	{"id":65530,"date":"2021-12-13T11:26:57","date_gmt":"2021-12-13T11:26:57","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=news&#038;p=65530"},"modified":"2024-09-20T17:45:47","modified_gmt":"2024-09-20T16:45:47","slug":"scoring-customer-propensity-using-machine-learning-models-on-google-analytics-data","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/fr\/blog\/scoring-customer-propensity-using-machine-learning-models-on-google-analytics-data\/","title":{"rendered":"\u00c9valuation de la propension des clients \u00e0 l'aide de mod\u00e8les d'apprentissage automatique sur Google Analytics Data"},"content":{"rendered":"<p><div class=\"fusion-fullwidth fullwidth-box fusion-builder-row-1 fusion-flex-container nonhundred-percent-fullwidth non-hundred-percent-height-scrolling article-author\" style=\"--awb-border-radius-top-left:0px;--awb-border-radius-top-right:0px;--awb-border-radius-bottom-right:0px;--awb-border-radius-bottom-left:0px;--awb-background-color:#ffffff;--awb-flex-wrap:wrap;\" ><div class=\"fusion-builder-row fusion-row fusion-flex-align-items-flex-start fusion-flex-content-wrap\" style=\"max-width:calc( 1440px + 20px );margin-left: calc(-20px \/ 2 );margin-right: calc(-20px \/ 2 );\"><div class=\"fusion-layout-column fusion_builder_column fusion-builder-column-0 fusion_builder_column_1_2 1_2 fusion-flex-column\" style=\"--awb-bg-size:cover;--awb-width-large:50%;--awb-margin-top-large:0px;--awb-spacing-right-large:10px;--awb-margin-bottom-large:0px;--awb-spacing-left-large:10px;--awb-width-medium:50%;--awb-order-medium:0;--awb-spacing-right-medium:10px;--awb-spacing-left-medium:10px;--awb-width-small:100%;--awb-order-small:0;--awb-spacing-right-small:10px;--awb-spacing-left-small:10px;\"><div class=\"fusion-column-wrapper fusion-column-has-shadow fusion-flex-justify-content-flex-start fusion-content-layout-column\"><div class=\"fusion-title title fusion-title-1 fusion-sep-none fusion-title-text fusion-title-size-two\" style=\"--awb-margin-bottom-small:8px;\"><h2 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\" style=\"margin:0;--fontSize:50;line-height:1.2;\">Auteur<\/h2><\/div><img decoding=\"async\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%27150%27%20height%3D%270%27%20viewBox%3D%270%200%20150%200%27%3E%3Crect%20width%3D%27150%27%20height%3D%270%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" data-orig-src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/05\/Antoine-Aubay.jpeg\" alt=\"Image\" class=\"lazyload artefact-elegant-image align-left article-author-image\" style=\"width: 150px; border-radius: 54% 46% 77% 23% \/ 74% 40% 60% 26%; overflow: hidden;\" width=\"150\" height=\"auto\" \/><div class=\"fusion-title title fusion-title-2 fusion-sep-none fusion-title-text fusion-title-size-three article-author-name-title\" style=\"--awb-margin-bottom-small:8px;\"><h3 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\" style=\"margin:0;--fontSize:20;line-height:1.2;\">Antoine Aubay<\/h3><\/div><div class=\"fusion-text fusion-text-1 article-author-description\"><p>Scientifique senior Data \u00e0 Artefact<\/p>\n<\/div><\/div><\/div><\/div><\/div><div class=\"fusion-fullwidth fullwidth-box fusion-builder-row-2 fusion-flex-container nonhundred-percent-fullwidth non-hundred-percent-height-scrolling\" style=\"--awb-border-radius-top-left:0px;--awb-border-radius-top-right:0px;--awb-border-radius-bottom-right:0px;--awb-border-radius-bottom-left:0px;--awb-margin-top:40px;--awb-margin-bottom:40px;--awb-flex-wrap:wrap;\" ><div class=\"fusion-builder-row fusion-row fusion-flex-align-items-center fusion-flex-justify-content-center fusion-flex-content-wrap\" style=\"max-width:calc( 1440px + 20px );margin-left: calc(-20px \/ 2 );margin-right: calc(-20px \/ 2 );\"><div class=\"fusion-layout-column fusion_builder_column fusion-builder-column-1 fusion_builder_column_1_1 1_1 fusion-flex-column fusion-flex-align-self-center fusion-column-inner-bg-wrapper\" style=\"--awb-padding-top:20px;--awb-padding-right:20px;--awb-padding-bottom:20px;--awb-padding-left:20px;--awb-overflow:hidden;--awb-inner-bg-size:cover;--awb-border-color:rgba(10,17,40,0.1);--awb-border-top:1px;--awb-border-right:1px;--awb-border-bottom:1px;--awb-border-left:1px;--awb-border-style:solid;--awb-border-radius:4px 4px 4px 4px;--awb-inner-bg-border-radius:4px 4px 4px 4px;--awb-inner-bg-overflow:hidden;--awb-width-large:100%;--awb-margin-top-large:0px;--awb-spacing-right-large:10px;--awb-margin-bottom-large:0px;--awb-spacing-left-large:10px;--awb-width-medium:100%;--awb-order-medium:0;--awb-spacing-right-medium:10px;--awb-spacing-left-medium:10px;--awb-width-small:100%;--awb-order-small:0;--awb-spacing-right-small:10px;--awb-spacing-left-small:10px;\"><span class=\"fusion-column-inner-bg hover-type-none\"><a class=\"fusion-column-anchor\" href=\"https:\/\/medium.com\/artefact-engineering-and-data-science\/scoring-customer-propensity-using-machine-learning-models-on-google-analytics-data-ba1126469c1f\" rel=\"noopener noreferrer\" target=\"_blank\"><span class=\"fusion-column-inner-bg-image\"><\/span><\/a><\/span><div class=\"fusion-column-wrapper fusion-column-has-shadow fusion-flex-justify-content-center fusion-content-layout-row fusion-flex-align-items-center\"><div class=\"fusion-text fusion-text-2\"><p><u>Lisez notre article sur<\/u><\/p>\n<\/div><div class=\"fusion-image-element\" style=\"--awb-margin-right:20px;--awb-margin-left:20px;--awb-max-width:150px;--awb-caption-title-font-family:var(--h2_typography-font-family);--awb-caption-title-font-weight:var(--h2_typography-font-weight);--awb-caption-title-font-style:var(--h2_typography-font-style);--awb-caption-title-size:var(--h2_typography-font-size);--awb-caption-title-transform:var(--h2_typography-text-transform);--awb-caption-title-line-height:var(--h2_typography-line-height);--awb-caption-title-letter-spacing:var(--h2_typography-letter-spacing);\"><span class=\"fusion-imageframe imageframe-none imageframe-1 hover-type-none\"><img decoding=\"async\" width=\"4000\" height=\"992\" title=\"Moyen Blog\" src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/04\/Medium-Blog.png\" data-orig-src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/04\/Medium-Blog.png\" alt class=\"lazyload img-responsive wp-image-60582\" srcset=\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%274000%27%20height%3D%27992%27%20viewBox%3D%270%200%204000%20992%27%3E%3Crect%20width%3D%274000%27%20height%3D%27992%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" data-srcset=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/04\/Medium-Blog-200x50.png 200w, https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/04\/Medium-Blog-400x99.png 400w, https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/04\/Medium-Blog-600x149.png 600w, https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/04\/Medium-Blog-800x198.png 800w, https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/04\/Medium-Blog-1200x298.png 1200w, https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/04\/Medium-Blog.png 4000w\" data-sizes=\"auto\" data-orig-sizes=\"(max-width: 640px) 100vw, 4000px\" \/><\/span><\/div><div class=\"fusion-text fusion-text-3\"><p>.