Qu'est-ce que la modélisation de propension ?

La modélisation de propension attribue à chaque client une probabilité qu'il réalise une action précise, comme acheter une catégorie, convertir sur une campagne, se désabonner ou répondre à une remise. Dans une vitrine composable, ces scores vivent dans la customer data platform et sont lus par le moteur de décision, le moteur de recommandation et les workers de personnalisation en edge pour choisir la bonne expérience en temps réel.

Définition

La modélisation de propension utilise l'apprentissage automatique supervisé, entraîné sur des données first-party et un comportement assemblé via le graphe d'identité, pour estimer la probabilité d'un événement futur. Les caractéristiques proviennent de l'activité observée, de l'historique transactionnel, des données zero-party et de l'appartenance à une cohorte ; les étiquettes proviennent des résultats historiques. Les scores sont recalculés selon un calendrier et à la demande, puis publiés comme attributs de profil que la vitrine peut interroger au début de la session. Des règles d'usage soumises au consentement garantissent que les scores ne sont appliqués qu'aux canaux et contextes acceptés par le client, même lorsque le modèle lui-même s'est entraîné sur des données agrégées.

Pourquoi c'est important

La personnalisation sans scoring est une série de suppositions qui dépendent de règles écrites à la main. Les scores de propension compressent des milliers de signaux faibles en un petit ensemble de caractéristiques fortes et comparables qu'un moteur de décision peut classer. Ils alimentent la sélection de la meilleure offre suivante, l'affinement de la segmentation d'audience et le marketing automation déclenché. Dans une configuration composable, les sorties de propension se situent à la frontière entre la donnée et l'expérience : la CDP calcule, la couche d'expérience consomme, le service commerce reste centré sur les transactions. Cette séparation permet aux équipes de réentraîner les modèles sans redéployer la vitrine.

Cas d'usage

Un distributeur de mode classe les articles d'une page de liste selon un score de propension d'achat propre à la catégorie, afin que les achats les plus probables se trouvent au-dessus de la ligne de flottaison. Une marque d'abonnement injecte une propension de prédiction de churn dans le paiement, déclenchant une offre de rétention lorsque le score franchit un seuil. Une marketplace B2C utilise la propension à l'upsell pour choisir entre deux modules de vente croisée dans le panier, en basculant entre un contenu dynamique de lot et d'article seul. Un système d'e-mail marketing utilise la propension d'heure d'envoi pour planifier les livraisons, augmentant le taux de clic sans changer le visuel.

À lire aussi

Découvrez Agentic Frontend Management Platform · Personalization.