Relationship & Affinity transforme votre clientèle en un réseau que vous pouvez analyser et exploiter.
Ce sous-composant de la couche d'abstraction repose sur un principe simple : un client n'est pas un atome, mais un nœud au sein d'un réseau de relations, et la valeur réside dans les liens. Côté membres, il calcule un graphe de relations réel dont les nœuds représentent les membres identifiés et les liens, des connexions multitypes : recommandations converties, liens ambassadeur-client et foyers potentiels. Il analyse la structure de ce graphe (communautés, hubs et membres isolés) afin de sélectionner les actions en fonction de leur rôle structurel. Côté produits, il déduit l'affinité des paniers d'achat réels : quels produits sont achetés ensemble et vers quelles catégories un membre est naturellement attiré. Les actions de portée, de ciblage des foyers, de recommandations et de parrainage s'appuient ensuite sur ces connexions réelles plutôt que sur des suppositions.
Nous considérons nos clients comme des nœuds d'un réseau, et non comme des individus isolés : un graphe multi-types de membres incluant les parrainages réels, les liens avec les ambassadeurs et les foyers potentiels, ainsi que les achats groupés et l'affinité avec certaines catégories de produits.
Les clients sont des nœuds, pas des atomes ; la valeur réside dans les interactions.
La plupart des stratégies marketing de détail considèrent chaque client comme un élément isolé, négligeant ainsi l'atout le plus précieux d'une clientèle : les liens entre ses membres. Cette couche concrétise ces liens — un graphe calculé et géré des membres résolus et des relations entre eux — permettant ainsi à la rétention de cartographier le réseau, d'en analyser la structure et de l'exploiter par rôle.
- Hub (taux de recommandation élevé)
- Membre
- Isolé (risque de désabonnement)
- Référence convertie
- Foyer probable
- Affinité de co-achat
Le nœud représente le client ; L'avantage, c'est la relation.
Chaque nœud représente un membre fidèle dont l'identité est vérifiée — une personne réelle ayant donné son consentement, et non un appareil ou un doublon. La valeur du graphe réside dans les liens qui unissent ces membres ; chaque lien représente une relation spécifique et encadrée, et non une simple similarité.
- Référence convertie - l'avantage de la colonne vertébrale, dessiné uniquement lorsqu'une référence s'est réellement inscrite. C’est le seul lien qui alimente l’influence du hub, il reste donc un véritable bouche-à-oreille.
- Relation ambassadeur-client : chaque client apporté par un ambassadeur devient un lien durable, transformant une communauté de fans en un réseau interactif.
- Foyer probable : membres supposés partager une même adresse, grâce à une empreinte numérique respectueuse de la vie privée qui ne stocke jamais l’identifiant brut et n’est conservée que pour les petits groupes plausibles.
- Affinité produit : les paires d'achats simultanés (achat de X, achat de Y) et les préférences de chaque membre pour une catégorie, basées sur les paniers d'achat réels, relient le graphe des personnes à leurs achats réels. La similarité statistique elle-même (produit/produit et profils similaires entre membres) est modélisée en détail dans la couche Affinité et Similarité.
Ce que les limites vous permettent de calculer
Une fois les relations établies et concrétisées, une structure se dégage d'elles ; or, c'est sur cette structure que vous pouvez agir. Un ensemble d'éléments isolés ne possède aucune de ces caractéristiques.
- Communautés — groupes de membres connectés (foyers, groupes d’amis, communautés locales) qu’un seul message peut initier, évitant ainsi de payer pour atteindre chaque personne individuellement.
- Hubs — membres à fort potentiel de recommandation : influenceurs naturels qui ont acquis cette position en recommandant des membres ayant effectué une conversion, et non en fonction du nombre d'abonnés.
- Membres isolés : nœuds sans lien de recommandation converti ni ancrage social, qui présentent un risque de désabonnement disproportionné.
- Produit suivant recommandé : recommandations basées sur les achats complémentaires réels du membre et ses habitudes par catégorie, plutôt que sur la popularité générale du magasin.
Pourquoi c'est important pour les décisions de l'IA
Un agent raisonnant sur des atomes ne peut calculer la similarité qu'avec un client moyen inexistant. En analysant le graphe, on peut identifier une action en fonction du rôle structurel réel d'un membre et en expliquer le choix.
