« Comment faire en sorte que l’utilisateur ne se sente pas comme un individu lambda parmi d’autres, mais plutôt comme une personne unique parmi des millions d’autres ? ». C’est la question qu’a posé Will Hayes, PDG de Lucidworks, en introduction de la conférence Active Now, traitant du rôle de l’IA sur le merchandising online.

Pourquoi l’expérience client personnalisée est-elle source d’engagement chez les consommateurs ?

L’ hyperpersonnalisation

C’est une forme poussée de personnalisation de contenu des offres, mais également de l’expérience vécue par le client, qui se doit d’être unique à l’échelle individuelle, afin de proposer une solution sur mesure en temps réel. Elle est adaptée au contexte, et s’appuie sur l’exploitation d’une multitude de données.

La grande différence avec la personnalisation se situe au niveau du comportement et du temps réel. L’hyperpersonnalisation est ainsi capable de personnaliser un parcours, une offre, un contenu, en fonction du comportement et en temps réel.

Elle s’effectue grâce à la mise en place d’algorithmes, de l’élaboration de modèles prédictifs propres au Machine learning (apprentissage automatique).

La scénarisation permet également de rendre un message marketing plus impactant. « Comment je comprends le contexte et quelle IA je mets en place en fonction de ce-dernier ?». Effectivement, les IA qui interviennent sont différentes selon le contexte. Par exemple, les IA de reconnaissance d’objets sont différentes de celles de recommandations de produits.

Un sondage particulièrement intéressant montre à quel point les consommateurs sont sensibles à l’hyperpersonnalisation. Le sondage date de 2018, mais on voit déjà qu’environ 1/7ème des entreprises américaines interrogées, se sentaient capables d’appliquer cette méthode.

Le use case Netflix

Un exemple particulièrement parlant d’hyperpersonnalisation au sein de marketplaces, concerne Netflix.

La plateforme reçoit plus de 1000 propositions de production de scripts par jour. Afin d’optimiser le traitement de cette grande quantité de données, elle utilise une  IA d’analyse sémantique, et compare les scripts avec tous les films disponibles sur sa plateforme. Elle est capable, en fonction de l’ensemble du contenu analysé,  de faire des recommandations à Netflix, avec des budgets approximatifs de production. Ces derniers sont calculés grâce à l’analyse des scènes dans les scripts, et donc des lieux de tournages, effets spéciaux, etc. L’IA permet également d’analyser à quel type d’audience Netflix le film va plaire. Elle saura donc par exemple repérer des scripts pouvant plaire à des audiences de niche et acquérir de nouveaux abonnés, ou encore repérer des scénarios qui plairaient à une certaine audience déjà captive. De cette manière, en une dizaine de minutes, l’IA permet à Netflix d’avoir une liste de scripts recommandés, avec les statistiques et informations dont la plateforme a besoin afin de prendre une décision quant aux scripts à produire. Elle permet également d’être potentiellement parmi les premiers à pouvoir contacter les scénaristes afin de leur acheter leurs droits.

La colorométrie est une autre IA dont se sert Netflix, et qui analyse les couleurs présentes dans chacun de ses films. Ainsi en fonction de tel film regardé, l’IA va tirer une conclusion sur le type de couleurs que l’inconscient du consommateur apprécie. D’autres IA permettent aussi de connaitre le rythme des histoires que l’on aime, grâce aux séquences de scénarios, et ainsi permettre de connaitre de façon très pertinente les goûts parfois inconscients des consommateurs.

Une approche par le style

Il est aujourd’hui commun de se rendre dans un magasin et de demander spontanément à un vendeur : « Avez-vous quelque chose comme ça ? ». Concernant le digital, la prochaine étape permettra à l’utilisateur de télécharger une image pour déterminer si le détaillant a quelque chose de similaire. Ou bien, si l’utilisateur souhaite un chemisier coloré accordé à la teinte d’une jupe, il lui suffira alors de télécharger un échantillon de tissu ainsi que de renseigner une coupe, afin de trouver l’article qui complète le look.

Le but de l’IA tend justement de plus en plus à pouvoir catégoriser des styles qui vont correspondre à certaines tranches de consommateurs, plutôt que de catégoriser les articles de manière classique, par gammes de produits.

Les utilisateurs auront ainsi la possibilité de télécharger des images en ligne, afin de savoir si la marketplace possède un article similaire, ou bien de rechercher des articles pouvant compléter un certain look par exemple. Si l’on parvient à cerner les goûts réels des consommateurs, liés à leur mode/style de vie et leur façon d’être, il sera beaucoup plus facile de proposer des produits susceptibles de leur plaire. Et cela concerne par ailleurs des catégories de produits pour lesquelles ils n’ont encore jamais manifesté d’intérêt. C’est cette nouvelle approche au très grand potentiel, qui est en train de voir le jour, et qui permettra aux plateformes e-commerce d’être toujours plus pertinentes au niveau de leurs recommandations, et ainsi d’optimiser l’expérience client.