Deep Learning Algorithms

Comment notre technologie vous aide à capter les changements du marché

Découvrez la technologie Deep Learning de Tinyclues et comment celle-ci permet de faire des prédictions, quelle que soit la situation.

Data Operations Director

Time to read8 minutes
14 avril 2020

Dans un environnement loin d’être linéaire où tous les secteurs d’activités vivent des hauts et des bas, les marketeurs doivent faire en sorte que chaque offre trouve sa cible, quelle que soit la situation.

Chez Tinyclues, on nous demande souvent comment fonctionnent nos algorithmes, et, plus récemment, comment ils peuvent s’adapter aux changements du marché et des comportements des consommateurs. Cette technologie arrive-t-elle à « comprendre » ce qui se passe réellement ? Comment peut-t-elle donner un sens à toutes ces données et fournir des prédictions exactes et à jour ? Vous trouverez des réponses à toutes ces questions dans cet article.

Faire des prédictions dans des situations changeantes

Les algorithmes sont conçus pour s’adapter au monde qui les entoure et tiennent compte des changements sur le marché pour fournir des résultats contextualisés. Tinyclues exploite les données first-party, c’est-à-dire les données clients, et leur récence est un facteur clé pour la précision des prédictions. Les données issues des 30 derniers jours, combinées à vos transactions et à d’autres données des 24 derniers mois permettent de prédire le comportement futur des consommateurs avec précision.

La bonne nouvelle, c’est que notre technologie de Deep Learning est autonome et cherche en permanence de nouveaux comportements dans vos données actualisées. Elle peut prédire avec confiance les scores de propension d’achat à partir de seulement 30 transactions. Ainsi, lorsque vous venez tout juste de modifier vos offres, ou lorsque vos opérations ont subi d’importants changements et redémarrent, vous pouvez obtenir des prédictions précises très rapidement.


Un petit rappel

  • Afin de vous fournir les prédictions les plus récentes, notre technologie utilise vos données rafraîchies quotidiennement.
  • Si vous avez temporairement cessé votre activité, les prévisions faites sur des données plus anciennes risquent d’être sous-optimales.

Comment Tinyclues vous permet de vous adapter dans le contexte actuel

Les objectifs commerciaux de nos clients peuvent être différents selon le contexte et la période de l’année.
Mettre à jour vos critères de succès avec votre Customer Success Manager est essentiel car cela permet à Tinyclues de trouver la meilleure façon de vous aider à atteindre vos objectifs. Tout comme lors de la phase initiale d’implémentation, nous pouvons également adapter en permanence vos paramètres pour mieux définir le type de comportement que vous cherchez à produire chez vos clients (achats réguliers, clics, vues, etc.).

Par exemple, nos modèles prédictifs peuvent être optimisés pour maximiser les clics (objectif commercial : engagement) ou les achats (objectif commercial : augmentation du chiffre d’affaires). Ils peuvent aussi êtres adaptés pour favoriser les achats en ligne par rapport aux achats en magasin. Dans le contexte actuel, de nombreux clients choisissent d’optimiser les clics en privilégiant des messages de branding, ce qui vous permet également de garantir des taux de délivrabilité élevés.

Contactez votre Customer Success Manager pour plus d’informations sur la manière dont nous pouvons vous aider à atteindre vos objectifs commerciaux.

L’impact des évolutions du marché sur le ciblage

Nous savons que la data science peut parfois sembler abstraite et technique – pour simplifier les choses, prenons l’exemple d’une audience pour cette grande bouteille d’eau :

Six  étages à pied ? Pas de problème.

Qui achète cette bouteille ?

Profil d’acheteur « normal » : habitants de zones rurales qui s’approvisionnent dans une grande ville en voiture en faisant leurs achats groupés du mois.

Profil d’acheteur récent : les habitants de zones rurales achètent toujours ce produit, mais maintenant, on trouve aussi des acheteurs qui habitent en ville et qui n’ont pas de voiture. 

Pourquoi ces citadins apparaissent-ils soudainement dans la cible ? 

Quoi qu’il arrive, les acheteurs ruraux ont toujours besoin d’eau et vont continuer à faire leurs courses mensuelles pour s’approvisionner. Parallèlement, les nouveaux arrivants sont des acheteurs urbains qui ont peut-être peur d’une pénurie d’eau, en cas de crise sanitaire par exemple. Dans ce contexte, ne pas avoir de voiture ou habiter en ville ne sont plus des freins à l’achat. Quitte à trimballer cette bouteille jusqu’au 6e étage s’il le faut, ils l’achèteront !

Le produit en lui-même n’a pas changé, mais le profil d’acheteur a évolué. La localisation n’est qu’un des nombreux facteurs qui influencent le profil d’acheteurs, mais c’est également le plus évident. Cela explique pourquoi lorsque vous déciderez de promouvoir cette bouteille d’eau dans votre prochaine campagne, votre audience sera plus variée, avec des profils d’acheteurs à la fois ruraux et urbains.

