Comment l’IA générative peut réellement booster le marketing (en 5 exemples)

Avertissement pour les fans de Midjourney et autres Dall.E : “On est, ici, moins dans des cas d’usage où il s’agit d’imaginer des créations publicitaires éblouissantes que de vous aider à resserrer certains boulons de 12 de vos campagnes médias”, prévient Pierre Harand, managing director de fifty-five. L’idée n’est pas forcément de faire mieux, mais de le faire à grande échelle et pour pas cher. Bienvenue dans l’ère du (data) marketeur augmenté en 5 exemples. 

Rendre les analytics accessibles à tous

“Le plus souvent, ce ne sont pas les outils qui manquent mais le temps et les compétences pour les comprndre.” Pierre Harand résume, avec ces quelques mots, les problèmes de bien des entreprises. Elles s’équipent en solutions toutes tous plus sophistiquées les unes que les autres, sur le média, le CRM, la Web analyse, mais elles les laissent prendre la poussière. 

“Beaucoup d’entreprises sous-exploitent les données dont elles disposent, parce que ça prend du temps de les transformer en insight actionnable et que c’est, de surcroît, du temps pris à des profils qui sont très rares”, poursuit Pierre Harand. Des profils qui sont, par exemple, en capacité de maîtriser SQL, pour effectuer des requêtes vers une data clean room (voir notre article sur le sujet), et de faire le lien avec les enjeux business, pour mettre en perspective les données extraites. En bref, des “data scientists” avec une affinité marketing. “Or les rares qui sont présents chez l’annonceur sont généralement dévolus à des sujets liés à la DSI”, observe Pierre Harand. 

Le constat est également valable pour des “use cases” moins ardus. Comme l’utilisation de Google Analytics qui, chez bien des annonceurs, est vraiment sous-exploitée puisque, sans avoir besoin de maîtriser SQL, il faut avoir été formé pour être capable de créer des sous-segments indispensables à une analyse granulaire. Idem en ce qui concerne les campagnes médias dont l’analyse est, faute de temps ou de compétences, parfois lacunaire.

C’est ici que l’IA générative peut intervenir, en mettant au services des annonceurs et de leurs prestataires un agent conversationnel capable de 1) analyser des sets de données et 2) offrir une réponse précise aux questions (en langage naturel) que lui formulent des collaborateurs. C’est la démarche entreprise par fifty-five dans le cadre d’un POC qui lui a permis de tester l’API d’Open AI, pour connecter Chat GPT aux données de campagnes stockées dans Google Cloud. “Le collaborateur lui pose une question en langage naturel, Chat GPT se charge de la transformer en requête SQL et de réinterpréter les données qui lui sont restituées”, explique Pierre Harand. 

L’occasion de savoir, très facilement, combien d’impressions ont été affichées sur une période donnée, à quel prix et, pourquoi pas, de comparer à des périodes précédentes. 

Accompagner le changement

Encore un sujet de démocratisation même s’il s’agit, cette fois, de démocratiser des usages. Dans un secteur en perpétuelle mutation, il n’est pas toujours évident pour un annonceur de rester à la page. “Il y a la migration technologique, qui n’est jamais évidente, mais il y a aussi le changement des habitudes, qui doit aller de pair”, prévient Pierre Harand. 

Qu’il s’agisse d’installer un nouvel outil CRM, une nouvelle techno type DMP ou CDP ou, comme c’est le cas actuellement chez bien des annonceurs, de migrer de Google Universal Analytics à Google Analytics 4, ce sont souvent de nouveaux réflexes à prendre. D’où l’intérêt, selon Pierre Harand, de faire appel à un agent conversationnel qui accompagne dans le changement. “Un agent complémentaire qui, dans le prolongement  des séances de formation que les entreprises ont l’habitude d’organiser, apporte un support de niveau 1”, précise Pierre Harand. Il s’agit de le configurer pour être capable de répondre à la plupart des questions que les collaborateurs pourront avoir. 

Même principe que l’exemple donné plus haut : on part d’une API d’un modèle de langage type ChatGPT qui a été entraînée pour cette tâche et est branchée à de la donnée propriétaire. Une bibliothèque et une base de documentation mise à disposition des clients qui se pose des questions sur GA4, dans le cadre du test mis en place par fifty-five. “L’agent est capable d’apporter une réponse synthétique, sourcée, à des questions comme ‘Comment collecter des données e-commerce sur GA4 ?”’, illustre Pierre Harand. 

Dans l’éventualité, où la réponse lui ferait défaut, une mise en relation avec un humain est évidemment possible. Le système n’est pas sans rappeler celui des chatbots poussés, fût un temps, par Facebook. 

Améliorer ses flux produits

On touche ici à un sujet qui est aussi essentiel qu’il est sous-estimé dans la plupart des projets de transformation : la qualité des données. Le meilleur algorithme du monde tournera “à l’envers” s’il s’appuie sur la donnée erronée. On le sait tous… mais on n’a pas toujours les moyens d’y remédier. 

