Les consommateurs synthétiques prouvent leur potentiel en conditions réelles

 (bain.com)
4 points par GN⁺ 1 일 전 | 1 commentaires | Partager sur WhatsApp
  • Les consommateurs/clients synthétiques (Synthetic Consumer), qui reproduisent par IA de vrais clients, dépassent l’exploration qualitative pour servir à des analyses quantitatives répétables, accélérant le développement produit, les tests marketing et la formation des équipes de terrain
  • En créant des jumeaux numériques ou des personas par segment à partir des données propriétaires de l’entreprise — transactions, comportements, démographie, avis clients — on obtient davantage de contexte et de fiabilité qu’en s’appuyant uniquement sur des données externes
  • Une contre-validation d’une ancienne étude conjointe menée par une entreprise de technologie grand public a montré que les jumeaux numériques synthétiques reproduisaient environ 90 % des résultats clés, notamment les caractéristiques principales, les parts de préférence produit et les décisions de portefeuille
  • En testant largement les combinaisons de prix et de fonctionnalités, en éliminant tôt les idées faibles et en prévalidant des groupes de clients difficiles d’accès, les études auprès d’humains peuvent se concentrer sur les questions à forte valeur
  • Au début, il faut compléter les études existantes plutôt que les remplacer, avec contre-validation, contrôle des données propriétaires, combinaison de développement interne et d’achat, ainsi que refonte des processus et de la gouvernance. Les LLM n’ayant pas de véritable capacité d’empathie, le jugement humain reste essentiel

Définition des consommateurs synthétiques et contexte d’adoption

  • Un consommateur synthétique est une représentation générée par IA qui imite les comportements, préférences et décisions de vrais clients
    • Il peut prendre la forme d’un jumeau numérique reproduisant un client individuel, ou d’un persona fondé sur un segment de clientèle
    • Il combine des données internes, comme les transactions, comportements, données démographiques et enquêtes d’opinion client, avec des données externes comme les avis produits et les collectes sur les réseaux sociaux
  • La demande de suivi continu des performances des produits et services a dépassé les limites des méthodes d’étude traditionnelles, et le besoin de réduire délais, coûts et risques accélère l’adoption de clients mandataires numériques
  • Les entreprises qui itèrent rapidement, testent davantage d’idées et abandonnent tôt les concepts faibles obtiennent durablement de meilleurs résultats que celles enfermées dans des cycles d’insights ponctuels, lents et fragmentés
  • Des usages en entreprise ont déjà commencé
    • US Bank utilise des audiences synthétiques pour comprendre comment des segments de clients, notamment les foyers très fortunés, perçoivent les sujets financiers, ainsi que pour tester et améliorer messages et créations publicitaires avant lancement
    • Target simule les réactions des consommateurs à des produits et promotions avec des audiences synthétiques avant de mener de vrais tests sur son site web

Les limites structurelles des études client traditionnelles

  • Les études traditionnelles restent utiles, mais l’analyse conjointe et les modèles de choix discrets limitent le nombre de niveaux de prix, de fonctionnalités et d’effets d’interaction que l’on peut tester de façon réaliste
    • Une fois l’étude terminée, il arrive que l’on réalise qu’il aurait fallu tester davantage de variables, ou que l’on doive extrapoler des résultats en dehors du périmètre testé, ce qui ralentit l’apprentissage et accroît l’incertitude
  • Les enquêtes auprès d’humains nécessitent aujourd’hui des échantillons plus grands ou des contrôles qualité coûteux pour obtenir des données valides, en raison de la hausse de la fraude aux réponses et des écarts de qualité de participation
    • Il faut améliorer en permanence les moyens de défense contre l’infiltration des enquêtes par des bots
    • Le problème classique de l’écart entre ce que les gens déclarent et ce qu’ils font réellement demeure aussi
  • Sur les marchés B2B, il peut être difficile d’obtenir un échantillon fiable, car le nombre de clients clés — par exemple les CFO d’un secteur donné — est limité

Les données propriétaires améliorent la performance de l’analyse quantitative

  • Les équipes produit, stratégie et marketing utilisent des outils d’IA commerciaux pour obtenir des insights qualitatifs sur les fonctionnalités, les prix et les messages, mais ces outils manquent souvent d’ancrage dans les données clients propriétaires, de validation statistique et d’une gouvernance claire
  • Les LLM récents ont renforcé leurs capacités de raisonnement sur des tâches structurées, jugent les compromis de manière plus stable et s’alignent mieux sur les schémas de décision humains
  • Une entreprise de technologie grand public a contre-validé des résultats synthétiques en prenant comme données de référence une ancienne grande étude conjointe quantitative
    • Elle a créé des jumeaux numériques à partir des données historiques au niveau des répondants et leur a fait accomplir les mêmes tâches que dans l’étude initiale
    • L’étude initiale utilisée pour la validation a été exclue des données d’entraînement du modèle
    • Les jumeaux numériques ont reproduit environ 90 % des résultats clés de l’étude initiale
      • Ils ont identifié les fonctionnalités les plus influentes dans les choix des clients
      • Ils ont reproduit les parts de préférence de la plupart des produits testés
      • Ils ont correctement reproduit les décisions de niveau portefeuille concernant les produits à lancer ou à maintenir
      • Ils ont généré des courbes initiales de sensibilité au prix jugées prometteuses

