Quand nous aidons les entreprises à définir leur stratégie data, une des principales priorités est d’augmenter les revenus avec un minimum de gaspillage. Selon le modèle économique de l’entreprise, ce qu’elle fait, ce qu’elle vend, et le volume de transactions, les modèles de propension peuvent être l’initiative à plus fort impact à mettre en œuvre.

Qu’est-ce qu’un modèle de propension, d’un point de vue business ?

Un modèle de propension vous dit qui est le plus susceptible de prendre une action spécifique - acheter, partir, faire un upgrade, ou cliquer.

Il vous permet de concentrer vos ressources sur les personnes les plus susceptibles de dire “oui” et d’arrêter de brûler temps et argent sur des paris risqués. Vous arrêtez de gaspiller temps, argent et opportunités en montrant la mauvaise offre aux mauvaises personnes.

Cela se traduit par un ROI plus élevé, une acquisition client moins coûteuse et moins de cycles gaspillés.

Vous arrêtez de traiter tous les prospects de la même façon. Vous commencez à parier là où les chances sont en votre faveur.

Quel problème résolvent-ils ? Pourquoi en avez-vous besoin ?

Vous gaspillez de l’argent.

Sans modèle, vous dépensez la même somme pour tout le monde - prospects chauds, froids, curieux. Un modèle de propension vous dit où investir et où partir.

Il répond à la question : “Sur qui dois-je dépenser temps et argent, et qui dois-je ignorer ?”

Qu’est-ce qui est requis pour une implémentation réussie ?

Les modèles de propension sont souvent le moyen le plus rapide d’augmenter les revenus en utilisant la data, c’est pourquoi ils font partie des premières applications IA que les entreprises performantes implémentent.

Pour réussir, commencez avec une stratégie claire :

  • Quel problème résolvons-nous ? Est-ce vraiment un problème pour l’entreprise ?
  • Quelles actions prédisons-nous ?
  • Que ferons-nous avec les résultats ?
  • Qui doit agir sur cela ? Ou sera-ce incorporé dans des processus évolutifs/automatisables ?

Au minimum, vous avez besoin :

  • De données qui décrivent vos clients (comportement, démographie, etc.)
    • Comportement ;
    • Démographie ;
    • Etc.
  • D’un historique de l’action que vous essayez de prédire :
    • Achats passés ;
    • Clics ;
    • Etc.

Si vous avez cela, vous êtes déjà dans le jeu.

Pourquoi ne pas simplement utiliser ChatGPT ou un autre LLM ?

Les LLMs sont des généralistes. Les modèles de propension sont des snipers.

Les LLMs génèrent des mots. Les modèles de propension génèrent des probabilités à grande échelle.

Cela les rend incomparablement plus puissants et précis que les LLMs quand il s’agit de résoudre ce problème particulier. Utiliser un LLM au lieu d’un modèle de propension dédié peut coûter des millions à votre entreprise.

Utiliser un LLM au lieu du bon modèle, c’est comme utiliser un mixeur pour couper du bois. C’est le mauvais outil et ça vous coûte de l’argent.

Mon entreprise bénéficiera-t-elle d’un modèle de propension ?

Demandez-vous :

Stratégiquement :

  • Est-ce votre priorité principale pour la croissance des revenus ?
  • Le résultat est-il clair et mesurable ?
  • Toutes les personnes impliquées savent-elles comment agir sur le résultat ?

Modèle économique :

  • Est-il difficile de prédire ce qu’un client va faire aujourd’hui ?
  • Avez-vous assez de volume (centaines, milliers, ou millions) pour justifier la construction de cela ?

Technique :

  • Avez-vous les bonnes données ?
  • Pouvez-vous déployer le modèle dans vos systèmes actuels ?

Nous avons implémenté des modèles de propension performants dans plusieurs industries :

  • Banque : Prédit quels clients étaient les plus susceptibles d’acheter des assurances, produits d’investissement, ou lignes de crédit, améliorant la conversion et réduisant l’effort sortant. Nous avons utilisé la démographie et le comportement client passé.
  • Immobilier : Pour une plateforme britannique, nous avons matché les profils clients et demandes à des milliers de lieux, fournissant aux experts lieux une liste priorisée des propriétés les plus susceptibles d’être choisies par chaque demandeur—même avec des données client limitées.
  • Retail : Pour un client au Danemark, nous avons prédit quels restaurants étaient les plus susceptibles d’acheter des produits spécifiques, permettant à leur équipe de vente terrain de concentrer les visites sur les acheteurs à haute probabilité et conclure plus rapidement.

Les trois ont résulté en une croissance mesurable des ventes et une réduction des coûts—moins de bruit, plus de signal.

Réflexions finales

Si vous avez assez de volume, les modèles de propension peuvent être les modèles IA les plus efficaces à appliquer à votre business.

Ils vous disent exactement où placer vos paris, donc vous arrêtez de deviner. Ils vous permettent d’évoluer plus rapidement.

Si vous êtes intéressé par l’implémentation de ceux-ci et vendre de façon plus intelligente, nous devrions parler.