Almeta ML

Qu’est-ce que Almeta ML ?

Almeta ML est une plateforme de prédiction du comportement des clients destinée aux commerces en ligne, aux solutions SaaS, aux sites de contenu et aux équipes marketing. Elle calcule en temps réel la propension à l’achat, le risque de perte, les recommandations, la valeur client et le meilleur moment pour entrer en contact, en se basant sur les actions des utilisateurs sur le site telles que la navigation, les clics, les ajouts au panier, les achats, etc.

L’objectif de la plateforme n’est pas de générer du texte marketing, mais de transformer les prédictions de l’apprentissage automatique en indicateurs pouvant être utilisés pour le public cible de la publicité, l’envoi d’e-mails, la personnalisation des pages et le suivi des ventes. Les utilisateurs peuvent importer des événements via des balises Web légères, des API ou des intégrations, et envoyer les résultats des calculs vers le système cible.

Fonctionnalités clés

• Prédire la probabilité que l’utilisateur effectue une action spécifique.
• Identifier les clients qui pourraient acheter ou nous quitter.
• Générer des recommandations de produits et de services personnalisés.
• Prédire les revenus, les bénéfices et la valeur à vie du client.
• Calculer le meilleur moment pour envoyer un message à chaque client.
• Évaluer et classer les leads en temps réel.
• Synchroniser les résultats de prédiction avec les plateformes publicitaires et de messagerie.
• Exécuter les calculs du modèle sur un serveur ou dans un navigateur.
• Étendre les processus via des API, des Webhook et des événements front-end.

Prédiction de la propension à l’achat

Les modèles de tendance d’achat analysent la session en cours, les comportements historiques et les schémas de comportement d’autres clients, afin de déterminer la probabilité qu’un utilisateur effectue un achat. Les marketeurs peuvent ainsi distinguer les personnes à forte intention d’achat, celles qui ont besoin d’une incitation, et celles pour lesquelles il n’est pas utile pour l’instant d’augmenter les enchères.

Tendance des actions personnalisées

• Prédire si l’utilisateur effectuera l’achat.
• Prédire si l’abonnement par e-mail sera annulé.
• Décider si l’on regardera plus de la moitié des vidéos.
• Prédire si le cours en ligne pourra être achevé.
• Décider si l’on va lire un article jusqu’au bout.
• Prédire si l’utilisateur est sur le point de fermer la page.
• Créer des modèles de préférences autour d’événements métier personnalisés.

Prédiction de la perte

La plateforme peut identifier les clients qui pourraient cesser d’acheter, annuler leur abonnement ou réduire leur activité, afin de déclencher des actions de récupération. La définition de la perte doit être en adéquation avec le cycle commercial ; sinon, le modèle pourrait mal identifier des clients normaux ayant une fréquence d’achat faible comme étant à risque.

Recommandations de produits

Almeta ML génère des recommandations en temps réel à partir de données telles que les visites, les recherches, le panier d’achat, les stocks, les prix, les lieux, les marges bénéficiaires et les promotions. Il peut être utilisé pour des produits similaires, la vente croisée, les ajouts intelligents et l’offre suivante la plus avantageuse.

• Recommander des produits pertinents en fonction de l’historique de navigation.
• Générer des suggestions de combinaisons en fonction du contenu du panier d’achat.
• Filtrer les résultats selon les stocks et les lieux de livraison.
• Intégrer le taux de marge dans le classement des recommandations.
• Ajuster les recommandations en temps réel en fonction de la session actuelle.
• Choisir la meilleure offre suivante en fonction des différents utilisateurs.
• Mettre à jour les résultats après une modification du prix ou des stocks.

Prévisions de revenus, de bénéfices et de LTV

La plateforme permet de prédire les revenus, les profits et la valeur à vie que les clients pourraient générer, afin d’identifier les groupes à haute valeur et d’optimiser le budget de acquisition. Les valeurs prédictives dépendent d’une période historique, des retours, des remises, des coûts et des hypothèses de rétention, et ne peuvent pas être directement équivalentes aux revenus réalisés.

Optimisation du moment d’envoi

L’optimisation du moment d’envoi calcule pour chaque client l’heure à laquelle le message a le plus de chances d’être ouvert, et peut être utilisée pour les e-mails, les notifications et autres canaux de communication. L’équipe doit définir des plafonds de fréquence, des fuseaux horaires et des périodes de calme, afin d’éviter d’optimiser uniquement le taux d’ouverture tout en augmentant les perturbations et les désinscriptions.

