Le potentiel des Agent-Based Models (ABM) pour le marketing

Les systèmes multi-agents (SMA/ABM) :‍

Les systèmes multi-agents (ou Agent Based Model) sont des modèles dans lesquels des entités interagissent entre elles. Ces entités, ou "agents", peuvent représenter des consommateurs, des points de vente, ou encore des grandes surfaces, chacune ayant ses propres caractéristiques et comportements. Les agents réagissent aux changements de leur environnement en fonction de règles de comportement définies, permettant de simuler des scénarios réalistes. Ces systèmes sont déjà largement utilisés dans des domaines comme l'épidémiologie, la gestion du trafic ou les sciences sociales, et permettent d’atteindre un niveau de précision que les modèles purement mathématiques peinent souvent à égaler.

Par exemple, lors de la pandémie de COVID-19, les modèles mathématiques SIR (Susceptible, Infectious, Recovered) ont aidé à comprendre la propagation de l’épidémie en se basant sur des paramètres clés comme le coefficient de réplication du virus. Cependant, ces modèles ne permettent pas d’identifier de manière optimale les actions à mener pour réduire ce coefficient. En parallèle, les ABM ont offert une approche pour simuler l’impact des différentes politiques sanitaires, répondant ainsi à cette limitation. Ils permettent de simuler une population d'agents représentant des individus dans divers foyers et lieux publics, pour observer directement les interactions et tester les effets de différentes politiques sanitaires. On peut ainsi identifier les interactions critiques et modéliser des scénarios réalistes incluant des agents plus ou moins respectueux des règles. Ce type de modélisation, bien que complexe à réaliser, offre des perspectives précieuses en matière de prise de décision stratégique.

Application des ABM en marketing :‍

En marketing, les systèmes multi-agents peuvent pallier certaines limites des modèles actuels. Les modèles de Mix Marketing Modeling (MMM), bien qu'efficaces, sont souvent incapables de s’adapter rapidement à des changements importants, et les modèles d’attribution perdent en précision en raison des restrictions liées aux cookies tiers. Les ABM, en revanche, s’adaptent à une grande variété de problèmes et permettent de simuler l'impact de scénarios tels qu’une réallocation budgétaire des médias télévisés vers d’autres canaux.

Bien que ces modèles soient techniquement complexes, leur accessibilité a augmenté avec les progrès de la puissance de calcul et l’essor de l’intelligence artificielle générative, facilitant leur développement. Chez fifty-five, nous nous intéresserons notamment à l’utilisation des ABM dans le cadre du MMM et développons des technologies avancées basées sur des recherches scientifiques en s’appuyant sur des travaux de thèse en interne (liens vers les différents travaux en bas de cet article).

Étude de cas : Modèle de choix de prix‍

Imaginons qu’un cinéma souhaite déterminer le prix optimal pour ses paquets de popcorn. Un modèle ABM permet d’explorer les impacts de différents scénarios, par exemple en ajustant le prix des boissons ou en créant des offres combinées. Notre modèle ABM permet de simuler le comportement des clients face aux variations de prix afin de prévoir les meilleurs ajustements de prix ou identifier le prix idéal pour de nouvelles offres.

Ce modèle n’a pas pour objectif de prédire le nombre de clients potentiels à chaque instant, mais de simuler les choix que ces clients pourraient faire. Les agents, ici représentant les clients, prennent des décisions influencées par des biais psychologiques, comme l’aversion à la perte. Avec les bons paramètres, on obtient une répartition des parts de vente comparable à la réalité. Une fois calibré, le modèle permet alors d’optimiser la stratégie en ajustant les prix et les offres de manière à inciter implicitement les clients à choisir le produit désiré, permettant ainsi d’augmenter le chiffre d'affaires.‍

‍

‍
Les ABM offrent une approche innovante pour optimiser les décisions stratégiques des entreprises, notamment dans le marketing. Bien qu'ils nécessitent une expertise et une connaissance approfondie du secteur d’activité, ces modèles permettent d’adapter les stratégies aux évolutions du marché et aux actions des concurrents. Par exemple, si un concurrent modifie le prix ou la qualité de son produit, le modèle peut simuler la meilleure réaction à adopter. Toutefois, ces simulations doivent être interprétées avec prudence, en tenant compte des limites pratiques et des aspects tels que l'image de marque, qui peuvent influencer les résultats.