Comment faire fonctionner les segments basés sur l'IA dans les CDP composables

Les segments basés sur l'IA ont surpassé les segments standards jusqu'à 42 % lors d'un récent test comparatif. Ce résultat est typique pour les marques qui passent d'une approche basée sur des règles à une segmentation basée sur l'IA. L'ascenseur a tendance à être encore plus important si aucune segmentation n'a été utilisée auparavant.

De nombreuses offres CDP « packagées » ont regroupé la science des données qui effectue une IA prédictive critique avec une configuration relativement minimale. Cependant, si vous adoptez une approche composable pour votre CDP, vous pourriez vous demander comment faire fonctionner les segments basés sur l'IA sur une myriade de canaux, étant donné qu'un CDP « composable » dépend des données et des attributs qui résident dans votre entrepôt de données.

Que fournissent les CDP packagés avec la science des données ?

Ce sujet pourrait être un article en soi, mais je classerais globalement les offres packagées de science des données CDP en trois catégories :

• Enrichissements comportementaux.
• Constructeurs de science des données personnalisés.
• Apporte le tien.

Enrichissements comportementaux

Plusieurs CDP ont innové avec des offres qui catégorisent le comportement des utilisateurs autour de :

• Affinité de contenu.
• Affinité de canal.
• Notation comportementale.

Ces catégorisations peuvent être utiles isolément pour la segmentation basée sur des règles ou en tant que fonctionnalités utiles pour créer des modèles personnalisés.

Les exemples comprennent:

• La notation comportementale et l'affinité de contenu de Lytics, qui fonctionnent bien avec sa balise JavaScript.
• BlueConic a une suite similaire de scores comportementaux.
• La capacité Simon Predict de Simon Data fournit des analyses prédictives pour des résultats marketing spécifiques.

Constructeurs de science des données personnalisés

Plusieurs CDP packagés proposent des créateurs de science des données pour configurer des modèles d'apprentissage automatique qui fournissent une notation régulière via des paramètres définis par l'utilisateur.

Lytics, Blueshift, BlueConic et d'autres ont été les premiers à les adopter. Les géants, Adobe et Salesforce, ont des capacités prédictives. Même mParticle et Twilio Segment ont introduit des fonctionnalités au cours des 6 à 12 derniers mois après des années de promotion de la qualité des données.

Ces solutions « à créer soi-même » sont puissantes, mais elles imposent de nombreuses décisions semi-techniques aux utilisateurs de plates-formes qui ont souvent des utilisateurs marketing non techniques. La dissonance entre l'offre et l'utilisateur final au quotidien entraîne des difficultés d'adoption.

Apporte le tien

Tous les CDP peuvent intégrer des attributs à un client donné. Les scores en science des données peuvent en faire partie. De nombreux clients avec lesquels j'ai travaillé ont réalisé des investissements importants dans la science des données et cherchent à mieux connecter les résultats de la science des données aux activations marketing.

Cela m'intéresse de constater que même en 2023, il existe encore des exercices de science des données marketing qui ne sont pas liés à un cas d'utilisation marketing clair. Le CDP peut résoudre l’intégration des scores prédictifs et de l’intelligence client dans les canaux marketing, mais la science des données interne doit d’abord exister.

C'est la bonne chose à propos de CDP packagé. La science des données existe réellement là-bas. Pourtant, l’argument en faveur du composable est fort. Il offre en théorie un délai de rentabilisation plus rapide, une mise en œuvre plus simple, une confidentialité améliorée et un coût total de possession inférieur. Alors, qu'est-ce qu'une entreprise à faire?

Un cadre pour comprendre la science des données dans le composable

Examinons trois scénarios pour déterminer où en est votre entreprise dans sa maturité actuelle en matière de science des données :

• Scénario 1 : Mon entreprise a des modèles préexistants.
• Scénario 2 : Mon entreprise ne dispose d'aucun modèle préexistant ni de ressources scientifiques de données.
• Scénario 3 : Mon entreprise souhaite créer des modèles personnalisés.

