Aperçu du projet :

Dans le domaine de la publicité en ligne, il est primordial de proposer des publicités pertinentes et attrayantes aux visiteurs des sites web. L'ère du bombardement publicitaire aveugle est révolue depuis longtemps, car les utilisateurs modernes exigent un contenu personnalisé et significatif. Cette évolution des attentes des utilisateurs a mis en évidence la nécessité d'une modélisation de l'appétence, une étape cruciale dans le pipeline publicitaire.

Avant l'avènement de la modélisation de l'appétence, les publicités étaient souvent diffusées avec une faible pertinence, ce qui se traduisait par un désengagement des visiteurs et des campagnes de marketing inefficaces. Imaginez un scénario dans lequel un visiteur d'un site de commerce électronique, intéressé par la mode, est exposé de manière répétée à des publicités vantant les mérites de pièces automobiles - une inadéquation évidente qui non seulement ne parvient pas à capter l'attention de l'utilisateur, mais qui gaspille également un inventaire publicitaire précieux.

Pour résoudre ce problème, notre projet a exploité la puissance des données de Google Analytics ainsi que les données du CRM. En tirant parti de cette mine d'informations, nous avons cherché à prédire les intérêts et les préférences des visiteurs du site web et des clients. La modélisation de l'appétence est devenue la clé de la compréhension du comportement individuel, nous permettant d'anticiper les produits ou services susceptibles de susciter l'intérêt.

Introduction à la modélisation de la propension

Exemple de données pouvant être utilisées pour prédire l'intérêt d'un prospect

Objectifs :

• Optimiser le ciblage des annonces en proposant la bonne campagne marketing au bon visiteur
• Exploiter les capacités prédictives du modèle d'apprentissage automatique
• Débloquer le potentiel pour améliorer l'engagement des utilisateurs et augmenter les taux de conversion
• Maximiser le retour sur investissement publicitaire

Impact :

Grâce aux informations inestimables tirées de notre modèle d'apprentissage automatique, qui met continuellement à jour les scores et les segments des clients, les spécialistes du marketing disposent désormais d'un outil puissant. Ils peuvent formuler des recommandations précises et prendre des décisions fondées sur des données concernant le public à cibler et la manière d'adapter leur message.

Cette capacité va au-delà de la formulation de recommandations ; elle permet aux spécialistes du marketing de suivre de près les mesures d'engagement et de conversion sur les segments alimentés par le ML. Ils peuvent ainsi affiner rapidement leurs stratégies et leurs décisions, en veillant à ce que leurs efforts marketing restent dynamiques, réactifs et alignés avec l'évolution des besoins et des préférences de leur public.

Technologies :

Pyspark, databricks, Google analytics, Airflow, Mlflow