<\/p>\n<\/div><\/div><\/div><\/div><\/div><div class=\"fusion-fullwidth fullwidth-box fusion-builder-row-3 fusion-flex-container nonhundred-percent-fullwidth non-hundred-percent-height-scrolling\" style=\"--awb-border-radius-top-left:0px;--awb-border-radius-top-right:0px;--awb-border-radius-bottom-right:0px;--awb-border-radius-bottom-left:0px;--awb-flex-wrap:wrap;\" ><div class=\"fusion-builder-row fusion-row fusion-flex-align-items-flex-start fusion-flex-content-wrap\" style=\"max-width:calc( 1440px + 20px );margin-left: calc(-20px \/ 2 );margin-right: calc(-20px \/ 2 );\"><div class=\"fusion-layout-column fusion_builder_column fusion-builder-column-2 fusion_builder_column_1_1 1_1 fusion-flex-column\" style=\"--awb-bg-size:cover;--awb-width-large:100%;--awb-margin-top-large:0px;--awb-spacing-right-large:10px;--awb-margin-bottom-large:0px;--awb-spacing-left-large:10px;--awb-width-medium:100%;--awb-order-medium:0;--awb-spacing-right-medium:10px;--awb-spacing-left-medium:10px;--awb-width-small:100%;--awb-order-small:0;--awb-spacing-right-small:10px;--awb-spacing-left-small:10px;\"><div class=\"fusion-column-wrapper fusion-column-has-shadow fusion-flex-justify-content-flex-start fusion-content-layout-column\"><div class=\"fusion-text fusion-text-4 description\"><p>La mod\u00e9lisation de la propension peut \u00eatre utilis\u00e9e pour augmenter l'impact de votre communication avec les clients et optimiser vos d\u00e9penses publicitaires.<\/p>\n<p>Google Analytics data est une source data bien structur\u00e9e qui peut facilement \u00eatre transform\u00e9e en un ensemble data pr\u00eat pour l'apprentissage automatique.<\/p>\n<p>Les tests r\u00e9trospectifs sur l'historique de data et les mesures techniques peuvent vous donner une premi\u00e8re id\u00e9e de la performance de votre mod\u00e8le, tandis que les tests en direct et les mesures commerciales vous permettront de confirmer l'impact de votre mod\u00e8le.<\/p>\n<p>Notre mod\u00e8le d'apprentissage automatique personnalis\u00e9 a surpass\u00e9 les r\u00e9f\u00e9rences existantes : lors des tests en direct en termes de ROAS (retour sur investissement publicitaire) : +221% par rapport au mod\u00e8le bas\u00e9 sur des r\u00e8gles et +73% par rapport au mod\u00e8le d'apprentissage automatique standard (score de qualit\u00e9 des sessions Google Analytics).<\/p>\n<p>Cet article part du principe que les bases de l'apprentissage automatique et du marketing sont fondamentales.<\/p>\n<\/div><\/div><\/div><\/div><\/div><article class=\"fusion-fullwidth fullwidth-box fusion-builder-row-4 fusion-flex-container nonhundred-percent-fullwidth non-hundred-percent-height-scrolling\" style=\"--awb-border-radius-top-left:0px;--awb-border-radius-top-right:0px;--awb-border-radius-bottom-right:0px;--awb-border-radius-bottom-left:0px;--awb-flex-wrap:wrap;\" ><div class=\"fusion-builder-row fusion-row fusion-flex-align-items-flex-start fusion-flex-justify-content-center fusion-flex-content-wrap\" style=\"max-width:calc( 1440px + 20px );margin-left: calc(-20px \/ 2 );margin-right: calc(-20px \/ 2 );\"><div class=\"fusion-layout-column fusion_builder_column fusion-builder-column-3 fusion_builder_column_1_1 1_1 fusion-flex-column\" style=\"--awb-bg-size:cover;--awb-width-large:100%;--awb-margin-top-large:0px;--awb-spacing-right-large:10px;--awb-margin-bottom-large:0px;--awb-spacing-left-large:10px;--awb-width-medium:100%;--awb-order-medium:0;--awb-spacing-right-medium:10px;--awb-spacing-left-medium:10px;--awb-width-small:100%;--awb-order-small:0;--awb-spacing-right-small:10px;--awb-spacing-left-small:10px;\"><div class=\"fusion-column-wrapper fusion-column-has-shadow fusion-flex-justify-content-flex-start fusion-content-layout-column\"><div class=\"fusion-title title fusion-title-3 fusion-sep-none fusion-title-text fusion-title-size-two\" style=\"--awb-margin-bottom-small:8px;\"><h2 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\" style=\"margin:0;--fontSize:50;line-height:1.2;\">Qu'est-ce que la mod\u00e9lisation de la propension ?<\/h2><\/div><div class=\"fusion-text fusion-text-5\"><p>La mod\u00e9lisation de la propension est\u00a0<strong>estimer la probabilit\u00e9 qu'un client effectue une action donn\u00e9e<\/strong>. Plusieurs actions peuvent \u00eatre utiles \u00e0 l'estimation :<\/p>\n<\/div><ul style=\"--awb-line-height:27.2px;--awb-icon-width:27.2px;--awb-icon-height:27.2px;--awb-icon-margin:11.2px;--awb-content-margin:38.4px;\" class=\"fusion-checklist fusion-checklist-1 fusion-checklist-default type-icons\"><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">Achat d'un produit<\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">Le barattage<\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">D\u00e9sinscription<\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">\n<p>etc ...<\/p>\n<\/div><\/li><\/ul><div class=\"fusion-text fusion-text-6\"><p>Dans cet article, nous nous concentrerons sur l'estimation de la propension \u00e0 acheter un article sur un site web de commerce \u00e9lectronique.<\/p>\n<p>Mais pourquoi estimer la propension \u00e0 l'achat ? Parce qu'elle permet de<strong>adapter la fa\u00e7on dont nous voulons interagir avec un client.<\/strong> Supposons, par exemple, que nous disposions d'un mod\u00e8le de propension tr\u00e8s simple qui classe les clients en \u201cfroids\u201d, \u201cti\u00e8des\u201d et \u201cchauds\u201d pour un produit donn\u00e9 (\u201cchauds\u201d \u00e9tant les clients qui ont le plus de chances d'acheter et \u201cfroids\u201d ceux qui en ont le moins) :<\/p>\n<\/div><img decoding=\"async\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%27619%27%20height%3D%270%27%20viewBox%3D%270%200%20619%200%27%3E%3Crect%20width%3D%27619%27%20height%3D%270%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" data-orig-src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/12\/antoine-aubay-article1.png\" alt=\"Image\" class=\"lazyload artefact-elegant-image align-left hover-enable\" style=\"width: 619px; border-radius: 59% 41% 41% 59% \/ 29% 48% 52% 71%; overflow: hidden;\" width=\"619\" height=\"auto\" \/><div class=\"fusion-text fusion-text-7\"><p>Sur la base de cette classification<strong>vous pouvez avoir une r\u00e9ponse cibl\u00e9e sp\u00e9cifique pour chaque classe<\/strong>. Vous pourriez vouloir adopter une approche marketing diff\u00e9rente selon qu'il s'agit d'un client tr\u00e8s proche de l'achat ou d'un client qui n'a peut-\u00eatre m\u00eame jamais entendu parler de votre produit. De m\u00eame, si vous disposez d'un budget m\u00e9dia limit\u00e9, vous pouvez le concentrer sur les clients qui ont une forte probabilit\u00e9 d'acheter et ne pas trop d\u00e9penser pour ceux qui ont peu de chances d'acheter.