Pourquoi vos habitudes d’envoi limitent l’apprentissage de l’IA

L’IA appliquée aux emails peut atteindre sa cible tout en nuisant à l’entreprise

Un modèle d’IA pour les emails peut prédire correctement et améliorer sa métrique cible tout en pénalisant l’entreprise. Un modèle qui identifie les abonnés susceptibles de partir, par exemple, a toujours besoin d’une règle solide pour décider comment les contacter. Pour les responsables marketing et technologiques, des résultats décevants soulèvent donc deux questions : le système n’apprend-il pas correctement, ou optimise-t-il avec succès une règle qui nuit à l’entreprise ?

« L’IA passe à l’échelle ce que vous lui donnez », a déclaré Shar VanBoskirk de Forrester Research lors de son keynote d’ouverture sur l’IA dans l’email marketing à la réunion du comité ANA Email Excellence Center en août. Forrester vend des études et du conseil aux entreprises qui prennent des décisions technologiques, et a donc un intérêt commercial à la demande de conseils sur l’IA. La formule bien connue « Garbage in, garbage out » décrit un problème de qualité des données d’entrée reconnu depuis les débuts du machine learning. Son pendant, « Misalignment in, misalignment out », décrit ce qui se produit lorsqu’un objectif laisse de côté des conditions métier importantes.

L’automatisation amplifie ces deux problèmes, car une exécution plus rapide laisse moins de temps pour repérer les variables manquantes, tandis qu’un plus petit nombre de personnes impliquées signifie moins d’occasions de revue et de correction. Les agents IA, des systèmes capables d’agir automatiquement, deviennent plus courants. Leur diffusion a ravivé l’attention portée à la rapidité avec laquelle des conséquences imprévues importantes peuvent apparaître. Les équipes doivent donc évaluer séparément la précision des prédictions, l’amélioration de la métrique choisie et le bénéfice métier.

Des prédictions précises ont besoin de règles d’action solides

L’écart entre prédiction et bénéfice métier est devenu évident lorsqu’une marque a déployé un modèle d’IA pour réduire le churn des abonnés email, c’est-à-dire les abonnés qui quittent son programme email. Une fois le modèle en service, la marque a découvert qu’il supprimait des campagnes destinées aux nouveaux abonnés. La prédiction était correcte : ces abonnés étaient le groupe le plus susceptible de se désabonner. Mais le modèle utilisait cette prédiction pour ne pas les contacter.

Cette décision préjudiciable venait de l’application d’une règle commune aux nouveaux abonnés et aux abonnés établis, alors qu’ils avaient besoin d’un traitement différent. Améliorer la prédiction aurait laissé cette règle de suppression intacte ; la marque a donc mis le modèle en pause, puis l’a relancé plus tard avec des règles distinctes pour les deux groupes. La correction a changé ce qui se passait après qu’un abonné recevait une prédiction de risque élevé. La précision n’est devenue utile que lorsque l’entreprise a choisi une réponse appropriée.

Choisir cette réponse devient plus difficile lorsque la métrique cible ne capture que le début de l’expérience client. Les modèles de lignes d’objet évalués selon les taux d’ouverture favorisent presque toujours un langage vague et mystérieux, qui peut convaincre quelqu’un d’ouvrir un email tout en lui disant peu de choses sur son contenu. Les destinataires peuvent alors se sentir trompés ou déçus, ce qui fait baisser les clics et les conversions, les actions que l’entreprise souhaite voir les destinataires accomplir, tandis que les désabonnements et les signalements comme spam augmentent. Le taux d’ouverture s’améliore alors même que les résultats plus larges du programme email se dégradent.

Pour tenir compte de ce qui se passe après une ouverture, les équipes peuvent optimiser les lignes d’objet à l’aide des taux de clic, en reliant la promesse de la ligne d’objet au contenu du corps de l’email. Lorsque le volume de conversions est suffisant, les taux de conversion prolongent ce lien jusqu’à la landing page et à l’action que l’entreprise souhaite voir le destinataire accomplir. Les destinataires vivent ces étapes de manière séquentielle ; l’objectif doit donc tenir compte de la manière dont chaque étape répond aux attentes créées par la précédente.

Même un objectif fondé sur la conversion peut omettre la valeur commerciale, comme l’a constaté une banque nationale non nommée dans ses activités de cartes de crédit. Son modèle réduisait la promotion des cartes platinum parce que leurs taux de conversion étaient comparativement faibles, au profit des cartes d’entrée de gamme, davantage souscrites. Les titulaires de cartes platinum avaient pourtant une valeur vie client nettement supérieure, c’est-à-dire la valeur de la relation client dans le temps, à celle des titulaires de cartes d’entrée de gamme. La banque a modifié les règles d’éligibilité encadrant la promotion des cartes platinum afin d’augmenter les demandes et les émissions.

