Boots
scoring par machine learning de la propension a utiliser une offre, applique au courrier et a l'app
Le mailing trimestriel personnalise de Boots, ou un modele de machine learning score la propension de chaque porteur d'Advantage Card a utiliser chaque offre, a atteint 23,9% de redemption et +3,2% de depense incrementale contre groupe de controle.
L'essentiel
- Mailing trimestriel personnalise : un modele ML score la propension de chaque membre a chaque offre.
- Base sur l'historique Advantage Card (15 millions d'actifs), production courrier avec Marketreach.
- 23,9% de redemption, +3,2% de depense incrementale vs controle, 18 583 telechargements d'app.
- Preuve B, statut vivant confirme.
Objectif
Augmenter la depense et l'engagement des porteurs de l'Advantage Card en n'envoyant a chaque membre que les offres qu'il a le plus de chances d'utiliser, mesure contre un groupe de controle pour prouver l'incremental.
Le déploiement
Boots exploite la donnee de son programme Advantage Card, qui compte de l'ordre de 15 millions d'utilisateurs actifs. Pour son mailing trimestriel, un modele de machine learning score la probabilite que chaque membre utilise chaque offre potentielle, et ne retient que les plus pertinentes pour le courrier personnalise envoye au foyer. Le dispositif est mesure contre un groupe de controle pour isoler l'effet incremental. Les offres personnalisees ont atteint un taux de redemption moyen de 23,9%, avec 2,4 coupons utilises en magasin par membre en moyenne. Comparee au controle, la population adressee a depense 3,2% de plus. Le mailing a aussi genere 2 745 inscriptions incrementales au club Over 60s et 18 583 telechargements incrementaux de l'application sur quatre envois. En parallele, le dispositif de prix personnalises Price Advantage a fait economiser plus de 12 millions de livres aux clients.
Résultats Preuve B
Etude de cas primee (DMA Awards 2023) documentant un modele de machine learning et une mesure incrementale contre groupe de controle, avec chiffres precis. Corroboree par une source presse etablie (CX Network) sur l'echelle du programme et le dispositif Price Advantage.
Comment ça fonctionne
Architecture documentéeLa stack en détail
- outil Modele de propension a l'offre (maison) Modele de machine learning qui score pour chaque membre la probabilite d'utiliser chaque offre candidate ; l'algorithme exact n'est pas nomme dans les sources.
- infra Programme Advantage Card (donnee first-party) Historique d'achat d'environ 15 millions d'utilisateurs actifs, carburant du scoring et du rattachement de la redemption au membre.
- integrateur Marketreach Partenaire courrier physique : production et envoi du mailing trimestriel personnalise par foyer.
Comment ça tourne, concrètement
Pour les équipes ops-
1Constitution de l'univers d'offres Marketing
Le marketing definit le pool d'offres et de marques candidates pour le trimestre.
-
2Scoring de propension IA
Le modele de machine learning note pour chaque membre la probabilite d'utiliser chaque offre.
-
3Selection et personnalisation du courrier Equipe data et agence
Seules les offres a plus forte probabilite sont retenues et imprimees dans le mailing du foyer.
-
4Envoi et mesure incrementale Marketing et data
Le courrier part, et la population adressee est comparee a un groupe de controle sur redemption et depense.
L'historique d'achat de chaque porteur d'Advantage Card. Sans lui, le modele de propension ne peut pas trier les offres, et le mailing redevient un envoi generique non mesurable en incremental.
Comment vos clients perçoivent ce type d'usage
Études sourcéesLe paradoxe est documente des deux cotes : 71% des consommateurs attendent des interactions personnalisees et 76% sont frustres quand elles manquent (McKinsey, 2021), mais 75% declarent ne pas acheter aupres d'organisations auxquelles ils ne confient pas leurs donnees (Cisco, 2024). La « creepy line » est localisee : messages recus quelques secondes apres une recherche et suivi de localisation sont les pratiques qui mettent le plus mal a l'aise (Periscope by McKinsey, 2019).
Conditions d'acceptation
- La confiance dans le traitement des donnees precede l'achat : 75% ne achetent pas sans elle (Cisco 2024)
- Un cadre legal protecteur rassure : 59% des consommateurs disent que des lois fortes sur la vie privee les rendent plus a l'aise pour partager des informations dans des applications IA (Cisco 2024)
- La personnalisation elle-meme est attendue quand elle est consentie : environ la moitie des consommateurs (US 55%, UK 52%) disent s'inscrire souvent ou parfois a des services personnalises (Periscope by McKinsey 2019)
Lignes rouges
- Le message declenche quelques secondes apres une recherche ou un achat : deuxieme ou troisieme cause de malaise selon les pays (Periscope by McKinsey 2019)
- Le suivi de localisation percu comme de la surveillance : 40% de malaise en Allemagne et au Royaume-Uni (Periscope by McKinsey 2019)
- Le mesusage des donnees personnelles par l'IA, devenu la premiere inquietude des consommateurs, a 53% et en hausse (Qualtrics 2025)
Sources : McKinsey & Company 2021 · Periscope by McKinsey 2019 · Cisco 2024 · Qualtrics 2025
Voir l'acceptation complète : par pays, par usage, par génération
Comment répliquer
Inférence - non sourcéPrérequis data
- historique d'achat des porteurs de carte
- pool d'offres et de marques a arbitrer
- capacite a rattacher la redemption au membre
Prérequis orga
- programme de fidelite avec adresses postales exploitables
- equipe data pour le scoring
- protocole de test avec groupe de controle
Stack possible
- moteur de scoring de propension
- chaine de production courrier personnalise
- CDP ou base client
- app de fidelite
Le plan, étape par étape
- Étape 1Definir l'univers d'offres et de marques du trimestre et extraire l'historique d'achat par membre du programme de fidelite.Livrable : Dataset membre x offre pret pour le scoring.
- Étape 2Entrainer le modele de propension et le valider hors ligne : lift de la selection par score contre une selection aleatoire.Livrable : Modele avec courbe de lift documentee.
- Étape 3Monter la chaine de personnalisation du courrier avec le partenaire print : seules les offres a plus forte probabilite sont imprimees par foyer.Livrable : Maquette de mailing personnalise industrialisable.
- Étape 4Envoyer sur une population test avec un groupe de controle tire au sort avant l'envoi.Livrable : Campagne partie, plan de mesure incremental fige.
- Étape 5Mesurer redemption et depense incrementale contre le controle, puis reentrainer le modele avec les redemptions observees.Livrable : Bilan incremental chiffre et modele mis a jour.
Première étape : Construire un modele de propension a l'offre sur l'historique des porteurs de carte et le tester sur un mailing avec groupe de controle.
Le même pattern, prouvé dans d'autres industries
Meta
recommandation de fil et de video par IA (modeles a grande echelle / LLM)
Netflix
moteur de recommandation de contenu
Nike
offres et acces exclusifs personnalises selon l'engagement et l'historique membre
Sources
- S1 Boots: Personalised Advantage Card Direct Mail Case Study (DMA Awards 2023) Officiel intéressé archive à générer
- S2 Turning loyalty into an advantage at Boots Presse établie archive à générer
Une erreur, une info plus récente, une source ?
Cette fiche vit de sa justesse. Si un chiffre a bougé, si le déploiement a changé, ou si vous avez une source de meilleure qualité, dites-le nous. Toute correction sourcée est vérifiée avant publication.