<\/p>\n<p>Ce type simple de classification bas\u00e9e sur des r\u00e8gles peut donner de bons r\u00e9sultats et est g\u00e9n\u00e9ralement pr\u00e9f\u00e9rable \u00e0 l'absence de classification, mais il pr\u00e9sente les inconv\u00e9nients suivants <strong>plusieurs limites :<\/strong><\/p>\n<\/div><ul style=\"--awb-line-height:27.2px;--awb-icon-width:27.2px;--awb-icon-height:27.2px;--awb-icon-margin:11.2px;--awb-content-margin:38.4px;\" class=\"fusion-checklist fusion-checklist-2 fusion-checklist-default type-icons paddingList dark-text\"><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">\n<p>Il est probable que\u00a0<strong>ne pas exploiter toutes les data <\/strong>que vous avez \u00e0 votre disposition, qu'il s'agisse d'informations plus pr\u00e9cises sur le parcours du client, de votre site web ou d'autres sources data dont vous disposez, comme le CRM data.<\/p>\n<\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">S'il semble \u00e9vident que les clients class\u00e9s comme \u201cchauds\u201d sont plus susceptibles d'acheter que les clients class\u00e9s comme \u201cfroids\u201d, cette approche ne nous donne pas de chiffres pr\u00e9cis sur les points suivants <strong>la probabilit\u00e9 qu'ils ach\u00e8tent<\/strong>. Les clients \u201cchauds\u201d ont-ils 3% une chance d'acheter ? 5% ? 10% ?<\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">Gr\u00e2ce \u00e0 des r\u00e8gles simples, le nombre de classes que vous pouvez obtenir est limit\u00e9.\u00a0<strong>limite la personnalisation de votre r\u00e9ponse cibl\u00e9e<\/strong>\u00a0peut l'\u00eatre.<\/div><\/li><\/ul><div class=\"fusion-text fusion-text-8\"><p>Pour faire face \u00e0 ces limitations, nous pouvons utiliser une approche plus orient\u00e9e data : utilisez\u00a0<strong>apprentissage automatique <\/strong>sur notre data pour\u00a0<strong>pr\u00e9voir une probabilit\u00e9 d'achat<\/strong>\u00a0pour chaque client.<\/p>\n<\/div><div class=\"fusion-title title fusion-title-4 fusion-sep-none fusion-title-text fusion-title-size-two\" style=\"--awb-margin-bottom-small:8px;\"><h2 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\" style=\"margin:0;--fontSize:50;line-height:1.2;\">Comprendre Google Analytics data<\/h2><\/div><div class=\"fusion-text fusion-text-9\"><p>Google Analytics est un outil\u00a0<strong>service web d'analyse <\/strong>qui suit l'utilisation data et le trafic sur le site web et les applications.<\/p>\n<\/div><img decoding=\"async\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%27587%27%20height%3D%270%27%20viewBox%3D%270%200%20587%200%27%3E%3Crect%20width%3D%27587%27%20height%3D%270%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" data-orig-src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/12\/antoine-aubay-article2.png\" alt=\"Image\" class=\"lazyload artefact-elegant-image align-left hover-enable\" style=\"width: 587px; border-radius: 59% 41% 41% 59% \/ 29% 48% 52% 71%; overflow: hidden;\" width=\"587\" height=\"auto\" \/><div class=\"fusion-text fusion-text-10\"><p><a class=\"bv kv\" href=\"https:\/\/support.google.com\/analytics\/answer\/3416092?hl=en#zippy=%2Cin-this-article\" target=\"_blank\" rel=\"noopener ugc nofollow\">Google Analytics data peut \u00eatre<strong>\u00a0facilement export\u00e9 vers Big Query<\/strong>\u00a0<\/a>(Google Cloud Platform enti\u00e8rement g\u00e9r\u00e9\u00a0<a class=\"bv kv\" href=\"https:\/\/cloud.google.com\/bigquery\/?utm_source=google&amp;utm_medium=cpc&amp;utm_campaign=emea-gb-all-en-dr-skws-all-solutions-trial-b-gcp-1010042&amp;utm_content=text-ad-none-any-DEV_c-CRE_335630920539-ADGP_Hybrid+%7C+SKWS+-+BMM+%7C+Txt+~+Data+Analytics+~+BigQuery%23v1-KWID_43700053279032269-kwd-47616964923-userloc_1006094&amp;utm_term=KW_%2Bbigquery-NET_g-PLAC_&amp;gclid=CjwKCAjwiY6MBhBqEiwARFSCPqzx1ubPaHp-g3MMEY8zES0fgiSrD3RYgcBGjQeNRRcV_EiS10fZ_RoCUgcQAvD_BwE&amp;gclsrc=aw.ds\" target=\"_blank\" rel=\"noopener ugc nofollow\">data service entrep\u00f4t<\/a>) o\u00f9 il est possible d'y acc\u00e9der via une syntaxe de type SQL :<\/p>\n<\/div><img decoding=\"async\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%27598%27%20height%3D%270%27%20viewBox%3D%270%200%20598%200%27%3E%3Crect%20width%3D%27598%27%20height%3D%270%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" data-orig-src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/12\/article-aubay3.png\" alt=\"Image\" class=\"lazyload artefact-elegant-image align-left hover-enable\" style=\"width: 598px; border-radius: 59% 41% 41% 59% \/ 29% 48% 52% 71%; overflow: hidden;\" width=\"598\" height=\"auto\" \/><div class=\"fusion-text fusion-text-11\"><p>Notez que le tableau d'exportation Big Query avec Google Analytics data est un tableau d'exportation de donn\u00e9es. <strong>tableau imbriqu\u00e9 au niveau de la session :<\/strong><\/p>\n<\/div><ul style=\"--awb-line-height:27.2px;--awb-icon-width:27.2px;--awb-icon-height:27.2px;--awb-icon-margin:11.2px;--awb-content-margin:38.4px;\" class=\"fusion-checklist fusion-checklist-3 fusion-checklist-default type-icons\"><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\"><a class=\"bv kv\" href=\"https:\/\/support.google.com\/analytics\/answer\/2731565?hl=en#zippy=%2Cin-this-article\" target=\"_blank\" rel=\"noopener ugc nofollow\">Sessions<\/a>\u00a0sont une liste d'actions effectu\u00e9es par un client sp\u00e9cifique dans un laps de temps donn\u00e9. Elles commencent lorsqu'un client visite une page et se terminent apr\u00e8s 30 minutes d'activit\u00e9.<\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">Chaque client peut avoir plusieurs sessions.<\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">Chaque session peut \u00eatre compos\u00e9e de plusieurs hits (c'est-\u00e0-dire d'\u00e9v\u00e9nements) et chaque hit peut avoir plusieurs attributs ou m\u00e9triques personnalis\u00e9s (c'est pourquoi le tableau est imbriqu\u00e9 ; par exemple, si vous voulez examiner le data au niveau du hit, vous devrez aplatir le tableau).<\/div><\/li><\/ul><img decoding=\"async\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%27619%27%20height%3D%270%27%20viewBox%3D%270%200%20619%200%27%3E%3Crect%20width%3D%27619%27%20height%3D%270%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" data-orig-src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/12\/antoine-aubay-article4.png\" alt=\"Image\" class=\"lazyload artefact-elegant-image align-left hover-enable\" style=\"width: 619px; border-radius: 59% 41% 41% 59% \/ 29% 48% 52% 71%; overflow: hidden;\" width=\"619\" height=\"auto\" \/><div class=\"fusion-text fusion-text-12\"><p>Par exemple, dans cette requ\u00eate, nous recherchons uniquement\u00a0<strong>caract\u00e9ristiques au niveau de la session<\/strong>:<\/p>\n<\/div><img decoding=\"async\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%27564%27%20height%3D%270%27%20viewBox%3D%270%200%20564%200%27%3E%3Crect%20width%3D%27564%27%20height%3D%270%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" data-orig-src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/12\/antoine-aubay-article5.png\" alt=\"Image\" class=\"lazyload artefact-elegant-image align-left hover-enable\" style=\"width: 564px; border-radius: 59% 41% 41% 59% \/ 29% 48% 52% 71%; overflow: hidden;\" width=\"564\" height=\"auto\" \/><img