Kayo Sports
AI decisioning 1:1 (message, creative, canal, timing, frequence, promo par individu)
Kayo Sports a fait passer ses abonnements de +14% en FY24 et son cross-sell de +105% avec un moteur d'AI decisioning 1:1 sur Braze, portant de 300 a 1,2 million le nombre d'actions personnalisees possibles par client.
L'essentiel
- AI decisioning 1:1 choisit message, creative, canal, timing et promo par abonne.
- Sur Braze et BrazeAI Decisioning Studio, dix modeles de reinforcement learning.
- +14% d'abonnements en FY24, +105% de cross-sell.
- Actions par client de 300 a 1,2 million, preuve B confirmee.
Objectif
Augmenter les abonnements et reduire le churn d'un service de streaming sportif en orchestrant une relation 1:1 a l'echelle plutot que des campagnes a regles fixes.
Le déploiement
Kayo Sports, plus gros service australien de streaming sportif, a construit son Customer Cortex sur Braze et BrazeAI Decisioning Studio. Dix modeles de reinforcement learning entraines sur ses donnees first et third-party analysent chaque abonne, et le decisioning choisit pour lui le message, la creative, le canal, le timing, la frequence et la promotion. L'orchestration passe par Canvas sur email, push, in-app et SMS. Le nombre d'actions possibles par client est passe de 300 a 1,2 million.
Résultats Preuve B
Customer story Braze chiffree et citee nommement, corroboree par la presse martech australienne Mi3 (specialisee, T4). Concordant mais sans presse generaliste majeure, d'ou B.
Comment ça fonctionne
Architecture documentéeLa stack en détail
- plateforme Braze plateforme d'engagement client qui porte les profils, les canaux et l'orchestration
- outil BrazeAI Decisioning Studio moteur de decisioning next-best-action : choix du message, de la creative, du canal, du timing, de la frequence et de la promo par abonne
- outil Braze Canvas orchestration multicanale des parcours sur email, push, in-app et SMS
- llm Dix modeles de reinforcement learning (Customer Cortex) modeles maison entraines sur les donnees first et third-party de Kayo, qui transforment le comportement en signaux pour le decisioning
Comment ça tourne, concrètement
Pour les équipes ops-
1Unification des donnees Equipe data
Les donnees first et third-party (visionnage, abonnements) alimentent le Customer Cortex.
-
2Modelisation Equipe data / IA
Dix modeles de reinforcement learning transforment ces donnees en signaux exploitables.
-
3Decision de la prochaine action IA (BrazeAI Decisioning Studio)
Decisioning Studio choisit message, creative, canal, timing, frequence et promo pour chaque abonne.
-
4Orchestration et boucle IA / equipe CRM
Canvas diffuse sur email, push, in-app et SMS ; la reaction du client nourrit le prochain choix.
Le comportement d'engagement et de visionnage par abonne. Le reinforcement learning apprend de la reaction a chaque message ; sans ce retour, le systeme retombe sur des regles generiques.
Comment vos clients perçoivent ce type d'usage
Études sourcéesLe pricing algorithmique est le terrain le plus inflammable : 68% des consommateurs disent se sentir leses quand les marques utilisent le pricing dynamique et 80% jugent plus dignes de confiance les marques aux prix constants (Gartner, 2024). L'equite percue varie selon le secteur : le pricing dynamique n'est juge juste que par 33% a 40% des repondants selon qu'il s'agit de concerts ou de cinemas (YouGov, 17 marches). Le prix personnalise par les donnees individuelles est le plus rejete : 47% des Americains s'y opposent fermement (Consumer Reports, 2024).
Conditions d'acceptation
- La constance des prix comme signal de confiance : 80% jugent plus fiables les marques aux prix stables (Gartner 2024)
- Le secteur conditionne l'equite percue : le pricing dynamique est mieux tolere pour les cinemas (40% le jugent juste) que pour les concerts (33%) (YouGov 2024)
Lignes rouges
- Le pricing dynamique percu comme abus : 68% se sentent leses (Gartner 2024)
- Le prix individualise a partir des donnees personnelles : 47% d'opposition ferme (Consumer Reports 2024)
- Les frais caches et hausses imprevues, vecus par 79% des consommateurs sur un an et associes a la perte de confiance (Gartner 2024)
Sources : Gartner 2024 · YouGov 2024 · Consumer Reports 2024
Voir l'acceptation complète : par pays, par usage, par génération
Comment répliquer
Inférence - non sourcéPrérequis data
- donnees d'engagement et de consommation par abonne, unifiees
- volume d'interactions suffisant pour entrainer du reinforcement learning
- consentement multicanal
Prérequis orga
- equipe data capable de construire et maintenir des modeles RL
- equipe CRM qui fixe objectifs et garde-fous
- modele d'abonnement avec churn a piloter
Stack possible
- Braze + BrazeAI Decisioning Studio
- toute plateforme d'engagement avec moteur de decisioning next-best-action
Le plan, étape par étape
- Étape 1Unifier les donnees d'engagement et de consommation par abonne dans la plateformeLivrable : Profil client unifie alimente en continu
- Étape 2Definir la metrique que le decisioning optimise (retention, cross-sell) et les garde-fous (pression commerciale max)Livrable : Objectifs et contraintes du decisioning documentes
- Étape 3Activer le decisioning sur un cycle de vie pilote (ex. onboarding ou reactivation) avec groupe temoinLivrable : Premier programme next-best-action en production, mesure vs temoin
- Étape 4Elargir l'espace d'actions : canaux, promotions, frequences, creativesLivrable : Catalogue d'actions etendu + mesures incrementales par vague
- Étape 5Ajouter des modeles predictifs maison (churn, propension) en amont du decisioningLivrable : Scores proprietaires branches sur le moteur de decision
Première étape : Unifier les donnees d'engagement par abonne et definir la metrique que le decisioning doit optimiser (retention, cross-sell) avant d'ouvrir l'espace d'actions.
Le même pattern, prouvé dans d'autres industries
Sources
- S1 Kayo Sports leverages AI to create 1:1 messaging at scale (Braze) Officiel intéressé archive à générer
- S2 Kayo customer and revenue chief says AI-decisioning switch has crushed churn (Mi3) Secondaire 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.