Le ciblage publicitaire entre dans l’ère du sens

Par Hannes Sieling, VP of Data & AI de Seedtag

Pendant longtemps, le ciblage publicitaire a reposé sur une idée finalement assez simple : pour toucher une audience, il fallait parvenir à la ranger dans une catégorie. Un contenu était « sport », « voyage », « automobile » ou « cuisine ». Un utilisateur appartenait à tel segment démographique ou comportemental. Une page comportait certains mots-clés, et une campagne venait s’y associer. Ce modèle a fait ses preuves. Mais il repose sur une simplification fondamentale : considérer qu’un contenu ou qu’un individu peut être résumé par quelques étiquettes. Or, le monde réel fonctionne rarement comme cela.

Un article consacré à une randonnée peut parler de nature, de dépassement de soi, de voyage, de bien-être ou d’équipement haut de gamme. Deux contenus qui ne partagent pratiquement aucun mot peuvent pourtant s’adresser au même état d’esprit. À l’inverse, deux pages classées dans la même catégorie peuvent provoquer des réactions radicalement différentes. C’est précisément dans cet espace que l’intelligence artificielle est en train de changer la donne.

Des mots-clés au sens

Les vector embeddings constituent l’une des briques technologiques qui permettent cette évolution. Le principe peut sembler abstrait : transformer un mot, une phrase, un document ou une image en une représentation numérique composée de nombreuses dimensions. Mais l’idée est finalement assez intuitive. Au lieu de demander à une machine si deux contenus possèdent les mêmes mots ou appartiennent à la même catégorie, on lui demande à quel point leurs significations sont proches. Dans cet espace mathématique, deux concepts proches se retrouvent eux-mêmes proches. « Randonnée » et « camping », par exemple, peuvent être éloignés lexicalement tout en étant voisins sémantiquement. Cette différence est considérable pour la publicité. Car elle permet de passer d’une logique de classification à une logique de compréhension. Et c’est probablement l’un des changements les plus importants que l’adtech  ait connus depuis plusieurs années.

Le véritable potentiel : comprendre les connexions invisibles

Le ciblage traditionnel basé sur des mots-clés vise essentiellement à répondre à une question : « De quoi traite ce contenu ? » Les technologies fondées sur les embeddings permettent progressivement d’aller plus loin : « Que signifie ce contenu ? À quels autres contenus, intérêts ou intentions est-il associé ? » Cette nuance ouvre un champ considérable.

Un contenu consacré à une voiture électrique ne parle pas nécessairement uniquement d’automobile. Il peut également exprimer un intérêt pour l’innovation, la technologie, la mobilité durable, le design ou le haut de gamme. Avec une approche purement catégorielle, une grande partie de cette richesse disparaît.

Avec une représentation vectorielle, elle peut être conservée et comparée. C’est également ce qui rend possible une segmentation beaucoup plus nuancée des audiences. Au lieu de travailler avec quelques grandes cases, les annonceurs peuvent théoriquement identifier des ensembles de contenus et de consommateurs partageant des caractéristiques sémantiques ou contextuelles beaucoup plus précises.Le ciblage cesse alors progressivement d’être une affaire de cases à cocher. Il devient une affaire de proximités. 

L’embedding n’est pas une stratégie

C’est probablement le point le plus important à garder en tête.Un embedding est une représentation. Il permet de mesurer des proximités, de détecter des ressemblances et d’organiser une masse considérable d’informations. Mais il ne constitue pas, à lui seul, une réponse marketing. 

Pour transformer une représentation sémantique sous forme de vecteurs en une décision publicitaire, il faut la combiner avec le contexte et des règles : sécurité de la marque, thèmes, centres d’intérêt, intention, émotions, objectifs de campagne, contraintes médiatiques, etc. C’est précisément l’approche revendiquée par les technologies dites « neuro-contextuelles », qui cherchent à associer la compréhension sémantique du ciblage vectoriel basé sur l’IA à une couche d’intelligence économique. La distinction est essentielle : comprendre le sens n’est pas la même chose que savoir quoi en faire.

Une nouvelle définition de la pertinence

Cette évolution pourrait également modifier notre définition même de la pertinence publicitaire.Pendant des années, la pertinence a souvent été pensée comme une correspondance : le contenu parle de chaussures de sport, donc on lui associe une publicité pour des chaussures de sport. Demain, la pertinence pourrait être beaucoup plus contextuelle.Une publicité automobile pourrait être pertinente dans un contenu qui parle de road trip. Une marque de plein air pourrait trouver son audience dans un article sur le retour à la nature. Une marque de luxe pourrait identifier des contenus dont le sujet explicite n’est pas le luxe, mais dont l’univers, les aspirations et les centres d’intérêt s’en rapprochent fortement.

Autrement dit, la meilleure publicité n’est pas nécessairement celle qui correspond au mot-clé affiché à l’écran. C’est celle qui comprend le contexte dans lequel ce mot-clé prend son sens.

Cette distinction est particulièrement importante à mesure que les environnements médias se diversifient : web, vidéo, CTV, audio, mobile…Lorsque le média devient de plus en plus fragmenté, les anciennes catégories deviennent de moins en moins suffisantes pour comprendre les moments d’attention.

Vers un ciblage plus riche… et potentiellement plus responsable

Il serait toutefois dangereux de présenter le ciblage vectoriel comme une solution magique.

Comme toute technologie d’IA, il dépend de ses modèles, de ses données, de ses objectifs et des garde-fous qui l’entourent. Une représentation plus riche peut produire de meilleures décisions, mais elle peut aussi reproduire des biais ou générer des associations difficiles à interpréter. La question n’est donc pas de remplacer une boîte noire par une boîte noire plus sophistiquée.L’enjeu est de construire des systèmes capables de faire davantage tout en expliquant davantage. C’est peut-être là que se jouera la prochaine bataille de l’adtech

La fin des catégories ?

Les catégories ne vont évidemment pas disparaître du jour au lendemain. Elles restent utiles, simples et facilement compréhensibles. Mais elles pourraient progressivement devenir une couche parmi d’autres, plutôt que le langage principal du ciblage.

L’ère qui s’ouvre est celle d’une publicité capable de raisonner en termes de relations, de proximité et de contexte. Les vector embeddings rendent cette évolution techniquement possible. Les technologies de ciblage doivent désormais relever le défi suivant : transformer cette compréhension mathématique du monde en intelligence marketing exploitable, mesurable et transparente.

C’est finalement une question assez simple qui résume cette transition : Après avoir appris aux machines à reconnaître les mots, sommes-nous enfin en train de leur apprendre à comprendre ce qu’ils veulent dire ? Si la réponse est oui, le ciblage publicitaire pourrait bien être à l’aube de sa prochaine révolution.