Vous lancez une campagne e-mail auprès de 100 000 abonnés. Vous envoyez le même message à tout le monde. 2 % convertissent. Imaginez maintenant que vous puissiez prévoir, avant l'envoi, quels 10 000 abonnés seront vraiment intéressés, et leur envoyer une offre plus forte. Vous convertiriez 8 % de ces 10 000 (800 personnes) au lieu de 2 % de 100 000 (2 000 personnes). Mais comme vous avez écarté les 90 000 désintéressés, votre coût d'acquisition a baissé de 75 %. Voilà la segmentation prédictive : regrouper les visiteurs selon ce qu'ils vont probablement faire ensuite, et pas seulement selon ce qu'ils ont fait avant.
La segmentation prédictive utilise le machine learning pour identifier quels visiteurs vont passer à l'action (acheter, partir, passer à l'offre supérieure, recommander). La segmentation de base répartit les visiteurs selon leur comportement passé (localisation, source de trafic, pages visitées). La segmentation prédictive les répartit selon leur comportement futur prévu (probabilité d'acheter, probabilité de partir, valeur client prévue). L'écart d'impact sur l'activité est énorme.
En quoi l'IA regroupe-t-elle les visiteurs autrement que vous à la main ?
Ouvrez n'importe quel tableau de bord et vous trouverez la même segmentation : source de trafic, type d'appareil, zone géographique, peut-être quelques segments de comportement. Ce sont des segments utiles. Mais ils reposent sur ce que vous avez choisi de suivre et sur ce que vous avez décidé à la main d'important. Regardez ce qu'un système d'IA peut faire des mêmes données et vous verrez qu'il regroupe les visiteurs selon des tendances que vous n'auriez jamais remarquées.
La segmentation manuelle est limitée par ce à quoi vous pensez pour mesurer. Vous segmentez par « utilisateurs venus des annonces payantes » et « utilisateurs venus de la recherche naturelle ». C'est évident. La segmentation par IA demande : parmi les utilisateurs venus des annonces payantes, lesquels vont convertir et lesquels non ? Elle découvre que les utilisateurs qui cliquent sur une annonce, repartent, puis reviennent dans les 6 heures ont un taux de conversion 3 fois supérieur. C'est un micro-segment auquel vous ne penseriez jamais. Mais il a de la valeur.
L'IA trouve des tendances non évidentes. Vous constatez que votre panier moyen est de 50 $. L'IA découvre que les utilisateurs qui visitent les pages produit dans cet ordre précis ont un panier moyen de 80 $. Ceux qui consultent les tarifs avant d'ajouter au panier ont un panier moyen de 30 $. Ces tendances existent dans vos données. Une personne mettrait des mois à les trouver. Un modèle d'IA les trouve en quelques heures.
L'IA teste des milliers de combinaisons. Une personne peut tester à la main 5 à 10 idées de segmentation. Une IA en teste des milliers. Elle trouve les segments qui prédisent vraiment le comportement (vont-ils acheter ?) plutôt que ceux qui semblent logiques sans l'être (nous pensions que la géographie comptait, mais non). Cette approche fondée sur les données bat l'intuition humaine à chaque fois.
Surtout, l'IA se met à jour en continu. Vous pouvez créer un segment à partir des données de juillet. En octobre, la tendance a changé. Les segments manuels vieillissent. Les segments de l'IA se mettent à jour automatiquement à mesure que de nouvelles données arrivent. Les prévisions restent justes, car elles reposent toujours sur les tendances actuelles.
Que peut vraiment prévoir l'IA sur les visiteurs ?
Regardez ce que l'analyse prédictive peut anticiper et vous verrez des occasions partout. L'essentiel est de choisir des prévisions utiles aux décisions de l'entreprise.
Intention d'achat : quels visiteurs vont acheter dans les 30 prochains jours ? Lesquels n'achèteront jamais ? Lesquels hésitent ? L'IA peut le prévoir à partir des comportements (nombre de pages vues, temps passé sur le site, ajouts au panier sans achat). Les visiteurs à forte intention reçoivent une offre premium. Ceux sans intention reçoivent un guide gratuit pour s'informer. Les indécis reçoivent une remise limitée dans le temps.
Risque de départ : quels clients risquent de partir le mois prochain ? L'IA repère les signes avant-coureurs : engagement qui baisse, usage des fonctionnalités qui recule, demandes au support qui augmentent. Identifiez ces clients et vous pouvez intervenir avant leur départ. Une offre bien placée ou une amélioration du produit peut les sauver.
Valeur client sur la durée : quels clients dépenseront le plus au cours de leur vie ? Ce n'est pas évident. Un client qui dépense 100 $ le premier jour ne reviendra peut-être jamais. Un client qui dépense 20 $ le premier jour dépensera peut-être 2 000 $ en cinq ans. L'IA apprend quelles caractéristiques annoncent une forte valeur sur la durée (habitudes d'usage, adoption des fonctionnalités ou niveaux d'engagement). Vous pouvez alors concentrer vos ressources sur l'acquisition et la fidélisation de ces clients.
