L'apprentissage automatique aide à découvrir les motivations cachées des consommateurs

Un défi courant pour les spécialistes du marketing est de comprendre et d'interagir avec les personnes qui ont des profils de données « minces », comme les donateurs avec peu d'informations démographiques ou de brefs historiques d'interaction qui laissent les organisations sans une idée claire de leurs intérêts.

Jiyeon Hong, professeur adjoint de marketing au Costello College of Business de l'Université George Mason, a contribué au développement de l'apprentissage contrastif par graphes attribués (AGCL), un modèle d'apprentissage automatique qui relève ce défi, aidant les organisations à exploiter davantage les données dont elles disposent déjà d'une manière ou d'une autre. qui respecte la vie privée.

L'équipe de recherche était composée de Hong et des co-auteurs Qing Liu de l'Université du Wisconsin-Madison et Wenjun Zhou de l'Université du Tennessee-Knoxville. Leur document de travail a été mis à disposition sur le SSRN serveur de préimpression.

« Notre cadre permet des inférences plus précises en synthétisant même des données minimales, qui sont souvent les seules disponibles pour les petites entités », explique Hong.

L'équipe a testé AGCL en utilisant les données de DonorsChoose.org, une plateforme sur laquelle les enseignants des écoles publiques peuvent publier des demandes de financement de projets en classe. Plus de 70 % des donateurs sur la plateforme ne donnent qu’une seule fois, ce qui limite les informations que les méthodes traditionnelles peuvent générer. AGCL a été utilisé pour « combler le vide » en mettant en relation des donateurs ayant des profils similaires sur la base de leurs brèves interactions, créant ainsi un contexte plus large pour comprendre les intérêts de chaque donateur.

L'idée derrière l'approche graphique unique d'AGCL est de rassembler des points de données éparses, les transformant en informations exploitables. Dans l'étude, AGCL a atteint un taux de réussite de 34 % en recommandant des projets que les donateurs de l'ensemble de données de test soutiendraient probablement ensuite, contre 24 % en utilisant d'autres méthodes.

Le modèle combinait trois sources d'informations : les interactions donateur-projet, les liens entre donateurs et les similitudes entre les projets. Cette méthode crée un « voisinage » d'attributs, même à partir de données éparses, qui fournit une vision plus complète des intérêts des donateurs. « Cette approche à plusieurs niveaux vise à identifier les intérêts latents des donateurs, en fournissant des informations plus approfondies sur des domaines divers mais distincts vers lesquels un donateur à profil restreint pourrait être attiré », explique Hong.

« Les approches traditionnelles peuvent recommander des projets basés uniquement sur une seule interaction passée, ce qui est souvent insuffisant », note-t-elle en outre. « En mettant en relation les donateurs avec des utilisateurs partageant les mêmes idées, AGCL permet une recommandation beaucoup plus personnalisée, même à partir de données initiales minimales. »

Cette approche permet aux organisations à but non lucratif de maximiser la valeur de chaque point de données sans recourir à un suivi approfondi ou à une collecte de données supplémentaires, répondant ainsi aux problèmes de confidentialité tout en améliorant l'engagement. Par exemple, Hong décrit comment un donateur qui a contribué à un projet sur le thème des mathématiques pourrait être réceptif aux recommandations concernant un projet scientifique ou d'ingénierie qui correspond à ses intérêts latents, qui pourraient ne pas être immédiatement apparents à partir d'un seul don.

Les résultats d'AGCL offrent des informations pratiques faciles à interpréter pour les spécialistes du marketing et les organisations à but non lucratif. Hong a décrit comment les visualisations d'AGCL peuvent mettre en évidence des « groupes d'intérêts » parmi les donateurs, même au sein d'un ensemble de données limité. Cette cartographie aide les organisations à but non lucratif à comprendre les préférences des donateurs ponctuels, leur permettant ainsi d'élaborer des stratégies d'engagement pour ceux qui pourraient revenir dans le futur. « Nous cherchons des moyens d'utiliser ces informations non seulement pour des recommandations individuelles, mais aussi pour élaborer des campagnes qui trouvent un écho auprès de groupes plus larges partageant des intérêts latents », a-t-elle ajouté.

L'une des fonctionnalités les plus prometteuses d'AGCL est sa capacité à fonctionner dans le cadre de contraintes de confidentialité des données, offrant aux organisations un moyen d'obtenir des informations significatives sans collecte approfondie de données. Alors que la confidentialité des données devient primordiale, AGCL présente une solution qui respecte ces limites tout en permettant aux organisations à but non lucratif et aux petites entreprises de s'engager plus efficacement.

Pour l'avenir, Hong a noté le potentiel d'AGCL au-delà des connaissances des donateurs, en particulier dans le domaine de la segmentation de la clientèle, pierre angulaire du marketing moderne. Elle considère l'AGCL comme un outil qui pourrait fondamentalement remodeler la façon dont les organisations comprennent et regroupent leurs publics.

En affinant les techniques de segmentation pour découvrir des connexions plus profondes et des intérêts partagés, même dans des données rares, AGCL a le potentiel de modifier toute l’approche du marketing personnalisé. À mesure que cette technologie évolue et devient largement disponible, elle pourrait établir une nouvelle norme dans la manière dont les organisations établissent des liens durables et significatifs avec leur public.