Comment les entreprises de la fintech parviennent à obtenir un excellent retour sur investissement en tirant parti des données

Une base solide de données intégrées est essentielle pour optimiser le retour sur investissement des actions marketing dans le secteur de la fintech. Crédit : Getty Images

Stephen Williams, PDG de Marketing Evolution, explique pourquoi l’unification des données constitue un élément crucial qui fait défaut aux entreprises de fintech souhaitant développer leurs initiatives en matière d’intelligence artificielle tout en obtenant des améliorations mesurables de leurs performances.

M. Williams évolue à la croisée de deux forces majeures qui transforment le secteur des services financiers : les progrès rapides des technologies d’IA et la complexité croissante des stratégies marketing basées sur les données dans des environnements réglementés.

Ayant gravi les échelons, passant d’ingénieur à PDG de Marketing Evolution, son expérience professionnelle dans le développement d’infrastructures marketing modernes nourrit son approche visant à aider les entreprises de fintech à mieux comprendre les indicateurs de performance dans un paysage sectoriel de plus en plus fragmenté.

Fondamentalement, Marketing Evolution s’attache à aider les organisations à transformer des données marketing brutes en informations exploitables. Le «Marketing Performance Substrate» de l’entreprise consolide des sources de données disparates au sein d’un cadre unifié permettant d’obtenir des informations marketing. Il comble les lacunes dans les données, intègre des capacités d’analyse causale et met continuellement à jour les données de performance afin de créer un système d’enregistrement fiable pouvant être utilisé aussi bien par des équipes humaines que par des systèmes d’IA.

Alors que les modèles d’IA se standardisent de plus en plus, M. Williams affirme que ce qui distingue véritablement les entreprises de fintech ne réside pas dans la sophistication de ces modèles eux-mêmes, mais dans la robustesse de leur infrastructure de données sous-jacente. Cette distinction est particulièrement importante dans le secteur de la fintech, où des exigences strictes en matière de confidentialité, de gouvernance et de conformité imposent des restrictions significatives sur la manière dont les données peuvent être utilisées. De plus, les parcours clients — de l’ouverture de compte à l’obtention d’un crédit — sont généralement non linéaires et impliquent de multiples canaux, parties prenantes et points de contact sur de longues périodes.

Stephen Williams, PDG de Marketing Evolution

En anonymisant les données et en reconstituant les parcours clients à l’aide de méthodes probabilistes, Marketing Evolution permet aux institutions financières d’obtenir une vision plus claire et conforme de la manière dont les efforts marketing influencent les résultats commerciaux, apportant ainsi une transparence indispensable à l’un des défis de mesure les plus complexes du secteur.

Ici, M. Williams explique pourquoi les données — plutôt que les modèles d’IA — deviennent le facteur clé déterminant le succès des initiatives d’intelligence artificielle et décrit comment les entreprises fintech peuvent combler le fossé entre les objectifs stratégiques et leur mise en œuvre concrète.

Si les progrès du marketing devancent le développement des infrastructures, quel impact ces disparités ont-elles sur les directeurs marketing (CMO) dans le secteur réglementé des services financiers ?

Commençons par examiner les défis plus généraux auxquels les organisations sont confrontées aujourd’hui : tous secteurs et toutes fonctions confondus, la pression s’intensifie pour tirer parti de l’intelligence artificielle afin de travailler plus efficacement, de réduire les coûts et de découvrir de nouvelles sources de valeur. Cependant, cette pression est particulièrement forte pour les directeurs marketing, car leurs responsabilités ont considérablement évolué au fil du temps.

Aujourd’hui, les directeurs marketing sont tenus responsables non seulement de la gestion de la marque, mais aussi de la génération de chiffre d’affaires et de la performance globale de l’entreprise. Parallèlement, on attend d’eux qu’ils adoptent rapidement des solutions d’intelligence artificielle, qu’ils démontrent un retour sur investissement clair et qu’ils prennent des décisions au sein de systèmes et de sources de données de plus en plus fragmentés.

