Comment créer des campagnes prédictives en commerce en ligne

La situation est encore compliquée par le fait que le « parcours client » est beaucoup plus large et plus diversifié que jamais (Lemon et Verhoef, 2016) . Il est donc encore plus difficile d’anticiper les comportements et d’agir aux moments décisifs de la prise de décision.

Ces défis peuvent être relevés grâce à l’analyse prédictive. La prédiction du comportement futur des visiteurs a traditionnellement été de la responsabilité des data scientists et a nécessité des efforts considérables dans la mise en œuvre de technologies d’exploration de données, d’apprentissage automatique ou d’apprentissage profond (Lu et al., 2012 ; Ma et al., 2024). Cependant, avec l’intégration croissante de telles fonctionnalités d’intelligence artificielle dans les outils d’analyse (en particulier Google Analytics 4), il est désormais beaucoup plus simple pour tous les spécialistes du marketing d’utiliser cette fonctionnalité.

Une approche prédictive apporte au moins les trois avantages suivants :

• Fournit des informations sur ce qui se passe actuellement et ce qui est susceptible de se produire à l’avenir, en tenant compte des parcours clients complexes et de grande portée.
• Fournit des informations sur la valeur potentielle de tous les visiteurs du site/de l’application (même ceux qui n’ont pas d’historique d’achat précédent ou une interaction limitée avec le site/l’application – un défi souvent appelé « Cold-Start » dans ce contexte (Shefali Singhal et Poonam Tanwar, 2024)).
• Peut être utilisé directement pour cibler (les bonnes) audiences à des fins de médias et de remarketing via des plateformes ou des outils connectés.

Campagnes axées sur la prédiction des achats

En définitive, l’objectif des entreprises de commerce électronique (et cela s’applique également aux marques D2C et aux marketplaces) est de vendre autant de produits que possible. Google Analytics 4 a intégré des techniques d’apprentissage automatique pour fournir aux spécialistes du marketing trois métriques utiles pour comprendre leurs audiences à cet égard :

• Probabilité d’achat – probabilité qu’un utilisateur effectue une conversion (achète) dans les 7 prochains jours.
• Probabilité d’attrition – probabilité qu’un utilisateur (ayant récemment visité un site ou une application) ne revisite pas le site ou l’application dans les 7 prochains jours.

Figure 2: Création d’audience probabilité d’attrition dans Google Analytics 4

• Revenu prédit – le montant des revenus attendus d’un utilisateur dans les 28 prochains jours.

Comme le soulignent Lemon et Verhoef (2016), ces métriques prédictives mentionnées avant permettent d’identifier les leviers d’engagement, d’évaluer le risque d’interruption du parcours et d’estimer la valeur à long terme du client (Customer Lifetime Value) générée tout au long de sa relation avec la marque. Il est possible de les utiliser dans campagnes de médias payantes afin de bien cibler l’audience et rayonner les résultats de performance. Voici comment configurer les campagnes:

1. Cibler les audiences à forte probabilité d’achat (forte intention d’achat)

Google Analytics 4 nous permet de créer des audiences d’utilisateurs les plus susceptibles de convertir (effectuer un achat) dans les 7 prochains jours (voir la capture d’écran ci-dessous – Figure 3). Ces audiences peuvent ensuite être utilisées dans des canaux médiatiques connectés (par exemple, Google Ads, DV360).

Figure 3: Les options de prédiction d’audience sur GA4.

Les données prédictives prennent vraiment tout leur sens ici, exportées vers les canaux d’activation médiatique. Par exemple, Google Ads nous permet d’optimiser les campagnes en utilisant des taux d’enchères plus élevés (agressivement dans ce cas d’utilisation !) pour les utilisateurs les plus susceptibles de convertir. Le résultat sont des taux de conversion plus élevés à un CPA (coût par conversion) plus bas !

2. Exclure les acheteurs “évidents” et économiser votre budget publicitaire

Il est recommandé d’exclure l’audience de prédiction dans vos campagnes de reciblage payantes déjà actives. Cette deuxième option peut en fait vous faire économiser de l’argent : si la probabilité d’achat d’un utilisateur est très élevée, pourquoi le cibler et payer pour une conversion qui se serait probablement produite de toute façon ?

3. Audiences prédictives sur d’autres plateformes : Meta Ads 

Les audiences prédictives créées sur Google Analytics 4 ne peuvent pas être téléchargées un fichier CSV (avec des adresses e-mail ou des noms) sur d’autres plateformes, pour des raisons de protection des données et de confidentialité des utilisateurs. Les données restent anonymisées et exploitables à travers les plateformes publicitaires ou l’API officielle. 

Mais la bonne nouvelle est que les plateformes voient les avantages des audiences prédictives et investissent massivement dans leurs propres solutions d’intelligence artificielle. Par exemple, Meta Ads utilise déjà des audiences prédictives grâce à l’IA. Meta appelle ces audiences “Advantage+ audience”. Voici où les trouver :

Figure 4: Création de prédiction d’audiences sur Meta Ads.

Meta Ads utilise divers signaux d’IA en temps réel, y compris les conversions (anciennes), les données du pixel (tag d’analyse de comportement et suivi des utilisateur par Meta), les comportements sur la plateforme et dans l’application, et les interactions publicitaires pour optimiser la diffusion de publicités lancés.

