÈLE
DONNÉES ÉCHANTILLON MODÈLE RÉSULTAT DE LA CLASSIFICATION

BRUTES DE DONNÉES D’APPRENTISSAGE DE L’ALGORITHME
Les algorithmes s’alimentent d’un dataset d’apprentissage où toutes les données

sont labellisées en entrée (x) et sortie (y). Un algorithme supervisé apprend la
règle reliant l’entrée à la sortie grâce aux exemples de couples entrée-sortie déjà
traités par des experts. Grâce à ce référentiel pré-déterminé, les algorithmes
sont en mesure de prédire une sortie (y) en fonction de l’entrée (x) qui leur est
soumise.
Y = f(X)
Ils sont dits supervisés car le dataset joue le rôle d’enseignant supervisant le
processus d’apprentissage. L’algorithme fait des prédictions en temps réel sur les
données qui lui sont fournies et est corrigé par l’enseignant. L’apprentissage est
considéré comme terminé lorsque le niveau de performance de prédiction est
jugé satisfaisant.
“ L’I.A. de Kameleoon repose sur des algorithmes

supervisés quand elle est chargée de reconnaître des
“
tendances comportementales au sein d’une population
déjà connue.
Sébastien Rebecchi
Ingénieur Machine Learning,
Kameleoon

L’APPRENTISSAGE NON-SUPERVISÉ
DONNÉES BRUTES ALGORITHME CRÉATION AUTOMATISÉE DE CLUSTERS
Les données en mode non-supervisé ne sont pas labellisées. L’algorithme doit

comprendre par lui-même la structure de la donnée en entrée (x) sans avoir de
sortie (y) correspondante.
L’algorithme doit alors modéliser les similarités entre les données pour
comprendre la structure de l’information sans se limiter au cadre imposé par
la supervision humaine. On parle d’algorithmes non-supervisés car il n’y a pas
de « bonne réponse » ou « d’enseignant ». Ils permettent ainsi d’identifier des
opportunités jusque-là inconnues.
Les algorithmes non-supervisés de Kameleoon se déclinent en 2 catégories :
• clustering : les algorithmes vont créer des « clusters » de données comme

par exemple créer des segments visiteurs en fonction de leur comportement
d’achat (types de pages vues + catégories de produits consultées + panier
moyen, etc.)
• association : les algorithmes vont créer des règles reliant de plus larges
portions de données comme, par exemple : « les visiteurs ayant acheté le
produit A ont une forte probabilité d’avoir ce type de parcours et d’utiliser ce
type de terminal ».
“ L’intervention humaine reste cependant essentielle :

elle indique à l’algorithme quelles sont les données à
“
analyser et décide ou non d’agir sur les conclusions
données par ce dernier.
Anaïs Rousseau
Consultante,
Kameleoon

L’APPRENTISSAGE PAR RENFORCEMENT
L’apprentissage par renforcement est une approche du machine learning pouvant

s’apparenter à la psychologie comportementale. Elle est similaire à la façon dont
un enfant apprend une nouvelle tâche. La différence avec les autres typologies
d’algorithme est qu’il ne reçoit pas d’instructions pour compléter une action et
trouve seul la solution.
Lors du calcul de probabilité de conversion d’un visiteur, l’algorithme recevra une

récompense si sa prédiction est juste et une pénalité si sa prédiction est fausse.
L’objectif de l’algorithme étant de maximiser ses récompenses et minimiser ses
pénalités, il va apprendre de sa propre expérience pour affiner sa capacité de
prédiction grâce à la programmation dynamique.
“ L’avantage notable de cette approche de l’I.A. est qu’elle

permet aux algorithmes d’apprendre sans faire appel à
un programmeur devant expliquer comment accomplir
l’action qui lui est demandée. Ce type d’algorithme
permet notamment à l’I.A. de Kameleoon d’apprendre
des comportements des visiteurs et de calculer avec
“
toujours plus de précision leur future probabilité
d’achat.
Sébastien Rebecchi
Ingénieur Machine Learning,
Kameleoon

Modèle théorique parfait
TOTAL DES VISITES
Modèle prédictif
Modèle aléatoire
% 10% 20% 30% 40% 52% 60% 70% 80% 90% 100%
Probabilité trop faible ou nulle d’achat Indécis Probabilité forte d’achat

sans incitateur
PROBABILITÉ DE CONVERSION
L’algorithme de machine learning maximise l’identification de visiteurs indécis

de par sa compréhension des caractéristiques et comportements de ce segment
visiteur.
Dans un modèle théorique parfait, l’algorithme ne proposerait l’offre qu’aux
visiteurs indécis.
Un modèle aléatoire (type A/B testing) proposerait l’offre au hasard à l’ensemble

des visiteurs : elle dégraderait et l’image de marque et la marge du e-marchand.
“ Le rôle du machine learning est d’analyser en temps

réel l’ensemble des données visiteurs du e-commerçant
pour trouver qui, parmi eux, sont les visiteurs indécis et
“
personnaliser leur expérience en temps réel.
Abdel El Ouazzani
Consultant I.A.,
Kameleoon

