Au premier abord, le raisonnement que tient l'analyste, Jennifer Polk, fait sens. S'il est aisément envisageable pour une boutique qui sert 10 clients d'adapter son approche à chaque situation particulière, la même logique est inapplicable à une entreprise qui aurait des milliers, voire des millions, de profils distincts à satisfaire. L'effort à déployer pour identifier et exploiter les caractéristiques de chacun serait en effet sans commune mesure avec le bénéfice à en espérer, en terme de ventes, d'engagement, de fidélité…
A contrario, sélectionner les quelques grands critères de catégorisation qui s'avèrent déterminants lors d'un achat donnerait les résultats attendus, sans qu'il soit nécessaire que la proposition émise soit unique pour chaque destinataire. Jennifer cite le cas de sa ville de résidence, Chicago, en expliquant qu'une simple localisation du consommateur doit inciter une marque de vêtements à promouvoir des pull-overs plutôt que des maillots de bain, surtout en hiver. Et les 2,7 millions d'habitants de la ville ont la même attente.
En réalité, pas tout à fait. Car il faut également prendre en compte d'autres axes de segmentation : en prolongeant l'illustration précédente, ce seront par exemple l'âge, le sexe, le niveau de vie, ainsi que les styles, les griffes, les couleurs préférées… qui sont certainement tous très importants à l'heure du choix d'un pull-over. Mais que se passe-t-il alors ? Il faut maintenant croiser une kyrielle d'attributs pour porter le message le plus pertinent, et les combinaisons se multiplient… jusqu'à l'ultra-personnalisation.
Bien sûr, on pourra arguer qu'il est toujours possible de restreindre le nombre de critères retenus, en écartant les moins discriminants et donc en limitant l'impact sur la qualité de l'approche. Mais pourquoi faudrait-il se contraindre ? Les technologies modernes – notamment dans les domaines de l'apprentissage automatique et de l'intelligence artificielle – sont à même de faciliter l'intégration d'immenses volumes de données, de natures variées, dans les modèles de personnalisation. En vérité, le coût de l'individualisation des expériences n'est pas si élevé qu'il soit nécessaire de s'en passer…