L’Intelligence Artificielle : révolution ou illusion dans les Digital Analytics ?
Depuis deux ans, l’IA a suscité un mélange de fascination et de scepticisme dans l’univers du Digital en général et des Digital Analytics en particulier.
Une révolution, disent certains. Une illusion, répondent d’autres.
Alors, qu’en est-il réellement ? Explorons ensemble ce verre à moitié plein… ou à moitié vide.
L’IA : un outil puissant, mais pas une solution miracle
Depuis son irruption dans le digital, l’IA est supposée être un outil marketing incontournable.
Des promesses d’automatisation totale, de prédictions infaillibles et d’une efficacité sans précédent dominent les discours.
La promesse est grande, elle est forte, elle est implacable. Et donc, l’attente l’est tout autant.
Mais qu’en est-il lorsque l’on y regarde de plus près ?
La réalité, c’est que beaucoup d’annonceurs et d’agences peinent à voir ces promesses se concrétiser. Pourquoi ?
- Les modèles actuels manquent d’intégration métier.
L’IA ne comprend pas toujours les subtilités opérationnelles des entreprises.
Sans cette intégration, elle produit des résultats peu exploitables. - La qualité des données est insuffisante.
Sans données fiables pour apprendre, l’IA devient inefficace.
Elle produit des résultats approximatifs et reproduit les mêmes biais et lacunes que les processus qu’elle était sensée dépasser.
Or, dans le domaine du marketing, la précision est essentielle et ne laisse aucune place à l’approximation. La déception est donc à la mesure du gouffre qui sépare la promesse de la réalité, tant pour le client final que pour les agences ; tant des points de vue métier et financier que ROI.
Ces écueils nous ramènent à une époque où les décisions marketing reposaient sur des hypothèses fragiles, voire sur l’intuition.
Ironiquement, l’IA, sensée symboliser le progrès, pourrait faire régresser certaines pratiques.
Repenser les usages de l’IA : des promesses aux solutions concrètes
Soyons clairs, l’IA dans son état actuel n’est pas un échec. Tout le monde ou presque est encore en phase d’apprentissage. Le potentiel de l’IA reste immense, mais il dépend d’un facteur crucial : la qualité des données. Avec des données qualitatives, donc précises, cohérentes et résilientes, l’IA peut réellement devenir un outil transformateur.
Prenons pour illustration l’univers merveilleux des Digital Analytics avec leur lot de cookies, tags, MarTechs et autres technologies de tracking destinées à collecter des données dans le Web et les Apps afin d’optimiser l’UX, la personnalisation, la conversion et de produire des Insights exploitables.
Chaque jour, ces technologies collectent des montagnes de données.
Pourtant, la fiabilité de ces données reste un défi.
Plutôt que de se focaliser sur la pérennisation des processus de tracking, plusieurs éditeurs de solutions d’Analytics ont choisi d’intégré de l’IA à leurs technologies.
Mais pourquoi donc ne pas se concentrer d’abord sur l’amélioration des processus ?
Parce qu’intégrer de l’IA, c’est facile, pas trop cher, et ça fait tendance ?
Parce que l’IA est un fantastique outil qui facilite la vie des éditeurs ?… même s’il ne règle en rien les problèmes historiques et permanents de résilience du tracking.
À ce jour, l’usage de l’IA dans les Digital Analytics, n’est toujours pas un facteur avéré, démontré, mesuré, d’amélioration de la qualité de données tel que nous l’avons défini précédemment.
Ajouter de l’IA à un modèle défaillant, c’est comme construire un bâtiment sur des fondations instables. Ça ne tient pas.
Pas plus que les TMS ne règlent les problèmes de process et de qualité de données.
En 20 ans, rien n’a changé ou presque.
Il suffit de faire un tour dans sa console Chrome quelques heures à quelques jours après une mise en production (suivant la nature du site) pour s’en rendre compte…
Les orientations 2025 de Data On Duty pour un usage pragmatique et opérationnel de l’IA
Chez Data On Duty, nous pensons que l’IA peut révolutionner les Digital Analytics, mais pas en sautant les étapes.
Un impact significatif de l’IA sur les Digital Analytics passera inévitablement par une capacité à comprendre les métiers et process ainsi qu’à disposer d’un tracking pertinent et résilient, tant pour le in-site que pour le media et tout autre modèle technologique susceptible de contribuer à la collecte de données et à la production d’Insights.