Dans le secteur réglementé des services financiers, ce défi devient encore plus redoutable en raison de la longueur des parcours clients, du nombre de parties prenantes impliquées, des exigences strictes en matière de conformité et des contraintes importantes liées aux données.

La création d’un environnement unifié reflétant fidèlement les opérations commerciales est ce qui permet en fin de compte des applications pertinentes de l’intelligence artificielle. Une fois cette base en place, les organisations peuvent superposer des modèles provenant d’entreprises telles qu’OpenAI, Anthropic, Google et d’autres à ces données consolidées afin de tirer de la valeur des sources d’information existantes.

Je le décris ainsi : chaque entreprise — en particulier celles du secteur des services financiers — possède d’énormes quantités de données précieuses. Mais avant que ces données puissent générer de la valeur, elles doivent être organisées, affinées, structurées et contextualisées.

Un autre enjeu réside dans la conviction largement répandue au sein de nombreuses entreprises selon laquelle le plus grand risque consiste à prendre du retard dans l’adoption de l’IA plutôt qu’à commettre des erreurs lors de sa mise en œuvre. Cet état d’esprit génère une pression immense pour agir rapidement, même lorsque l’infrastructure de données sous-jacente n’est pas encore pleinement établie.

Si l’intelligence artificielle peut apporter certains avantages initiaux, les organisations verront leurs rendements diminuer si elles ne disposent pas de l’infrastructure appropriée pour soutenir son utilisation.

Un environnement de données unifié constitue le fondement essentiel pour des applications pertinentes de l’intelligence artificielle. Crédit : Getty Images

Quel est le coût du « fossé intermédiaire » pour les responsables marketing dans le secteur bancaire et de l’assurance en matière d’attribution ?

Les coûts associés sont considérables, même s’ils peuvent être atténués. Après tout, les spécialistes du marketing n’optimisent que ce qu’ils sont en mesure de mesurer. Par conséquent, ils investissent souvent de manière excessive dans des domaines qui ne peuvent pas être correctement attribués — en particulier les activités de marque en phase initiale et les efforts marketing en amont du tunnel de conversion, qui ont lieu bien avant qu’une conversion ne se produise.

Ce défi est particulièrement marqué dans les services financiers, où les conversions sont fréquemment gérées par des intermédiaires tels que des courtiers, des agences, des conseillers, des plateformes ou d’autres acteurs en aval. Alors que le marketing peut stimuler la demande, la transaction proprement dite est souvent enregistrée ailleurs dans le système.

Par conséquent, les pratiques d’attribution ont tendance à attribuer le mérite à ceux qui sont les plus proches de la transaction plutôt qu’à ceux qui sont à l’origine de la demande. Il s’agit d’un problème de mesure de longue date qui s’aggrave dans les secteurs où les parcours clients sont plus longs, plus fragmentés et répartis entre plusieurs acteurs.

« Aujourd’hui, les directeurs marketing sont responsables non seulement de la marque, mais aussi du chiffre d’affaires et de la performance », Stephen Williams, PDG de Marketing Evolution

Pour remédier à ce problème, il est nécessaire d’intégrer toutes les informations pertinentes dans un ensemble de données unifié qui reflète fidèlement les opérations commerciales. Une fois ces parcours clients reconstitués, les spécialistes du marketing peuvent commencer à comprendre comment les investissements dans la marque, la couverture médiatique et les relations avec les intermédiaires influencent les résultats de conversion en aval.

Par exemple, nous avons collaboré avec l’une des plus grandes compagnies d’assurance immobilière des États-Unis. Cette entreprise a réalisé d’importants investissements au niveau national de la marque et a obtenu de bons résultats grâce à ces efforts. Historiquement, cependant, elle peinait à établir un lien entre ces initiatives de marque et les performances réelles au stade de la souscription des polices, où les agents locaux consacrent également des ressources marketing et concluent finalement les contrats.

