L’intelligence artificielle (IA) est aujourd’hui très prometteuse pour les entreprises, notamment pour les équipes marketing qui doivent anticiper les intérêts et le comportement des clients pour atteindre leurs objectifs.
Mais l’enquête « Pecan Predictive Analytics in Marketing », menée auprès de 250 responsables marketing américains ayant au moins le rang de directeur et dont l’entreprise a généré un chiffre d’affaires minimum de 100 millions de dollars, relève différents défis.
Difficulté à prendre des décisions
Selon Pecan, spécialisée dans l’analyse prédictive, une écrasante majorité (95 %) des entreprises intègrent désormais l’analyse prédictive alimentée par l’IA dans leur stratégie marketing, dont 44 % qui ont indiqué l’avoir complètement intégrée à leur stratégie.
Parmi les entreprises qui ont complètement intégré l’analyse prédictive de l’IA dans leur stratégie marketing, 90 % indiquent qu’il leur est difficile de prendre des décisions quotidiennes basées sur les données.
Le potentiel de l’analyse prédictive basée sur l’IA suscite donc un vif intérêt, mais en l’absence d’un guide universel pour l’intégration de la science des données dans le marketing, les niveaux de réussite sont très variables.
Alors que de nombreuses entreprises vantent la criticité des données sur les consommateurs dans différents domaines, de la prévision des achats futurs au taux de désabonnement, la réalité est que plus de 4 responsables marketing sur 5 déclarent rencontrer des difficultés à prendre des décisions basées sur la data, malgré toutes les données sur les consommateurs dont ils disposent.
Manque de données fiables
Plus d’un tiers (38 %) des personnes interrogées affirment que les données ne sont pas mises à jour assez rapidement pour être utiles. La même proportion constate qu’il faut trop de temps pour construire les modèles. Pire, 37 % des répondants indiquent que des données erronées ou partielles sont utilisées pour construire les modèles.Autre obstacle à une exploitation optimisée de l’intelligence artificielle, 40 % de ces directeurs affirment que ceux qui construisent les modèles ne comprennent pas les objectifs marketing. Enfin, ils sont 42 % à constater que les data scientists sont débordés et n’ont pas le temps de répondre aux demandes.
