GetQuanty a recours à l’Intelligence Artificielle, et plus particulièrement au scoring prédictif, pour permettre aux acteurs B2B d’identifier et de qualifier les visiteurs de leurs sites restés anonymes.
Finie, la prospection à froid. Vous allez pouvoir maximiser votre potentiel de conversion en vous appuyant sur des données chaudes, collectées en temps réel sur votre site, fiables et précises.
Grâce à une meilleure connaissance de vos prospects, la solution GetQuanty vous permet de créer des campagnes pour relancer les décideurs au bon moment avec le bon message, sur le bon canal, et ainsi mieux les convertir.
Rencontre avec son Directeur Général Xavier Paulik.
Comment GetQuanty utilise l’IA pour qualifier les prospects et les retargeter efficacement à partir de leur simple visite sur un site web ?

(…) Il restait des limitations fortes : des problématiques techniques, mais aussi un taux d’identification qui certes était meilleur, mais pas encore assez suffisant pour qu’une entreprise base toute sa stratégie dessus. Il fallait aussi lui permettre de trier tous ces prospects et identifier ceux qui ont un réel intérêt.
On a donc fait émerger puis affiné une notion de scoring prédictif, qui analyse les visites successives d’une entreprise pour révéler son réel intérêt. Car certains vont faire des visites longues en passant du temps pour savoir de quoi on parle. Et paradoxalement, plus un visiteur est aguerri, moins il restera longtemps et plus il sera une cible. Il fallait donc pouvoir analyser les visites sur la durée.
On a alors travaillé sur 2 plans sur lesquels l’IA est fortement entrée dans notre solution :

On est passé au Cloud et au Big Data avec Big Query (Google), qui permet de faire du traitement à large échelle, à coût très faible et très rapidement.
Google démultiplie massivement des traitements sur des milliers de serveurs. On n’a plus jamais perdu de données, alors qu’avant on était obligé de supprimer les logs de nos clients.
Dès 2016, on avait une masse critique de données pour commencer à faire tourner du Machine Learning. On a recruté un Data Scientist et on a observé un an de data sur 2000 sites web.
On est allé chercher dans ces données les variables explicatives d’un intérêt des visiteurs pour nos clients, en les mappant sur une échelle de maturité.
On a ainsi créé nos algorithmes de scoring prédictif, en passant de l’interprétation d’une visite individuelle, qui n’a pas de sens, à un scoring entreprise qui a énormément de sens, avec une dynamique de scoring qui permet de détecter non seulement son intérêt, mais aussi les moments où son intérêt s’accélère et où il faut entrer en contact avec elle. C’est là où le lead devient « chaud ».
On a aussi appris à communiquer sur les informations à donner à nos clients, pour donner confiance à nos scores prédictifs.

On a inventé de nouveaux algorithmes pour étendre notre base de données d’adresses IP, et passer de 15% jusqu’à 70% de taux d’identification.
On a du faire un gap quantitatif et qualitatif très important sur la capacité d’identification pour pouvoir déployer notre offre commerciale à grande échelle.
Pour ça on a développé des techniques de collecte d’informations reliées par divers référentiels. L’adresse IP seule est une donnée trop volatile, et qui se périme dans le temps. Si vous changez de locaux, quand vous êtes en télétravail ou à chaque connexion sur mobile, vous changez d’adresse IP.
On a donc conçu des algorithmes qui vérifient et enrichissent en permanence la qualité de notre BDD adresses IP entreprises. Et on arrive à gérer les transitions des entreprises vers d’autres adresses IP.
Notre BDD n’est pas associée à une entreprise de manière définitive, mais à plusieurs entreprises avec des probabilités d’affectations qui vont évoluer dans le temps.
On compte beaucoup sur l’informatique quantique qui maintient des infos simultanément vraies avec une notion d’incertitude, et qui vérifie des hypothèses au fur et à mesure qu’on acquiert de la donnée. Grâce à ça on gagnera encore en fiabilité.

On travaille aussi sur un modèle « look alike », dont la promesse est de cibler des prospects avant même qu’ils ne viennent sur un site Web.
On a voulu donner à nos clients la possibilité d’aller chercher une audience similaire sur l’ensemble de notre réseau. Notre algorithme tourne sur les sites de nos clients et caractérise en permanence les thématiques qui sont recherchées.
Puis on inverse la proposition pour identifier les prospects B2B qui sont manifestement intéressés par ces sujets, parce qu’ils ont visité 20 sites de notre réseau.
Par matching on peut aller chercher prioritairement ceux qui, sur les 70 derniers jours, ont fait des recherches ciblées sur les mêmes thématiques.
On mutualise ainsi l’effort pour tous nos clients, même si dans ce cas de figure ça reste de la prospection à froid, vu que les leads prédictifs ne sont pas venus sur le site cible.

KPIs d’un Client de GetQuanty :
Vous voulez en savoir plus sur les bénéfices du Marketing Prédictif ?
- Je vous invite à lire mon article "Analyse Prédictive : l’IA au service du ciblage marketing".
- Découvrez comment une segmentation fine vous ouvre les portes de l’hyper-personnalisation, le nouveau Graal des marketeurs.
- Suivez sur ia4marketing l'avancée de ma thèse professionnelle sur l'IA marketing durable : contactez-moi si le sujet vous intéresse !

Entrepreneur depuis plus de 10 ans dans le développement de logiciels innovants pour le livre, je complète mon expertise en marketing digital au sein du MBA MCI (Institut Léonard de Vinci). Ma thèse en cours porte sur l’IA marketing et sur l’enjeu de la réduction de son empreinte écologique.