Machine learning pour l'expérience client dans l'e-commerce omnicanal
Aperçu du projet IDDASS
Le projet IDDASS, mené en 2016 et 2017 en collaboration avec l'université de Genève et la CTI (aujourd'hui Innosuisse), a développé une bibliothèque logicielle avancée pour analyser le comportement des clients pendant leurs sessions d'achat en magasin physique. Cette technologie combine une reconnaissance précise des schémas comportementaux avec l'intégration de données online et offline, pour dresser une image complète de l'expérience client et proposer des incitations d'achat personnalisées. Le projet, deuxième projet de machine learning mené par Aioma, démontre l'application réussie du positionnement indoor et de l'analyse comportementale pour renforcer la fidélisation client et la prise de décision dans le retail.
Genèse
En 2016 et 2017, j'ai eu l'occasion de travailler comme partenaire économique sur un projet important avec l'université de Genève et la Commission pour la technologie et l'innovation (CTI), l'actuelle Innosuisse. Ce projet, baptisé IDDASS (Interests Detection During a Shopping Session), est le deuxième projet de machine learning de mon ancienne société Aioma. Voici les principaux aspects et enseignements de ce projet, qui devraient particulièrement intéresser les entrepreneurs du logiciel.
Vue d'ensemble du projet : IDDASS
IDDASS est une bibliothèque logicielle qui analyse le comportement des utilisateurs pendant une session d'achat en magasin physique. L'innovation du projet réside dans la grande précision avec laquelle les schémas comportementaux sont captés et évalués. L'objectif était d'intégrer IDDASS dans une application de fidélité sur smartphone. Cette application combine les données collectées avec les outils d'analyse e-commerce existants, créant un lien entre données online et offline. Cela permet une connaissance plus complète de l'expérience client sur l'ensemble du cycle de vie : le client est accompagné de son interaction en ligne jusqu'à son expérience d'achat physique et récompensé par des bonus digitaux.
Fondements technologiques et défis
Le projet combinait plusieurs technologies avancées :
- Positionnement indoor : en intégrant des technologies de positionnement indoor et divers capteurs de smartphone (avec des beacons BLE), nous avons pu enregistrer le comportement des clients en temps réel.
- Analyse comportementale et machine learning : les données enregistrées servaient à identifier des schémas comportementaux et à prendre des décisions de marché.
- Intégration de données : la combinaison de données online et offline permettait de créer des profils clients détaillés et de personnaliser l'expérience d'achat.
Scénarios d'application
Un scénario d'application typique montre la puissance d'IDDASS
Daniel visite le site de Jelmoli pour la deuxième fois de la semaine et regarde une paire de chaussures noires. Il les regarde en ligne, mais ne les achète pas : il essaie toujours ses nouvelles chaussures d'abord. Sur le trajet du travail, son app de fidélité l'informe d'offres spéciales dans le magasin le plus proche. Dès qu'il entre dans la boutique, l'app se lance automatiquement et lui montre des articles pertinents. Le comportement de Daniel dans le magasin, comme les zones qu'il visite et le temps qu'il y passe, est enregistré et analysé. Sur la base de ces données, Daniel reçoit des offres personnalisées et des rappels qui influencent positivement sa décision d'achat.
Prototype et déploiement
Un premier prototype a été utilisé dans les bureaux d'Origammi à Zurich. Cette version de démonstration montrait aux intéressés comment la technologie fonctionne et la valeur ajoutée qu'elle apporte. Par exemple, les déplacements d'un client dans le magasin étaient enregistrés pour améliorer l'expérience d'achat.
Collaboration et mise en œuvre
Ce projet était une collaboration entre TaM et Origammi, Origammi intégrant les résultats de recherche dans son produit ECHOO. ECHOO renforce la fidélité client et fournit aux commerçants des données de grande qualité. IDDASS, dernière brique, s'insère dans cet ensemble et relie les données online et offline sans rupture.
Résultats et publications
Le projet a débouché sur plusieurs publications scientifiques, dont :
- UltraSense: a Self-Calibrating Ultrasound-Based Room Occupancy Sensing System
- A Multi-Objective Optimisation Methodology of Tuning Indoor Positioning Systems
Ces publications soulignent l'importance scientifique et technologique du projet.
Conclusion
Le projet IDDASS montre comment une compréhension fine du comportement client peut naître de la combinaison de machine learning, de positionnement indoor et d'intégration de données. Pour les entrepreneurs du logiciel, ce projet offre des enseignements précieux sur les possibilités de l'analyse comportementale et sur le développement de solutions innovantes qui renforcent la fidélité client tout en fournissant des données utiles aux décisions business.
Le projet IDDASS n'a pas seulement été un succès technologique, mais aussi un exemple de coopération fructueuse entre science et industrie. Les entrepreneurs du logiciel ont beaucoup à gagner de tels partenariats : accéder aux dernières recherches et technologies, et les transformer en produits commercialisables.