L’ajustement de la banque montre pourquoi la probabilité d’acceptation doit être prise en compte aux côtés de la valeur d’une offre acceptée. La personnalisation dans le retail ajoute une autre condition : une recommandation peut correspondre aux préférences d’un client tout en aidant peu le distributeur à écouler son stock dans ses magasins et ses entrepôts. Les recommandations de produits doivent donc combiner l’intérêt du client avec le stock existant. Un achat probable peut malgré tout être un mauvais choix commercial si la recommandation ignore ce que le distributeur a besoin de vendre.

Le stock est une condition ; la rentabilité en est une autre, comme l’illustrent les recommandations dans l’alimentaire. Un distributeur alimentaire peut recommander des marques nationales populaires aux côtés de marques de distributeur moins chères qui offrent des marges plus élevées. Les réponses des clients dans le temps doivent ensuite déterminer si les recommandations ultérieures augmentent ou réduisent l’exposition aux marques de distributeur. L’entreprise peut ainsi s’adapter au comportement individuel tout en tenant compte du profit généré par les produits qu’elle met en avant.

Une optimisation utile exige des données connectées et des campagnes informatives

Ces conditions métier ne peuvent influencer une décision que si le système dispose de preuves exploitables à leur sujet. Transformer des dossiers clients en segments d’audience, messages personnalisés et actions automatisées commence par la résolution des identités : déterminer quels dossiers et quelles activités appartiennent à une même personne. Vient ensuite la collecte d’assez de preuves comportementales pour le cas d’usage visé. Une fois ces fondations en place, l’entreprise peut en tirer des insights pour guider ses décisions.

Même lorsque l’entreprise détient les informations nécessaires, le système qui prend la décision peut être incapable de les utiliser. Les dossiers clients peuvent se trouver dans des applications distinctes, tandis que des intégrations faibles limitent leur circulation vers les plateformes email ou d’autres systèmes qui exécutent les campagnes. Le modèle fonctionne alors sans des informations que la marque possède déjà. Ce problème affecte aussi les programmes de fidélité et, plus largement, les canaux digitaux, ce qui fait des connexions entre systèmes une composante du travail d’optimisation.

Le rapport de Forrester The Underutilized Superpower Hidden in Loyalty Data montre comment ces obstacles affectent les professionnels des programmes de fidélité. Dans ce groupe, 57 % ont indiqué qu’une mauvaise intégration empêchait une utilisation efficace des données de fidélité, tandis que 48 % ont identifié les silos opérationnels, c’est-à-dire des équipes ou fonctions travaillant séparément, comme un obstacle. Ces constats plaident concrètement pour examiner comment les systèmes de fidélité, d’email et des autres canaux échangent des informations. Ils pointent aussi vers des barrières organisationnelles que les seules connexions techniques peuvent laisser en place.

Connecter les systèmes peut rendre les informations existantes disponibles, mais l’absence de preuves comportementales exige une réponse différente, car l’observation pertinente n’a pas encore été collectée. Une équipe peut attendre de nouvelles observations. Ou elle peut utiliser trois méthodes actives, selon qu’elle a besoin des préférences déclarées des clients, de preuves issues de leurs actions ou d’informations supplémentaires détenues ailleurs.

La première méthode, le progressive profiling, collecte directement des informations auprès des clients via des sondages, quiz, enquêtes et centres de préférences. Comme les personnes fournissent explicitement ces réponses, il s’agit de données zero-party. Une entreprise peut demander une préférence au lieu d’attendre de l’inférer à partir du comportement, en ajoutant des informations susceptibles de soutenir le cas d’usage visé.

Lorsqu’une entreprise a besoin de preuves comportementales, l’expérimentation produit des données first-party à travers les réactions de l’audience à différents contenus, campagnes et designs. La marque fait varier ce que les personnes reçoivent, observe leurs réponses et utilise ces réponses pour en déduire des préférences. L’enrichissement des données emprunte la troisième voie en obtenant des informations supplémentaires sur les prospects ou les clients auprès de fournisseurs externes, décrites comme des données third-party. Le choix dépend du processus de collecte capable de combler le manque d’information précis.

Parmi ces méthodes, c’est l’expérimentation qui pose le plus souvent des difficultés aux marques, et l’optimisation de l’heure d’envoi montre pourquoi. Supposons qu’une marque envoie sa campagne quotidienne à un abonné à la même heure chaque jour. Le modèle peut observer les réponses à cette heure-là, mais il ne dispose d’aucune observation montrant comment l’abonné réagit à d’autres horaires. Il lui manque donc les comparaisons nécessaires pour déterminer si un autre moment fonctionnerait mieux.

Poursuivre ce calendrier ajoute des observations sans nécessairement apporter la comparaison manquante ; la marque devrait donc faire varier les heures d’envoi de manière délibérée et réfléchie pendant un certain temps. Les réponses à ces alternatives donnent au modèle des éléments de comparaison. Ici, la politique de campagne limite l’apprentissage, ce qui signifie que modifier cette politique fait partie des conditions nécessaires à l’optimisation. Une revue de préparation doit donc se demander si les informations pertinentes peuvent parvenir au système et si les pratiques de campagne génèrent les preuves dont le modèle a besoin.

