Simuler des acheteurs exige plus que des données démographiques

Un acheteur synthétique peut correspondre au bon intitulé de poste, au bon profil d’entreprise, au bon parcours professionnel et au bon comportement public, tout en donnant la mauvaise réponse à une question d’achat. Pour les marketeurs qui utilisent des audiences synthétiques, c’est-à-dire des simulations par IA de clients potentiels, afin de tester des messages ou d’anticiper les réactions des clients, cela crée un problème de mesure. Un persona convaincant peut établir un réalisme descriptif. La valeur prédictive exige des preuves que le modèle reproduit des jugements qui comptent pour la décision métier.

Le problème plus profond est celui de la validité de construit : savoir si un modèle représente réellement les concepts nécessaires à la décision qu’il est censé prédire. Davantage de données observables sur les acheteurs peuvent rendre un persona synthétique plus détaillé tout en laissant la validité de construit sans réponse. Un responsable marketing doit se demander si des audiences simulées prennent des décisions comme de vrais acheteurs dans des conditions comparables. L’évaluation ne porte alors plus sur le caractère plausible d’un persona, mais sur le degré de correspondance entre ses décisions et les comportements observés.

Décrire les acheteurs et expliquer leurs décisions sont deux tâches différentes

Les données d’entrée peuvent inclure des données démographiques, firmographiques, l’historique des postes, le comportement public et les réponses à des enquêtes. Les données firmographiques sont les caractéristiques d’une organisation, comme son secteur d’activité ou sa taille. Ces données aident à définir qui appartient à une audience et montrent ce que ces personnes ont déjà dit ou fait.

Une simulation d’un acheteur en entreprise doit refléter les caractéristiques organisationnelles et professionnelles pertinentes pour la question étudiée. Ces caractéristiques, à elles seules, ne montrent pas comment un acheteur évalue l’incertitude, parvient à une décision ou réagit à un message. Prenons l’exemple d’une équipe marketing qui évalue deux énoncés de positionnement : faire correspondre les intitulés de poste et les secteurs d’activité permet d’établir une ressemblance avec le marché cible. La décision métier dépend de la capacité des répondants simulés à pondérer les messages comme le feraient de vrais clients. La cible de validation est le comportement.

Des variables différentes mesurent des choses différentes. L’historique des postes décrit l’expérience professionnelle, le comportement public enregistre des actions observables, et les réponses à des enquêtes capturent des réponses dans des conditions spécifiques. La tolérance au risque, le style de décision et les préférences de communication sont des caractéristiques latentes : des concepts déduits à partir de mesures plutôt qu’observés directement. La question de savoir si l’une de ces caractéristiques améliore un modèle d’acheteur est une question empirique qui exige une mesure appropriée et un test prédictif.

La validité de construit est donc importante lorsqu’il s’agit de décider quelles données ont leur place dans une audience synthétique. Si le construit visé est la prise de décision de l’acheteur, les chercheurs ont besoin de preuves reliant les données d’entrée et de sortie choisies à ce processus de décision. Un persona qui semble crédible pour un marketeur démontre une plausibilité. Un modèle destiné à prévoir les réactions des clients est soumis à un test plus exigeant, fondé sur les réactions qu’il prédit.

Davantage de données professionnelles peuvent continuer à mesurer la même chose

La collecte de données supplémentaires peut enrichir une représentation limitée. Elle n’améliore la mesure d’un construit différent que lorsque la nouvelle information capture quelque chose de réellement distinct. Des milliers de signaux supplémentaires sur l’identité professionnelle peuvent approfondir la représentation de cette identité tout en laissant d’autres caractéristiques faiblement mesurées. Le volume de données et leur pertinence sont deux propriétés distinctes.

Un jeu de données peut contenir une activité professionnelle abondante tout en représentant faiblement la tolérance au risque, le style de prise de décision ou les préférences de communication si ses signaux ne mesurent pas bien ces caractéristiques. Ajouter des enregistrements approfondirait alors une dimension du modèle au lieu d’établir une valeur prédictive pour une autre. Les équipes doivent identifier ce que mesure chaque donnée d’entrée et vérifier si elle améliore la prévision de décision qui les intéresse.