Validation comparative avec une enquête consommateurs sur les GLP-1

  • Une comparaison entre des consommateurs synthétiques et une enquête existante auprès de consommateurs humains sur les attitudes, usages et comportements liés aux médicaments GLP-1 a donné des résultats similaires
    • Des répondants synthétiques ont été générés à partir de données démographiques et d’attitudes
    • Les réponses à des questions fermées et à des questions sur échelle en 5 points ont été évaluées
  • Les résultats synthétiques correspondaient étroitement aux réponses humaines, avec une dispersion accrue uniquement lorsque les questions étaient ambiguës
  • La manière dont les questions et les tâches sont formulées pour les LLM influence les résultats, mais les consommateurs synthétiques atteignent progressivement un niveau de fiabilité adapté aussi aux usages quantitatifs
  • Associer aux données externes les données propriétaires exclusives d’une entreprise apporte un contexte plus fin et accroît la fiabilité des résultats

Usages en développement produit et marketing

  • Les consommateurs synthétiques peuvent prolonger les résultats d’études existantes dans le processus de développement produit
    • Ils testent de nouveaux niveaux de prix, bundles et combinaisons de fonctionnalités sans relancer une étude terrain depuis zéro
    • Ils affinent et soumettent à des stress tests les réactions par segment client aux changements de produit, prix et message
    • Ils trient rapidement les premiers concepts, fonctionnalités et messages afin de concentrer les études auprès d’humains sur les questions les plus précieuses
    • Ils testent à faible risque des segments difficiles d’accès avant de rencontrer de rares vrais clients
  • Les mêmes principes s’appliquent au B2B, au-delà du marketing dans les industries grand public
    • En simulant des personas d’acheteurs et des avatars conversationnels, les équipes commerciales peuvent s’entraîner à répondre aux objections et améliorer leurs propositions de valeur et leurs messages
  • Une entreprise mondiale de services a construit des personas synthétiques à partir de données de fidélité Net Promoter® collectées pendant des années auprès de ses clients
    • Elle a appliqué en parallèle aux mêmes données une méthode traditionnelle de segmentation statistique par classes latentes, obtenant des résultats similaires
    • Elle a ensuite enrichi le contexte en entraînant le LLM avec des données externes et des documents publics
    • Les équipes commerciales ont pu s’entraîner à présenter leurs offres face à des personas de dirigeants, dont des CIO sensibles au rapport valeur-prix
    • Le modèle a été étendu en quelques semaines puis déployé dans les bureaux du monde entier

Stratégie d’adoption pour compléter les études existantes

  • Au début, il est efficace d’introduire les consommateurs synthétiques comme couche de renfort, sans remplacer les méthodes d’étude existantes
    • Ils resserrent les options, soumettent les hypothèses à des tests de pression et concentrent les études humaines sur les questions à forte valeur
    • On peut commencer par une preuve de concept démontrant l’exactitude
  • Les consommateurs synthétiques doivent être traités non comme un outil isolé, mais comme une capacité organisationnelle
    • L’entreprise doit contrôler elle-même la définition des personas, la simulation des décisions et les méthodes de validation des sorties selon les cas d’usage
  • Une adoption réussie nécessite quatre conditions
    • Contre-validation : il faut démontrer la fiabilité par comparaison avec des études passées pour que l’organisation accepte les insights synthétiques
    • Données propriétaires : les données et le contexte qui fondent le modèle — études clients passées, données de prix et de ventes, attributs de segmentation, avis clients — comptent davantage que le choix du modèle
    • Équilibre entre développement interne et achat : les produits de fournisseurs sont utiles pour des premières expérimentations qualitatives ou légèrement structurées, mais pour un usage au niveau décisionnel, ils doivent être combinés à des modèles internes afin de contrôler données, logique et apprentissage. Aucun produit commercial ne répond actuellement à tous les besoins
    • Changement de modèle opérationnel : il faut modifier les processus, les droits de décision et la gouvernance, ainsi que la manière de formuler les questions afin que les équipes d’études fournissent de meilleures entrées aux audiences synthétiques. Les modes de collaboration entre équipes études, produit et marketing doivent aussi être repensés

Vers une infrastructure d’insights permanente

  • Les entreprises pionnières obtiennent déjà des premiers effets : itérations plus rapides, données et insights plus riches, et meilleure précision des résultats de marché réels
  • Les consommateurs synthétiques pourraient devenir une infrastructure décisionnelle réutilisable qui accumule l’apprentissage de l’organisation au fil du temps
  • À mesure que le périmètre d’adoption et les cas d’usage s’élargissent, ils peuvent jouer le rôle d’une plateforme d’insights fonctionnant en continu sur l’ensemble du produit, du marketing et de l’expérience client
  • La profondeur des données propriétaires et des apprentissages accumulés dans le système peut devenir un avantage concurrentiel durable, mais les LLM n’ayant pas de véritable empathie, ils ne peuvent pas remplacer le jugement humain

À lire aussi