decoding=\"async\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%27686%27%20height%3D%270%27%20viewBox%3D%270%200%20686%200%27%3E%3Crect%20width%3D%27686%27%20height%3D%270%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" data-orig-src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/12\/antoine-aubay-article6.png\" alt=\"Image\" class=\"lazyload artefact-elegant-image align-left hover-enable\" style=\"width: 686px; border-radius: 59% 41% 41% 59% \/ 29% 48% 52% 71%; overflow: hidden;\" width=\"686\" height=\"auto\" \/><div class=\"fusion-text fusion-text-13\"><p>Dans cette requ\u00eate, nous avons utilis\u00e9 une fonction Unnest pour obtenir les m\u00eames informations \u00e0 l'adresse suivante <strong>niveau d'atteinte<\/strong>:<\/p>\n<\/div><img decoding=\"async\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%27686%27%20height%3D%270%27%20viewBox%3D%270%200%20686%200%27%3E%3Crect%20width%3D%27686%27%20height%3D%270%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" data-orig-src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/12\/antoine-aubay-article7.png\" alt=\"Image\" class=\"lazyload artefact-elegant-image align-left hover-enable\" style=\"width: 686px; border-radius: 59% 41% 41% 59% \/ 29% 48% 52% 71%; overflow: hidden;\" width=\"686\" height=\"auto\" \/><img decoding=\"async\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%27686%27%20height%3D%270%27%20viewBox%3D%270%200%20686%200%27%3E%3Crect%20width%3D%27686%27%20height%3D%270%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" data-orig-src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/12\/antoine-aubay-article8.png\" alt=\"Image\" class=\"lazyload artefact-elegant-image align-left hover-enable\" style=\"width: 686px; border-radius: 59% 41% 41% 59% \/ 29% 48% 52% 71%; overflow: hidden;\" width=\"686\" height=\"auto\" \/><div class=\"fusion-text fusion-text-14\"><p>Pour plus d'informations sur le GA data, consultez la page\u00a0<a class=\"bv kv\" href=\"https:\/\/developers.google.com\/analytics\" target=\"_blank\" rel=\"noopener ugc nofollow\">documentation<\/a>. Notez que notre projet a \u00e9t\u00e9 d\u00e9velopp\u00e9 sur GA360, donc si vous utilisez la derni\u00e8re version, GA4, il y aura de l\u00e9g\u00e8res diff\u00e9rences dans le mod\u00e8le data, en particulier le tableau sera au niveau de l'\u00e9v\u00e9nement. Il existe des tableaux d'exemples publics de\u00a0<a class=\"bv kv\" href=\"https:\/\/console.cloud.google.com\/marketplace\/product\/obfuscated-ga360-data\/obfuscated-ga360-data?project=lexical-script-761\" target=\"_blank\" rel=\"noopener ugc nofollow\">GA360<\/a>\u00a0et\u00a0<a class=\"bv kv\" href=\"https:\/\/support.google.com\/analytics\/answer\/10937659?hl=en&amp;ref_topic=9359001#zippy=%2Cin-this-article\" target=\"_blank\" rel=\"noopener ugc nofollow\">GA4<\/a>\u00a0data disponible sur Big Query.<\/p>\n<p>Maintenant que nous avons acc\u00e8s \u00e0 notre source brute data, nous devons proc\u00e9der \u00e0 l'ing\u00e9nierie des caract\u00e9ristiques avant d'introduire notre tableau dans un algorithme d'apprentissage automatique.<\/p>\n<\/div><div class=\"fusion-title title fusion-title-5 fusion-sep-none fusion-title-text fusion-title-size-two\" style=\"--awb-margin-bottom-small:8px;\"><h2 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\" style=\"margin:0;--fontSize:50;line-height:1.2;\">Concevoir les bonnes caract\u00e9ristiques<\/h2><\/div><div class=\"fusion-text fusion-text-15\"><p>L'objectif de l'\u00e9tape d'ing\u00e9nierie des caract\u00e9ristiques est de transformer les donn\u00e9es brutes de Google Analytics data (extraites de Big Query) en une base de donn\u00e9es d'analyse des caract\u00e9ristiques.\u00a0<strong>table pr\u00eate <\/strong>\u00e0 utiliser pour<strong>Apprentissage automatique<\/strong>.<\/p>\n<p>GA data est tr\u00e8s bien structur\u00e9 et ne n\u00e9cessitera qu'un minimum d'\u00e9tapes de nettoyage. Cependant, le tableau contient encore de nombreuses informations, dont beaucoup ne sont pas utiles pour l'apprentissage automatique ou ne peuvent pas \u00eatre utilis\u00e9es telles quelles, c'est pourquoi il est important de s\u00e9lectionner et d'\u00e9laborer les bonnes caract\u00e9ristiques. C'est pourquoi il est important de s\u00e9lectionner et d'\u00e9laborer les bonnes caract\u00e9ristiques. Pour ce faire, nous avons construit des caract\u00e9ristiques qui semblaient \u00eatre les plus corr\u00e9l\u00e9es \u00e0 l'achat d'un produit.<\/p>\n<p>Nous avons \u00e9labor\u00e9 4 types de caract\u00e9ristiques :<\/p>\n<\/div><img decoding=\"async\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%27625%27%20height%3D%270%27%20viewBox%3D%270%200%20625%200%27%3E%3Crect%20width%3D%27625%27%20height%3D%270%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" data-orig-src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/12\/antoine-aubay-article9.png\" alt=\"Image\" class=\"lazyload artefact-elegant-image align-left hover-enable\" style=\"width: 625px; border-radius: 59% 41% 41% 59% \/ 29% 48% 52% 71%; overflow: hidden;\" width=\"625\" height=\"auto\" \/><div class=\"fusion-text fusion-text-16\"><p>Notez que nous calculons toutes ces caract\u00e9ristiques au niveau du client, ce qui signifie que nous agr\u00e9geons des informations provenant de plusieurs sessions pour chaque client (en utilisant le champ fullVisitorId comme cl\u00e9).<\/p>\n<\/div><div class=\"fusion-title title fusion-title-6 fusion-sep-none fusion-title-text fusion-title-size-three\" style=\"--awb-margin-bottom-small:8px;\"><h3 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\" style=\"margin:0;--fontSize:20;line-height:1.2;\">Caract\u00e9ristiques g\u00e9n\u00e9rales<\/h3><\/div><div class=\"fusion-text fusion-text-17\"><p>Les caract\u00e9ristiques globales sont les suivantes\u00a0<strong>caract\u00e9ristiques num\u00e9riques<\/strong>\u00a0qui donnent des informations g\u00e9n\u00e9rales sur la session.<\/p>\n<\/div><img decoding=\"async\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%27524%27%20height%3D%270%27%20viewBox%3D%270%200%20524%200%27%3E%3Crect%20width%3D%27524%27%20height%3D%270%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" data-orig-src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/12\/antoine-aubay-article10.png\" alt=\"Image\" class=\"lazyload artefact-elegant-image align-left hover-enable\" style=\"width: 524px; border-radius: 59% 41% 41% 59% \/ 29% 48% 52% 71%; overflow: hidden;\" width=\"524\" height=\"auto\" \/><div class=\"fusion-text fusion-text-18\"><p>Notez que le taux de rebond est d\u00e9fini comme % de fois o\u00f9 le client n'a visit\u00e9 qu'une seule page web au cours d'une session.<\/p>\n<p>Il \u00e9tait \u00e9galement important d'inclure des informations sur les <strong>la r\u00e9currence des \u00e9v\u00e9nements<\/strong>Le site web de l'entreprise est un outil de gestion de la relation client : par exemple, un client qui vient de visiter votre site web est probablement plus enclin \u00e0 acheter qu'un client qui l'a visit\u00e9 il y a trois mois. Pour plus d'informations sur ce sujet, vous pouvez consulter la th\u00e9orie sur le site suivant\u00a0<a class=\"bv kv\" href=\"https:\/\/en.wikipedia.org\/wiki\/RFM_(market_research)\" target=\"_blank\" rel=\"noopener ugc nofollow\">RFM (r\u00e9cence, fr\u00e9quence, valeur mon\u00e9taire)<\/a>.