Réseaux neuronaux (ou réseaux de neurones)
Modélisation reposant sur une architecture, en principe similaire au départ à celle des neurones du cerveau humain. Basés sur les travaux de deux biophysiciens de l’université de Chicago, Warren McCulloch et Walter Pitts présentés en 1943, les systèmes ainsi conçus sont alors « intelligents », s’enrichissant eux-mêmes automatiquement à l’aide des données gérées, définissant leur propre logique selon un processus d’apprentissage itératif, bien au-delà des classiques systèmes experts. Ils seront prochainement très utiles pour améliorer l’efficacité des techniques de segmentation prédictive. On aboutira alors à une perception récente de plus en plus fidèle du comportement du consommateur. Pierre Desmet explique que : « Un réseau de neurones a plusieurs avantages : 1) il ignore les problèmes de multicolinéarité puisque les coefficients ne sont pas interprétés ; 2) il a une grande tolérance en ce qui concerne la nature des variables (événement, niveau ou attribut), leur mesure (discrète ou continue), ou la forme de la distribution ; 3) le réseau de neurones ne nécessiterait pas d’analyse préalable et le décideur n’aurait qu’à lister les variables et à laisser le réseau identifier le meilleur modèle. » Parce qu’ils sont très flexibles, ils représentent des modèles qui sont peu sujets au biais. « La possibilité d’approximer les fonctions non linéaires constitue un atout important des réseaux neuronaux », observent Harald Hruschka et Martin Natter. En 2004, Kelly Fish, John Johnson, Robert Dorsey et Jeffrey Blodgett ont utilisé un réseau de neurones artificiels (ANN, artificial neural network) entraîné avec un algorithme génétique pour modéliser la part d’une marque.
