Des probabilités accompagnées de leurs raisons, et une étiquette qui indique où elles sont faibles.

Gravity est le moteur de modèles qui sous-tend atlas et stage. Il estime qui est susceptible d’agir, pourquoi, comment ces personnes décident, quand elles peuvent l’entendre et si le fait de les joindre changera quoi que ce soit, puis éprouve chaque modèle sur des résultats qui vous appartiennent avant que quiconque l’utilise. Suivez une question, qui vaut la peine d’être joint, des données jusqu’à la fiche sur laquelle votre équipe agit.

01Le problème

Une partie de votre budget paie des ventes que vous auriez faites de toute façon.

La plupart des ciblages trouvent les personnes susceptibles d’agir. Ils ne peuvent pas vous dire si votre message est la raison pour laquelle elles ont agi. La personne la plus coûteuse à joindre est celle qui aurait agi de toute façon, et Gravity est conçu pour faire la distinction.

Dépenser là où le contact change le résultatLes modèles de persuadabilité estiment ce que change le fait de joindre une personne, et pas seulement si elle agira.
Écarter les personnes qu’un message fait fuirCertaines personnes sont moins susceptibles d’agir une fois contactées. Elles sont retirées du plan.
Mesurer par rapport à un groupe témoinLe gain est mesuré par rapport aux personnes que vous avez choisi de ne pas joindre, si bien que le chiffre reflète la différence que vous avez faite.

Ceux qui agiraient de toute façon

Les joindre consomme du budget et revient à s’attribuer le mérite d’une décision qu’ils avaient déjà prise.

Contacté : agit · Non contacté : agit

Persuadables

Les seules personnes que le contact pousse à agir. C’est là que les dépenses font bouger les chiffres.

Contacté : agit · Non contacté : n’agit pas

Repoussés

Les joindre les rend moins susceptibles d’agir. Leur place est sur la liste d’exclusion, pas dans le plan média.

Contacté : n’agit pas · Non contacté : agit

Pas cette fois-ci

Aucun message ne les fait bouger dans cette fenêtre. Leur disposition peut évoluer; le score le détectera le moment venu.

Contacté : n’agit pas · Non contacté : n’agit pas

Quatre types de personnes dans toute audience, classées selon ce qu’elles font avec et sans prise de contact. Illustration; les proportions ne proviennent pas d’un projet client.

Suivant Les cinq questions que pose Gravity pour trouver les personnes persuadables

02Cinq questions

Cinq questions au cœur de chaque audience.

La persuadabilité est l’une des cinq. Chaque famille répond à une question dont dépend un plan, avec 100 modèles dans le catalogue en production qui puisent dans un registre unique de plus de 17 000 signaux. Chaque score est une probabilité calibrée de 0 à 1, et non un verdict, et porte une étiquette qui indique ses points faibles.

Famille Ce qui est estimé Ce que vous en faites

Propension La probabilité qu’une personne accomplisse une action précise dans un délai donné Qui joindre en premier

Motivation Les raisons qui peuvent compter le plus pour eux en ce moment Quel message mettre en avant

Style de décision Leur façon d’aborder un choix : profondeur des recherches, rythme, personnes consultées Combien en dire, et à quel rythme

Réceptivité L’ouverture à un message ou à un moment, et quand ils sont en mesure de l’entendre Quand les joindre

Persuadabilité La mesure dans laquelle le contact change ce qu’ils feraient autrement Où les dépenses font bouger les chiffres

Suivant Ce que lisent les modèles pour y répondre

03Les éléments probants

Plus de 17 000 signaux. Chacun défini, vérifié et autorisé.

Pour répondre à ces cinq questions, chaque modèle puise dans un même registre. Chaque signal y a une définition écrite, un contrôle du taux de remplissage et une raison d’être, de sorte qu’un score peut toujours être retracé jusqu’aux éléments probants qui le fondent.

