3 tendances de modélisation similaire de nouvelle génération pour le marketing et la publicité

L’explosion de l’utilisation de la modélisation sosie dans le numérique au cours de la dernière décennie est liée à l’évolution de la capacité de l’apprentissage automatique à générer un retour sur investissement dans l’entonnoir. Pourtant, il existe encore un manque de clarté sur les meilleures tendances de modélisation sosie à utiliser et où utiliser ces approches. De plus, étant donné que la majeure partie de l'attention est portée aux algorithmes qui alimentent l'apprentissage automatique, très peu de considération est accordée aux entrées réelles (données) qui alimentent les tendances de modélisation sosies en premier lieu. Compte tenu de la complexité de la modélisation sosie, ce modèle est préoccupant.

La modélisation ressemblante est à la fois un art et une science.

Les entrées (et la façon dont ces entrées sont combinées) influencent le pouvoir prédictif éventuel d'un modèle ressemblant plus que n'importe quel algorithme d'apprentissage automatique.

Au fur et à mesure que les algorithmes complexes de ressemblance deviennent facilement disponibles, les données deviennent le facteur de différenciation ultime.

Disposer de données prédictives et propriétaires pertinentes pour votre entreprise n'est pas seulement un avantage concurrentiel significatif. De plus, il augmente le pouvoir prédictif des modèles sosies, quelle que soit l'application du modèle (fidélisation de la clientèle, personnalisation, acquisition ou autres activités CRM).

Par exemple, le test des 3 500 signaux de données propriétaires contenus dans le cloud de données de Zeta a indiqué une énorme influence sur le pouvoir prédictif de la modélisation sosie de Zeta pour le CRM et l'acquisition. (En d'autres termes, utiliser le bon type de données dans vos modèles sosies est à la fois un véritable différenciateur et un avantage.)

Donc, avec tout cela dit, voici 3 tendances de modélisation similaire de nouvelle génération pour le marketing et la publicité…

Tendance n ° 1 – Les modèles similaires passent d'approches d'apprentissage supervisé à non supervisé

Les modèles similaires sont utilisés pour caractériser les traits dominants d'un ensemble spécifique de disques (qu'il s'agisse de segments d'audience, de convertisseurs de campagne ou de tout autre chose), en particulier contre un autre ensemble de records de nature opposée.

Par exemple, les sosies d'un ensemble de convertisseurs sont construits en taquinant mathématiquement les traits dominants desdits convertisseurs et en les comparant ensuite à un ensemble de non-convertisseurs.

Les algorithmes qui alimentent ce modèle de ressemblance basé sur la comparaison sont appelés «algorithmes d'apprentissage supervisé», et ils font un excellent travail de description des publics «étiquetés».

Dans l'exemple ci-dessus, les étiquettes indiquent si un enregistrement est un «convertisseur» ou «pas un convertisseur».

Mais c'est dans les situations où les données étiquetées ne sont pas facilement disponibles que le véritable retour sur investissement marketing et publicitaire est atteint. Par exemple…

• Pourquoi un client effectue-t-il plusieurs achats chez vous et quelles sont les caractéristiques de ces clients?

Ou…

• Quelles informations vous manque dans votre campagne parce que vous cherchez au mauvais endroit?

Répondre à ces questions (et traiter d'autres situations où les données étiquetées ne sont pas facilement disponibles) nécessite d'incorporer «l'apprentissage non supervisé algorithmes »en modélisation sosie.

Les algorithmes non supervisés ne nécessitent pas de données étiquetées et il n'est pas nécessaire de leur dire quoi trouver. Ils peuvent analyser les données disponibles pour trouver des modèles cachés dans les campagnes, les audiences, etc.

Les modèles découverts sont une mine d'or d'opportunités exploitables pour les spécialistes du marketing et les annonceurs, c'est pourquoi le passage d'algorithmes d'apprentissage supervisé à non supervisé se produit lentement mais sûrement.

Tendance n ° 2 – Garder les humains au courant pour garantir la précision de la modélisation

Les algorithmes utilisés pour alimenter des modèles sosies fournissent régulièrement une approximation précise de ce qui se passe dans le monde réel.

Cependant, ils ne sont pas parfaits.

Lorsqu'ils sont autorisés à se déchaîner sans aucune surveillance humaine, ils peuvent créer des modèles inexacts.

Par exemple, étant donné un ensemble d'entrées, un algorithme conçu pour identifier les sosies d'un prospect qui s'inscrit pour une carte de crédit peut sur- index sur les caractéristiques qui ne sont pas conformes aux pratiques de crédit équitables.

En conséquence, les spécialistes du marketing et les annonceurs pourraient ne pas atteindre les populations clés mal desservies. Pour éviter que de telles inexactitudes ne se produisent dans leurs modèles similaires, les spécialistes du marketing et les annonceurs tiennent de plus en plus les gens au courant.

En permettant aux yeux humains d'examiner les résultats initiaux d'un modèle et d'approuver (ou de rejeter) son utilisation à des fins en aval, les spécialistes du marketing et les annonceurs peuvent atténuer leur exposition au risque du déploiement d'un modèle inexact.

Tendance n ° 3 – La distribution de données à l'aide de sous-modèles alimentera la modélisation similaire

La «confidentialité des données» est un mot à la mode dans le marketing et la publicité de nos jours – il retient l'attention des consommateurs, des régulateurs et des agences.

Par conséquent, aucun professionnel du marketing ou de la publicité ne souhaite obtenir des informations sur les clients ou les prospects qui ne respectent pas la confidentialité. Cette réalité jette un doute sur l'avenir de l'ajout de données via le partage de données propriétaires et propriétaires avec des fournisseurs de données tiers externes qui fournissent des services d'enrichissement.

À l'avenir, des modèles similaires seront construits et distribués à l'aide de plusieurs sous-modèles qui détermineront où les données résident.

Les résultats de ces sous-modèles seront rassemblés dans un endroit sûr et en salle blanche où ils seront rassemblés afin qu'une décision de modélisation primaire puisse être prise.

Ce sera un départ de l'état actuel de la modélisation sosie où toutes les données nécessaires pour construire un modèle sont regroupées en un seul endroit.

Conclusion sur les tendances de modélisation sosie pour le marketing et la publicité…

Dans les années à venir , la modélisation sosie continuera à adopter des techniques plus sophistiquées, précises et distribuées qui augmentent le retour sur investissement.

Les spécialistes du marketing et les annonceurs auraient intérêt à garder une longueur d'avance sur ces tendances émergentes de modélisation sosie afin de s'assurer qu'ils obtiennent toujours les meilleurs résultats commerciaux possibles pour les marques qu'ils représentent.

Pour en savoir plus sur les tendances de modélisation sosie, veuillez contacter un membre de notre groupe d'experts ou visitez notre page de ressources pour plus de lecture.