L'étude produit une approche d'IA basée sur les transformateurs pour prédire le comportement des clients

Des chercheurs en marketing de la Robert H. Smith School of Business de l'Université du Maryland ont produit un modèle basé sur l'intelligence artificielle qui, selon eux, « prédit le comportement numérique des clients et fournit des informations marketing personnalisées sur les voyages complexes et multi-touchses – en obtenant des méthodes traditionnelles à la fois en précision et en ROI. »

Publié dans le Journal of Marketing ResearchL'article « AI pour les trajets clients: une approche de transformateur » applique des modèles basés sur le transformateur – développés en original pour le traitement du langage – pour analyser des séquences complexes et multicanaux d'interactions client.

«Transformers nous donnent la capacité de voir le voyage dans son ensemble, pas seulement comme une série d'interactions isolées. C'est un saut majeur dans l'analyse marketing, explique le président de Dean en science du marketing PK Kannan, qui a co-écrit le travail avec le doctorat marketing Zipei Lu.

Contrairement aux méthodes et modèles traditionnels de voyage (tels que LSTMS et Hidden Markov et Poisson Point Process Models), Kannan et Lu disent que leur approche « capture à la fois le moment et la nature de chaque point de contact, ce qui le rend idéal pour les environnements marketing multi-touch fragmentés d'aujourd'hui ».

Une contribution centrale de l'article est l'intégration de l'hétérogénéité au niveau du client au sein de l'architecture du transformateur. Cela permet au modèle de fournir des informations individualisées sur la façon dont les différents clients réagissent aux actions marketing au fil du temps.

« Nous avons conçu le modèle pour capturer la complexité et l'individualité des voyages de clients numériques – quelque chose que les modèles traditionnels négligent souvent », explique Lu.

Kannan ajoute: « L'incorporation de l'hétérogénéité des clients nous permet de dépasser les cartes de voyage unique. Nous sommes maintenant en mesure de comprendre comment différents clients réagissent au fil du temps et d'agir. »

Les auteurs ont utilisé des données de voyage détaillées d'une grande entreprise d'accueil, couvrant plus de 92 000 utilisateurs et plus de 500 000 points de contact.

Le modèle résultant, dit Lu, « ne nous dit pas seulement qui est susceptible de nous convertir. Il nous dit pourquoi, et plus important encore, quand agir. »

En plus des performances prédictives, le modèle offre de riches informations managériales:

• Distinguer les points de contact initiés par l'entreprise et initiés par les clients
• Identification d'une fenêtre optimale pour l'intervention marketing
• Permettre au profilage latent de distinguer les modèles comportementaux, tels que les réservations de dernière minute par rapport aux planificateurs précoces

« Cette approche transforme les données des clients brutes en informations sur mesure que les spécialistes du marketing peuvent réellement utiliser – pour optimiser les interventions, allouer des budgets et conduire les conversions », explique Kannan.

En combinant l'apprentissage en profondeur avec l'interprétabilité et la personnalisation, les auteurs affirment que leur recherche fait progresser l'analyse marketing vers la prise de décision en temps réel et basée sur les données – les gestionnaires qui ont maximiser le retour sur investissement et l'engagement client dans des écosystèmes numériques de plus en plus complexes.