La relation entre les agences et les assureurs est absolument cruciale, car elle joue un rôle clé dans le processus de conversion. Nous avons aidé cette entreprise à mettre en évidence l’impact de ses dépenses de marque au niveau national sur ces conversions en aval.

Désormais, lorsqu’elle investit dans des initiatives telles que des parrainages sportifs majeurs ou des campagnes publicitaires à l’échelle nationale, elle peut suivre la manière dont cet investissement circule dans le système et contribue à des conversions mesurables au niveau des agents locaux — que ce soit à Memphis, dans le Tennessee, ou dans n’importe quelle autre ville du pays.

Pourquoi l’intelligence artificielle a-t-elle tendance à amplifier la mauvaise qualité des données plutôt qu’à l’améliorer au sein des systèmes marketing ?

Ce problème ne se limite pas aux piles marketing ; l’intelligence artificielle aggrave la mauvaise qualité des données dans tous les domaines.

Aussi avancés que puissent paraître les systèmes d’intelligence artificielle, ils reposent en fin de compte sur la qualité et la structure des données sous-jacentes pour générer des informations pertinentes. Or, les données marketing, en particulier, sont souvent de très mauvaise qualité.

Cela s’explique en grande partie par le fait que les données marketing proviennent de multiples sources différentes. Il n’existe pas de source unique de données marketing : celles-ci proviennent de plateformes telles que Google Analytics, Meta, Nielsen, la publicité extérieure Lamar et des dizaines d’autres fournisseurs. Toutes ces sources produisent des données présentant des formats et des caractéristiques distincts.

De plus, la granularité et l’exhaustivité de ces données varient considérablement. Elles doivent également être intégrées aux données de première main, qui diffèrent elles aussi d’un annonceur à l’autre — notamment les listes d’e-mails, les fichiers de publipostage, les données de conversion, les informations sur le trafic web, etc.

Par conséquent, lorsque l’on examine les données marketing dans leur ensemble, on ne constate pas l’existence d’un ensemble de données cohérent et prêt à l’emploi. Au contraire, il existe de nombreux ensembles de données fragmentés, souvent incomplets et clairsemés dans certains domaines. Certains de ces ensembles de données couvrent le niveau national, d’autres les zones correspondant aux codes postaux, et d’autres encore les zones DMA.

Historiquement, cela a contraint les ingénieurs de données à consacrer un temps considérable à la mise en place de systèmes sur mesure, à la rédaction de requêtes ou à la création de scripts Python afin de traiter les données de manière ponctuelle pour des analyses spécifiques.

Cependant, si ces données peuvent être structurées de manière uniforme, en remédiant aux incohérences de granularité, et intégrées à travers des systèmes cloisonnés, la situation change radicalement.

Nous pouvons lever ces barrières structurelles, unifier des sources de données disparates au sein d’un même cadre, et présenter des informations provenant de canaux tels qu’Amazon Ads aux côtés de Google, Meta, la télévision connectée (CTV), la télévision linéaire et la publicité extérieure — le tout en utilisant des formats et des structures cohérents. Cela permet d’effectuer des comparaisons pertinentes, plutôt que de comparer des pommes à des oranges ou des pommes à des pastèques.

Alors que les entreprises disposent déjà de systèmes d’enregistrement pour les clients dans les plateformes de données clients (CDP), pour les contenus dans les systèmes de gestion des actifs numériques (DAM) et pour l’exécution des campagnes dans les plateformes d’activités marketing (MAP), il n’existe aucun système équivalent pour le suivi des performances marketing. C’est précisément ce à quoi Marketing Evolution a cherché à remédier.

Les données existent, les outils sont disponibles, les capacités d’analyse sont présentes, et l’intelligence artificielle peut fournir des informations précises sur les dynamiques du marché et les opérations commerciales — plutôt que d’amplifier des signaux trompeurs.

