Dans un secteur du retail toujours plus compétitif, la pertinence à grande échelle est le seul moyen de sortir son épingle du jeu – et le machine learning est la carte maîtresse des marques. Unique en son genre, la technologie du machine learning permet de traiter de vastes ensembles de données pour identifier les tendances, les préférences et même prédire la prochaine meilleure chance d’interaction entre un consommateur et une marque.
Criteo se penche sur trois grandes marques adeptes de la technologie pour toucher leurs consommateurs, et exploiter tout le potentiel du big data pour personnaliser l’expérience sur tous les canaux :
1. Under Armour
Under Armour intègre le machine learning à son application de fitness, Record. En suivant l’évolution physique de l’utilisateur, basée sur des données de sources variées (applications tierces, smart watches, données saisies par l’utilisateur et plus encore), l’application propose des régimes personnalisés et des exercices adaptés.
Selon Business Insider, « le coaching se base sur les résultats d’autres utilisateurs aux profils sportifs/physiques similaires, ainsi que sur des bases de données nutritionnelles et des informations physiologiques et comportementales ». L’application prend aussi en compte le nombre de pas, la nutrition, le sommeil et les données d’exercices physiques comme le rythme cardiaque, la vitesse, la distance et le nombre de calories dépensées.
Véritable coach personnel mobile, l’application UA est une ressource utile et personnalisée utilisable en seulement quelques clics. L’application devient donc d’autant plus précise à mesure qu’elle est utilisée, avec des recommandations personnalisées pour aider l’utilisateur à atteindre ses objectifs.
2. Mazda
Mazda avait besoin du machine learning pour trouver les bons influenceurs et promouvoir son nouveau modèle, la Mazda CX-5, au festival SXSW à Austin.
Le constructeur automobile japonais a collaboré avec la compagnie Influential pour exploiter la technologie IA Watson d’IBM et identifier les artistes extravertis (le type de profil correspondant au public du festival) sur les réseaux sociaux.
Grâce au machine learning, l’entreprise a pu scanner les publications des réseaux sociaux à la recherche d’un influenceur, en repérant par exemple les points d’exclamation ou les emojis.
Durant le festival SXSW, quatre personnes ont donc été sélectionnées pour traverser Austin à bord de la CX-5 et faire une apparition au Mazda Studio, avant de poster leur expérience sur Twitter, Instagram et Facebook.
En adoptant une approche centrée sur les données pour le marketing d’influence, Mazda a pu personnaliser son contenu pour engager une audience bien particulière, qu’elle savait plus créative (le festival SXSW célèbre musique, films et technologies parmi d’autres idées innovantes) que le reste de ses consommateurs.
(Pour plus d’infos : Comment survivriez-vous dans un monde sans technologie ? Répondez aux questions de notre quiz pour le savoir – en anglais seulement)
3. The North Face
The North Face utilise l’assistant personnel digital Expert Personal Shopper (XPS) de Fluid pour faire des recommandations à ses clients en ligne, créer des profils en fonction de leurs intérêts et personnaliser l’expérience utilisateur.
XPS étend ainsi l’image chaleureuse et serviable de la marque de vêtements d’extérieur jusqu’au royaume du digital. Grâce au machine learning, The North Face collecte simultanément des données pour améliorer à la fois ses futurs produits et ses interactions sur son site Web.
Le retailer propose aussi un service « Shop with IBM Watson » aux utilisateurs de son site Web.
Après avoir téléchargé l’application mobile, les consommateurs accèdent à la technologie via une commande vocale. Tout comme le ferait un vendeur, l’assistant virtuel aide les utilisateurs à choisir le produit qui convient le mieux à leurs besoins, en leur posant des questions, et en offrant les produits les plus pertinents selon leurs réponses.
Le ROI du machine learning
La nature prédictive du machine learning en fait une carte maîtresse pour les marketeurs. Équipées de cette technologie, les marques prévoient à l’avance les comportements et tendances, en exploitant tout le potentiel de leurs données consommateurs passées et présentes.
Côté ventes, les modèles de machine learning identifient les moments les plus opportuns pour proposer certains produits (par exemple lorsqu’un consommateur est le plus susceptible d’acheter des produits saisonniers). La technologie améliore aussi les opérations, en permettant aux retailers d’adapter leurs stocks en fonction des pics de ventes (Black Friday, Cyber Monday etc.).
Enfin, les modèles de machine learning réduisent aussi les dépenses inutiles (annonces et surplus de produits) tout en optimisant les actions marketing pour anticiper les besoins des consommateurs. Ensemble, ces facteurs contribuent à une hausse globale des revenus et du taux de marge des marques.
