Target
propension de visite (predicted trip count) pour cadrer et cibler les offres
Le modele TargetRun de Target predit le nombre de visites d'un client Circle avec des Bi-LSTM et alimente le moteur d'offres CORE; un test A/B a montre +78% de redemption chez les clients qui utilisent rarement les offres, +15% de precision et +40% de pouvoir predictif.
L'essentiel
- Prediction de la frequence de visite des clients Circle avec le modele TargetRun.
- Deep learning Bi-LSTM et attention multi-tete, sous TensorFlow, PySpark, Kubeflow.
- Test A/B: +78% de redemption chez les clients qui utilisent rarement les offres.
- Preuve B, statut confirme, TargetRun et moteur CORE en production.
Objectif
Predire combien de fois un client Target Circle va venir dans les prochaines semaines pour lui envoyer les bonnes offres au bon moment, et faire remonter la redemption chez les clients qui utilisent rarement les offres.
Le déploiement
TargetRun est un modele de deep learning construit par l'equipe MarTech Offer Personalization de Target. Il predit la frequence de visite d'un client (Guest) sur un horizon de deux a trois semaines. L'architecture combine des LSTM bidirectionnels et une attention multi-tete sur 52 semaines d'historique client (depenses, activite digitale) resumees en sequences de 26 pas, plus des attributs statiques (engagement, adhesion). La prevision de nombre de visites alimente CORE (Contextual Offer Recommendation Engine), le moteur d'offres de Target base sur un bandit contextuel, qui decide quelles offres un client voit et comment elles sont structurees. CORE a servi des millions d'offres recommandees en 2023.
Résultats Preuve B
Blog d'ingenierie officiel de Target decrivant l'architecture et les resultats d'un test A/B chiffre, corrobore par un second billet officiel sur le moteur CORE. Source primaire mais interne (pas de presse independante), d'ou B.
Comment ça fonctionne
Architecture documentéeLa stack en détail
- llm TargetRun (modele in-house) Modele de deep learning maison : LSTM bidirectionnels plus attention multi-tete sur 52 semaines d'historique resumees en sequences de 26 pas, plus attributs statiques.
- plateforme CORE (Contextual Offer Recommendation Engine) Moteur d'offres maison base sur un bandit contextuel, alimente par la prevision de visites ; des millions d'offres servies en 2023.
- outil TensorFlow Framework d'entrainement du modele sequentiel.
- outil PySpark Preparation distribuee des sequences d'historique client.
- infra Kubeflow Orchestration des pipelines ML (entrainement et scoring recurrents).
Comment ça tourne, concrètement
Pour les équipes ops-
1Construction des sequences equipe data / plateforme
52 semaines de depenses et d'activite digitale par client sont resumees en une sequence de 26 pas, plus des attributs statiques.
-
2Prediction du nombre de visites modele IA (TargetRun)
Le modele LSTM bidirectionnel avec attention predit combien de fois le client va venir dans les prochaines semaines.
-
3Selection des offres modele IA (CORE)
La prevision alimente CORE (bandit contextuel), qui choisit les offres a montrer et leur structure pour maximiser l'engagement.
-
4Diffusion et mesure plateforme / equipe data
Les offres partent dans l'app Circle et par email/push; la reaction (add, redemption) revient en donnee et affine les modeles.
Le nombre de visites predit par client. Si l'historique digital et transactionnel d'un client est trop pauvre, la prevision est bruyante; les attributs statiques (engagement, adhesion) servent d'ancrage.
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
- historique d'achat et d'activite digitale par client rattache a un ID unique
- programme de fidelite avec offres et opt-in
- signaux d'engagement (add, redemption)
Prérequis orga
- equipe data science capable de tenir un modele sequentiel
- moteur de decision d'offres (bandit ou reco) en aval
Stack possible
- custom (TensorFlow / PySpark / Kubeflow)
- plateformes de decisioning (Braze, Salesforce, Adobe) avec prediction de frequence
Le plan, étape par étape
- Étape 1Cadrer la data : rattacher 52 semaines d'historique d'achat et d'activite digitale a un ID client unique et construire les sequences.Livrable : Dataset sequentiel propre avec attributs statiques (engagement, adhesion).
- Étape 2Entrainer une baseline simple puis le modele sequentiel (LSTM/Bi-LSTM) de prediction du nombre de visites.Livrable : Modele battant la baseline sur precision et sur-prediction, valide hors echantillon.
- Étape 3Brancher la prevision de visites sur le moteur d'offres (bandit contextuel ou regles) pour cadrer ciblage et timing.Livrable : Ciblage et timing des offres pilotes par la propension, en pre-production.
- Étape 4Lancer un test A/B sur la redemption, en isolant le segment des clients qui utilisent rarement les offres.Livrable : Lecture du lift par segment et decision de generalisation.
Première étape : Predire une frequence de visite (trip count) par client sur 2-3 semaines, puis brancher cette prevision sur le ciblage et le timing des offres du programme de fidelite.
Le même pattern, prouvé dans d'autres industries
Every Man Jack
timing predictif de reachat (predicted next order date)
Maersk
monitoring predictif de cargo refrigere (visibilite client)
T-Mobile US
Plateforme de decisioning pilotee par l'intention : un moteur lit l'intention et le sentiment client en temps reel, decide de l'action suivante et peut l'executer, au-dela d'un simple chatbot
Sources
- S1 TargetRun: AI-Powered Trip Prediction for Delivering Timely Offers Primaire archive à générer
- S2 Contextual Offer Recommendations Engine at Target Primaire 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.