<\/p>\n<p>Nous avons donc ajout\u00e9 une fonctionnalit\u00e9 <em>R\u00e9cence depuis la derni\u00e8re session = 1 \/ Nombre de jours depuis la derni\u00e8re session <\/em>qui permet de normaliser la valeur entre 0 et 1<\/p>\n<\/div><div class=\"fusion-title title fusion-title-7 fusion-sep-none fusion-title-text fusion-title-size-three\" style=\"--awb-margin-bottom-small:8px;\"><h3 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\" style=\"margin:0;--fontSize:20;line-height:1.2;\">Caract\u00e9ristiques pr\u00e9f\u00e9r\u00e9es<\/h3><\/div><div class=\"fusion-text fusion-text-19\"><p>Nous avons \u00e9galement voulu inclure des informations sur\u00a0<strong>la cl\u00e9 cat\u00e9gorielle data <\/strong>disponibles, tels que <strong>navigateur ou appareil<\/strong>. \u00c9tant donn\u00e9 que ces informations se situent au niveau de la session, il peut y avoir plusieurs valeurs diff\u00e9rentes pour un m\u00eame client. Nous ne retenons donc que celle qui appara\u00eet le plus souvent par client (c'est-\u00e0-dire la pr\u00e9f\u00e9r\u00e9e). De m\u00eame, pour \u00e9viter d'avoir des caract\u00e9ristiques cat\u00e9gorielles avec une cardinalit\u00e9 trop \u00e9lev\u00e9e, nous ne conservons que les 5 valeurs les plus courantes pour chaque caract\u00e9ristique et rempla\u00e7ons toutes les autres valeurs par une valeur \u201cAutre\u201d.<\/p>\n<\/div><img decoding=\"async\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%27589%27%20height%3D%270%27%20viewBox%3D%270%200%20589%200%27%3E%3Crect%20width%3D%27589%27%20height%3D%270%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" data-orig-src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/12\/antoine-aubay-article11.png\" alt=\"Image\" class=\"lazyload artefact-elegant-image align-left hover-enable\" style=\"width: 589px; border-radius: 59% 41% 41% 59% \/ 29% 48% 52% 71%; overflow: hidden;\" width=\"589\" height=\"auto\" \/><div class=\"fusion-title title fusion-title-8 fusion-sep-none fusion-title-text fusion-title-size-three\" style=\"--awb-margin-bottom-small:8px;\"><h3 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\" style=\"margin:0;--fontSize:20;line-height:1.2;\">Caract\u00e9ristiques du produit<\/h3><\/div><div class=\"fusion-text fusion-text-20\"><p>Si les deux premiers types de caract\u00e9ristiques sont certainement utiles pour r\u00e9pondre \u00e0 la question \u201cUn client va-t-il acheter sur mon site web ?\u201d, ils ne sont pas suffisamment pr\u00e9cis pour nous permettre de savoir<strong class=\"hq jr\">\u00a0\u201c<\/strong><strong>Le client va-t-il acheter un produit sp\u00e9cifique ?<\/strong><strong class=\"hq jr\">\u201d<\/strong>. Pour r\u00e9pondre \u00e0 cette question, nous avons cr\u00e9\u00e9 des caract\u00e9ristiques sp\u00e9cifiques au produit qui ne comprennent que le produit pour lequel nous essayons de pr\u00e9dire l'achat :<\/p>\n<\/div><img decoding=\"async\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%27623%27%20height%3D%270%27%20viewBox%3D%270%200%20623%200%27%3E%3Crect%20width%3D%27623%27%20height%3D%270%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" data-orig-src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/12\/antoine-aubay-article12.png\" alt=\"Image\" class=\"lazyload artefact-elegant-image align-left hover-enable\" style=\"width: 623px; border-radius: 59% 41% 41% 59% \/ 29% 48% 52% 71%; overflow: hidden;\" width=\"623\" height=\"auto\" \/><div class=\"fusion-text fusion-text-21\"><p>Pour <em>R\u00e9cence depuis la derni\u00e8re session avec au moins une interaction avec ce produit,\u00a0<\/em>nous utilisons la m\u00eame formule que pour le\u00a0<em>R\u00e9cence de la session<\/em>\u00a0dans les caract\u00e9ristiques g\u00e9n\u00e9rales. Cependant, il peut arriver qu'il n'y ait aucune session avec au moins une interaction avec le produit, auquel cas nous remplissons le champ avec 0. Cela est logique d'un point de vue commercial puisque la valeur la plus \u00e9lev\u00e9e possible est 1 (lorsque le client a eu une session depuis hier).<\/p>\n<\/div><div class=\"fusion-title title fusion-title-9 fusion-sep-none fusion-title-text fusion-title-size-three\" style=\"--awb-margin-bottom-small:8px;\"><h3 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\" style=\"margin:0;--fontSize:20;line-height:1.2;\">Caract\u00e9ristiques similaires du produit<\/h3><\/div><div class=\"fusion-text fusion-text-22\"><p>Outre l'interaction du client avec le produit pour lequel nous essayons de pr\u00e9dire la probabilit\u00e9 d'achat, le fait de savoir que le client a interagi avec<strong>\u00a0d'autres produits ayant une fonction et un prix similaires\u00a0<\/strong>peut certainement \u00eatre utile<strong class=\"hq jr\">\u00a0<\/strong>(c'est-\u00e0-dire un produit de substitution). C'est pourquoi nous avons ajout\u00e9 un ensemble de caract\u00e9ristiques de produits similaires qui sont identiques aux caract\u00e9ristiques de produits, sauf que nous incluons \u00e9galement les produits similaires dans la port\u00e9e de la variable. Les produits similaires pour un produit donn\u00e9 ont \u00e9t\u00e9 d\u00e9finis \u00e0 l'aide de donn\u00e9es commerciales.<\/p>\n<\/div><img decoding=\"async\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%27608%27%20height%3D%270%27%20viewBox%3D%270%200%20608%200%27%3E%3Crect%20width%3D%27608%27%20height%3D%270%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" data-orig-src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/12\/antoine-aubay-article13.png\" alt=\"Image\" class=\"lazyload artefact-elegant-image align-left hover-enable\" style=\"width: 608px; border-radius: 59% 41% 41% 59% \/ 29% 48% 52% 71%; overflow: hidden;\" width=\"608\" height=\"auto\" \/><div class=\"fusion-text fusion-text-23\"><p>Nous avons maintenant notre\u00a0<strong>Caract\u00e9ristiques de l'ensemble dataset<\/strong>\u00a0sur lequel nous pouvons former notre mod\u00e8le d'apprentissage automatique.<\/p>\n<\/div><div class=\"fusion-title title fusion-title-10 fusion-sep-none fusion-title-text fusion-title-size-two\" style=\"--awb-margin-bottom-small:8px;\"><h2 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\" style=\"margin:0;--fontSize:50;line-height:1.2;\">Formation du mod\u00e8le<\/h2><\/div><div class=\"fusion-text fusion-text-24\"><p>Puisque nous voulons savoir si un client va acheter un produit sp\u00e9cifique ou non, il s'agit d'une\u00a0<strong>probl\u00e8me de classification binaire.<\/strong><\/p>\n<p>Pour notre premi\u00e8re it\u00e9ration, nous avons proc\u00e9d\u00e9 comme suit pour cr\u00e9er notre ensemble dataset d'apprentissage automatique (1 ligne par client) :<\/p>\n<\/div><ul style=\"--awb-line-height:27.2px;--awb-icon-width:27.2px;--awb-icon-height:27.2px;--awb-icon-margin:11.2px;--awb-content-margin:38.4px;\" class=\"fusion-checklist fusion-checklist-4 fusion-checklist-default type-icons\"><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">Calculer la <strong>caract\u00e9ristiques utilisant les sessions dans une fen\u00eatre de temps de 3 mois<\/strong>\u00a0pour chaque client.