ANNEXE
I.A. : CROYANCES & RÉALITÉS
Sujet de fascination pour certains, de controverse pour d’autres, l’I.A. est au cœur
des innovations technologiques et, dans le même temps, résonne avec un certain
imaginaire collectif. Elle est l’objet de beaucoup de confusion entre sa réalité
technique actuelle, ce qui relève de la prédiction scientifique et ce qui est de
l’ordre du fantasme alimenté par la science-fiction.
Démêlons le vrai du faux de ce qu’est l’Intelligence Artificielle.

1 CROYANCE
L’I.A., ce sont des robots qui vont prendre

le contrôle des humains
L’I.A. est souvent associée à toutes les représentations offertes par la science-
fiction, aidée en cela par les prophéties de « visionnaires » sur la prise de contrôle
des humains par des machines intelligentes dans quelques décennies. On peut
en effet considérer que cette représentation fait partie du champ de l’I.A.* mais
rien dans la recherche actuelle ne permet de dire qu’un tel saut quantique soit
du domaine de la prédiction scientifique. La réalité est aujourd’hui beaucoup plus
prosaïque. L’I.A. est appliquée dans quantité de domaines mais pour des tâches
précises et sur des sujets bien identifiés (sans qu’un algorithme ne soit capable
de faire autre chose que ce pour quoi il a été conçu) : reconnaissance visuelle,
voiture autonome, probabilité de conversion d’un visiteur sur un site, etc. L’I.A.
repose sur des faits concrets : de la donnée, des mathématiques et des schémas
itératifs.
RÉALITÉ
L’I.A. ne fonctionne pas sans contrôle humain

L’Intelligence Artificielle s’applique à des cas concrets et précis pilotés par
l’humain. Dans le domaine du marketing, un projet de personnalisation utilisant
l’I.A. repose sur 3 piliers :
• Les données à partir desquelles un algorithme va s’alimenter.
• Les algorithmes de machine learning qui vont apprendre de ces données
pour prédire les actions futures.
• L’intelligence humaine qui va définir la stratégie, son objectif et piloter les
algorithmes pour réaliser cet objectif.
*Voir notion d’I.A. forte dans « Intelligence Artificielle » dans le glossaire

2 CROYANCE
L’I.A., c’est pour une élite technologique
$ $
Beaucoup pensent encore que l’I.A. n’est accessible qu’aux grandes entreprises
en capacité d’investir des centaines de millions de dollars pour constituer des
équipes d’experts. Quand on parle I.A., on pense en effet souvent aux GAFAM
(Google, Amazon, Facebook, Apple et Microsoft), en mesure de développer des
applications pour leurs propres besoins. Il n’est pourtant pas nécessaire d’avoir
une capitalisation boursière en MM$ pour bénéficier de l’I.A. Si, comme c’est
probable, vous n’avez pas les équipes d’ingénieurs en capacité de développer des
algorithmes, faites confiance à des solutions ingénieuses provenant de start-ups
spécialistes de leur domaine.
RÉALITÉ
Une technologie accessible à tous
L’I.A. est accessible à toutes les entreprises qui souhaitent mieux exploiter leurs
quantités colossales de données dormantes. Sans une I.A. pour les exploiter, ces
données représentent plus un coût qu’une opportunité pour votre entreprise.

3 CROYANCE
L’I.A. et le machine learning, c’est la même chose

Les deux termes, Intelligence Artificielle et machine learning, sont souvent
confondus. En réalité, l’I.A. recouvre de nombreux applicatifs dont le machine
learning est une expression.
Composantes de l’intelligence artificielle*
NATURAL LANGUAGE
PROCESSING
DEDUCTION,
REASONING, PERCEPTION:
PROBLEM SOLVING COMPUTER VISION
ROBOTICS: MOTION
AND MANIPULATION SOCIAL INTELLIGENCE
KNOWLEDGE
PLANNING
REPRESENTATION
MACHINE LEARNING
*A Deep Dive in the Venture Landscape of A.I., Aniruddha Nazre (2015)
RÉALITÉ
Intelligence Artificielle = Machine Learning

