AdsPower
Plateforme SaaS d'optimisation publicitaire par intelligence artificielle
AdsPower était une startup early-stage développant une plateforme SaaS d'optimisation des campagnes publicitaires par intelligence artificielle. Le produit utilisait des modèles de classification ML (Azure Machine Learning Studio) pour classifier les comportements utilisateurs, analyser l'intention de recherche via les SERP Google, et optimiser automatiquement les enchères en fonction du taux de transformation.
Le concept central : ingérer des milliers de points de données de campagnes - mots-clés, enchères, quality scores, taux de clic, données de conversion - les injecter dans des modèles de classification supervisés, et produire des recommandations d'optimisation actionnables. La plateforme entraînait des modèles pour prédire les prix d'enchères optimaux, identifier les clusters de mots-clés performants, détecter les mots-clés négatifs qui drainaient les budgets, et recommander des améliorations d'annonces basées sur les patterns de performance historiques.
Le projet était directement inspiré d'Optmyzr et de Dolead (plateforme française de performance marketing), tous deux analysés en profondeur durant notre recherche concurrentielle.
Optimisation par IA
Classifier les intentions de recherche et prédire la probabilité de conversion par mot-clé via des modèles de classification supervisés
Encheres automatisees
Optimiser automatiquement les enchères (1re page, haut de page, 1re position) en fonction du taux de transformation réel
Detection de mots-clés négatifs
Identifier et exclure automatiquement les mots-clés qui drainent le budget sans conversion grâce au clustering semantique
Quality Score
Predire et améliorer le Quality Score via l'analyse du CTR attendu, de la pertinence des annonces et de l'experience landing page
Pipeline Machine Learning
Architecture technique
Techniques ML mises en place
- Apprentissage supervisé (gradient boosting, régression logistique, arbres de décision) entraînés sur Azure ML Studio pour prédire les composantes du Quality Score
- Pipeline NLP avec NLTK : tokenisation, stemming, suppression des stop words et vectorisation TF-IDF des mots-clés et requêtes de recherche
- Clustering k-means appliqué aux vecteurs TF-IDF pour regrouper les mots-clés par intention de recherche et détecter les mots-clés négatifs
- Segmentation d'audience par classification supervisée sur données démographiques (âge, genre) via Google Prediction API
- Scraping multi-moteurs (Google, Bing, Yahoo, Yandex, Baidu, DuckDuckGo) pour collecter des données de veille concurrentielle
Le problème : dans Google AdWords, les annonceurs achetent des mots-clés en correspondance large (broad match). Google déclenche alors les annonces sur des requêtes de recherche qu'il juge proches, mais qui n'ont souvent rien à voir avec l'intention commerciale de la campagne. Un annonceur vendant des "fournitures informatiques professionnelles" peut voir son budget consommé par des visiteurs cherchant "cours d'informatique gratuit" ou "réparation PC à domicile" - des clics payés qui ne convertiront jamais.
La solution ML : le système scrapait les résultats de recherche Google (SERP) pour chaque mot-clé acheté, analysait le type de résultats affichés (résultats shopping, fiches produit, articles informationnels, forums...) et extrayait la classification thématique et l'intention de recherche (transactionnelle, informationnelle, navigationnelle). Ces signaux, combinés aux données de performance historiques (CTR, taux de conversion, coût), étaient vectorisés via TF-IDF et injectés dans un modèle de classification supervisé (gradient boosting sur Azure ML).
Le résultat : le modèle classifiait chaque requête de recherche visiteur comme pertinente ou non-pertinente par rapport à l'objectif commercial de la campagne. Les mots-clés identifiés comme faux positifs étaient automatiquement proposés en mots-clés négatifs pour être exclus de la campagne. Sans ce système, il était impossible de détecter systématiquement les dépenses gaspillées sur des intentions utilisateur hors-cible.
Ceci n'est qu'un exemple parmi les nombreux algorithmes d'optimisation construits dans la plateforme.
Flux de classification
En tant que chef de projet technique et cofondateur, j'ai pilote l'ensemble du projet de la conception a la livraison. Recrutement et coordination de 4 développeurs freelances (specialistes ReactJS et Angular) identifiés via recherche GitHub dans la region bordelaise.
Organisation Scrum
5
Personnes
18+
Depots de code
3
Versions majeures
40+
Pages de maquettes
- Utilisation pionniere du Machine Learning Azure pour l'optimisation publicitaire par IA
- Pilotage d'efforts significatifs en R&D en intelligence artificielle pour la gestion de campagnes publicitaires
- Construction d'une application multi-plateforme : web (Firebase), desktop (Electron pour Mac/Win/Linux) et mobile (Cordova pour iOS/Android)
- Conception et documentation d'un modèle de données complet couvrant les écosystèmes Google AdWords, Bing Ads et Facebook Ads
- 3 versions majeures du backend en moins d'un an, passage d'Angular 4 a Angular 10
- Documentation projet complète : cahier des charges, 4 specs fonctionnelles, specs techniques, modèle de données, étude de marché
Le projet a finalement été abandonné par manque de moyens budgétaires. Le coût de la R&D était trop important pour une startup bootstrappée sans financement externe. Le produit fonctionnait, les modèles produisaient de vraies recommandations d'optimisation, mais sans traction commerciale le budget s'est épuisé.
- L'excellence technique seule ne fait pas un business viable. Un bon produit sans clients payants reste un projet R&D. La validation commerciale doit avancer au même rythme que le développement.
- Le timing compte autant que l'exécution. L'angle IA appliquée à la publicité était en avance sur son temps en 2016 - ce qui rendait le projet visionnaire mais aussi plus difficile à vendre.
- Valider le marché avant de construire le produit. Trop de temps investi en R&D technique et pas assez en validation commerciale avec de vrais clients payants.
- La capacité d'itération rapide est un atout durable. 3 versions majeures en moins d'un an - cette discipline de livraison rapide est restée un réflexe permanent.
Competences mobilisees
Competences techniques et humaines appliquees
Parcours associe
Experience professionnelle liee a cette realisation
Galerie d'images
Captures et visuels du projet