Événements comportementaux
62,6 milliards d’événements résolus, actualisés chaque jour : ce que les gens lisent, recherchent, comparent et consultent de nouveau, et à quel moment.
Sujets d’intention
7 015 sujets de consommation actifs dans 25 catégories, tirés d’un dictionnaire de 10 636.
Rythme d’achat
À quelle fréquence, en quels volumes et dans quelles catégories les gens achètent, et pas seulement s’ils ont acheté.
Fonctions et employeurs
Les titres professionnels et leurs changements, à l’échelle de la personne.
Affinités de marque
Les marques et les outils avec lesquels les gens interagissent, et ceux qu’ils délaissent.
Vos résultats
Les conversions que vous acceptez de partager. 8 087 étiquettes de résultat client reviennent dans la boucle.

Chiffres en date de l’audit du 19 août 2026 et de la revue des capacités d’octobre 2026.

Jamais dans le registre

L’origine ethnique ou l’idéologie politique modélisées, comme donnée d’entrée ou critère de sélection
Données sur des mineurs
Renseignements de santé protégés : aucun n’est ingéré, par conception
Des données client dans un modèle partagé avec d’autres clients

Suivant Comment un modèle gagne le droit d’être utilisé

04L’épreuve

Aucun modèle n’est publié tant qu’il ne surpasse pas vos références.

Évalué sur des résultats qui vous appartiennent, par rapport à deux références et à votre approche actuelle, puis surveillé chaque jour. Le rapport de validation couvre la courbe ROC et l’AUC, la précision et le rappel, le gain par décile, le calibrage, la stabilité d’une reconstruction à l’autre et le résultat commercial par rapport à votre groupe témoin.

0,87AUC sur les données mises de côté : la qualité de classement du modèle publié

5,04×gain dans les 10 % ayant les scores les plus élevés par rapport au taux de la population

Tiré d’un cycle complet de réentraînement en enseignement supérieur. Résultats déclarés par Moonbrush. Les détails de l’étude et le dossier d’acceptation sont disponibles sous entente de confidentialité.

01 Vos données mises de côté Des étiquettes de résultat qui vous appartiennent, mises de côté et jamais utilisées pour l’entraînement
02 Modèle candidat Gravity attribue un score à chaque enregistrement des données mises de côté
03 Trois comparaisons Par rapport à une référence démographique, une référence par audiences similaires et votre modèle actuel : AUC, gain et calibrage
04 Publier ou abandonner Il est publié avec un numéro de version et une étiquette qui indique ce qu’il est, ce qu’il n’est pas et où il est faible. Sinon, il est abandonné et la raison est consignée.
05 Surveiller chaque jour Les nouveaux résultats recalibrent le modèle. Toute dérive déclenche un nouvel examen.

Suivant Ce que signifie un score une fois le modèle publié

05Le score

Un 0,7 devrait se comporter comme sept sur dix.

Un modèle qui réussit l’épreuve publie des scores, et chacun est une probabilité calibrée, non un classement déguisé en pourcentage. Chaque modèle publié est vérifié intervalle par intervalle sur votre groupe témoin avant sa publication.

Planifier à partir des scoresAdditionnez les scores d’une audience et vous obtenez le nombre de personnes qui devraient agir.
Lire chaque score de la même façonUn 0,7 signifie sept sur dix, quel que soit le modèle qui l’a produit.
Surveillé après le lancementLes résultats reviennent chaque jour et sont vérifiés classe par classe.

Illustration d’un modèle calibré, avec des valeurs de démonstration. Les rapports de validation présentent le même graphique pour votre modèle sur vos données mises de côté.

Suivant L’étiquette que porte chaque modèle publié

06L’étiquette

Chaque modèle dit ce qu’il n’est pas, et quels sont ses points faibles.

En plus de ses scores, chaque modèle publié porte une étiquette que vos analystes comme vos conseillers juridiques peuvent lire : ce qu’il estime, comment il a été évalué, là où il s’appuie sur peu de données et à quoi il peut servir. Un modèle battu par ses références est abandonné, et le journal indique pourquoi.

Résultats déclarés par Moonbrush. Les détails de l’étude et le dossier d’acceptation sont disponibles sous entente de confidentialité.

Étiquette du modèle

Huit éléments que déclare chaque modèle publié.