Évaluation des indices

Almeta ML peut évaluer dynamiquement les chances de conversion des leads en fonction de l’interaction, des caractéristiques démographiques et du comportement historique, permettant aux commerciaux de se concentrer en priorité sur les prospects à fort potentiel. Les scores du modèle doivent être combinés aux retours des commerciaux afin d’éviter de négliger sur le long terme de nouveaux segments de clients peu documentés mais réellement intéressants.

Public cible de la publicité

Les utilisateurs peuvent créer des publicités ciblées en fonction des tendances d’achat, du risque de perte, de l’intérêt pour les produits ou de la valeur prédictive, puis les envoyer sur des plateformes telles que Google, Meta, Bing, TikTok, etc. Avant la synchronisation du public, il convient de vérifier les politiques de la plateforme publicitaire, le consentement de l’utilisateur et les réglementations locales en matière de confidentialité.

• Augmenter la priorité du remarketing pour les utilisateurs à forte intention d’achat.
• Exclure le trafic déjà acheté ou à faible valeur.
• Créer des segments de public en fonction des intérêts pour différents produits.
• Créer des publicités de récupération ciblées pour les clients à risque de désertion.
• Ajuster le budget publicitaire en fonction de la valeur prévue.
• Utiliser les résultats du modèle comme étiquettes ou variables personnalisées.

Marketing par e-mail

Les indicateurs de prédiction peuvent être utilisés pour sélectionner le public cible, le contenu du produit, les offres et le moment d’envoi. La plateforme peut transmettre les résultats aux prestataires de services d’e-mail par des connexions intégrées ou en exportant des listes, mais l’envoi des e-mails, la gestion des modèles et l’annulation des abonnements restent sous la responsabilité des systèmes correspondants.

Personnalisation de la page

Le site peut ajuster les produits, les offres, l’ordre du contenu ou les résultats de recherche après avoir reçu des prédictions en temps réel. Les règles de personnalisation doivent définir une expérience par défaut ainsi qu’un mode de fallback en cas de délai, afin d’éviter que des pannes du modèle ou du réseau ne provoquent des pages vides.

Prochaine meilleure action

L’équipe peut combiner les résultats de plusieurs modèles pour déterminer la prochaine meilleure action ou l’offre la plus avantageuse, par exemple en proposant la livraison gratuite aux utilisateurs à forte intention d’achat, ou en apportant une aide aux clients à risque de perte. La stratégie d’offres doit également prendre en compte le marge brute, les stocks et l’équité, sans se limiter uniquement à des conversions à court terme.

Données d’événement

Les événements constituent la base sur laquelle la plateforme entraîne les modèles et calcule les prédictions ; chaque événement représente une action de l’utilisateur sur le site. Les événements courants incluent la consultation de contenu, la visualisation de produits, l’ajout au panier, le début du processus de paiement, l’achat, l’ajout à favoris et la soumission de commentaires.

Web Tag

Almeta ML propose une balise Web légère à chargement asynchrone, d’environ 3 KB une fois compressée, qui peut être installée à l’aide d’outils tels que Google Tag Manager. Elle est utilisée pour collecter des événements spécifiques, obtenir des prédictions et déclencher des appels de retour ou des événements JavaScript dans le navigateur.

Calcul sur serveur et navigateur

Le modèle peut être calculé du côté serveur ou exécuter directement des prédictions spécifiques dans le navigateur. Le calcul dans le navigateur convient pour répondre immédiatement à des actions à faible latence, comme quitter une page, tandis que le mode serveur est plus adapté à une gestion centralisée et à une utilisation multi-canaux.

API et Webhook

La plateforme fournit une API pour importer des événements et obtenir des résultats, l’authentification s’effectue à l’aide d’un Bearer Token. Webhook, Lambda et Cloudflare Workers permettent d’intégrer les prédictions dans des systèmes personnalisés ou des workflows sans serveur.

• Télécharger les données de comportement via l’API Events.
• Déclencher le calcul du modèle depuis l’arrière-plan.
• Recevoir et rediriger les résultats via un Webhook.
• Utiliser Lambda pour exécuter une logique de traitement personnalisée.
• Étendre les processus au bord avec Cloudflare Workers.
• Écrire les prédictions dans le CDP, le CRM ou le système de e-commerce.

