.jpg)
On peut définir un SMA - Système multi-agents (ABM - Agent Based Model en anglais) comme un ensemble d'entités autonomes appelées agents, qui interagissent entre elles et avec leur environnement pour accomplir des tâches spécifiques ou simuler des systèmes complexes.
Dans un ABM, un agent est une personne fictive, autonome, à rationalité limitée. Chaque agent agit dans l'environnement en fonction de ce qu'il perçoit être dans son intérêt. Ce processus de décision est régi par un ensemble de règles définies par le data scientist à la lumière de discussions avec des experts du domaine d'application.
Un ABM sera alors créé à partir d'un grand nombre d'agents (on peut par exemple considérer l'ensemble des français) qui vont, chacun leur tour ou simultanément, interagir entre eux et pourront également être exposés à un contexte.
Ces modélisations basées sur les agents sont souvent utilisées pour représenter des comportements collectifs ou pour résoudre des problèmes difficiles à modéliser avec des approches centralisées.
En résumé, les principales caractéristiques d'un système multi-agents ou ABM sont :
Comme beaucoup d'outils utilisés dans l'intelligence artificielle, l’histoire des systèmes multi-agents prend source bien avant le 21ème siècle. Les ABM ont commencé à être développés dans les années 1940 mais leurs applications ont réellement pris forme à partir des années 90. Plus récemment, avec l'arrivée du cloud computing, la précision et pertinence de ces modèles ne cessent de croître.
Pour mieux comprendre le fonctionnement des ABM puis leur usage en marketing, prenons deux exemples d'applications.
Il a été développé par l'économiste Thomas Schelling. L'objectif de ce modèle multi-agents est de comprendre la ségrégation dans la société. Ce modèle simple considère deux types d'agents, les agents de type A et les agents de type B. Les deux types d'agents n'existent pas dans les mêmes proportions, on prend généralement 20 % de type A et 80 % de type B. Chaque agent est alors placé sur une grille d'une taille suffisante pour laisser des places libres. En dessinant un rond bleu pour un agent A et rouge pour un agent B, on peut donc avoir l'état initial suivant :
Le processus de décision d'un agent est alors le suivant :
Le voisinage est défini par les 8 cases autour de l'agent (ou moins si l'agent est sur un bord). Le modèle va alors fixer un certain niveau d'homophilie puis laisser les agents agir jusqu'à ce que plus personne ne déménage. On va ainsi pouvoir observer le niveau de ségrégation finale en fonction du niveau d'homophilie d'entrée.
Les simulations montrent que même avec des niveaux d'homophilies faibles (au moins 3 voisins du même type), on arrive à des représentations avec beaucoup de ségrégation :
On va définir un grand nombre d'agents représentatifs d'une population avec certains agents infectés, d'autres sains. Les caractéristiques des agents peuvent également prendre en compte beaucoup d'autres paramètres comme:
Chaque agent pourra alors se déplacer, rencontrer son voisinage et donc transmettre le virus, se remettre du virus, être infecté, devoir être hospitalisé, etc. On va également pouvoir mettre en place des facteurs externes qui vont impacter le comportement des agents comme par exemple le port d'un masque obligatoire, l'interdiction de déplacement, la vaccination, etc. Cela va permettre d'étudier la diffusion d'un virus en fonction de son niveau de contamination et des directives prises par le gouvernement. Ces modélisations basées sur les agents sont fortement étudiées et utilisés depuis la pandémie de Covid-19.
Il y a deux grandes façons d'utiliser les ABM. La première, comme présentée dans les exemples précédents, est de comprendre un environnement et l'impact de différents scénarios hypothétiques au sein de cet environnement. On va donc tester des valeurs différentes pour les paramètres du modèle et observer les conséquences.
La deuxième consiste à répliquer un environnement existant pour le comprendre.
En marketing, les ABM peuvent servir à mieux comprendre et optimiser le processus d'achat d'un utilisateur en fonction de la stratégie marketing de l'entreprise et de la stratégie de la concurrence. Il y a alors énormément de paramètres dans le modèle (la probabilité d'être exposé à une publicité sur un canal donné, l'impact de la publicité sur le processus de décision de l'agent sur chaque canal). On obtient alors des modèles très complexes avec beaucoup de paramètres dont les choix vont avoir un fort impact sur les résultats finaux.
