Ces derniers temps, Gemalto a surtout fait l’actualité avec sa tentative de rachat par Atos puis avec celle, réussie cette fois, de Thalès. Pour autant, la multinationale issue de Gemenos reste le leader mondial de la carte SIM, le coeur du gigantesque collecteur de données qu’est devenu le mobile d’aujourd’hui.

Il était donc naturel que Gemalto se mette au machine learning, qu’elle applique au marketing mobile. J’ai interrogé à ce sujet Frédéric Martinent, responsable de la business line “mobile marketing” de la société.

Phocea Tech: Avant de parler machine learning, en quoi consiste le Smart Message ?

Frédéric Martinent: L’idée est d’utiliser les cartes SIM comme un nouveau canal de marketing mobile. Notre service permet d’obtenir un bien meilleur taux de clic qu’avec un SMS parce qu’il peut gérer un mini-scénario de marketing.

Il peut contenir un vrai call to action, des écrans, renvoyer vers un site web mobile, utiliser des SMS pré-formatés,… Nous le proposons depuis 8 ans et réalisons actuellement des milliers de campagnes par an.

Phocea Tech: Vous auriez un exemple à donner ?

Frédéric Martinent: Un cas classique, c’est celui d’un opérateur qui détecte qu’un consommateur a un nouveau mobile. Avec notre service, il va pouvoir lui envoyer un message lui proposant une assurance. En 2-3 clics, le consommateur pourra y adhérer et sera facturé sur sa facture opérateur.

Le service peut aussi gérer le consentement. Avec une banque brésilienne, qui dans ce cas était notre client, nous avons pu gérer le passage au relevé bancaire dématérialisé.

Phocea Tech: Quel était l’intérêt pour vous d’une démarche machine learning ?

Frédéric Martinent: Nous l’avons testé en Afrique pour affiner le ciblage. Pour un de nos clients, nous n’avions le droit d’envoyer à ses utilisateurs qu’un message par personne et par semaine. L’enjeu était donc de savoir quel service devait bénéficier d’une promotion, quel message était le plus pertinent aussi bien pour l’utilisateur que pour l’opérateur.

Deux algorithmes testés

Nous nous sommes appuyés sur plusieurs mois d’historique de campagne pour affiner le ciblage, avec deux types d’algorithmes. Soit nous regardons les similarités entre personnes, en considérant que deux personnes aux profils proches achètent à peu près les mêmes services, soit nous regardons les similarités entre offres.

A la fin de l’expérimentation, nous avons choisi d’utiliser un mix de ces deux algorithmes, qui a abouti à un scoring sur le fait que les gens achètent tel ou tel service. Le bénéfice était très clair puisque nous avons obtenu un taux d’acceptation en hausse de 50%. Nous avons fait ce qu’il faut pour nous assurer qu’il n’y avait aucun biais, par exemple en envoyant bien les offres aux mêmes horaires.

Phocea Tech: Une fois ce premier test réussi, quelle est la prochaine étape ?

Frédéric Martinent: Nous sommes aujourd’hui en phase de généralisation. Il va maintenant nous falloir affiner, entre autres en utilisant plus données sur les consommateurs. Nous pourrions par exemple déterminer quelles personnes sont particulièrement sensibles au prix, et leur pousser en priorité des offres correspondant à ce critère.

[English version: Gemalto Puts Mobile Marketing in the Machine Learning Era]

1 commentaire »

Laisser un commentaire

Entrez vos coordonnées ci-dessous ou cliquez sur une icône pour vous connecter:

Logo WordPress.com

Vous commentez à l'aide de votre compte WordPress.com. Déconnexion /  Changer )

Photo Google+

Vous commentez à l'aide de votre compte Google+. Déconnexion /  Changer )

Image Twitter

Vous commentez à l'aide de votre compte Twitter. Déconnexion /  Changer )

Photo Facebook

Vous commentez à l'aide de votre compte Facebook. Déconnexion /  Changer )

Connexion à %s