Aperçu rapide de la technologie de Tinyclues

Utiliser les caractéristiques des acheteurs récents pour affiner le comportement que vous souhaitez susciter avec votre campagne marketing peut vous paraître simple et logique, mais toute la magie vient de la finesse et de la qualité des variables latentes analysées par nos algorithmes dans votre historique profond de données. Il s’agit de tous les indices implicites, ou “tiny clues », qui sont cachés dans vos données et qui aident à prédire la bonne audience pour vos produits. 

Contrairement à de nombreuses autres solutions qui consolident toutes vos données pour simplifier leur traitement, chez Tinyclues vos données ne sont ni agrégées, ni simplifiées. Cela signifie que nous utilisons vos données dans leur entièreté, en format brut, sans filtres et sans normalisation pour les analyser de manière profonde et comprendre les comportements complexes de vos clients.

Pour cela, nous avons conçu une architecture unique d’apprentissage multicouche non supervisé qui analyse en profondeur les données relationnelles complexes et brutes pour détecter les schémas implicites, sans préconceptions sur la source ou le secteur d’activité d’où proviennent les données. Cette capacité technologique est unique. Elle est la seule qui permet de capter toute la complexité des catalogues produits et des modèles de comportement des consommateurs en constante évolution. 

En résumé, les données issues des 30 derniers jours vous aideront à identifier les profils des acheteurs actuels de votre offre. La solution, quant à elle, vous aidera à trouver vos futurs acheteurs en utilisant les variables latentes. Grâce à celles-ci, notre plateforme va aller chercher dans votre base de données des profils similaires à vos acheteurs du moment, ce qui explique pourquoi votre cible sera différente d’un jour à l’autre. Tout comme le monde ne cesse de changer autour de nous, le comportement de vos clients et leur propension d’achat changent également. La bonne nouvelle, c’est que nos algorithmes évoluent pour s’y adapter.

En savoir plus sur notre technologie.

Un dernier exemple pour la route

L’année dernière, l’un de nos clients a eu un cas intéressant concernant un jeu vidéo populaire :

Est-ce un gamer ou une mamie qui vient d’acheter FIFA ?

Pour les passionnés de football, FIFA sort chaque année en septembre pour le plus grand plaisir de ses fans. Alors, qui sont les acheteurs de ce jeu ? Et bien cela dépend du moment où l’on cherche !

Jour de sortie : souvent, ce sont des joueurs hardcore prêts à débourser ce qu’il faut pour un nouveau jeu vidéo. Ces acheteurs ne sont probablement pas des adolescents car ils ont généralement un revenu plus élevé.

3 mois plus tard, en décembre : à cette période, ce sont des parents et grands-parents qui souhaitent offrir ce jeu à leurs enfants et petits-enfants pour les fêtes. Ils ont un niveau de revenu plus élevé. Les achats ont tendance à diminuer fortement après le 23 décembre.

6 mois plus tard, en mars : en général, il s’agit des joueurs qui ne veulent pas payer un prix premium pour diverses raisons : soit ils ont un revenu disponible moindre (les adolescents par exemple), soit ils ne sont pas des fans passionnés et peuvent attendre patiemment que les prix soient plus raisonnables. Il est presque certain qu’ils achèteront ce jeu vidéo pendant les soldes ou vont aller le chercher dans le marché de seconde main. 

Tout comme pour le premier exemple, le produit en lui-même n’a pas changé mais le profil d’acheteur a évolué au fil du temps. Ceci est dû à de nombreux facteurs : saisonnalité, conditions extérieures sur le marché, dernières tendances, etc. Le facteur le plus reconnaissable dans cet exemple étant la proximité de la date de sortie. La technologie de Tinyclues est capable de reconnaître tous ces modèles à partir des variables latentes analysées par nos algorithmes.

S’adapter au changement, c’est dans notre ADN

Que ce soit une modification liée à un nouvel article de mode incontournable, à une nouvelle destination tendance ou à des conditions de marché difficiles, notre technologie a été conçue pour s’adapter en permanence au changement afin d’accompagner au mieux les entreprises et les marques qui opèrent dans des marchés en constante évolution.

Quelle que soit la nature de ces évolutions (la date de votre campagne, l’offre à promouvoir), notre technologie peut trouver la meilleure audience en quelques clics, en tenant compte des mises à jour de dernière minute. Nos algorithmes de Deep Learning s’adaptent non seulement aux tendances du marché et aux comportements des consommateurs, mais aussi à vos objectifs commerciaux.

Nous sommes là pour vous ! Contactez votre Customer Success Manager pour plus d’informations.

You might also like