En fin de compte, nous devons conserver une approche centrée sur les données lorsque nous développons des modèles, menons des analyses et utilisons l’intelligence artificielle. Les modèles continueront d’évoluer rapidement, changeant fréquemment au fil du temps.

Il s’agit fondamentalement d’un problème lié à l’infrastructure de données, et non à la conception des modèles. Tout repose sur la mise en place d’une infrastructure de données adéquate, l’alimentation de cette infrastructure avec les données appropriées et leur mise en contexte en fonction du mode de fonctionnement de l’entreprise.

Si la couche de données n’est pas correctement mise en œuvre, les directeurs marketing (CMO) se retrouveront coincés pendant des années face à des informations inexactes, tandis que les directeurs financiers (CFO) seront confrontés à des schémas de dépenses inexpliqués. Il est essentiel de mettre en place cette couche de données correctement et aussi rapidement que possible.

Stephen Williams, PDG de Marketing Evolution

Alors que 71 % des dirigeants estiment être prêts pour l’IA et que seuls 37 % le sont réellement, en quoi consiste exactement cet écart de préparation ?

Je pense que de nombreux dirigeants d’entreprise — dont j’ai moi-même fait partie à un moment donné — s’appuient sur un critère simple : si des outils d’intelligence artificielle sont utilisés, l’organisation doit être considérée comme prête pour l’IA. Mais c’est rarement le cas.

Lorsque l’on examine les conditions réelles nécessaires au déploiement réussi de l’intelligence artificielle ou de forces de travail automatisées — telles que la structure, la qualité, l’intégration, l’accessibilité et la gouvernance des données —, cette hypothèse s’effondre rapidement.

Nous avons mené une étude pour mieux comprendre cet écart en interrogeant des cadres supérieurs du marketing — notamment des directeurs marketing (CMO), des vice-présidents, des directeurs et des cadres supérieurs — et avons constaté que 71 % d’entre eux estimaient être prêts pour l’IA.

Cependant, lorsque nous avons évalué si les exigences fondamentales en matière de données pour une véritable préparation à l’IA étaient réellement satisfaites, seuls 37 % répondaient à ces normes.

Cela représente un écart considérable. Plus frappant encore : seuls 3 % des dirigeants interrogés ont fait état d’améliorations constantes dans les performances de l’intelligence artificielle.

En réalité, de nombreuses entreprises atteignent très rapidement un plafond dans leurs efforts en matière d’intelligence artificielle, car elles ne disposent pas d’une base de données solide. Lorsque les systèmes d’intelligence artificielle sont contraints de concilier des systèmes fragmentés, des sources de données déconnectées et des structures incohérentes, la complexité du problème augmente considérablement, ce qui conduit à des résultats moins performants, à des conclusions erronées et à des erreurs plus fréquentes.

Les organisations qui répondent aux exigences fondamentales en matière de données pour être prêtes à l’IA obtiennent des résultats de performance environ deux fois supérieurs à ceux des organisations ne disposant pas d’une telle base. Il est essentiel de mettre en place une couche de données adéquate afin de tirer une réelle valeur de l’intelligence artificielle — d’autant plus que ces technologies deviennent plus coûteuses et que les organisations ne peuvent plus se permettre d’expérimenter indéfiniment à moindre coût.

Chiffres clés tirés de Marketing Evolution

• 71 % des responsables marketing de haut niveau estiment être prêts pour l’IA
• Seuls 37 % des responsables marketing remplissent les conditions de base en matière de données requises pour la préparation à l’IA
• Seuls 3 % des responsables marketing déclarent constater des gains de performance constants grâce à l’IA

Comment une infrastructure de performance marketing répond-elle aux besoins d’unification des données pour l’intelligence artificielle ?