<\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">Calculer la\u00a0<strong>ciblez l'utilisation des sessions dans une fen\u00eatre de temps de 3 semaines<\/strong>\u00a0apr\u00e8s la fen\u00eatre temporelle de la caract\u00e9ristique. S'il y a au moins un achat du produit dans la fen\u00eatre temporelle, la cible est \u00e9gale \u00e0 1 (d\u00e9finie comme la classe 1), sinon la cible est \u00e9gale \u00e0 0 (d\u00e9finie comme la classe 0).<\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">R\u00e9partissez le data entre un ensemble Train et un ensemble Test en utilisant une r\u00e9partition al\u00e9atoire 80 \/ 20.<\/div><\/li><\/ul><img decoding=\"async\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%27608%27%20height%3D%270%27%20viewBox%3D%270%200%20608%200%27%3E%3Crect%20width%3D%27608%27%20height%3D%270%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" data-orig-src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/12\/antoine-aubay-article14.png\" alt=\"Image\" class=\"lazyload artefact-elegant-image align-left hover-enable\" style=\"width: 608px; border-radius: 59% 41% 41% 59% \/ 29% 48% 52% 71%; overflow: hidden;\" width=\"608\" height=\"auto\" \/><div class=\"fusion-text fusion-text-25\"><p>Cependant, une premi\u00e8re exploration data a rapidement montr\u00e9 qu'il existait une<strong>\u00a0probl\u00e8me de fort d\u00e9s\u00e9quilibre entre les classes<\/strong>: Le ratio classe 1 \/ classe 0 \u00e9tait sup\u00e9rieur \u00e0 1:1000 et nous n'avions pas assez de clients de classe 1. Cela peut \u00eatre tr\u00e8s probl\u00e9matique pour les mod\u00e8les d'apprentissage automatique.<\/p>\n<p>Pour faire face \u00e0 ces probl\u00e8mes, nous avons apport\u00e9 plusieurs modifications \u00e0 notre approche :<\/p>\n<\/div><ul style=\"--awb-line-height:27.2px;--awb-icon-width:27.2px;--awb-icon-height:27.2px;--awb-icon-margin:11.2px;--awb-content-margin:38.4px;\" class=\"fusion-checklist fusion-checklist-5 fusion-checklist-default type-icons paddingList dark-text\"><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">Nous <strong>a chang\u00e9 la variable cible<\/strong> de faire une\u00a0<strong>achat<\/strong>\u00a0\u00e0 la r\u00e9alisation d'un\u00a0<strong>ajouter au panier<\/strong>. Notre mod\u00e8le perd donc un peu en termes de signification commerciale, mais l'augmentation du volume de la classe 1 fait plus que compenser.<\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">Nous <strong>a entra\u00een\u00e9 le mod\u00e8le sur plusieurs fen\u00eatres de d\u00e9calage,<\/strong>chacun de 3 mois + 3 semaines, au lieu d'un seul. En plus d'augmenter nos volumes de data, cela am\u00e9liore la capacit\u00e9 de g\u00e9n\u00e9ralisation du mod\u00e8le en s'entra\u00eenant sur diff\u00e9rentes p\u00e9riodes de l'ann\u00e9e o\u00f9 les clients peuvent avoir des comportements d'achat diff\u00e9rents. Notez que, de ce fait, le m\u00eame client sera pr\u00e9sent plusieurs fois dans l'ensemble data (\u00e0 des p\u00e9riodes diff\u00e9rentes). Pour \u00e9viter les fuites de data, nous nous assurons qu'il est toujours pr\u00e9sent soit dans l'ensemble data de formation, soit dans l'ensemble data de test.<\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">Nous <strong>sous-\u00e9chantillonnage de notre classe 0 de sorte que le ratio classe 1 \/ classe 0 est de 1<\/strong>. Le sous-\u00e9chantillonnage est une bonne solution pour traiter le probl\u00e8me du d\u00e9s\u00e9quilibre des classes, par rapport \u00e0 d'autres options telles que le sur\u00e9chantillonnage ou l'\u00e9chantillonnage.\u00a0<a class=\"bv kv\" href=\"https:\/\/machinelearningmastery.com\/smote-oversampling-for-imbalanced-classification\/\" target=\"_blank\" rel=\"noopener ugc nofollow\">SMOTE<\/a>, Les deux premiers changements nous ont permis d'augmenter consid\u00e9rablement le volume de la classe 1.\u00a0<strong>Seul l'ensemble de formation est r\u00e9\u00e9quilibr\u00e9<\/strong>puisque nous voulons que l'ensemble de test ait les m\u00eames ratios de classes que le futur data sur lequel nous le testerons. Notez que nous avons test\u00e9 des ratios plus \u00e9lev\u00e9s, tels que 5 ou 10, mais que 1 s'est av\u00e9r\u00e9 optimal pour l'\u00e9valuation du mod\u00e8le.<\/div><\/li><\/ul><img decoding=\"async\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%27549%27%20height%3D%270%27%20viewBox%3D%270%200%20549%200%27%3E%3Crect%20width%3D%27549%27%20height%3D%270%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" data-orig-src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/12\/antoine-aubay-article.png\" alt=\"Image\" class=\"lazyload artefact-elegant-image align-left hover-enable\" style=\"width: 549px; border-radius: 59% 41% 41% 59% \/ 29% 48% 52% 71%; overflow: hidden;\" width=\"549\" height=\"auto\" \/><div class=\"fusion-text fusion-text-26\"><p>En utilisant ce dataset, nous avons test\u00e9 plusieurs mod\u00e8les de classification : Mod\u00e8le lin\u00e9aire, Random Forest et XGboost, en affinant les hyperparam\u00e8tres \u00e0 l'aide d'une grille de recherche, et nous avons fini par s\u00e9lectionner un mod\u00e8le de classification de type<strong class=\"hq jr\">\u00a0<\/strong><strong><a class=\"bv kv\" href=\"https:\/\/xgboost.readthedocs.io\/en\/stable\/\" target=\"_blank\" rel=\"noopener ugc nofollow\">Mod\u00e8le XGboost<\/a><\/strong><strong class=\"hq jr\">.<\/strong><\/p>\n<\/div><div class=\"fusion-title title fusion-title-11 fusion-sep-none fusion-title-text fusion-title-size-two\" style=\"--awb-margin-bottom-small:8px;\"><h2 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\" style=\"margin:0;--fontSize:50;line-height:1.2;\">\u00c9valuation de notre mod\u00e8le<\/h2><\/div><div class=\"fusion-text fusion-text-27\"><p>Lors de l'\u00e9valuation d'un mod\u00e8le de propension, deux types principaux d'\u00e9valuations peuvent \u00eatre effectu\u00e9s :<\/p>\n<\/div><ul style=\"--awb-line-height:27.2px;--awb-icon-width:27.2px;--awb-icon-height:27.2px;--awb-icon-margin:11.2px;--awb-content-margin:38.4px;\" class=\"fusion-checklist fusion-checklist-6 fusion-checklist-default type-icons paddingList dark-text\"><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\"><strong>\u00c9valuation du backtest<\/strong><\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">\n<p><strong>\u00c9valuation du Livetest<\/strong><\/p>\n<\/div><\/li><\/ul><div class=\"fusion-title title fusion-title-12 fusion-sep-none fusion-title-text fusion-title-size-three\" style=\"--awb-margin-bottom-small:8px;\"><h3 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\" style=\"margin:0;--fontSize:20;line-height:1.2;\">\u00c9valuation du backtest<\/h3><\/div><div class=\"fusion-text fusion-text-28\"><p>Tout d'abord, nous avons effectu\u00e9\u00a0<strong>\u00e9valuation du backtest<\/strong>:<strong class=\"hq jr\">\u00a0<\/strong>nous avons appliqu\u00e9 notre mod\u00e8le \u00e0 <strong>pass\u00e9 historique data<\/strong>\u00a0et v\u00e9rifi\u00e9 que notre mod\u00e8le identifie correctement les clients qui vont effectuer un ajout au panier. Comme nous utilisons un classificateur binaire, le mod\u00e8le produit un score de probabilit\u00e9 entre 0 et 1 d'\u00eatre de la classe 1 (Ajouter au panier).