L’intention du client doit être détectée à temps et associée à une réponse proportionnée

Les preuves collectées dans le temps laissent malgré tout un problème de timing : le client est peut-être en train de faire autre chose maintenant. Comprendre le contexte actuel commence par l’observation de l’activité présente des clients et prospects, puis par l’estimation de ce qu’ils sont susceptibles de faire ensuite. Cette évaluation de l’intention doit se poursuivre à mesure que l’activité évolue. Les préférences et comportements antérieurs peuvent l’éclairer, mais ce sont les interactions actuelles qui déterminent si une intervention reste appropriée.

Maintenir cette évaluation à jour exige des systèmes cross-canal capables d’observer l’activité et de réagir en temps réel. Les systèmes batch, qui traitent des informations accumulées à intervalles réguliers, retardent la réponse de l’entreprise au comportement du client. Au moment où le système agit, l’intention qui rendait l’action utile peut avoir changé. Pour les décisions qui dépendent du contexte actuel, le timing de la réponse est donc une exigence opérationnelle.

Répondre à cette exigence est une difficulté quasi universelle, car une manifestation d’intention peut disparaître avant que l’entreprise ait la possibilité d’intervenir. Les équipes incapables d’observer et de réagir rapidement sur l’ensemble des canaux se heurtent à une limite pratique quant aux opportunités sur lesquelles elles peuvent agir. Les enseignements historiques peuvent encore aider à la planification, même lorsqu’ils arrivent trop tard pour orienter une interaction particulière.

Même lorsque le signal arrive à temps, le système doit en évaluer la force avant de choisir une réponse. Il doit d’abord distinguer une activité significative du bruit, puis décider de l’ampleur de l’action que cette activité justifie. Noter la force du signal et y faire correspondre la réponse rend ce jugement explicite. Sans cet étalonnage, un faible signe d’intérêt peut déclencher une réponse disproportionnée par rapport à ce que justifie le comportement du client.

La réponse appropriée peut aussi évoluer à mesure que le client progresse dans le parcours, car l’intention peut se renforcer ou s’estomper. Une réponse adaptée à un moment donné peut devenir excessive ou insuffisante après l’apparition d’un nouveau comportement. Le système doit donc réévaluer à la fois le signal et l’action prévue tout au long de l’interaction. Une exécution rapide n’aide que tant que l’action reste adaptée au comportement actuel du client.

Un test à données propres peut aider à localiser la défaillance

Ces exigences créent plusieurs causes possibles de mauvais résultats ; le diagnostic doit donc précéder toute décision de reconstruire le modèle ou son infrastructure de données. Le Mirror Test offre une vérification ciblée : fournissez au modèle un signal client idéal montrant une forte intention et examinez si la sortie est utile et pertinente. Comparez ensuite ce résultat avec le comportement du modèle sur les données de production, c’est-à-dire les informations qu’il reçoit dans son fonctionnement quotidien. Cette comparaison aide à orienter l’enquête vers le modèle ou vers ses entrées.

Un intervenant non identifié a donné cette consigne : « Give your AI a perfect, high-intent customer signal and see what comes back », puis en a expliqué l’interprétation : « If the output is generic or irrelevant, the model needs work. But if the model produces something sharp and useful on clean data, and then falls apart on real production data, the problem is the data. » Effectuer cette comparaison avant d’apporter des changements plus importants donne à l’équipe une base plus claire pour décider où intervenir.

Mais le test a une limite : une sortie utile peut malgré tout servir un objectif mal choisi. Comme le montrent les exemples de suppression d’abonnés, de lignes d’objet et de banque, une bonne prédiction ou une métrique cible plus élevée peut conduire à une action métier inadaptée. Un test à données propres concluant laisse donc une question distincte : les règles qui transforment la sortie en action tiennent-elles compte des conditions métier qui comptent pour cette décision ?

Points clés

• Aligner l’IA email sur la valeur métier : Les responsables marketing doivent évaluer séparément la précision des prédictions, les métriques cibles et les résultats métier. Les règles qui encadrent les actions de l’IA doivent tenir compte, lorsque c’est pertinent, de l’étape du client, de la valeur vie client, du stock et des marges.
• Construire les preuves dont l’optimisation a besoin : Les équipes data et plateformes doivent connecter les dossiers clients entre les systèmes, tandis que les responsables de campagne conçoivent des expérimentations produisant des comparaisons utiles. Envoyer des emails à répétition à la même heure donne aux modèles d’heure d’envoi peu d’éléments sur de meilleures alternatives.
• Faire correspondre les réponses à l’intention actuelle : Les systèmes cross-canal ont besoin de signaux clients en temps utile et de règles qui adaptent chaque réponse à la force du signal. Réévaluez les actions prévues à mesure que le comportement du client évolue afin de maintenir des interventions appropriées.
• Diagnostiquer les défaillances avant de reconstruire : Les responsables des modèles peuvent utiliser le Mirror Test pour comparer la sortie issue d’un signal client idéal à forte intention avec la sortie issue des données de production. Cette comparaison aide à localiser les problèmes du modèle ou des entrées ; une revue distincte des règles de décision permet d’établir si des sorties utiles conduisent à des actions métier solides.