Définir ce qui est le plus important : l’argent que vous avez ou l’argent que vous gagnez ?

En règle générale, les équipes sont plutôt enthousiastes lorsqu’elles commencent à tester l’apprentissage automatique, l’intelligence artificielle, l’analyse prédictive et des algorithmes qui ont le potentiel de booster leurs performances de travail. Cependant, les retours dans la presse surestiment souvent les résultats obtenus et donnent l’impression que bientôt tout sera fait par une machine.

Malheureusement, les marketeurs qui ont pu tester des logiciels basés sur l’intelligence artificielle ont été plutôt déçus. Notre équipe a été surprise de l’apprendre et a voulu en savoir plus en organisant des discussions avec les premiers utilisateurs des solutions basées sur l’IA, présents pour l’essentiel aux États-Unis.

La première leçon tirée de cette session était le sentiment d’être face à une « boîte noire ». Ce terme recouvre de nombreuses choses différentes, mais le problème était essentiellement que les marketeurs avaient envie d’apprendre et de comprendre comment fonctionnait la machine. Or même s’il faisait bien son travail, l’outil ne tenait absolument pas compte du fait que les équipes marketing ne sont pas là pour simplement copier-coller les décisions prises par la machine – du moins pas à notre niveau actuel de maturité. Et ce d’autant moins que les résultats ne répondaient même pas aux attentes des équipes ou du management.

Malgré tout, cette situation nous a fourni l’occasion idéale de refondre notre stratégie R&D. Tout d’abord, notre équipe a décidé d’aider les marketeurs à comprendre les éléments qui ont un impact sur les conversions. Par conversion, nous entendons tout type de valeur qui mène à des événements tels qu’un achat, l’envoi d’un formulaire, l’abonnement à une newsletter, une interaction sur un réseau social ou l’affichage d’une page.

L’apprentissage automatique est un domaine très large, mais nous avons décidé d’appliquer une méthode classique et éprouvée : l’arbre de décision. Elle est couramment utilisée en analyse de décision pour aider les décisionnaires à identifier une stratégie qui devrait atteindre un certain objectif.

Un arbre de décision est une structure de type logigramme dans laquelle chaque embranchement représente un test sur une variable (par ex. tirer à pile ou face), chaque banche représente un résultat du test, et chaque feuille représente une étiquette de classe (décision prise après avoir pris en compte toutes les variables). Les chemins qui mènent des racines aux feuilles représentent les règles de classification.