<br \/>\n<a class=\"bv kv\" href=\"https:\/\/en.wikipedia.org\/wiki\/Confusion_matrix\" target=\"_blank\" rel=\"noopener ugc nofollow\">matrice de confusion<\/a><strong class=\"hq jr\">\u00a0<\/strong>et calculez la\u00a0<strong><a class=\"bv kv\" href=\"https:\/\/en.wikipedia.org\/wiki\/Precision_and_recall\" target=\"_blank\" rel=\"noopener ugc nofollow\">pr\u00e9cision \/ rappel<\/a>\u00a0<\/strong>(ou leur forme combin\u00e9e dans le<strong><a class=\"bv kv\" href=\"https:\/\/en.wikipedia.org\/wiki\/F-score\" target=\"_blank\" rel=\"noopener ugc nofollow\">score f1<\/a><\/strong>). Ces mesures simples posent toutefois deux probl\u00e8mes :<\/p>\n<\/div><ul style=\"--awb-line-height:27.2px;--awb-icon-width:27.2px;--awb-icon-height:27.2px;--awb-icon-margin:11.2px;--awb-content-margin:38.4px;\" class=\"fusion-checklist fusion-checklist-7 fusion-checklist-default type-icons paddingList dark-text\"><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">Certains peuvent \u00eatre\u00a0<strong>difficile \u00e0 interpr\u00e9ter<\/strong>\u00a0parce que l'ensemble data est d\u00e9s\u00e9quilibr\u00e9\u00a0<em>(par exemple, la mesure de la pr\u00e9cision sera g\u00e9n\u00e9ralement tr\u00e8s faible parce que nous avons tr\u00e8s peu de classe 1).<\/em><\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">Ils doivent d\u00e9cider d'un\u00a0<strong>seuil de probabilit\u00e9\u00a0<\/strong>de faire la distinction entre\u00a0<strong>Classes 0 et 1<\/strong><\/div><\/li><\/ul><img decoding=\"async\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%27575%27%20height%3D%270%27%20viewBox%3D%270%200%20575%200%27%3E%3Crect%20width%3D%27575%27%20height%3D%270%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" data-orig-src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/12\/antoine-aubay-article2-1.png\" alt=\"Image\" class=\"lazyload artefact-elegant-image align-left hover-enable\" style=\"width: 575px; border-radius: 59% 41% 41% 59% \/ 29% 48% 52% 71%; overflow: hidden;\" width=\"575\" height=\"auto\" \/><div class=\"fusion-text fusion-text-29\"><p>Nous avons donc d\u00e9cid\u00e9 d'utiliser deux mesures qui \u00e9taient plus\u00a0<strong>interpr\u00e9table<\/strong>:<\/p>\n<\/div><ul style=\"--awb-line-height:27.2px;--awb-icon-width:27.2px;--awb-icon-height:27.2px;--awb-icon-margin:11.2px;--awb-content-margin:38.4px;\" class=\"fusion-checklist fusion-checklist-8 fusion-checklist-default type-icons paddingList dark-text\"><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\"><strong>PR AUC : Surface sous la courbe du graphique de la pr\u00e9cision par rapport au rappel<\/strong>(<a href=\"https:\/\/neptune.ai\/blog\/f1-score-accuracy-roc-auc-pr-auc\" target=\"_blank\" rel=\"noopener ugc nofollow\">Voir cette explication pour plus de d\u00e9tails<\/a>). Essentiellement, cette m\u00e9trique nous permet d'obtenir une <strong>\u00e9valuation globale sur tous les seuils possibles.<\/strong>Cette m\u00e9trique est bien adapt\u00e9e aux dataset d\u00e9s\u00e9quilibr\u00e9s o\u00f9 la priorit\u00e9 est de maximiser la pr\u00e9cision et le rappel sur la classe minoritaire : la classe 1 (contrairement \u00e0 sa cousine la ROC AUC).<\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\"><strong>Uplift<\/strong>Pour ce faire, nous classons les clients en fonction de leur score de probabilit\u00e9 et nous divisons nos r\u00e9sultats en 20 ventiles. La remont\u00e9e est d\u00e9finie comme la\u00a0<strong>Taux de la classe 1 dans le top 5% \/ le taux de la classe 1 dans l'ensemble des dataset<\/strong>.\u00a0<em class=\"im\">Par exemple, si nous avons 21 % ajout\u00e9s au panier dans les 5 premiers % de l'ensemble data contre 3 % ajout\u00e9s au panier dans l'ensemble data, nous obtenons une augmentation de 7, ce qui signifie que notre mod\u00e8le est 7 fois plus efficace qu'un mod\u00e8le al\u00e9atoire.<\/em><\/div><\/li><\/ul><div class=\"fusion-text fusion-text-30\"><p>Les r\u00e9sultats de ces mesures ont \u00e9t\u00e9 plut\u00f4t positifs, en particulier,\u00a0<strong>Uplift <\/strong>\u00e9tait aux alentours de\u00a0<strong>13.5.<\/strong><\/p>\n<p>L'\u00e9valuation du backtest est une m\u00e9thode sans risque pour une premi\u00e8re \u00e9valuation d'un mod\u00e8le de propension, mais elle pr\u00e9sente plusieurs limites :<\/p>\n<\/div><ul style=\"--awb-line-height:27.2px;--awb-icon-width:27.2px;--awb-icon-height:27.2px;--awb-icon-margin:11.2px;--awb-content-margin:38.4px;\" class=\"fusion-checklist fusion-checklist-9 fusion-checklist-default type-icons paddingList dark-text\"><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">\u00c9tant donn\u00e9 qu'elle ne porte que sur le pass\u00e9, la sortie du mod\u00e8le n'est pas r\u00e9ellement utilis\u00e9e pour <strong>avoir un impact sur la strat\u00e9gie du budget des m\u00e9dias.<\/strong><\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">\n<p>Avec nos mesures, nous avons seulement \u00e9valu\u00e9 si le mod\u00e8le \u00e9tait capable d'identifier correctement les clients qui feraient un ajout au panier, mais nous n'avons pas \u00e9valu\u00e9 les \u00e9l\u00e9ments suivants <strong>comment l'identification de ces clients pourrait g\u00e9n\u00e9rer une augmentation des ventes.<\/strong><\/p>\n<\/div><\/li><\/ul><div class=\"fusion-title title fusion-title-13 fusion-sep-none fusion-title-text fusion-title-size-three\" style=\"--awb-margin-bottom-small:8px;\"><h3 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\" style=\"margin:0;--fontSize:20;line-height:1.2;\">\u00c9valuation du Livetest<\/h3><\/div><div class=\"fusion-text fusion-text-31\"><p>Pour avoir une meilleure id\u00e9e de la valeur commerciale de notre mod\u00e8le, nous devons donc effectuer les op\u00e9rations suivantes\u00a0<strong>test d'\u00e9valuation en direct. Ici, nous activons notre mod\u00e8le et l'utilisons pour hi\u00e9rarchiser les d\u00e9penses de budget publicitaire :<\/strong><\/p>\n<\/div><img decoding=\"async\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%27554%27%20height%3D%270%27%20viewBox%3D%270%200%20554%200%27%3E%3Crect%20width%3D%27554%27%20height%3D%270%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" data-orig-src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/12\/antoine-aubay-article3.png\" alt=\"Image\" class=\"lazyload artefact-elegant-image align-left hover-enable\" style=\"width: 554px; border-radius: 59% 41% 41% 59% \/ 29% 48% 52% 71%; overflow: hidden;\" width=\"554\" height=\"auto\" \/><div class=\"fusion-text fusion-text-32\"><p>Les r\u00e9sultats que nous avons obtenus lors du test en direct \u00e9taient tr\u00e8s solides :<\/p>\n<\/div><ul style=\"--awb-line-height:27.2px;--awb-icon-width:27.2px;--awb-icon-height:27.2px;--awb-icon-margin:11.2px;--awb-content-margin:38.4px;\" class=\"fusion-checklist fusion-checklist-10 fusion-checklist-default type-icons\"><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">Par rapport \u00e0 un\u00a0<strong>approche bas\u00e9e sur des r\u00e8gles simples<\/strong> pour la propension \u00e0 l'\u00e9valuation,\u00a0<strong>le ROAS de notre mod\u00e8le \u00e9tait de +221 %<\/strong><\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">En outre, nous avons \u00e9galement compar\u00e9 nos performances \u00e0 celles d'un concurrent de taille, \u00e0 savoir<strong>\u00a0Score de qualit\u00e9 des sessions de Google<\/strong>: un score fourni par Google dans Google Analytics dataset, et dans ce cas\u00a0<strong>notre mod\u00e8le \u00e9tait toujours \u00e0 +73 % ROAS.