+ Dataset + Intelligence Humaine
Le machine learning est une composante de l’Intelligence Artificielle qui

elle-même a besoin de l’intelligence organique (humaine) pour cadrer son
apprentissage et livrer de meilleurs résultats.
Appliquée à la personnalisation, cette réalité devient :

Personnalisation (I.A.) = Machine Learning + Dataset + Intelligence Humaine

4 CROYANCE
L’algorithme est plus important que la donnée
La qualité de l’algorithme d’I.A. est essentielle ; on tend donc à penser que sa

puissance est le principal déterminant du succès ou de l’échec de son projet.
C’est vrai mais c’est incomplet : son efficacité dépend aussi, voire d’abord, de la
donnée.
RÉALITÉ
L’algorithme n’est rien sans la donnée
La quantité et la qualité des données qui alimentent les algorithmes de machine

learning ont un impact direct sur les performances de leurs prédictions. Un
algorithme peut être comparé à une voiture. Quelle qu’en soit la puissance, vous
n’irez pas loin sans carburant… et à condition qu’il soit de qualité.

5 CROYANCE
L’algorithme tourne tout seul
De manière identique, beaucoup pensent que l’algorithme se suffit à lui-même

et qu’il va forcément identifier seul les données pertinentes à sa prédiction.
La réalité est sensiblement différente : si l’algorithme surpasse l’humain dans
le traitement continu de la complexité et du volume, il est indispensable de le
nourrir préalablement de « notre » intelligence pour lui faire gagner du temps.
RÉALITÉ
L’algorithme doit être configuré
À défaut de savoir exactement ce qui déclenche la conversion d’un visiteur, le

marketeur a déjà une idée plus ou moins précise ou même confuse de ce qui
va influencer son action ou sa décision. Il n’est pas inutile alors de configurer
l’algorithme pour qu’il se concentre sur des données clés au lieu de le noyer de
données totalement inutiles. Par exemple, une donnée CRM a plus de valeur que
la version de l’OS utilisé par un visiteur pour prédire sa conversion.
Mieux vaut un algorithme moins performant et bien configuré qu’un algorithme
puissant et mal configuré.

6 CROYANCE
L’algorithme conçoit les actions

qu’il déclenche
On lit souvent que l’algorithme est en capacité de déterminer l’action la plus

pertinente pour un visiteur. La rigueur obligerait à dire les choses un peu
différemment : il revient au marketeur de définir sa stratégie et de concevoir les
actions possibles que l’algorithme va être en charge d’exécuter.
RÉALITÉ
L’humain définit l’objectif à atteindre
Si la machine analyse des volumes de données biens supérieurs à ce dont

l’humain est capable, il revient au marketeur de décider quelles actions marketing
sont cohérentes avec sa stratégie et lesquelles il veut lancer : remise tarifaire,
modification du parcours client, gratuité de frais de port, etc. L’algorithme ne va
« que » décider de la pertinence ou non de déclencher ces actions en fonction des
caractéristiques et comportement client.

L’Intelligence Artificielle n’a pas vocation à remplacer l’humain, mais à
le « prolonger » en augmentant ses performances. On peut alors parler de
capacité de travail artificielle plus que d’intelligence artificielle. Sans la direction,
configuration et supervision humaines, la machine ne produira peu ou pas de
résultat. Elle pourrait même dévier de son objectif. On a pu le constater avec Tay,
le bot Twitter de Microsoft qui emmagasinait de l’information au fur et à mesure
qu’il échangeait avec des internautes. Si l’expérience était un succès dans les
premières heures, le bot tenait des propos incitant à la haine en moins de 24h,
obligeant Microsoft à le désactiver.
“ Plus que les annonces grandiloquentes dignes de la

science-fiction, il faut concentrer son attention sur les
applications concrètes offertes aujourd’hui par l’I.A.
Les marketeurs sont à la recherche de solutions leur
permettant de mieux comprendre leurs visiteurs pour
mieux les servir : ils peuvent agir dès maintenant pour
personnaliser l’expérience de leurs visiteurs.
“
Jean-Noël Rivasseau
Fondateur & CTO,
Kameleoon