Scénario 1 : Mon entreprise a des modèles préexistants

Si vous êtes une organisation très mature ou « née dans le numérique » qui a réalisé les investissements nécessaires dans la science des données pour alimenter l'IA prédictive dans vos segmentations marketing, j'ai de bonnes nouvelles pour vous.

L'architecture composable est un moyen transparent de prendre un CDP « composable » et de connecter tous ces enrichissements de la science des données à vos canaux marketing. Tout ce que vous avez à faire est de vous assurer que ces scores sont mis à jour régulièrement et que votre CDP composable a une visibilité sur les scores. (En savoir plus sur les autres pièges ici.)

Scénario 2 : Mon entreprise ne dispose d'aucun modèle préexistant ni de ressources de science des données disponibles

Construire une pratique de science des données à partir de zéro est un travail difficile et coûteux. Plaider en faveur du recours à des data scientists affectés à d’autres problèmes organisationnels est un autre problème.

Par exemple, nous avons un client CPG avec une pratique sophistiquée de science des données pour prédire les prix à terme et la disponibilité des ingrédients pour fabriquer ses produits. Cependant, ces data scientists ne se concentrent pas sur les activations marketing.

Je n’ai aucune expérience dans l’achat de produits ou de produits chimiques pour des milliards de dollars. Néanmoins, je soupçonne que les nuances de la prévision des prix à terme des tomates sont différentes de celles de la prévision du désabonnement d'un client dans les 90 prochains jours. Chaque modèle aurait ses propres caractéristiques uniques et l'expérience des data scientists aurait un impact important sur le succès des modèles.

Alors, que reste-t-il à faire à une entreprise ? Devraient-ils embaucher des ingénieurs de données, des scientifiques de données et des analystes de données pour créer des bases de données, concevoir des fonctionnalités, créer des modèles, les interpréter puis les expliquer pour favoriser l'adoption par une équipe marketing occupée ?

De plus en plus, les organisations cherchent à « louer » la science des données. Ils peuvent mettre en place une plate-forme d'IA comme Predictable ou Ocurate avec des modèles de science des données avisés pour des cas d'utilisation marketing spécifiques. Ces solutions ont un retour sur investissement très rapide.

Alternativement, l’entreprise peut choisir d’opter pour une approche plus personnalisée. Des plateformes comme Faraday promettent un enrichissement des données et des configurations de modèles très flexibles. Mais l'utilisateur a toujours besoin de connaissances techniques pour savoir quoi prédire et comment configurer un modèle, même s'il ne nécessite pas de Python codé manuellement.

Scénario 3 : Mon entreprise souhaite créer des modèles personnalisés

Avant de vous engager dans cette voie, évaluez le coût. La véritable construction de modèles évolutifs nécessite l'implication de plusieurs employés hautement rémunérés.

Pour le faire correctement, vous aurez besoin de :

• Des ingénieurs de données pour collecter et conserver les données.
• Des data scientists pour concevoir et modéliser les données.
• Les analystes doivent interpréter et justifier l’utilisation des données.

Vous pourriez trouver des employés dotés d’un don dans deux de ces domaines. Mais les personnes qui excellent dans deux de ces domaines sont rares. Habituellement, les gens sont les meilleurs dans l’un de ces trois domaines.

Si vous êtes déterminé à développer la science des données marketing, pensez aux outils qui vous aideront à démarrer. Si vous utilisez Google Cloud Platform, par exemple, pensez à leur offre Vertex et à son « Model Garden ».

Si vous n'avez accès qu'aux données GA, pensez à en savoir plus sur iBQML, qui vous permet d'exploiter les données dans BigQuery pour prédire des résultats spécifiques sur site qui s'ajoutent aux efforts de marketing numérique.