Le système analyse les objectifs et le public cible pour prédire les audiences les plus susceptibles de performer le mieux. Meta le fait pour tous les objectifs (de la notoriété aux prospects en passant par les ventes, etc.) et affirme avoir constaté des coûts par résultat inférieurs pour la plupart des objectifs de campagne en utilisant Advantage+ audience par rapport aux audiences ciblées par mots-clés/intérêts. 

Mais faites attention, laisser la solution d’IA avoir un contrôle total sur les décisions publicitaires et manquer de contrôle stratégique à ce sujet pourrait se retourner contre vous. Il n’y a aucun moyen d’influencer la situation si les choses ne fonctionnent pas comme souhaité. Par conséquent, si la rentabilité diminue à un moment donné ou si le cible de l’audience est très spécifique, il est recommandé de revenir temporairement à la configuration manuel des audiences. 

Considérations supplémentaires

Prédire les ventes au lieu de simplement les mesurer ne signifie pas renoncer aux rapports historiques. Il s’agit plutôt de rééquilibrer notre attention. Le reporting rétrospectif doit servir à établir la comptabilité de la performance, tandis que les métriques prédictives de GA4 doivent piloter l’allocation budgétaire au quotidien.

Il y a un enjeu concernant les stockage des données sur GA4, car il ne stocke par défaut les données d’utilisateurs que pendant 2 mois (bien que cela puisse être augmenté dans les paramètres d’administration de la propriété jusqu’à un maximum de 14 mois, après quoi elles seront supprimées). Selon vos besoins, cela peut être suffisant ou non comme historique. Il est donc logique d’exporter les données (surtout au niveau utilisateur/événement) vers une base de données plus permanente (par exemple, BigQuery). Notez que, bien que l’exportation vers BigQuery soit gratuite, vous serez bien entendu redevable des coûts de stockage/utilisation.

D’autres métriques prédictives importantes dans la gestion du commerce électronique sont : la valeur vie client (LTV) qui estime le revenu total qu’un client générera tout au long de sa relation future avec la marque, la prévision de la demande par SKU qui calcule la quantité exacte de produits qui seront vendus sur une période future afin d’éviter les ruptures de stock, et entre autres. Leur utilisation nous offre beaucoup d’avantages pratiques. La réduction des ruptures et des coûts par exemple, les entreprises utilisant l’IA pour la gestion des stocks réduisent les erreurs de prévision d’environ 50 % et diminuent les ruptures de stock de 18 %.

À une moment où les coûts d’acquisition publicitaire augmentent et où la qualification du trafic mobile devient déterminante, l’anticipation n’est plus un luxe mathématique: c’est la condition de la rentabilité e-commerce.

Références

¹ Leung, Audrey Xu. « Leading vs. Lagging Indicators (With Real-World Examples) ». Amplitude Blog, 24 juillet 2024. https://amplitude.com/blog/leading-lagging-indicators.

Fox, K. (ou Algolia). (2024). Using pre-trained AI algorithms to solve the cold start problem. Algolia Blog. https://www.algolia.com/blog/ai/using-pre-trained-ai-algorithms-to-solve-the-cold-start-problem

Penpath. (s. d.). Google Analytics 4 historical data and data retention concerns.https://penpath.com/blog/google-analytics-4-historical-data-and-data-retention-concerns/

Usercentrics. (s. d.). GA4 data retention: Everything you need to know. Privacy-Led Marketing.https://usercentrics.com/guides/privacy-led-marketing/ga4-data-retention/

Meta. (s. d.). À propos de la conservation des données dans Meta Events Manager. Centre d’aide Meta pour les entreprises. https://www.facebook.com/business/help/273363992030035

Mamba Digital. (s. d.). Meta Advantage+ backlash: Why advertisers are frustrated & how we fix it.https://mambadigital.au/meta-advantage-backlash-why-advertisers-are-frustrated-how-we-fix-it/

Ask Luca. (s. d.). Predictive analytics for ecommerce. https://ask-luca.com/blogs/predictive-analytics-for-ecommerce

Kogifi. (s. d.). Ultimate guide to predictive analytics in e-commerce. https://www.kogifi.com/articles/ultimate-guide-to-predictive-analytics-in-e-commerce

Google. (s. d.). [GA4] Conservation des données. Aide Google Analytics. https://support.google.com/analytics/answer/9805833?hl=pt

Ma, X., Li, Y., & Asif, M. (2024). E-commerce review sentiment analysis and purchase intention prediction based on deep learning technology. Journal of Organizational and End User Computing, 36(1), 1–29. https://doi.org/10.4018/JOEUC.335122

Singhal, S., & Tanwar, P. (2024). An E-commerce prediction system for product allocation to bridge the gap between cultural analytics and data science. Expert Systems, 41(6), e13082. https://doi.org/10.1111/exsy.13082

Lemon, K. N., & Verhoef, P. C. (2016). Understanding Customer Experience Throughout the Customer Journey. Journal of Marketing, 80(6), 69–96. https://login.proxy2.hec.ca/login?url=https://doi.org/10.1509/jm.15.0420