- Une recommandation, une demande de référence ou une reconquête est fondée sur un rôle – un hub, un foyer, un modèle de co-achat – et non sur une supposition ad hoc faite sur place.
- Les membres isolés sont connectés au lieu d'être éliminés ; des hubs sont recrutés ; des communautés sont créées — trois stratégies différentes que la vue atomique ne peut distinguer.
- Chaque lien est déclaré, inféré ou importé avec un niveau de confiance élevé, moyen ou faible, permettant ainsi d'évaluer la fiabilité de la relation sous-jacente. Les liens inférés sont réservés à l'opérateur et peuvent être supprimés en un clic.
Plaidoyer complet pour une approche client en réseau : cartographie du graphe des membres, analyse de ses communautés et de ses pôles d'intérêt, et fidélisation accrue par le biais de recommandations et de la promotion encadrées.
C’est ainsi que la couche améliore les décisions de l’IA.
Sans modélisation des relations et des affinités, la base de membres est valorisée de manière arbitraire : le parrainage et le bouche-à-oreille sont invisibles et non gérés, les membres actifs et isolés sont traités de la même façon, et les recommandations sont basées sur la popularité. Les liens entre les membres et entre les produits sont recalculés à la volée ; la portée, les foyers, l'influence et les recommandations reposent donc sur des estimations plutôt que sur des liens réels.
Une référence est attribuée au référent exact, et la base de fans d'un hub est un réseau consultable plutôt qu'un numéro de titre qui réinitialise chaque rapport.
Les actions peuvent être choisies en fonction de leur rôle structurel — recruter des pôles d'attraction, développer des communautés, connecter les membres isolés — au lieu de cibler un client moyen inexistant.
La portée au niveau du foyer est possible car la relation au sein du foyer est intégrée au modèle, déduite d'une empreinte digitale respectueuse de la vie privée et assortie d'un indice de confiance.
Le choix du meilleur produit suivant repose sur une réelle tendance d'achats conjoints, et non sur une popularité générique.
La valeur est opérationnelle, pas seulement technique.
L’Agent peut raisonner sur qui est connecté à qui, où se situe un membre dans le réseau et ce qui est acheté avec quoi – ainsi une recommandation, une demande de référence ou une reconquête repose sur un véritable rôle structurel (un hub, un foyer, un modèle de co-achat) plutôt que sur une similarité ad hoc calculée sur place pour un individu isolé.
Modélise la base de membres sous forme de graphique (les nœuds sont des membres à identité résolue, les bords sont des relations réelles et converties) au lieu de tarifer chaque client comme un atome isolé.
Un seul graphique regroupe trois types de liens gouvernés : recommandation convertie (la base), ambassadeur-client et foyer probable, chacun étant étiqueté avec sa provenance et un indice de confiance.
Analyse la structure, et pas seulement les liens : les communautés, les hubs à forte influence (influenceurs naturels) et les membres isolés (signal de risque de désabonnement) deviennent autant de rôles ciblables.
L'affinité produit est extraite des paniers d'achat réels (paires d'achats complémentaires et affinité par catégorie pour chaque membre) afin de proposer le produit suivant le plus pertinent, en se basant sur des tendances réelles et non sur une popularité générique.
Les relations sont conservées dans le modèle ; la logique de portée, de foyer et de hub est donc lue et non recalculée ad hoc à chaque appel.
Fonctionnement de cette couche
Lit les commandes et les enregistrements de références convertis à partir du magasin brut ; un avantage n'est dessiné que lorsqu'une référence est réellement convertie, jamais pour une invitation simplement envoyée ou expirée.
Crée un graphe de membres multitypes (recommandation, ambassadeur-client et foyer potentiel), chaque lien étant marqué comme déclaré/inféré/importé et assorti d'un niveau de confiance élevé/moyen/faible.
Détecte les communautés grâce à la propagation des étiquettes (préservant la structure en étoile) et classe les hubs selon leur niveau de recommandation réel. Les nœuds isolés sont identifiés comme présentant un risque de désabonnement.
Génère un instantané quotidien et déterministe par programme (reconstruit à la demande s’il est obsolète), de sorte que les mêmes données produisent toujours la même structure.
Calcule les achats groupés de produits et l'affinité par catégorie pour chaque membre à partir des lignes de commande détaillées, et expose toutes ces données à l'ontologie et aux interfaces de recommandation sous forme de sorties de modèles contrôlés.