Transformer les clients n’ayant fait qu’un seul achat en multi-acheteurs grâce à une communication personnalisée envoyée au moment idéal
Stack technique :
- Python
- Tensorflow (pour les modèles IA)
- Docker (pour la conteneurisation)
- Kubernetes (pour le deport de calcul pour les entrainements)
- Google Cloud Storage pour le stockage
le Besoin Métier
Des études ont démontré que les clients ayant fait 2 achats ou plus, deviennent fidèles à la marque, ils ont un panier moyen plus élevé et une fréquence d’achat qui accroit. Un parcours client a donc été mis en place pour convertir les nouveaux clients ayant fait un seul achat en multi-acheteurs.
En addition, la marque nous a demandé de disposer d’une IA qui détermine le moment adéquat pour envoyer une communication aux clients mono-acheteurs qui n’ont pas converti en multi-acheteurs suite au parcours de bienvenue. Cette IA doit également être capable d’identifier les produits qui intéressent le plus le client en fonction de son profil et de son achat initial.
la Solution
Nous utilisons une IA (Machine Learning Supervisé) finetunée sur les données empiriques de second achat chez Dior. La modélisation du second achat est assez spécifique, car la notion d’historique client continent seulement un point de donnée (le premier achat). Le modèle se base alors sur les caractéristiques du client, de son marché, et de son panier d’achat pour estimer, les période clés ou le second achat peut intervenir.
A partir de la donnée transactionnelle, mais aussi enrichit navigation sur le site dior.com (nouveauté), le modèle (LSTM) est capable de recommander plus finement le subset de produits capables d’intéresser le client, tout en ne tombant pas dans l’écueil de la recommandation de best-sellers grâce à la pénalisation de ces produits. Le coverage (proportion du catalogue dans les recommandations) est une métrique clé pour limiter l’impact des best-sellers
les Difficultés
- Complexité technique : estimer l’intention de deuxième achat des clients est plus complexe que pour les achats ultérieurs. La modélisation exploite des signaux faibles liés à la gamme des produits achetés, par exemple si les produits font partie d’une routine et donc supposent la possibilité d’un réachat futur. Les données liées à son engagement (clic emails, visite sur le site) sont également des signaux augmentant sa probabilité de réachat.
- Des questions de scalabilité : Le cas d’usage doit être déployé sur plusieurs géographies. Les prédictions des modèles nécessitent des capacités de calcul qui vont au-delà des capacités de la machine de production. Un système de déport de la puissance de calcul vers des noeuds temporaires (Kubernetes) a été mis en place pour surmonter cette difficulté
O
I
Boost de la conversion
Du turnover additionnel a été mesuré grâce à l’identification des intentions d’achat : cette audience AI-based ne pourrait être sélectionnée via des critères métier tangibles. Le module IA de détection d’intention d’achat peut être scalé sur plusieurs pays.
Personalisation
Avoir un module de recommandation à la maille produit permet de tester la personnalisation à plusieurs point de contact avec le client : soit lors de sa navigation sur le site de la marque, soit lors de contacts téléphoniques avec des conseillers, en rendant disponible des recommandations…
Bases de données
La donnée client enrichie (intention d’achat et appétences aux produits) peut inspirer des nouveaux uses cases pour lesquels cette data sera le point d’entrée