Objectifs de données et intégration

Les résultats des prédictions peuvent être envoyés vers des plateformes publicitaires, des services de messagerie, des systèmes de e-commerce, des CDP et des applications personnalisées. Les connexions intégrées et les champs pris en charge varient ; il convient de vérifier avant la mise en œuvre la synchronisation bidirectionnelle, les délais, les tentatives de réessai en cas d’échec et la logique de suppression.

Traitement en temps réel

Lorsque l’événement arrive, Almeta ML peut mettre à jour en temps réel les caractéristiques du client et calculer des prédictions, permettant ainsi de modifier instantanément les pages ou les offres de la session en cours. En période de forte affluence, il convient de tester le débit, les délais et les temps d’attente, afin d’éviter que les prédictions ne bloquent le processus d’achat principal.

Précision du modèle

Selon les explications officielles, la qualité des prédictions dépend de la quantité et de la qualité des données d’entrée ; en général, des résultats utiles sur les tendances d’achat peuvent être obtenus après avoir collecté plusieurs milliers d’événements clés. Toute valeur de précision doit être évaluée sur la base d’un ensemble de test indépendant, d’une fenêtre temporelle et des coûts commerciaux.

Démarrage en froid

Lorsqu’un nouveau site ou un nouveau produit ne dispose pas d’assez d’historique d’activités, le modèle fait face à un démarrage difficile. L’équipe peut d’abord suivre les événements clés tels que les visites, les consultations de produits, les ajouts au panier, les paiements et les achats, puis activer progressivement des modèles plus détaillés à mesure que les données augmentent.

À qui s’adresse-t-il

• Équipes e-commerce souhaitant améliorer le ROAS publicitaire.
• Magasin en ligne nécessitant des recommandations de produits en temps réel.
• Les entreprises SaaS qui souhaitent identifier à l’avance les risques de perte.
• Équipes de vente et de marketing nécessitant une évaluation dynamique des indices.
• Les opérateurs qui souhaitent optimiser l’heure d’envoi des e-mails.
• Équipes de développement disposant de données d’événements et ayant besoin de capacités d’ML à faible code.
• Les entreprises qui doivent réécrire les prédictions dans le CDP ou le système publicitaire.

Scénarios d'utilisation typiques

• Prédire la probabilité d’achat du visiteur lors de cette session.
• Générer des recommandations de vente croisée pour le panier d’achat.
• Afficher un message approprié lorsque l’utilisateur s’apprête à partir.
• Identifier le risque de perte des clients abonnés.
• Choisir l’heure d’envoi des e-mails pour différents clients.
• Ajuster le budget de rémarketing en fonction de la valeur prédictive.
• Créer des publicités ciblées en fonction des intérêts produits.
• Laissez les commerciaux contacter en priorité les leads à forte conversion.

Quand cela ne convient pas vraiment

• Les entreprises qui n’ont pas de données d’événements de site ou de comportement des clients.
• Seul le groupe de contenu chargé de créer les textes publicitaires est nécessaire.
• Sites dont le trafic mensuel est très faible et qui ne peuvent pas accumuler suffisamment d’événements.
• Scénarios de suivi pour lesquels il est impossible d’obtenir le consentement nécessaire des utilisateurs.
• Les entreprises qui comptent entièrement sur les modèles pour décider automatiquement du traitement des clients.
• Développeurs exigeant que la plateforme centrale soit entièrement open source.
• Petites boutiques qui n’ont besoin que de règles de recommandation statiques simples.

Commencer à utiliser le tutoriel

1. Créez un compte et commencez une période d’essai gratuite de 14 jours.
2. Énumérez les objectifs commerciaux tels que l’achat, la perte ou l’interaction.
3. Sélectionnez l’ensemble minimal d’événements à collecter.
4. Accéder aux données via des balises Web, une API ou une intégration.
5. Vérifiez les champs nom de l’événement, numéro d’utilisateur et montant.
6. Choisissez un modèle de prédiction intégré.
7. Définir l’objectif de sortie des résultats et le valider à un faible débit.
8. Comparer les résultats commerciaux du groupe de prévision et du groupe témoin.

