[ad_1]
\n
Pour relever le d\u00e9fi technique et scientifique de l\u2019optimisation de campagnes multilocales il faut savoir r\u00e9pondre \u00e0 deux biais structurels qui sortent du cadre classique et bien ma\u00eetris\u00e9 du machine learning.
\nLargement r\u00e9pandu pour r\u00e9pondre aux probl\u00e9matiques du marketing et de la publicit\u00e9 sur internet, le machine learning s\u2019est impos\u00e9 comme une solution incontournable de l\u2019optimisation \u00e0 la performance \u00e0 grande \u00e9chelle avec un minimum de ressources.
\nC\u2019est d\u2019ailleurs le c\u0153ur du r\u00e9acteur de plateformes publicitaires comme Google et Facebook qui ont construit des IA tr\u00e8s performantes pour r\u00e9pondre notamment aux probl\u00e9matiques du e-commerce.
\nSauf que\u2026 l\u2019application \u00e0 la publicit\u00e9 locale est loin d\u2019\u00eatre si \u00e9vidente. Contrairement \u00e0 un site marchand, le magasin doit adapter son discours et ses offres \u00e0 son environnement et aux particularit\u00e9s de l\u2019audience de sa zone de chalandise.
\nUn barbecue dans une petite ville de campagne aura beaucoup plus d\u2019impact que dans une zone urbaine \u00e0 haute densit\u00e9. Un v\u00e9lo \u00e0 assistance \u00e9lectrique sera plus pertinent dans une zone vallonn\u00e9e que tr\u00e8s plate. Un magasin du sud-ouest aura int\u00e9r\u00eat \u00e0 mettre en avant ses promotions sur le vin quand un magasin du nord mettra l\u2019accent sur les bi\u00e8res.
\nDerri\u00e8re ces exemples plut\u00f4t caricaturaux se cache un constat clair : le machine learning, si puissant soit-il, doit n\u00e9cessairement fonctionner avec une contrainte \u00ab multilocale \u00bb et prendre des d\u00e9cisions adapt\u00e9es \u00e0 des magasins tr\u00e8s diff\u00e9rents.<\/p>\n
Pour relever le d\u00e9fi technique et scientifique de l\u2019optimisation de campagnes multilocales il faut savoir r\u00e9pondre \u00e0 deux biais structurels qui sortent du cadre classique et bien ma\u00eetris\u00e9 du machine learning.
\nLe premier est g\u00e9ographique. Le volume de donn\u00e9es r\u00e9colt\u00e9es est \u00e9norme, mais il se concentre localement autour des magasins participant \u00e0 une op\u00e9ration, au lieu de se r\u00e9partir uniform\u00e9ment sur le territoire. A titre d\u2019exemple, 100 magasins communicant dans un rayon de 10 km couvriront moins de 6% de la superficie de la France m\u00e9tropolitaine.
\nLe second est temporel. Les magasins physiques ont besoin de communiquer autour de temps forts promotionnels, qui s\u2019accompagnent d\u2019animation dans le magasin, et d\u2019un choix de produits \u00e0 mettre en avant (les soldes, P\u00e2ques, la rentr\u00e9e scolaire, la f\u00eate des m\u00e8res, etc.). Ces op\u00e9rations ont presque toutes la particularit\u00e9 d\u2019\u00eatre tr\u00e8s courtes dans le temps, de quelques jours \u00e0 trois semaines.
\nLes algorithmes qui existent aujourd\u2019hui sont faits pour r\u00e9pondre \u00e0 des campagnes de longues dur\u00e9es (donc qui s\u2019\u00e9talent dans le temps) et nationales (donc qui se r\u00e9partissent plus uniform\u00e9ment sur le territoire), et manquent d\u2019agilit\u00e9 et de r\u00e9activit\u00e9 pour r\u00e9pondre aux biais d\u00e9crits ci-dessus<\/p>\n
L\u2019optimisation d\u2019une campagne publicitaire magasin par magasin \u2014 en tirant profit des diversit\u00e9s locales et en prenant des d\u00e9cisions suffisamment rapides pour \u00eatre efficaces sur des op\u00e9rations promotionnelles courtes \u2014 constitue un ensemble de contraintes auquel les m\u00e9thodes classiques de data science ne savent pas encore totalement r\u00e9pondre. Il est difficile de trouver dans la litt\u00e9rature scientifique des m\u00e9thodologies permettant de l\u2019aborder simplement. Il existe n\u00e9anmoins des pistes de r\u00e9solution.
\nUn des enjeux repose sur le bon niveau d\u2019agr\u00e9gation de la donn\u00e9e qui permette d\u2019atteindre la masse critique \u00e0 partir de laquelle l\u2019algorithme sera capable de prendre des d\u00e9cisions \u00e0 la fois rapides et locales, tout en restant statistiquement pertinentes.
\nLa combinaison de trois m\u00e9thodes peut aider l\u2019algorithme \u00e0 agir avec le minimum de donn\u00e9es.
\nD\u2019abord avec l\u2019identification de regroupements g\u00e9ographiques pertinents (des clusters r\u00e9gionaux de magasins par exemple), et l\u2019utilisation d\u2019une approche bay\u00e9sienne pour descendre progressivement en granularit\u00e9 au fur et \u00e0 mesure que de nouvelles donn\u00e9es \u00ab chaudes \u00bb sont collect\u00e9es. Ensuite l\u2019utilisation des donn\u00e9es \u00ab froides \u00bb, autrement dit des campagnes pass\u00e9es, tout en tenant compte des effets de saisonnalit\u00e9.
\nEnfin, faire apprendre et travailler l\u2019algorithme en compl\u00e9ment de l\u2019IA des plateformes d\u2019achat (en particulier Google et Facebook)
\nCette recherche et d\u00e9finition d\u2019ensembles coh\u00e9rents de donn\u00e9es permet d\u2019orienter et de rendre beaucoup plus efficace l\u2019apprentissage de mod\u00e8les de machine learning.
\nC\u2019est un travail d\u2019ajustement et de remise en question permanent qui permet non seulement de r\u00e9pondre aux sp\u00e9cificit\u00e9s multilocales mais aussi d\u2019approfondir et d\u2019enrichir la ma\u00eetrise de cette technologie si prometteuse.<\/p>\n