GLOSSAIRE
ARTIFICIAL MACHINE LEARNING

INTELLIGENCE
ALGORITHM
DATASET

Cet ebook fait référence à des notions et concepts propres à l’intelligence
artificielle. Nous avons inclus des définitions simplifiées des termes clés pour vous
en faciliter la lecture.
INTELLIGENCE ARTIFICIELLE
Discipline scientifique relative au traitement de données, dans le but de permettre
à une machine d’exécuter des fonctions normalement associées à l’intelligence
humaine : compréhension, raisonnement, déduction, calcul, apprentissage.
La littérature distingue deux types d’Intelligence Artificielle : la « faible », dotée d’une
autonomie au sens technique (l’algorithme prend seul une décision dans un cadre
fixé par l’humain) et la « forte » où la machine serait dotée d’une autonomie au sens
philosophique : consciente d’elle-même, elle édicterait ses propres règles et objectifs.
MACHINE LEARNING
Le machine learning (ou apprentissage artificiel/automatique) est une composante de
l’Intelligence Artificielle.
Il correspond à l’utilisation d’algorithmes qui apprennent et appliquent continuellement
leur connaissance d’un sujet à partir de données. Ils traitent la volumétrie et la
complexité d’un dataset pour prédire un résultat ou une action.
ALGORITHMES SUPERVISÉS
Un algorithme supervisé analyse, apprend et développe un schéma prédictif à partir de
données déjà ordonnées par l’humain.
ALGORITHMES NON SUPERVISÉS

Un algorithme non-supervisé analyse, apprend et développe un schéma prédictif à
partir de données brutes. Son travail est d’identifier les corrélations entre les données
pour les ordonner et les exploiter.
APPRENTISSAGE PAR RENFORCEMENT

Lors du calcul de probabilité de conversion d’un visiteur, un algorithme d’apprentissage
par renforcement sera récompensé si sa prédiction est juste et pénalisé si sa prédiction
est fausse.
Son objectif étant de maximiser ses récompenses et minimiser ses pénalités, il
apprend de sa propre expérience pour affiner sa capacité de prédiction avec une
programmation dynamique.
DATASET
Ensemble des données (comportementales, contextuelles, techniques ou provenant
d’un CRM / DMP) dont les algorithmes de machine learning vont s’alimenter pour étayer
leur apprentissage et affiner leurs prédictions.

Kameleoon permet aux acteurs du web d’augmenter leur chiffre
d’affaires et leurs marges en personnalisant le parcours client. Elle
s’appuie sur une intelligence artificielle qui calcule en temps réel
l’intention d’achat des visiteurs.
Plus de 450 clients - du pure player au grand groupe - ont déjà adopté
Kameleoon et en font la plateforme SaaS de personnalisation (I.A.)
leader en Europe.
« Champion de la croissance » dans le classement 2017 et 2018 des

Echos, Kameleoon affiche une croissance annuelle à 3 chiffres en
clients, chiffre d’affaires et effectifs.
© Kameleoon, 2018 www.kameleoon.com

SUIVEZ-NOUS Ne pas reproduire sans l’autorisation de Kameleoon
FRANCE ALLEMAGNE ITALIE RUSSIE

12, rue de la Chaussée d’Antin Beim Alten Ausbesserungswerk 4 Via Calabiana 6 Щербаковская 53/3,
75009 Paris, 77654 Offenburg, 20139 Milano, Технопарк “Сапфир“,
France Deutschland Italia 105187, Москва, Россия
+33 (0) 1 83 62 20 50 +49 (0) 781/924 17-726 +39 02 45 07 52 58 +7 (910) 413 20 83
info@kameleoon.com info@kameleoon.de info@kameleoon.it info@kameleoon.com

Ebook Actions Marketing Onsite FR PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Ebook Actions Marketing Onsite FR PDF

Transféré par

Droits d'auteur :

Formats disponibles

PERSONNALISATION (I.A.

LA DONNÉE, ENJEU MAJEUR 6

POURQUOI L’APPROCHE PRÉDICTIVE 8

LES ÉTAPES CLÉS D’UNE 26

QUEL TYPE D’ALGORITHMES 30

ANNEXE - I.A. : CROYANCES & RÉALITÉS 36

© Kameleoon, 2018 - Ne pas reproduire sans l’autorisation de Kameleoon

4 CIBLAGE PRÉDICTIF : COMMENT MAXIMISER LE ROI DE VOS ACTIONS MARKETING ON-SITE

Avec l’accès à un nombre de données visiteur toujours plus important, il devient

CIBLAGE PRÉDICTIF : COMMENT MAXIMISER LE ROI DE VOS ACTIONS MARKETING ON-SITE 5

Personnaliser consiste à adapter une offre, un message ou un contenu à une

RÉCOLTE DES DONNÉES

6 CIBLAGE PRÉDICTIF : COMMENT MAXIMISER LE ROI DE VOS ACTIONS MARKETING ON-SITE

• celles dites « chaudes » d’une part, c’est-à-dire relevant du parcours de

Pages Historique Fréquence Cat. de prix

Provenance Terminal Navigateur

DONNÉES CRM, DMP, CDP...