Probabilité de la prochaine action : ce visiteur va-t-il passer à l'offre supérieure ? Va-t-il recommander un ami ? Va-t-il revenir ? Pour chaque action qui compte pour votre activité, l'IA peut estimer la probabilité. Vous segmentez ensuite les visiteurs selon ces probabilités et adaptez l'expérience à chacun.
Préférences de contenu : quels sujets de blog ce visiteur trouvera-t-il utiles ? Quelles fonctionnalités l'intéresseront le plus ? Quelle catégorie de produits le attire ? L'IA apprend ces préférences à partir du comportement et peut recommander les prochaines étapes. Un visiteur intéressé par les fonctionnalités avancées voit des comparatifs de fonctionnalités. Un visiteur intéressé par la facilité d'usage voit des guides de simplicité.
Pourquoi prévoir le comportement futur plutôt que seulement analyser le passé ?
Demandez à la plupart des équipes comment elles segmentent et elles décriront le comportement passé. « Utilisateurs très engagés », c'est-à-dire des utilisateurs qui se sont beaucoup engagés. « Visiteurs récents », c'est-à-dire des personnes venues la semaine dernière. C'est de l'analyse. Elle dit ce qui s'est passé. Mais la question de l'entreprise est plutôt : que va-t-il se passer ensuite ? La prédiction y répond.
Le comportement passé prédit mal le comportement futur si quelque chose a changé. Un client qui a acheté il y a six mois peut partir le mois prochain. Un visiteur occasionnel peut devenir un client fidèle. Vous ne pouvez pas supposer que l'avenir ressemblera au passé. Les modèles prédictifs en tiennent compte en apprenant quels signaux annoncent vraiment l'avenir.
La segmentation prédictive vous permet d'agir en amont. Si vous savez qu'un client partira le mois prochain, vous avez le temps de le contacter, d'améliorer votre produit ou de proposer une incitation. Si vous ne remarquez les départs qu'après coup (analyse du comportement passé), vous l'avez déjà perdu. La différence entre agir en amont et réagir après coup est énorme.
La segmentation prédictive optimise aussi l'allocation des ressources. Votre budget marketing est limité. Vous pouvez le dépenser sur tous les clients (faible retour) ou sur les clients à forte valeur sur la durée (fort retour). La segmentation prédictive identifie les clients sur lesquels vous concentrer. Vous dépensez moins et vous gagnez plus.
Comment mettre en place concrètement la segmentation prédictive ?
Commencez par identifier ce que vous voulez prévoir. Toutes les prévisions ne valent pas la peine d'être construites. Choisissez celles qui répondent à des questions de l'entreprise : « Qui va acheter ? » « Qui va partir ? » « Quels sont nos clients les plus précieux ? » « Qui va adopter cette fonctionnalité ? » Choisissez-en une. Construisez un modèle pour elle. Voyez si cela fonctionne.
L'étape suivante est la préparation des données. Le modèle a besoin de données propres. Il lui faut les bons signaux. Pour prévoir la probabilité d'achat, le modèle a besoin de données sur la navigation, les interactions avec le panier, le temps passé sur le site et sur l'achat ou non. S'il manque des signaux, le modèle sera peu performant. Auditez d'abord votre collecte de données.
De nombreuses plateformes de statistiques incluent désormais la segmentation prédictive. D'autres proposent des cohortes prédictives. Certaines plateformes d'analyse produit ont une segmentation par IA. C'est plus simple que de construire des modèles sur mesure. Commencez par les fonctions intégrées à la plateforme. Ne construisez des modèles sur mesure que si vous avez besoin de prévisions que la plateforme n'offre pas.
Une fois les prévisions obtenues, segmentez votre audience. Les visiteurs à forte intention d'achat vont dans un segment. Ceux à faible intention dans un autre. Ceux à fort risque de départ dans un segment de fidélisation. Adaptez ensuite l'expérience à chacun. Les visiteurs à forte intention voient la page des tarifs. Ceux à faible intention voient du contenu pédagogique. Les clients à risque de départ sont contactés par le service de réussite client.
Enfin, vérifiez que les prévisions fonctionnent. Lancez un test A/B. Envoyez aux visiteurs prévus à forte intention une offre premium. Envoyez à un groupe témoin une offre normale. Le groupe à forte intention convertit-il mieux ? Si oui, le modèle fonctionne. Sinon, ajustez-le. La plupart des modèles demandent des réglages avant d'être fiables.
Quels sont les risques de s'appuyer sur les prévisions de l'IA ?