Si vous disposez d'une version BigQuery plus robuste, tirez parti de BQML, qui peut évaluer les données en dehors des données GA natives. Les concepts « de démarrage » dans ces capacités peuvent créer une dynamique organisationnelle pour réaliser de nouveaux investissements dans la science des données.

Comment utiliser la science des données dans le CDP composable ?

Après le déploiement d'un CDP, une question courante se pose : comment optimiser la science des données lorsque le CDP et le canal marketing connecté partagent des capacités qui se chevauchent ? Cela peut inclure des audiences exportées vers des canaux dotés de capacités prédictives tels que Facebook, Google Ads, l'ESP de la marque, etc.

Les réponses que je fournis sont spécifiques aux cas d'utilisation d'un client. Vos outils publicitaires disposent généralement de données que le CDP et votre entrepôt de données n'ont pas. Je recommande des audiences de départ hautement ciblées à partir de votre entrepôt de données ou de votre CDP tout en tirant parti des meilleures enchères des plateformes publicitaires que vous utilisez pour les cas d'utilisation d'acquisition et de remarketing.

D'après mon expérience, les audiences de semences bien choisies et alimentées par l'IA surpassent les sosies des audiences régies par des règles. Par exemple, un annonceur a récemment effectué un test face à face sur Facebook entre des sosies d'audiences utilisant des prédictions basées sur l'IA et des sosies de clients engagés basés sur des règles. Le taux de conversion de l'audience basée sur l'IA a dépassé de 25 % le segment basé sur des règles.

Votre ESP peut avoir des connaissances sur l'engagement par e-mail qui manquent à votre entrepôt de données. Si tel est le cas, utilisez l’approche adtech ci-dessus. Si vous avez collecté les données dont dispose votre ESP, utilisez la segmentation et la prise de décision basées sur le CDP/entrepôt de données. Cela vous permet également d'utiliser plusieurs ESP si vous avez des besoins géographiques ou spécifiques à une marque. Mais encore une fois, les recommandations spécifiques dépendent de cas d'utilisation et de données spécifiques.

Considérations clés lors de l'expansion de l'utilisation de l'IA dans les CDP composables

Supposons que vous êtes convaincu de vouloir démarrer ou étendre l'utilisation de l'IA dans votre CDP composable. Voici une liste de questions à vous poser :

Avez-vous toutes les données marketing disponibles dans votre entrepôt de données cloud ?

Cela peut inclure des données de site Web telles que GA4, des données d'engagement avec des canaux propriétaires tels que le courrier électronique et tout l'historique des transactions/fidélité.

Cela peut inclure des solutions d'identité ou une correspondance basée sur des règles pour la résolution du client sur tous les canaux. Les données de consentement sont essentielles à toute utilisation des données de première partie.

Avez-vous les compétences nécessaires dans votre équipe pour tirer parti de l'IA ?

Cela inclut l'accès aux ingénieurs de données, aux scientifiques des données, aux analystes marketing et aux praticiens des opérations marketing.

Avez-vous un plan tactique pour déployer les audiences basées sur l'IA ?  

Il y a un élément stratégique à cela. Mais les tactiques spécifiques sont souvent négligées dans la cartographie des cas d'utilisation. Il devrait y avoir un plan d'opérations marketing qui détermine la nécessité de certaines données pour la création d'audience et l'application pratique de cette audience dans chaque canal.

Avez-vous un plan de mesure pour les audiences basées sur l'IA dans votre CDP ?

Le plan de mesure doit inclure des audiences de test spécifiques et un moyen de mesurer l'impact et le retour sur investissement. Assurez-vous que les critères de réussite sont clairs dès le départ et que les parties prenantes sont alignées sur ce que signifie un test réussi pour les futurs déploiements.

Bonne chance dans votre déploiement de l'IA dans vos efforts CDP - composable ou non. Il existe probablement un moyen pour vous d'adopter cette fonctionnalité dans vos flux de travail d'une manière qui soit rentable et qui contribue au retour sur investissement de votre équipe marketing.