Prenons l’exemple des e-commerçants, pour lesquels la véracité et la granularité des fiches produits sont cruciales. Notamment pour s’assurer que les résultats de recherche affichés sur le site sont pertinents avec les attentes du consommateur et que les campagnes de publicité basées sur des flux produits, comme Product Listing Ads, seront, elles, cohérentes. 

“Le problème, c’est que les bases produit qui nourrissent ces deux piliers de business sont souvent incomplètes, voire parfois même fausses”, regrette Pierre Harand. C’est particulièrement vrai pour la partie marketplace, une activité en pleine croissance, où la responsabilité de renseigner les informations demandées incombe souvent à un partenaire (qui n’est pas toujours de bonne volonté). 

C’est ici qu’intervient l’IA générative, qui va se nourrir des notices produit et notices d’utilisation associés à chaque référence, pour remplir la matrice mise en place par l’e-commerçant (type de produit, couleur, dimensions…) et pourquoi pas, même, lui rajouter de nouveaux critères auxquels l’e-commerçant n’avait pas pensé. “En s’appuyant sur les requêtes formulées par les utilisateurs, on peut identifier de nouveaux critères discriminants. La taille de la lame d’une tondeuse à barbe, par exemple”, illustre Pierre Harand. 

Ici encore, l’outil va de pair avec une présence humaine, qui peut jouer les garde-fous. Vous avez deux options, résume Pierre Harand. Soit vous vous dites qu’il vaut mieux une information approximative que pas d’information, soit vous faites intervenir une validation humaine.”  

Bétonner la taxonomie de ses campagnes média 

C’est, de l’avis de Pierre Harand, souvent le parent pauvre des départements médias : la taxonomie des campagnes. “Pour être capable de comparer les performances de vos campagnes d’une année sur l’autre, il faut pouvoir vous appuyer sur une taxonomie bien précise : nom de la campagne, type de la campagne, produit mis en avant, objectif de cette campagne, périmètre géographique”, rappelle le dirigeant.

Autant de dimensions qui vous permettent, en un filtre, de comparer l’évolution des performances de vos campagnes branding. De voir qui de l’Italie ou de la France obtient le meilleur ROI sur tel produit. 

Le respect de cette taxonomie (qui occasionne des noms de campagne à rallonge) a toujours été fastidieux. “C’était catastrophique quand ça dépendant du bon vouloir des opérateurs de campagnes, qui ne faisaient pas toujours bien ce travail très répétitif. Ça va un peu mieux depuis que les générateurs de nom de campagne, qui copie-colle différents paramètres, sont apparus”, estime Pierre Harand. Mais ce n’est pas encore parfait, puisque, selon Pierre Harand, ce sont encore une majorité des campagnes qui ne sont pas bien catégorisées, parce que les opérateurs n’utilisent pas toujours le générateur. 

A l’IA d’intervenir, de screener les noms de vos campagnes, de s’assurer qu’ils correspondent bien à la matrice prévue et de s’assurer que chaque dimension est correctement renseignée. Ici encore, un vrai garde-fou. 

Optimiser sa production de contenus

On termine par l’exemple auquel on pense spontanément quand il s’agit de réfléchir aux vertus de l’IA générative : la production et la diffusion du contenu publicitaire. Car à quasiment chaque étape de la chaîne de valeur, l’IA générative aura un rôle à jouer. 

Qu’il s’agisse de la création pure et dure, où Dall.E et Midjourney commencent à faire leurs preuves (cf les premières campagnes imaginées par ces IA génératives) ou de l’assemblage de ces créations, pour permettre aux marketeurs de créer des variantes (et de tester leur efficacité) avec beaucoup plus de facilités. 

Pierre Harand donne l’exemple de sa maison-mère, Brandtech Group, qui vient de mettre la main sur Pencil, un outil SaaS adossé à ChatGPT, pour permettre aux marketeurs de décliner leurs assets créatifs en visuels adaptés aux codes des plateformes médias qu’ils actionnent. “Avant Pencil, faire une campagne de pub vidéo, ça restait un sujet de riche. En abaissant le ticket d’entrée, la techno rend le format plus accessible pour toutes ces PME qui investissent énormément sur les plateformes sociales.”

Il y a enfin la partie ciblage des audiences, que des plateformes comme Google et Facebook, optimisent depuis une dizaine d’années déjà. En témoigne la démocratisation d’outils comme Performance Max chez Google et Advantage + chez Facebook. “Il y a toute un gisement de valeur qui n’est, à ce stade, pas exploité, estime Pierre Harand. Notamment dans le fait de trouver les variations de contenus créatifs qui marchent auprès de chaque cible.” Trop souvent le marketeur s’échine à faire des ciblages d’audience hyper granulaires, sans prendre le temps d’adapter les créations qui seront affichées auprès de ces cibles.