Tutoriel sur les modèles de préférences d’achat

1. Vérifier les événements d’achat et la fenêtre de conversion.
2. Suivre la consultation des produits, les ajouts au panier, le paiement et l’achat.
3. Acquérir des données suffisantes et continues sur le comportement réel.
4. Déployer un modèle de tendance d’achat et visualiser la distribution des scores.
5. Créer une audience en fonction d’une intention élevée, moyenne ou faible.
6. Définir des actions marketing différentes pour différents groupes de personnes.
7. Utiliser des expériences incrémentales pour déterminer l’amélioration réelle.

Tutoriel de recommandation de produits

1. Synchroniser le numéro de produit, la catégorie, le prix et les stocks.
2. Connectez-vous aux événements de navigation, de recherche, d’ajout au panier et d’achat.
3. Sélectionnez la position recommandée et le contenu par défaut.
4. Définir les règles de gestion des stocks, des profits et des promotions.
5. Déployer un modèle de recommandation et limiter le temps de réponse.
6. Évaluer en utilisant le taux de clics, le taux de conversion et la marge brute.
7. Vérifier régulièrement la répétition excessive et le biais en faveur des sujets populaires.

Guide pour le public cible de la publicité

1. Déterminer les groupes de clients que l’on souhaite améliorer ou exclure.
2. Sélectionnez la valeur de prédiction et le seuil de score correspondants.
3. Comptes publicitaires autorisés à être connectés.
4. Établir la synchronisation du public et la fréquence des mises à jour.
5. Vérifier que l’utilisateur accepte les politiques de la plateforme.
6. Créer un groupe expérimental et un groupe témoin.
7. Évaluer la conversion, les coûts, les revenus et les effets incrementaux.

Service d’installation par des experts

Si l’équipe ne souhaite pas effectuer la configuration elle-même, le fournisseur propose un service d’installation par des experts pour un montant unique de 500 dollars. Ce service comprend l’installation de la Web Tag, le suivi des événements sur les sites concernés, le démarrage des modèles d’apprentissage automatique et le traitement d’indicateurs prédictifs en temps réel pouvant être utilisés pour cibler le public marketing.

Conception de la vie privée

Par défaut, Almeta ML ne collecte que les événements choisis par l’utilisateur et ne traque pas automatiquement toutes les informations sur l’utilisateur. La balise Web peut utiliser un numéro de client aléatoire enregistré dans le stockage local, ou bien recevoir un numéro de client existant depuis le système du client.

• Par défaut, les cookies ne sont pas utilisés.
• Le client choisit les événements de suivi spécifiques.
• Par défaut, aucune information personnelle n’est requise.
• Des numéros de client aléatoires peuvent être utilisés.
• Les données utilisateur supplémentaires ne sont incluses que si le client les configure activement.
• Permet d’exporter les données commerciales à tout moment.

Préoccupations relatives à la vie privée et à la conformité

L’absence de cookies et la non-collecte par défaut de données personnelles ne dispensent pas automatiquement des obligations de confidentialité ; les événements, les identifiants d’appareil et les profils comportementaux peuvent encore constituer des données personnelles. Les entreprises doivent évaluer, conformément à la législation locale, les exigences en matière d’information, de consentement, de suppression, de ciblage publicitaire et de transfert transfrontalier.

Pas de verrouillage fournisseur

Le site officiel souligne que les utilisateurs peuvent exporter leurs données à tout moment, et ce, de manière automatisée via des intégrations ou des Webhooks. Lors d’une véritable migration, il convient également de s’assurer que les modèles, les caractéristiques, les prédictions historiques, les règles de cible et le format des données peuvent être reconstitués sur une autre plateforme.

Capacité d’entreprise

• Prend en charge l’authentification unique SAML.
• Fournit des rôles avancés et des droits d’accès.
• Il est possible de choisir entre hébergement géré ou déploiement local.
• Tarification par volume fournie.
• Inclut des options d’installation par des experts et de support express.
• Il est possible de créer des workflows personnalisés avec les plateformes de données existantes.

Forfait de prix

Le site officiel affiche actuellement le prix mensuel calculé sur une base annuelle, où le paiement annuel équivaut à deux mois gratuits ; chaque forfait offre une période d’essai de 14 jours. Toute consommation est calculée mensuellement, et il est possible d’acheter des crédits supplémentaires pour les calculs d’événements et de modèles en cas de dépassement.

Consommation excédentaire

Comment distinguer les événements des calculs

Un événement est un ensemble de données sur le comportement des clients entrant dans le modèle, telles que les visites et les achats ; un calcul de modèle correspond à l’exécution d’un modèle afin d’obtenir un résultat de prédiction. Un utilisateur peut générer plusieurs événements, ou déclencher plusieurs calculs de modèle au cours d’une même session ; ces deux types de quantités doivent être estimés séparément.