Les modèles de marketing mix (MMM) sont des outils éprouvés pour mesurer, analyser et simuler l’impact des stratégies marketing. Cependant, bien que performants, les modèles MMM traditionnels ne permettent pas d’explorer en profondeur les dynamiques spécifiques de vos campagnes. Pour combler cette lacune, les modèles basés sur des agents (ABM) offrent une alternative puissante. En simulant le comportement de consommateurs fictifs mais représentatifs, ces modèles permettent d’intégrer davantage de détails et de caractéristiques propres à vos campagnes.
Toutes les campagnes publicitaires diffusées sur un point de contact médiatique ne s’adressent pas nécessairement au même public. Pourtant, dans un modèle MMM classique, une campagne A atteignant 100 000 impressions sur un segment de population X est traitée de la même manière qu’une campagne B atteignant 100 000 impressions sur un segment Y. Cette simplification rend difficile l’évaluation comparative de l’efficacité des deux campagnes.
L’utilisation des modèles basés sur des agents permettent de dépasser cette limitation. En définissant des caractéristiques précises pour chaque agent (géolocalisation, habitudes de consommation médiatique, comportement d'achat, etc.), on peut simuler des ciblages beaucoup plus fins. Par exemple :
Pour valider la cohérence du modèle et vérifier que celui-ci permet de capter correctement les comportements des individus au sein du marché, il faut passer par une étape de calibration.
Cette étape consiste à trouver les bons paramètres de sorte à obtenir des simulations qui répliquent les résultats de la campagne.
D’abord les agents sont configurés pour représenter les publics cibles. Pour cela, il faut choisir des paramètres initiaux.
Ensuite, chaque campagne peut être simulée auprès du segment correspondant.
Enfin, on compare le comportement des agents avec les résultats agrégés réels.
On va ensuite tester d'autres paramètres et comparer à nouveau jusqu'à obtenir un niveau d'écart suffisamment faible entre la simulation et la réalité.
Les agents réagissent alors aux campagnes en modifiant leur comportement (achat, fidélité, fréquence d'achat, etc.). Lors de la phase de calibration, les paramètres du modèle sont ajustés en fonction d’indicateurs de performance clés tels que :
Ce processus est très coûteux en temps de calcul ce qui a conduit à longtemps simplifier les modèles pour limiter le nombre de paramètres. Aujourd'hui, le cloud computing permet de plus facilement calibrer les modèles et donc d'obtenir des résultats bien plus significatifs et activables pour les entreprises.
La précision de cette calibration dépend des données disponibles. Si des données granulaires historiques sont accessibles, le processus est facilité. Cependant, même sans données individuelles précises, les ABM restent exploitables grâce à l’intégration de données ouvertes, d’études de marché, et d’outils tels que les données TGI Kantar.
Les ABM permettent ainsi de simuler avec précision des interactions complexes entre campagnes et consommateurs. Une fois le modèle calibré, il devient possible de mesurer la contribution exacte des stratégies marketing ciblées et d’anticiper leurs performances dans différents scénarios.
En résumé, les systèmes multi-agents offrent une approche puissante pour analyser et comprendre les systèmes dynamiques et multi-dimensionnels. Dans le domaine du marketing, les ABM permettent d’élaborer et d’optimiser des campagnes précises en comprenant le comportement des consommateurs et l’impact de différents facteurs dans un marché en constante évolution.
Il est également possible de développer des ABM plus simples dans le but de répondre à une question précise, comme par exemple :
Les applications des ABM au marketing sont donc très prometteuses et particulièrement adaptées au contexte actuel. En effet, il est de plus en plus difficile d'obtenir des informations granulaires sur le comportement des consommateurs. Les ABM permettent donc de simuler ces comportements de sorte à répliquer le marché et ainsi mesurer, comprendre et simuler les conséquences de différentes stratégies.
Si vous voulez découvrir comment fifty-five peut vous aider n'hésitez pas à nous contacter!
Discover all the latest news, articles, webinar replays and fifty-five events in our monthly newsletter, Tea O'Clock.