Une plateforme de performance marketing — c’est-à-dire un système d’enregistrement spécialement conçu pour le suivi des performances marketing — résout ce problème car elle est intrinsèquement intelligente. Elle peut récupérer les données manquantes, combler de manière synthétique les lacunes d’observation et reconstituer les parcours des consommateurs, ce qui serait impossible si les données restaient stockées dans des entrepôts statiques ou des lacs de données. De cette manière, il extrait des informations pertinentes des données avant que celles-ci n’entrent dans des modèles en aval plus complexes.

Avant même d’atteindre cette étape, les données ont été alignées sur une ontologie métier qui reflète la structure de l’organisation. Elles sont mappées à des schémas, des taxonomies et des contextes métier appropriés, garantissant ainsi que les conventions de nommage correspondent à la manière dont l’entreprise désigne en interne ses ressources créatives, ses canaux médiatiques, ses campagnes et ses clients. Cette cohérence est maintenue dans l’ensemble des ensembles de données sous-jacents.

En unifiant à la fois la structure des données et les parcours des consommateurs, nous ouvrons de nombreuses nouvelles opportunités pour les applications d’intelligence artificielle dans des domaines tels que la découverte, l’analyse et la prise de décision.

Ce n’est pas une exagération : dès lors que l’intelligence artificielle s’appuie sur une compréhension véritablement unifiée et contextualisée des opérations métier, son potentiel devient presque illimité.

Les organisations disposant d’une base de données prête pour l’IA obtiennent des résultats en matière d’intelligence artificielle jusqu’à deux fois supérieurs. Crédit : Getty Images

Que conseilleriez-vous aux organisations qui passent d’une mesure rétrospective à une intelligence proactive tournée vers l’avenir ?

Il s’agit en effet d’une transition difficile qui nécessite un changement de perspective significatif. Jusqu’à récemment, la mesure marketing était rétrospective : les campagnes étaient lancées, on attendait les résultats, puis on les analysait a posteriori. Mais aujourd’hui, nous disposons des données et des outils nécessaires pour simuler des résultats potentiels avant même que toute action ne soit entreprise.

Cela change complètement le rôle de l’intelligence marketing. Au lieu de se contenter de mesurer les résultats après coup, les entreprises peuvent commencer à modéliser à l’avance les résultats probables en utilisant les données des mois, trimestres ou années précédents pour prévoir ce qui risque de se produire ensuite. Cela permet aux spécialistes du marketing d’atténuer les risques, de prendre des décisions plus rapides et mieux informées, et de justifier ces décisions à l’aide de preuves fondées sur les données.

« Quelle que soit l’apparente intelligence de l’IA, elle dépend toujours fondamentalement de la qualité et de la structure des données sous-jacentes », Stephen Williams, PDG de Marketing Evolution

Cela offre également une visibilité bien plus complète sur l’ensemble du tunnel de conversion. Pour illustrer ce concept, considérons le fonctionnement de la vision humaine. La plupart des gens pensent que ce que nous voyons n’est autre que le traitement, par le cortex visuel, de la lumière qui pénètre dans nos yeux. En réalité, le cerveau exécute en permanence un modèle prédictif basé sur des expériences sensorielles passées afin d’anticiper ce qu’il va voir.

Ce modèle prédictif, façonné par une vie entière de données sensorielles structurées, prédit en permanence le monde qui nous entoure. Les informations visuelles entrantes mettent ce modèle à jour, mais une grande partie de ce que nous percevons est en réalité la prédiction par le cerveau de ce qui est sur le point de se produire.

C’est ainsi que nous gérons des tâches telles qu’attraper une balle de baseball ou réagir rapidement à une voiture qui freine brusquement devant nous : nous ne nous contentons pas de répondre en temps réel à des stimuli sensoriels bruts, mais nous agissons en nous appuyant sur des prédictions fondées sur des données et des expériences antérieures.

Je pense que le marketing évolue dans une direction très similaire.

Les organisations disposant de bases de données solides seront capables non seulement d’expliquer leurs performances passées, mais aussi de prédire et de simuler les résultats futurs.

