Rakuten
prediction d'acheteurs futurs pour le ciblage publicitaire
En 2025, le service publicitaire Future Purchase Prediction de Rakuten predit les acheteurs futurs a partir des donnees de plus de 70 services de son ecosysteme et reduit en moyenne de 50% le cout d'acquisition client des annonceurs.
L'essentiel
- Prediction d'acheteurs futurs par IA pour le ciblage publicitaire.
- Modele predictif proprietaire nourri par les donnees de plus de 70 services Rakuten.
- Cout d'acquisition client reduit de 50% en moyenne sur les cas cites.
- Preuve B, statut confirme dans la communication Rakuten d'octobre 2025.
Objectif
Trouver des acheteurs que le ciblage publicitaire classique rate, en predisant qui va acheter avant qu'il ne le montre, et faire baisser le cout d'acquisition des annonceurs qui achetent de l'espace chez Rakuten.
Le déploiement
Future Purchase Prediction est un service publicitaire de Rakuten qui utilise l'IA pour prevoir quels utilisateurs vont acheter. Il s'appuie sur les donnees croisees de plus de 70 services de l'ecosysteme Rakuten (marketplace Ichiba, mobile, banque, voyage, contenu) plus les donnees des annonceurs. L'IA identifie une demande que les cibleurs humains ne voient pas et va chercher des clients potentiels manques par les campagnes de ciblage conventionnelles. Rakuten met en avant des cas concrets, dont un fabricant de logements et un fabricant de boissons, avec en moyenne une reduction de moitie du cout d'acquisition client.
Résultats Preuve B
Chiffre publie par Rakuten dans sa propre communication d'innovation (source officielle interessee, T2) et repris par une presse specialisee etablie (PYMNTS, T4). Le gain de CPA de 50% est une moyenne communiquee par Rakuten a partir de cas clients, pas un resultat audite par un tiers, ce qui place a B.
Comment ça fonctionne
Approche-type inféréeLe détail interne n'est pas public. Voici une approche éprouvée qui mène au même résultat - à adapter à votre stack.
La stack en détail
- plateforme Future Purchase Prediction Service publicitaire de Rakuten qui predit les acheteurs futurs et les cible pour les annonceurs.
- outil Modele predictif proprietaire Rakuten Machine learning sur donnees comportementales croisees avec les donnees des annonceurs ; l'architecture exacte du modele n'est pas publique.
- infra Ecosysteme de donnees Rakuten Donnees de plus de 70 services (marketplace Ichiba, mobile, banque, voyage, contenu) sous un identifiant unique.
- plateforme Regie publicitaire Rakuten Diffusion des annonces aux profils predits sur le reseau Rakuten.
Comment ça tourne, concrètement
Pour les équipes ops-
1Definition de la campagne client
L'annonceur precise le produit, la cible et l'objectif de cout d'acquisition.
-
2Prediction des acheteurs IA
Le modele croise les donnees de l'ecosysteme Rakuten et de l'annonceur pour scorer les futurs acheteurs.
-
3Diffusion ciblee IA / regie
La regie sert les annonces aux profils predits, y compris ceux manques par le ciblage classique.
-
4Mesure et ajustement equipe data
L'equipe suit le CPA reel contre l'objectif et ajuste le perimetre de ciblage.
Les signaux d'achat croises sur les plus de 70 services Rakuten. Si l'utilisateur n'est pas dans l'ecosysteme ou refuse le croisement de donnees, le modele perd son avantage.
Comment vos clients perçoivent ce type d'usage
Études sourcéesC'est la famille la moins acceptee : 68% des Americains jugent inacceptable un score financier personnel calcule par algorithme et 67% l'analyse video automatisee d'entretiens d'embauche (Pew Research, 2018). La demande d'explication et de recours est massive : 83% veulent savoir quelles donnees l'IA utilise et 91% veulent pouvoir corriger des donnees erronees (Consumer Reports, 2024). A l'echelle mondiale, seuls 46% se disent prets a faire confiance aux systemes d'IA et 70% jugent une regulation necessaire (KPMG / Universite de Melbourne, 2025).
Conditions d'acceptation
- Transparence sur les donnees utilisees : 83% des Americains la reclament (Consumer Reports 2024)
- Droit de correction des donnees erronees : 91% le demandent (Consumer Reports 2024)
- Explication de la logique de decision : 44% des consommateurs sont plus enclins a utiliser un agent IA si sa logique est clairement expliquee (Salesforce 2024)
- L'acceptabilite depend du contexte de la decision : 50% des Americains jugent equitable un score de risque criminel pour la liberation conditionnelle, contre 32% pour un score financier applique aux consommateurs (Pew Research 2018)
Lignes rouges
- La decision opaque et sans recours sur l'emploi, le credit ou le logement : 45% tres mal a l'aise pour l'embauche, 39% pour le pret, 39% pour le logement (Consumer Reports 2024)
- Le scoring des personnes a partir de donnees comportementales : 68% le jugent inacceptable pour les offres financieres (Pew Research 2018)
Sources : Pew Research Center 2018 · Consumer Reports 2024 · KPMG / Universite de Melbourne 2025 · Salesforce 2024
Voir l'acceptation complète : par pays, par usage, par génération
Comment répliquer
Inférence - non sourcéPrérequis data
- Signaux comportementaux et d'achat a large couverture
- Identifiant client unifie entre services
- Donnees de conversion des annonceurs pour l'entrainement
Prérequis orga
- Base legale RGPD pour le croisement de donnees cross-services
- Regie ou plateforme d'activation publicitaire
- Boucle de mesure CPA par campagne
Stack possible
- Modele predictif sur donnees first-party
- CDP unifiant les identifiants
- Plateforme d'activation publicitaire
Le plan, étape par étape
- Étape 1Auditer la donnee : identifiant client unifie, volume de conversions exploitable, base legale du croisement (RGPD en UE).Livrable : Cartographie data et avis de conformite.
- Étape 2Consolider les signaux comportementaux et d'achat dans une CDP ou un feature store sous identifiant unique.Livrable : Profils unifies actives pour l'entrainement.
- Étape 3Entrainer un modele de prediction d'achat et le backtester sur l'historique de conversions.Livrable : Modele de scoring avec lift mesure hors ligne.
- Étape 4Activer un pilote publicitaire sur les profils predits, avec un objectif de CPA et une cellule de ciblage classique en comparaison.Livrable : Campagne test vs ciblage conventionnel.
- Étape 5Lire le CPA reel contre l'objectif, ajuster le perimetre de ciblage et industrialiser le scoring par campagne.Livrable : Comparatif CPA documente et process de scoring reproductible.
Première étape : Verifier qu'on dispose d'un identifiant client unifie et d'un volume de conversions suffisant pour entrainer un modele de prediction d'achat.
Le même pattern, prouvé dans d'autres industries
Bayer Consumer Health
prevision de la demande par machine learning sur tendances de recherche pour piloter le media
Kellanova
scoring predictif de l'efficacite creative avant diffusion
Rovio
prediction de LTV pour piloter l'acquisition (pLTV)
Sources
- S1 Rakuten's Ad Business Utilizes AI to Identify Future Buyers Officiel intéressé archive à générer
- S2 Rakuten Puts 'Brain Twin' AI at Center of Retail Ecosystem 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.