OfferFit obtient 25 millions de dollars pour supprimer les tests A/B pour le marketing avec ML

« Les tests A/B sont morts » proclame la copie sur le page d’accueil d’OfferFitune startup de trois ans basée à Boston, dans le Massachusetts, fondée et dirigée par George Khachatryan en tant que PDG, docteur en mathématicien et ancien cofondateur de la startup de logiciels éducatifs Reasoning Mind.

Il s’agit d’une déclaration audacieuse, mais l’entreprise est convaincue de pouvoir la soutenir pour les marques qui cherchent à optimiser et à personnaliser leurs efforts de marketing numérique plus facilement et avec de bien meilleurs résultats que les méthodes précédentes. (« A/B testing » fait référence à la pratique consistant à envoyer à la moitié des destinataires un type de communication et à l’autre moitié un autre et à voir quel message est le plus performant en termes de mesures telles que les taux d’ouverture, les clics, les activations, les inscriptions. , achats, abonnements, etc.).

Et les investisseurs semblent être d’accord : aujourd’hui, le la société a annoncé un cycle de financement de série B de 25 millions de dollars dirigé par Menlo Ventures, rejoint par Ridge Ventures et les investisseurs précédents Canvas Ventures, Harmony Partners, Alumni Ventures Group, Carbide Ventures et Burst Capital.

De plus, Capital One Ventures, la branche VC du célèbre et commerçant de cartes de crédit et bancaire populaire, a engagé un investissement suite à son succès en utilisant OfferFit pour automatiser l’envoi aux clients de messages marketing de masse personnalisés sur ses produits de services financiers.

Ce que propose OfferFit

La clé du succès d’OfferFit pour gagner des bailleurs de fonds et des clients devenus bailleurs de fonds réside dans son approche du marketing numérique : elle utilise l’apprentissage automatique, en particulier apprentissage par renforcementdans lequel les algorithmes sont entraînés à prendre des mesures qui entraînent soit des « pénalités », soit des « récompenses », gamifiant essentiellement le processus d’apprentissage et s’appuyant sur des essais et des erreurs, de la même manière que les bébés humains apprennent.

L’apprentissage par renforcement constitue l’épine dorsale de la solution de marketing automatisé d’OfferFit, qui ingère des données sur les clients et les efforts marketing de ses clients à ce jour, et détermine automatiquement les messages optimaux à envoyer aux moments optimaux sur les canaux optimaux à chaque client. – même si la base d’utilisateurs se compte par millions, comme c’est le cas des grandes entreprises comme Capital One.

« La beauté de tout cela est que ce n’est pas une chose ponctuelle », a déclaré Jean-Paul (JP) Sanday, associé chez Menlo Ventures, dans une interview par vidéoconférence avec VentureBeat. « Vous pouvez vous tester et vous n’êtes pas obligé de déclarer un gagnant. Il s’optimise toujours et reste actif : l’ascenseur s’améliore avec le temps.

Et même si et quand les comportements des utilisateurs finaux changent – ​​comme c’est souvent le cas tout au long de notre vie, à mesure que nous grandissons et entrons dans différents niveaux d’école, sur le marché du travail, nous marions, avons des enfants – OfferFit peut transmettre les bons messages pour le stade de développement de l’utilisateur final. vie.

« Si vos habitudes d’utilisation et votre comportement changent, il s’en rend compte et commence à dire : ‘il s’agit d’un nouveau comportement émergent' », a expliqué Sanday. « Lorsqu’une nouvelle chaîne apparaît ou que quelqu’un commence à passer plus de temps sur une autre application, il le détecte et modifie le marketing pour l’adapter. »

La solution ML d’OfferFit est également suffisamment flexible pour fonctionner sur différents indicateurs de performance clés (KPI) sans réoutillage. Que le client cherche à augmenter les taux d’ouverture, l’engagement, les clics ou presque tout autre résultat imaginable et mesurable, la plateforme peut optimiser ses délais et ses canaux de messagerie pour atteindre les objectifs du client.