Stephen Williams, PDG de Marketing Evolution, a bâti sa carrière sur le développement des systèmes qui sont au cœur du marketing moderne

Quel conseil donneriez-vous à une marque qui affirme : « Je travaille avec un partenaire MMM. Quelle est la prochaine étape ? »

Si vous collaborez déjà avec un partenaire MMM, c’est un excellent point de départ, car vous disposez déjà d’informations historiques sur les performances médiatiques. Ces connaissances peuvent servir de base pour créer une couche d’intelligence plus prédictive. Votre partenariat MMM existant peut continuer à soutenir le système pendant que vous passez à des approches décisionnelles plus adaptatives.

Cependant, l’étape suivante nécessite d’investir dans la mise à niveau de votre infrastructure de données sous-jacente afin de prendre en charge des sources de données plus granulaires et intégrées.

Cela implique également d’évoluer vers des méthodologies et des modèles de mesure capables de réagir plus rapidement aux conditions changeantes du marché, à l’évolution des habitudes de dépenses médiatiques et aux comportements des consommateurs en constante évolution, par rapport aux solutions MMM traditionnelles.

Pensez à l’impact d’événements tels que la pandémie de COVID-19, au cours de laquelle le comportement des consommateurs a radicalement changé d’un mois à l’autre. Les systèmes MMM ont fini par s’adapter à ces changements, mais souvent après coup.

Une couche d’intelligence plus dynamique — fonctionnant à une fréquence hebdomadaire, voire quotidienne — peut suivre le rythme des évolutions commerciales en temps réel, identifier les tendances naissantes au fur et à mesure qu’elles se manifestent, et aider les organisations à réagir plus rapidement et avec davantage de confiance.

Cela illustre la mutation plus large qui s’opère dans le secteur. Historiquement, la pile martech se composait de systèmes distincts tels que les plateformes de données clients (CDP), les systèmes CRM, les plateformes de gestion des actifs numériques, les plateformes d’activités marketing et les outils de mesure — chacun remplissant des fonctions opérationnelles spécifiques. Cependant, les entreprises ont de plus en plus besoin d’une couche d’intelligence intégrée qui relie ces systèmes et rend les données accessibles aux applications d’intelligence artificielle, aux simulations, à l’optimisation et à la prise de décision. C’est la direction que prend le secteur.

Comment les marques devraient-elles aborder la mise en place de leur pile martech aujourd’hui ?

À mon sens, une pile martech moderne devrait commencer par une évaluation des sources de données et des systèmes existants — qu’il s’agisse de plateformes de données clients, de systèmes CRM, de DSP ou de tout autre outil pertinent — afin de s’assurer que ces systèmes peuvent fonctionner ensemble plutôt que de manière isolée.

Traditionnellement, la pile martech était considérée comme une structure en couches. Or, elle s’apparente de plus en plus à un modèle en roue à rayons, avec une couche centrale de données et d’intelligence fournissant une aide à la décision à l’ensemble de l’organisation.

Ce hub central interagit de manière bidirectionnelle avec des systèmes tels que les plateformes de données clients : il en extrait des données tout en leur renvoyant des informations afin d’améliorer la compréhension du comportement des clients et de la dynamique globale de l’écosystème.

En matière de mesure, nous sommes désormais entrés dans une ère où les processus de mesure peuvent suivre le rythme de la génération des données. Nous n’avons plus besoin de nous appuyer uniquement sur des solutions MMM. Si les MMM ont toujours leur place, notamment pour analyser les tendances à long terme, les spécialistes du marketing ont besoin de capacités de prise de décision rapides — parfois même au quotidien —, ce qui nécessite des systèmes de mesure plus agiles.

Par conséquent, la pile martech moderne doit s’articuler autour d’une couche de données unifiée qui prend en charge la mesure, l’optimisation, la simulation et la prise de décision rapides, tout en conservant une intégration transparente avec les autres systèmes de l’entreprise.