Les Insights : le Saint Graal des Digital Analystes, des Business Owners, des Decision-Makers et de nombre d’éditeurs. Notre expérience a le plus souvent montré qu’une technologie seule, aussi novatrice et performante soit-elle, n’est pas en mesure de produire d’Insight réellement exploitable.
Nous pensons que c’est la modélisation de données pertinentes et exactes, issues de multiples technologies de tracking sur de multiples parcours à un instant T qui permettra de produire des Insights pertinents et utilisables.
Data On Duty propose déjà des solutions pour piloter les processus de taggage, le référentiel centralisé de tracking et de données ainsi que pour résoudre à la source tous les problèmes liés à la collecte de données.
Bien sûr cela introduit un niveau de complexité jamais atteint dans le traitement de la donnée pré-conversion et pré-acquisition.
Mais quel challenge !
Et quel champ extraordinaire d’application de l’IA !
D’autant plus avec l’introduction de la dimension temporelle.
Soyons pragmatiques et réalistes.
Nous l’avons vu, pour l’instant, l’apport de l’IA aux Digital Analytics se heurte à l’absence d’intégration des modèles métiers et à la mauvaise qualité des données d’apprentissage.
Ceci réduit l’IA à un rôle de facilitateur, ne garantissant pas des résultats fiables et durables.
Notre vision de l’usage de l’IA est donc fondée sur l’amélioration de l’existant technologique, grâce à des modèles finis et maîtrisables.
Le choix du modèle d’IA pour traiter un sujet sera décisif. L’IA générative seule ne peut tout faire.
Suivant le type des questions à traiter, il faudra y adjoindre d’autres modèles, notamment d’IA descriptive, prédictive ou prescriptive. Ce dernier est particulièrement critique dans la compréhension des enjeux métiers et des process.
C’est un préalable à l’exploitation de jeux de données aussi qualitatifs et ciblés que possibles.
Ces derniers seront alors traités par des modèles génératifs, descriptifs ou prédictifs en fonction des objectifs à atteindre.
À titre d’illustration, dans un environnement e-commerce, un modèle descriptif pourrait identifier que 30 % des abandons de panier se produisent à l’étape du paiement. Un modèle prédictif pourrait déterminer quels clients sont les plus susceptibles d’abandonner, et un modèle prescriptif proposerait des solutions comme l’ajout d’options de paiement ou de codes promotionnels.
Chez Data On Duty, nous considérons qu’une approche pragmatique et structurelle des usages de l’IA dans les Digital Analytics passe par le fait de disposer :
- De process partagés dans une même plateforme métier entre les différents contributeurs
- D’un référentiel centralisé de tracking et de données
- D’un tracking approprié et monitoré
- De données pertinentes, exactes et conformes
- Ce que fait déjà Data On Duty – Governance Manager.
Puis nous aurons besoin d’un système de collecte de données auto-correctif garant de données résilientes, ce que fera Data On Duty – Enforcement Manager au printemps 2025.
En réalisant cela, nous aurons propulsé notre industrie vers une excellence inégalée dans le tracking tout en préparant le terrain pour la production d’Insights pertinents et exploitables grâce à l’IA.
Nous pourrons alors nous concentrer sur les étapes clés prioritaires pour une large majorité des grands groupes avec lesquels nous travaillons :
- Produire des Insights pertinents et exploitables : en introduisant les dimensions de parcours et de temporalité. L’IA permettra de réaliser l’analyse combinée de sources de tracking pertinentes et de données générées valides pour produire ces Insights.
- Modéliser des schémas de succès récurrents avec une approche systémique en appliquant des modèles d’IA aux résultats produits par notre plateforme DoD pour :
a) anticiper l’apparition d’anomalies dans la collecte de données et assurer leur correction
b) comprendre et modéliser les schémas de succès de conversion et les introduire dans un modèle de succès reproductible
c) comprendre et inverser les schémas d’échec de conversion et les introduire dans un modèle de succès reproductible.
L’histoire de l’IA dans les Digital Analytics ne fait que commencer.
Pour qu’elle devienne un véritable levier, il faut avant tout se concentrer sur l’essentiel : des processus solides et automatisés, des données exactes et résilientes.
Il n’y a rien de magique.
Comme toute forme d’intelligence, y compris humaine, l’IA a besoin de ce moteur et de ce carburant.
Alors, avançons pas à pas, mais avec détermination.
Chez Data On Duty, c’est cette philosophie que nous adoptons : allier méthode, technologie et pragmatisme pour construire un futur où l’IA sera enfin à la hauteur de ses promesses.
Pour l’application de l’IA créative dans les Digital Analytics, nous attendrons encore un peu.
