Au-delà de la logique binaire : pourquoi « Oui/Non » ne suffit plus

Pendant des années, la recherche d’audiences similaires (Lookalike) reposait sur une logique binaire stricte. L’annonceur posait une condition : « Mon audience cible, ce sont ceux qui ont passé 30 secondes sur le site, scrollé 80 % de la page et cliqué sur le bouton N ». Tous ceux qui remplissaient la condition recevaient un « 1 » (cible), les autres un « 0 » (non cible).

Le problème de cette approche, c’est qu’elle ignore le degré de « chaleur » de l’audience. Un utilisateur qui a passé 28 secondes sur le site et étudié le produit avec attention, sans cliquer sur le bouton, recevait le même « 0 » qu’un passant qui a fermé l’onglet en une seconde. Pour capter cette valeur cachée, les architectures ML modernes passent de la classification (1/0) au scoring d’intention (Intent Scoring), en évaluant chaque visiteur sur une échelle de 0 à 100.

Architecture de scoring : modèle 3D de l’utilisateur

Pour que l’algorithme prédise la probabilité de conversion avec une grande précision, le profil utilisateur dans le système n’est pas une liste plate d’actions, mais une matrice tridimensionnelle (espace vectoriel de features) :

• 1. Vecteur de contexte (Où et comment ?)
  On y trouve des données techniques et géo agrégées : fuseau horaire, type d’appareil, catégorie de navigateur et source d’arrivée (organique, accès direct, campagne publicitaire précise). Cela forme le portrait de base de la visite.
• 2. Vecteur historique et fonction d’atténuation (Time Decay)
  L’intérêt d’une personne n’est pas constant. S’il a cherché un réfrigérateur il y a un mois, son intérêt actuel est nul. Si c’était ce matin — il est maximal. L’algorithme calcule l’intérêt cumulé pour les catégories du site en appliquant une fonction mathématique d’atténuation temporelle : les anciennes actions perdent progressivement leur poids, au profit des intentions fraîches.
• 3. Vecteur de comportement actuel (micro-conversions)
  C’est une analyse de la dynamique : vitesse de scroll (la personne lit-elle avec attention ou fait-elle défiler vite ?), schémas d’interaction avec les éléments d’interface dès les premières secondes de la visite.

Adaptativité plutôt que cadres rigides : coupure fluide des anomalies

Si l’on note l’utilisateur de 0 à 100, apparaît le problème de l’audience « surchauffée ». Un content manager qui charge des produits deux heures par jour remplira, du point de vue d’une statistique naïve, toutes les actions cibles à « 100 points », mais il est inutile pour la publicité.

Historiquement, les systèmes tranchaient par un filtre dur : « plus d’une heure sur le site = bot ou admin ». Mais si vous publiez un long article captivant et que le temps moyen sur le site augmente naturellement ? Le filtre dur coupera votre audience la plus fidèle.

Fluidité et adaptativité : comment ClikBy coupe les anomalies

Des seuils durs du type « s’il reste plus de 2 heures, c’est un bot » sont irrémédiablement dépassés. Si vous ajoutez un long format captivant, le temps moyen de visite augmente et le filtre dur coupe votre audience la plus fidèle. Dans ClikBy nous avons résolu le problème en introduisant un coefficient d’anomalie adaptatif et fluide (A_i).

Étape 1. Abandonner les chiffres absolus au profit des percentiles

Le système ClikBy n’utilise plus de limites en dur (par exemple « maximum 50 sessions »). À la place, l’algorithme analyse en continu la distribution des données des 3 à 7 derniers jours et détermine automatiquement :

• La médiane (la norme) — le comportement standard actuel de l’audience sur ce site précis.
• 95e percentile (P₉₅) — la limite au-dessus de laquelle se trouvent seulement 5 % des utilisateurs les plus actifs (« surchauffés »).
• 99e percentile (P₉₉) — la zone des valeurs extrêmes, où vivent les content managers, les parsers et les onglets laissés ouverts toute la nuit.

Si le comportement des utilisateurs change, les métriques P₉₅ и P₉₉ se décalent automatiquement. La plateforme s’adapte à la « nouvelle norme » du site sans intervention manuelle.

Étape 2. Fonction de pénalité fluide (sigmoïde d’atténuation)

Au lieu d’une « marche » de coupure brutale, nous utilisons une courbe logistique inversée. Tant que le comportement de l’utilisateur reste dans P₉₅, son multiplicateur A_i = 1 (pas de pénalité). Dès qu’il franchit la limite d’anomalie, le coefficient commence à плавно tendre vers zéro selon la formule :

Comment cela marche en pratique (scoring final)

Supposons que les règles d’une boutique en ligne aient attribué à l’utilisateur 80 points bruts d’intérêt (RawScore). Voyons comment le paradigme 3D de ClikBy se comporte dans différentes situations :

Champion-Challenger : la bataille des algorithmes pour le ROI

Dans le marketing industriel, s’appuyer sur un seul modèle, même intelligent, mène souvent à la stagnation. Pour améliorer en continu la qualité du trafic acheté, on utilise une architecture de tests A/B de modèles (Champion-Challenger).

Comment ça marche en pratique ? Система параллельно рассчитывает скоринг двумя разными алгоритмическими пайплайнами. Алгоритм «А» может делать ставку на глубокую историю визитов, а экспериментальный алгоритм «Б» — придавать больший вес микро-поведению в текущей сессии.

Les utilisateurs sur lesquels les modèles sont d’accord partent dans la campagne de base. Les segments où ils divergent sont séparés (strictement par identifiants hashés) et envoyés dans des campagnes distinctes pour concourir. En comparant le coût final du lead (CPA) et le score d’intérêt moyen du trafic attiré sur le site, le marketeur peut prouver mathématiquement quel algorithme fonctionne mieux pour ce business.

« Toute cette mathématique prédictive profonde serait impossible sans un concept strict de Privacy by Design. Dans notre système, il n’y a ni noms, ni adresses IP, ni cookies bruts. Nous ne travaillons qu’avec des hashs irréversibles et des vecteurs comportementaux. Le système sait que "Le vecteur X effectuera un achat avec une probabilité de 85 %", mais il ne sait pas qui se cache derrière ce vecteur. Cela nous permet d’offrir une précision inédite des audiences Lookalike, tout en restant dans le cadre absolu et strict du GDPR et du CCPA. »

Demander un audit de vos audiences Lookalike actuelles