<\/strong> Cela montre comment une approche ML personnalis\u00e9e peut apporter une valeur commerciale consid\u00e9rable.<\/div><\/li><\/ul><div class=\"fusion-title title fusion-title-14 fusion-sep-none fusion-title-text fusion-title-size-two\" style=\"--awb-margin-bottom-small:8px;\"><h2 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\" style=\"margin:0;--fontSize:50;line-height:1.2;\">Conclusion<\/h2><\/div><div class=\"fusion-text fusion-text-33\"><p>En plus d'atteindre de bonnes performances, notre approche pr\u00e9sente l'avantage d'\u00eatre tr\u00e8s g\u00e9n\u00e9rique. Presque\u00a0<strong>aucune des \u00e9tapes de l'ing\u00e9nierie des caract\u00e9ristiques ne doit \u00eatre adapt\u00e9e<\/strong> pour appliquer notre mod\u00e8le \u00e0 un\u00a0<strong>un champ d'application national ou un champ d'application de produit diff\u00e9rent<\/strong>. En fait, apr\u00e8s notre premier succ\u00e8s dans le test en direct, nous avons pu <strong>d\u00e9ployer notre mod\u00e8le dans plusieurs pays et pour plusieurs produits de mani\u00e8re tr\u00e8s efficace.<\/strong><\/p>\n<p>Je vous remercie de votre lecture. Je serais heureux d'entendre vos commentaires sur cette approche. Avez-vous d\u00e9j\u00e0 construit des mod\u00e8les de propension ? Si oui, qu'avez-vous fait diff\u00e9remment ?<\/p>\n<p><em>Merci \u00e0 Bruce Delattre, Rafa\u00eblle Aygalenq et C\u00e9dric Ly.<\/em><\/p>\n<\/div><\/div><\/div><\/div><\/article><div class=\"fusion-fullwidth fullwidth-box fusion-builder-row-5 fusion-flex-container nonhundred-percent-fullwidth non-hundred-percent-height-scrolling\" style=\"--awb-border-radius-top-left:0px;--awb-border-radius-top-right:0px;--awb-border-radius-bottom-right:0px;--awb-border-radius-bottom-left:0px;--awb-margin-top:40px;--awb-margin-bottom:40px;--awb-flex-wrap:wrap;\" ><div class=\"fusion-builder-row fusion-row fusion-flex-align-items-center fusion-flex-justify-content-center fusion-flex-content-wrap\" style=\"max-width:calc( 1440px + 20px );margin-left: calc(-20px \/ 2 );margin-right: calc(-20px \/ 2 );\"><div class=\"fusion-layout-column fusion_builder_column fusion-builder-column-4 fusion_builder_column_1_1 1_1 fusion-flex-column fusion-flex-align-self-center\" style=\"--awb-padding-top:40px;--awb-padding-right:40px;--awb-padding-bottom:40px;--awb-padding-left:40px;--awb-overflow:hidden;--awb-bg-position:left center;--awb-bg-size:cover;--awb-border-color:rgba(10,17,40,0.1);--awb-border-style:solid;--awb-border-radius:4px 4px 4px 4px;--awb-width-large:100%;--awb-margin-top-large:0px;--awb-spacing-right-large:10px;--awb-margin-bottom-large:0px;--awb-spacing-left-large:10px;--awb-width-medium:100%;--awb-order-medium:0;--awb-spacing-right-medium:10px;--awb-spacing-left-medium:10px;--awb-width-small:100%;--awb-order-small:0;--awb-spacing-right-small:10px;--awb-spacing-left-small:10px;\"><div class=\"fusion-column-wrapper lazyload fusion-column-has-shadow fusion-flex-justify-content-center fusion-content-layout-column fusion-column-has-bg-image\" data-bg-url=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/03\/background.jpg\" data-bg=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/03\/background.jpg\"><div class=\"fusion-image-element\" style=\"text-align:center;--awb-margin-right:20px;--awb-margin-left:20px;--awb-max-width:150px;--awb-caption-title-font-family:var(--h2_typography-font-family);--awb-caption-title-font-weight:var(--h2_typography-font-weight);--awb-caption-title-font-style:var(--h2_typography-font-style);--awb-caption-title-size:var(--h2_typography-font-size);--awb-caption-title-transform:var(--h2_typography-text-transform);--awb-caption-title-line-height:var(--h2_typography-line-height);--awb-caption-title-letter-spacing:var(--h2_typography-letter-spacing);\"><span class=\"fusion-imageframe imageframe-none imageframe-2 hover-type-none\"><img decoding=\"async\" width=\"72\" height=\"41\" title=\"moyen\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%2772%27%20height%3D%2741%27%20viewBox%3D%270%200%2072%2041%27%3E%3Crect%20width%3D%2772%27%20height%3D%2741%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" data-orig-src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/03\/medium.png\" alt class=\"lazyload img-responsive wp-image-60927\"\/><\/span><\/div><div class=\"fusion-title title fusion-title-15 fusion-sep-none fusion-title-center fusion-title-text fusion-title-size-three\" style=\"--awb-margin-top:20px;--awb-margin-bottom:0px;--awb-margin-bottom-small:8px;\"><h3 class=\"fusion-title-heading title-heading-center fusion-responsive-typography-calculated\" style=\"margin:0;--fontSize:20;line-height:1.2;\">Moyen Blog par Artefact.<\/h3><\/div><div class=\"fusion-text fusion-text-34\" style=\"--awb-content-alignment:center;\"><p>Cet article a \u00e9t\u00e9 initialement publi\u00e9 sur <strong>Medium.com<\/strong>.<br \/>\nSuivez-nous sur notre Medium Blog !<\/p>\n<\/div><div style=\"text-align:center;\"><a class=\"fusion-button button-flat button-medium button-default fusion-button-default button-1 fusion-button-default-span fusion-button-default-type\" target=\"_blank\" rel=\"noopener noreferrer\" href=\"https:\/\/medium.com\/artefact-engineering-and-data-science\/scoring-customer-propensity-using-machine-learning-models-on-google-analytics-data-ba1126469c1f\"><span class=\"fusion-button-text awb-button__text awb-button__text--default\">Lire notre article<\/span><\/a><\/div><\/div><\/div><\/div><\/div><\/p>","protected":false},"excerpt":{"rendered":"<p>Une plong\u00e9e en profondeur sur la fa\u00e7on dont nous avons construit des mod\u00e8les d'apprentissage automatique personnalis\u00e9s pour estimer la propension des clients \u00e0 acheter un produit \u00e0 l'aide de Google Analytics data.<\/p>","protected":false},"featured_media":68690,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[21939],"blog-language":[2991],"class_list":["post-65530","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-medium","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog\/65530","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/media\/68690"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/media?parent=65530"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog-category?post=65530"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog-language?post=65530"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}