« La fréquence à laquelle vous envoyez des messages, le jour et l’heure de la journée, tout est en quelque sorte compris par le système et vous appliquez donc simplement l’expérimentation à grande échelle », a noté Sanday.

Le « Saint Graal » du marketing personnalisé automatisé à grande échelle ?

Sanday a admis qu’il hésitait au début à investir dans OfferFit parce que cela semblait trop beau pour être vrai.

« Quand j’ai vu cela, j’ai d’abord dit que c’était à nouveau comme le Saint Graal… Je ne sais pas, on m’a présenté le ‘Saint Graal’ tellement de fois », a-t-il déclaré à VentureBeat.

Mais les connaissances approfondies en mathématiques de Khachatryan et de son co-fondateur Victor Kostyuk, ainsi que l’opportunité présentée par un écosystème plus mature d’applications et d’outils de messagerie connectés, l’ont convaincu de l’idée centrale de la plateforme et de l’innovation qu’elle facilite : un guichet unique. boutique d’algorithmes pour optimiser et personnaliser le marketing à travers les secteurs, les canaux, les segments d’audience et les périodes.

« Le modèle va être lancé et, sur la base des comportements réels (des utilisateurs finaux), commencer à comprendre », a expliqué Sanday. « Cela vous donnera (client) une série d’éléments à présenter aux utilisateurs, comme des lignes d’objet, des offres créatives ou des incitations de tous types. Et il n’aura pas d’hallucinations, ni de réduction de 90 % ou quoi que ce soit, il fonctionnera dans le cadre des contraintes fixées par le client.

Plus précisément, OfferFit prétend avoir atteint des résultats si frappants comme une augmentation de 120 % du revenu moyen par utilisateur (ARPU) chez Liberty Latin America, une société de télécommunications, ce qui se traduit par une valeur annuelle supplémentaire de 1 million de dollars. Pour la sécurité domestique de Brinks, OfferFit affirme avoir réalisé une croissance de 450 % en valeur en suscitant des prolongations de contrat de clients existants, ce qui équivaut à un bénéfice annuel de 5 millions de dollars.

La société dessert des clients dans les secteurs de la vente au détail et du commerce électronique, des technologies du voyage et de l’hôtellerie, des médias et du divertissement, des télécommunications et des services publics, des services financiers et des assurances, ainsi que des soins de santé et du bien-être.

De plus, Sanday a pris soin de noter qu’OfferFit ne regroupait pas les données des utilisateurs finaux de ses clients, ni ne mélangeait les données de ses différents clients dans une pile. Aussi précieux que cela puisse paraître (créer des profils clients inter-entreprises), OfferFit cherche à maintenir la confidentialité et la sécurité des données de ses clients et des utilisateurs finaux.

Sanday a déclaré que cela n’était pas non plus nécessaire pour que la plate-forme optimise la messagerie suggérée.

« La façon dont vous vous manifestez auprès de votre fournisseur de services publics, par exemple, ne me dit pas nécessairement toujours quelle est la bonne chose à faire concernant votre offre de carte de crédit », a-t-il noté.

Quelle est la prochaine étape pour OfferFit avec son nouvel argent

Maintenant que la société a démontré sa valeur auprès de grands clients notables et obtenu des investissements supplémentaires, elle prévoit de « continuer à investir dans notre produit ».

Selon sa page Web annonce du cycle de financementcela signifie qu’il créera des intégrations supplémentaires aux plates-formes logicielles de marketing, permettant aux intelligences ML d’OfferFIt d’exploiter les flux de travail et les outils logiciels existants pour diffuser les meilleurs messages au bon moment pour ses clients (et, plus important encore, leurs utilisateurs finaux).

En outre, la société prévoit d’étendre « nos capacités de libre-service et de génération de contenu ». Selon Sanday, cela pourrait à terme inclure un composant d’IA générative permettant de générer des textes marketing bruts et des ressources visuelles, bien qu’il ait souligné que ceux-ci seraient bien sûr soumis à l’approbation d’un responsable marketing humain ou équivalent pour chaque client avant d’être transmis aux utilisateurs finaux. .