API et compétences des développeurs

La documentation de développement fournit des informations sur le format des événements, l’authentification API, les interfaces d’événement, le public cible ainsi que les concepts de base. L’équipe peut utiliser un Bearer Token pour appeler les interfaces et utiliser les résultats des prédictions Web Tag en tant qu’événements JavaScript ou variables dans le front-end.

GitHub et l’état open source

Aucune plateforme de prédiction complète officielle d’Almeta ML, ni répertoire GitHub du modèle principal, n’a été trouvée. Il s’agit d’un logiciel SaaS et d’un logiciel d’entreprise à source fermée ; les exemples de Web Tag et la documentation API publiés ne signifient pas que le code du modèle et du serveur est open source.

Avantages du produit

• Se concentrer sur la prédiction en temps réel du comportement des clients permettant des actions directes.
• Couvre l’achat, la perte, les recommandations, le LTV et le moment d’envoi.
• Les résultats peuvent être utilisés pour personnaliser la publicité, les e-mails et les sites web.
• Prend en charge simultanément les Web Tags, les API et les intégrations courantes.
• Le modèle peut être exécuté sur un serveur ou dans un navigateur.
• Le Web Tag est léger et utilise un chargement asynchrone.
• Les prix, les quotas et les dépassements sont publics.
• Soutien à l’export de données, à l’installation locale et aux droits d’accès pour les entreprises.

Restrictions d'utilisation

• La qualité de la prédiction dépend fortement du nombre d’événements et de la qualité des données.
• Les sites à faible trafic peuvent faire face à un démarrage difficile sur le long terme.
• La prédiction du comportement et le public cible de la publicité impliquent le respect de la vie privée.
• Une augmentation de la corrélation ne revient pas à un effet d’augmentation réel.
• Les scores de modèle ne peuvent pas remplacer les jugements en matière de marketing et de vente.
• La fonction de modèle personnalisé est toujours indiquée comme bientôt disponible.
• Les prix mensuels présentés par année peuvent facilement prêter à confusion avec le cycle de paiement réel.
• La plateforme et les modèles de base ne sont pas open source.

Informations de base

Indice de recommandation

L’indice de recommandation global est de 4,4 sur 5. Almeta ML convient aux équipes qui disposent déjà de données stables sur les événements du site et souhaitent utiliser les prédictions directement pour des actions marketing, mais il convient de valider les avantages supplémentaires et le respect de la vie privée par des essais contrôlés avant l’achat.

Questions fréquentes

Qu’est-ce que fait principalement Almeta ML ?

Il prédit en temps réel les achats, la perte de clients, les recommandations, la valeur client et le meilleur moment pour entrer en contact, en se basant sur le comportement sur le site.

Faut-il connaître l’apprentissage automatique ?

L’utilisation de modèles intégrés ne nécessite pas d’entraîner soi-même du code, mais la conception des événements, l’évaluation des résultats et les expérimentations commerciales exigent néanmoins un jugement professionnel.

Quand pourrai-je obtenir la prédiction ?

Des résultats peuvent commencer à apparaître quelques heures après l’ajout de l’événement, et la qualité des prédictions s’améliore généralement avec l’augmentation des données.

Est-ce que cela ralentira le site ?

Après compression, la balise Web officielle pèse environ 3 KB et est chargée de manière asynchrone, mais il convient néanmoins de tester les performances sur le site réel.

Combien coûte l’Almeta ML ?

Le forfait Basic annuel équivaut à 99 dollars par mois, Standard à 399 dollars, et l’édition entreprise est personnalisée en fonction de la consommation.

Y a-t-il une version d’essai gratuite ?

Tous les forfaits offrent une période d’essai gratuite de 14 jours, révocable.

Est-ce que l’API est prise en charge ?

Prend en charge l’API Events, l’authentification par jeton Bearer, les Webhook et les appels via des balises Web frontales.

Utiliser les cookies par défaut ?

Par défaut, les cookies ne sont pas utilisés ; on peut employer un numéro aléatoire local ou le numéro d’utilisateur propre au client.

Almeta ML est-il open source ?

La plateforme et les modèles de prédiction principaux ne sont pas open source ; il s’agit d’un SaaS commercial et de services d’entreprise.