La personnalité offre une hypothèse testable

La personnalité est un construit candidat. La question métier est de savoir si la personnalité apporte une information prédictive utile. Une audience synthétique pourrait intégrer la personnalité et produire des réponses différentes parmi des acheteurs simulés qui partagent des caractéristiques professionnelles. Les chercheurs compareraient ensuite ces prédictions avec des observations issues de vrais acheteurs. Une différence dans la sortie du modèle n’a d’importance que si elle améliore la performance sur la décision métier testée.

Les chercheurs peuvent tester cela au moyen d’une comparaison directe. Ils peuvent évaluer un modèle d’audience synthétique par ailleurs équivalent utilisant des informations classiques sur les acheteurs face à un autre qui inclut aussi la donnée de personnalité proposée, puis comparer les deux ensembles de prédictions avec les réponses ou décisions observées des acheteurs. La personnalité peut améliorer la performance prédictive, apporter peu d’information incrémentale parce que les variables existantes capturent déjà le même comportement, ou produire des résultats différents selon les rôles, les secteurs et les décisions d’achat. D’autres construits candidats peuvent être testés de la même manière.

Valider les audiences synthétiques sur les décisions

Le standard de validation doit suivre l’objectif du modèle. Si une équipe marketing veut prédire la manière dont les acheteurs réagissent à un message, elle doit comparer les réponses simulées aux réponses réelles dans des conditions comparables. Si le modèle sert à arbitrer entre des propositions, des offres ou des approches de communication, le test doit mesurer la performance sur les choix et les schémas de réponse qui influencent cette décision. L’usage métier visé devient la base de l’évaluation.

La fidélité démographique et firmographique reste importante, car l’audience de test doit représenter le marché visé. La précision prédictive est une exigence distincte. Un modèle peut reproduire la composition observée d’une audience tout en faisant des prédictions inexactes sur ses décisions. Les équipes de recherche ont donc besoin d’une définition pertinente de l’audience et de preuves issues de résultats liés à la tâche visée.

La personnalité doit être soumise au même test que toute variable explicative proposée. La mesure pertinente est la précision prédictive qu’elle ajoute après prise en compte des informations déjà disponibles pour le modèle. Des données d’entrée corrélées peuvent contenir des informations qui se recouvrent, de sorte qu’une comparaison incrémentale peut montrer si un construit candidat modifie la performance des prévisions. Les responsables marketing peuvent alors juger la variable ajoutée à l’aune de son effet sur les décisions que le modèle est censé étayer.

Le même standard peut guider l’approvisionnement et la gouvernance des systèmes d’audiences synthétiques. Les affirmations sur la richesse des informations clients décrivent des données d’entrée ; la validation exige des preuves liées à un usage défini. Les responsables de la recherche peuvent spécifier le schéma de réponse ou la décision à prédire et comparer la simulation à de vrais acheteurs lorsque de telles observations sont disponibles. La performance démontrée sur la tâche visée devient alors la base de l’évaluation du modèle.

Points clés

Valider les décisions des acheteurs : Les équipes marketing qui évaluent des audiences synthétiques doivent comparer les jugements simulés aux réponses de vrais acheteurs dans des conditions comparables. Le réalisme d’un persona, à lui seul, n’établit pas sa valeur prédictive.
Tester ce que mesurent les données supplémentaires : Les équipes de recherche qui ajoutent des données professionnelles ou comportementales doivent déterminer quelles caractéristiques des acheteurs ces données d’entrée représentent. Davantage de signaux peuvent approfondir une dimension existante sans améliorer les prévisions de décision.
Mesurer la personnalité par sa valeur prédictive : Les marketeurs qui envisagent d’utiliser des données de personnalité peuvent comparer des modèles par ailleurs équivalents avec et sans ces données d’entrée. Sa valeur dépend de sa capacité à améliorer les prédictions du comportement observé des acheteurs.
Relier la validation à l’usage métier : Les équipes de recherche et d’approvisionnement doivent définir la réponse ou la décision précise qu’une audience synthétique est censée prédire, puis valider la performance par rapport à des résultats réels. La précision prédictive incrémentale fournit une base pratique pour évaluer de nouvelles données d’entrée et de nouveaux modèles.