S’appuyer sur la donnée pour mieux appréhender les comportements dans le monde réel

Le directeur marketing international – Bing Ads chez Microsoft envisage l'avenir du search avec optimisme grâce au machine learning.

Historiquement, la conception des moteurs de recherche se fondait sur une vision spécifique d’Internet : celle d’une toile de documents reliés entre eux par des liens hypertextes et des balises. Pour tout un chacun, c’est encore le paradigme qui vient à l’esprit lorsqu’on évoque un moteur de recherche : une expérience centrée sur des liens bleus comme autant de points d’entrée vers une bibliothèque virtuelle de documents.

Or nos interactions avec Internet évoluent et se multiplient aujourd’hui de façon exponentielle. Nous ne sommes plus de simples lecteurs du web : nous contribuons activement à le développer, à le rendre plus intelligent à chacune de nos connexions. Notre graphe social ne cesse ainsi de croître, tout comme le nombre d’objets connectés qui nous permettent d’interagir avec Internet et notre communauté : wearables, voitures, réfrigérateurs, thermostats, lunettes, pour ne citer que ces exemples, sont autant de surface d’échange avec Internet au quotidien. Un individu utilise aujourd’hui en moyenne six appareils connectés à son domicile, et ce nombre ne va cesser de grandir.

Cette nouvelle réalité est à l’origine d’une nouvelle conception du web pour les moteurs de recherche. Il ne s’agit plus seulement d’indexer le contenu disponible, mais de lui donner un sens. Simultanément, il convient d’interpréter la multitude de signaux émanant des internautes pour comprendre ce que les consommateurs recherchent vraiment, et ce, quel que soit le lieu ou le moment où ils se connectent. On ne doit plus leur proposer des liens mais une réponse.

Cette évolution est bien plus profonde qu’il n’y paraît. De nouvelles fonctionnalités ont vu le jour, permettant aux algorithmes de s’affranchir des mots tapés par l’internaute. Si la justesse orthographique n’est pas le fort de l’humain, ne vaut-il pas mieux lui suggérer des alternatives voire une approche sémantique de ses requêtes afin de mieux répondre à ses besoins ? En intégrant les signaux sociaux, géographiques ou ceux du périphérique utilisé, les algorithmes peuvent contextualiser toujours plus leurs réponses. Enfin, l’émergence des interfaces naturelles (reconnaissance vocale, tactile…) permet, elles, de s’affranchir de l’acte même de taper des mots, a fortiori dans une boîte de recherche. Après tout, pourquoi ouvrir un navigateur lorsque vous pouvez effectuer votre recherche directement depuis votre écran, en posant une question à haute voix ? Et ces innovations ne constituent que les prémices d’une plus grande rupture.

Le Search ne deviendra en effet réellement intelligent que lorsque les moteurs pourront anticiper ce que le consommateur recherche, et ce, avant même qu’il en ait l’idée. C’est la promesse des assistants personnels numériques qui intègrent les technologies du Machine Learning. Ainsi, Cortana, mon assistante personnelle dans mon smartphone ou mon PC, s’appuie sur ma géolocalisation, s’enquiert de l’état du trafic et m’incite spontanément à quitter mon bureau pour être à l’heure à mon prochain rendez-vous, sans même que je la sollicite, et me facilite mon quotidien.

Si tel est l’état des lieux du Search aujourd’hui, que nous réserve l’avenir ? Au gré d’un nombre d’interactions et d’informations toujours plus important, les moteurs de recherche sont plus que jamais les révélateurs de nos intentions, de nos pensées parfois les plus intimes (car il est plus aisé d’interroger un moteur de recherche que d’autres personnes). Les réseaux sociaux, de leur côté, sont le miroir de nos émotions et de nos sentiments.

En analysant les données de ces deux univers, il est alors possible d’appréhender l’état d’esprit d’un consommateur lors d’un événement ou vis-à-vis d’une marque. De même, il est possible de déterminer quelles seront les tendances de demain ou prédire un événement futur. Grâce au Machine Learning, cette approche s’avère plus fiable et précise que les méthodes statistiques traditionnelles. À titre d’exemple, nous avons pu prédire le résultat du dernier référendum sur l’indépendance de l’Ecosse dès le premier jour de la campagne, alors que les instituts de sondage hésitaient encore entre le Oui et le Non.

Quel intérêt cette vision peut-elle avoir pour les marques ? Le Machine Learning est aujourd’hui déjà mis à la disposition des annonceurs pour optimiser leurs campagnes de Search marketing. Ils peuvent ainsi évaluer leur impact, que ce soit au niveau de l’évolution des enchères ou du comportement des consommateurs. Mais il ne s’agit que d’une première étape dans le cycle des progrès à venir.

Les annonceurs doivent, plus que jamais, sortir des sentiers battus pour exploiter pleinement le potentiel du Search. En utilisant toujours plus finement les données liées à cette activité, ils pourront déployer des stratégies marketing plus efficaces et contribuer à l’émergence de nouveaux modèles publicitaires. Nous pensons par exemple à l’usage de messages géolocalisés non plus selon l’emplacement actuel du consommateur, mais en fonction de sa destination.

 À ce jeu, tout est possible. Aux responsables marketing de s’approprier cette nouvelle réalité pour déployer des campagnes marketing toujours plus pertinentes et continuer de diffuser le bon message à la bonne personne, au bon moment.

Filtrer par