Les prévisions de l'IA valent ce que valent les données sur lesquelles elle est entraînée. Si votre historique est biaisé (vous n'avez acquis des clients que par un canal, dans une zone, à une saison), le modèle apprend ces biais. Il croit que c'est le seul type de client qui fonctionne. Quand vous essayez d'acquérir par un autre canal, les prévisions du modèle échouent.
Les prévisions se dégradent avec le temps. Un modèle entraîné sur les données du premier trimestre peut bien marcher au premier trimestre. Au troisième, les conditions du marché ont changé. Vos clients ont changé. Le modèle est périmé. Les bons systèmes prédictifs se ré-entraînent régulièrement (chaque mois ou chaque trimestre) avec de nouvelles données. Si vous entraînez une fois sans jamais mettre à jour, les prévisions empirent.
Les prévisions peuvent créer des prophéties auto-réalisatrices. Si vous dites à un commercial « ce client va partir », il risque de traiter ce client moins bien sans s'en rendre compte, ce qui provoque le départ. Si vous ignorez les clients prévus à faible valeur, ils ne prennent jamais de valeur, car vous n'investissez jamais en eux. Gardez cette boucle de rétroaction en tête.
Les prévisions n'expliquent pas pourquoi. Le modèle peut dire « ce visiteur va partir » mais pas pourquoi. Est-ce l'adéquation au produit ? Le prix ? Un concurrent ? Le service de réussite client qui échoue ? Il faut toujours un jugement humain pour diagnostiquer la raison et la corriger. Les prévisions font remonter le problème. Les humains le résolvent.
Les règles de confidentialité compliquent la segmentation prédictive. Le RGPD et le CCPA donnent aux utilisateurs le droit de savoir pourquoi ils sont traités différemment et de refuser les décisions automatisées. Si vous utilisez des segments prédictifs pour refuser l'accès à quelqu'un ou lui faire payer plus, vous devrez peut-être expliquer le raisonnement du modèle. Consultez un juriste avant de déployer la segmentation prédictive à grande échelle.
La segmentation prédictive est-elle la même chose que l'analyse prédictive ?
Pas tout à fait. L'analyse prédictive est le domaine plus large qui consiste à prévoir des résultats futurs (ce client va-t-il partir, cet indicateur va-t-il monter). La segmentation prédictive consiste précisément à regrouper les visiteurs selon leur comportement prévu. L'analyse prédictive est la capacité. La segmentation prédictive en est une application.
Quelle précision faut-il pour que les prévisions soient utiles ?
Cela dépend du coût d'une erreur. Si vous prévoyez des visiteurs à forte intention et leur envoyez une remise de 10 $, une erreur coûte 10 $. Une précision de 60 % suffit : vous restez rentable. Si vous prévoyez une fraude et refusez l'accès à quelqu'un, vous voulez au moins 95 % de précision. Pour la plupart des décisions d'entreprise, 70 à 80 % de précision est le seuil où les prévisions battent le hasard et valent la peine d'agir.
Puis-je utiliser la segmentation prédictive sur de petites audiences ?
Pas bien. Les modèles prédictifs ont besoin de données pour apprendre. Avec 100 utilisateurs, le modèle n'a pas assez d'exemples. Avec 10 000 utilisateurs, il en a assez pour apprendre des tendances de base. Avec 100 000 utilisateurs, il apprend des tendances plus fines. Démarrez la segmentation prédictive quand vous avez au moins 5 000 à 10 000 utilisateurs avec un historique de comportement suffisant.
Quelle différence entre segmentation prédictive et segmentation manuelle ?
La segmentation manuelle répartit les utilisateurs selon des caractéristiques connues (zone géographique, source de trafic, appareil). La segmentation prédictive les répartit selon leur comportement futur prévu (vont convertir, vont partir, valeur sur la durée). La segmentation manuelle, c'est ce qui s'est passé. La prédictive, c'est ce qui va se passer. Les deux sont utiles : utilisez la prédictive pour la personnalisation, la manuelle pour les rapports.
Puis-je mettre à jour les segments prédictifs en temps réel ?
La plupart des plateformes mettent à jour les prévisions chaque jour ou chaque semaine, pas en temps réel. Les prévisions en temps réel demandent plus d'infrastructure et coûtent plus cher. Pour la plupart des cas, une mise à jour quotidienne ou hebdomadaire suffit. Si vous avez besoin de personnalisation en temps réel, investissez dans une CDI (Customer Data Infrastructure) qui se met à jour en continu.
Que se passe-t-il si ma prévision est fausse pour un client ?
Les prévisions individuelles se tromperont parfois. Les modèles sont probabilistes, pas déterministes. L'objectif est d'avoir raison plus souvent que tort. Si vous prévoyez qu'une personne va partir et que vous vous trompez (elle reste), cela ne concerne qu'un client. Si vous prévoyez que 1 000 clients vont partir et que 700 partent vraiment, votre précision est de 70 % et vous avez quand même identifié le segment le plus à risque. Concentrez-vous sur la précision globale, pas sur la précision individuelle.