Quand on parle de personnalisation on-site, deux pratiques sont possibles :

• la personnalisation manuelle, c’est-à-dire avec une segmentation de

CIBLAGE PRÉDICTIF : COMMENT MAXIMISER LE ROI DE VOS ACTIONS MARKETING ON-SITE 7

Dans la mesure où l’algorithme améliore et adapte sa capacité de prédiction en

En effet, là où l’humain va déterminer a priori sa cible de manière figée,

Il y a 5 contextes dans lesquels une approche prédictive s’impose tout

8 CIBLAGE PRÉDICTIF : COMMENT MAXIMISER LE ROI DE VOS ACTIONS MARKETING ON-SITE

L’intention d’achat on-site se mesure quasi exclusivement à partir d’informations

Or ces données sont par définition très difficiles à modéliser a priori

« Je veux pousser un coupon de réduction aux visiteurs indécis »

QUAND CIBLER LES MAUVAIS LEADS VOUS COÛTE

CIBLAGE PRÉDICTIF : COMMENT MAXIMISER LE ROI DE VOS ACTIONS MARKETING ON-SITE 9

Beaucoup de données peuvent participer à la définition d’un segment ou de sa

Prenons l’exemple d’un e-commerçant souhaitant « rattraper » les abandonnistes

10 CIBLAGE PRÉDICTIF : COMMENT MAXIMISER LE ROI DE VOS ACTIONS MARKETING ON-SITE

1. Le panier n’est pas vide

A l’inverse, il écartera certains en sortie de site car leur probabilité de conversion

Y A-T-IL UN VOLUME DE DONNÉES MINIMUM

L’une des questions les plus courantes posées sur l’approche

En revanche, un faible volume de données à traiter peut illustrer,

CIBLAGE PRÉDICTIF : COMMENT MAXIMISER LE ROI DE VOS ACTIONS MARKETING ON-SITE 11

C’est un fait : la personnalisation manuelle est chronophage. Elle nécessite un

L’un des avantages déterminants du prédictif est de permettre l’automatisation

5 QUAND VOS RESSOURCES SONT LIMITÉES

C’est le pendant du point précédent. Vous avez beaucoup d’enjeux à adresser

En bref, le prédictif vous fait gagner du temps, beaucoup de temps.

12 CIBLAGE PRÉDICTIF : COMMENT MAXIMISER LE ROI DE VOS ACTIONS MARKETING ON-SITE

La personnalisation prédictive ne signifie pas que l’approche manuelle n’a plus de

À titre d’exemple, les équipes de Darty souhaitent spécifiquement s’attirer les

• Nombre de visites (1ère)

CIBLAGE PRÉDICTIF : COMMENT MAXIMISER LE ROI DE VOS ACTIONS MARKETING ON-SITE 13

Nous avons sélectionné 5 exemples de stratégies, menées par Cdiscount,

14 CIBLAGE PRÉDICTIF : COMMENT MAXIMISER LE ROI DE VOS ACTIONS MARKETING ON-SITE

CIBLAGE PRÉDICTIF : COMMENT MAXIMISER LE ROI DE VOS ACTIONS MARKETING ON-SITE 15

16 CIBLAGE PRÉDICTIF : COMMENT MAXIMISER LE ROI DE VOS ACTIONS MARKETING ON-SITE

“ Grâce à l’I.A. de Kameleoon, le ROI de nos campagnes

CIBLAGE PRÉDICTIF : COMMENT MAXIMISER LE ROI DE VOS ACTIONS MARKETING ON-SITE 17

Ce scoring manuel apporte une amélioration marginale à Toyota avec plus de

18 CIBLAGE PRÉDICTIF : COMMENT MAXIMISER LE ROI DE VOS ACTIONS MARKETING ON-SITE

“ Nous avions besoin d’une solution capable de calculer

CIBLAGE PRÉDICTIF : COMMENT MAXIMISER LE ROI DE VOS ACTIONS MARKETING ON-SITE 19

20 CIBLAGE PRÉDICTIF : COMMENT MAXIMISER LE ROI DE VOS ACTIONS MARKETING ON-SITE

“ Nous avons souhaité aller plus loin que notre analyse

CIBLAGE PRÉDICTIF : COMMENT MAXIMISER LE ROI DE VOS ACTIONS MARKETING ON-SITE 21

Cette expérience particulière s’articule autour de la mise en avant d’un jeu

22 CIBLAGE PRÉDICTIF : COMMENT MAXIMISER LE ROI DE VOS ACTIONS MARKETING ON-SITE