Pour les marketeurs, il est bien connu que les intentions d’achat explicites, comme voir une page web sur un produit, sont une indication forte d’un futur achat. En combinant les comportements d’achat avec des segments métier prédéfinis, les marketeurs créent des campagnes qu’ils pensent pertinentes et donc efficaces.
Mais alors que 89% des marketeurs déclarent personnaliser les expériences et les messages, seulement 5% des consommateurs déclarent que ces derniers sont bien adaptés à leurs besoins du moment. Si l’intention d’achat explicite est vraiment liée au comportement d’achat futur, d’où vient donc ce décalage entre la vision des marketeurs et la perception des consommateurs ?
L’infographie ci-dessous explique comment l’utilisation des techniques de machine learning traditionnelles pour le ciblage des campagnes peut générer des prédictions sous-optimales qui ignorent souvent les acheteurs potentiels et nuisent à l’expérience client. Parallèlement, les marketeurs qui adoptent des technologies de pointe telles que le deep learning décuplent l’efficacité de leurs stratégies de ciblage et de planification des campagnes marketing. Le deep learning trouve les « tiny clues » dans des millions de données pour identifier les futurs acheteurs avec une précision inégalée.
Pour comprendre comment la data science traditionnelle et le deep learning ciblent les campagnes différemment, comparons les deux méthodes pour voir comment elles peuvent déterminer si Pat, cliente d’un grand retailer, devrait être incluse dans la campagne de novembre pour promouvoir le jeu FIFA 20.