Nom et version: Nommé d’après la décision qu’il sert, doté d’un numéro de version et daté selon la reconstruction dont il est issu.
Ce qui est estimé: Une action, dans une fenêtre, pour une population. Rien de plus large.
Ce qu’il n’est pas: Pas une décision d’admissibilité. Pas un verdict sur une personne en particulier.
Ses points faibles: Les dossiers à l’historique limité, les nouvelles catégories et les petites zones géographiques sont signalés, et non masqués.
Évalué par rapport à: Une référence démographique, une référence par audiences similaires et votre modèle actuel, sur vos données mises de côté.
Rapport: Courbe ROC et AUC, précision et rappel, gain par décile, calibrage, stabilité d’une reconstruction à l’autre.
Utilisation autorisée: Marketing et engagement uniquement.
S’il a perdu: Il a été abandonné, et la raison est consignée au journal.

Suivant Le système qui fait tourner l’ensemble, chaque jour

07Chaque jour

Huit couches entre le comportement brut et un score. Chacune peut arrêter l’exécution.

Gravity n’est pas un modèle unique, mais un système de production qui tourne chaque jour, selon des règles consignées à l’avance. Lorsqu’un contrôle échoue, rien de nouveau n’est livré et la version précédente reste en service.

Lire le comportement, chaque jour

Un événement correspond à une personne observée sur un sujet au cours d’une journée. Le flux est lu chaque jour, avec environ un jour de décalage. Les visites répétées le même jour comptent une seule fois, et l’activité qui ne se rattache à personne est écartée.

62,6 Gévénements comportementaux résolus

Donner à chaque personne un identifiant permanent unique

Un enregistrement n’est rattaché à une personne que lorsque ses informations concordent. Un enregistrement ambigu n’est rattaché à personne, et le conflit est consigné plutôt que deviné. Chaque graphe mensuel doit arriver sans aucune personne en double.

270 M+adultes américains, rattachés à des personnes et à des ménages

Nommer chaque signal une seule fois

La recherche, l’espace de travail et chaque modèle s’alimentent à un même registre, de sorte qu’un filtre et un modèle désignent toujours la même chose sous le même nom. Les 7 015 sujets actifs sont lus selon leur récence et leur intensité, et un nom retiré n’est jamais réutilisé.

17 000+signaux nommés, chacun défini et vérifié quant à son taux de remplissage

Noter la population en parallèle

Chaque modèle ne lit que les signaux nommés sur sa fiche et attribue un score à chaque personne qu’il peut voir. Une personne qu’un modèle ne peut pas voir ne reçoit aucun score, jamais un score faible, et chaque fiche indique quelle part de la population le modèle lit.

100modèles dans le catalogue en production, répartis en cinq familles

Obliger chaque modèle à mériter sa place

Avant qu’un modèle puisse être sélectionné, le comportement qu’il revendique doit être observé dans les données, il doit trouver un nombre exploitable de personnes, il ne doit pas être une quasi-copie d’un autre modèle, les mêmes entrées doivent produire les mêmes scores, et son nom ne peut rien revendiquer qu’il ne mesure pas. Les modèles prédictifs sont évalués sur des données mises de côté : des personnes qu’ils n’ont jamais vues à l’entraînement.

5points de contrôle que chaque modèle franchit avant de pouvoir être sélectionné

Répéter sur un échantillon, puis basculer

Un nouveau catalogue attribue d’abord des scores à un échantillon et est évalué selon des plages d’acceptation consignées à l’avance. L’exécution complète est vérifiée par rapport à l’échantillon, préparée en préproduction, puis mise en service uniquement lorsque tous les contrôles sont franchis.

Si un contrôle échoue, la version précédente reste en service

Estampiller chaque score

Chaque score porte la version de son modèle et sa date de production, et chaque lot livré consigne la version sous laquelle chaque personne a été transmise, de sorte qu’un résultat peut être retracé jusqu’aux scores exacts à l’origine de l’audience.

Version et date sur chaque score

Rapatrier les résultats

Les résultats reviennent chaque jour, comptabilisés selon des règles fixées avant le lancement. Ils restent chez le client dont ils proviennent : aucun modèle n’est entraîné sur plusieurs clients, et aucun résultat d’un client ne sert à fixer un poids dans un modèle partagé.

8 087étiquettes de résultat client, renvoyées chaque jour

Les types de modèles, les recettes de caractéristiques, la conception de l’entraînement et les seuils des contrôles de publication ne sont pas publiés. Les examinateurs qualifiés les consultent, avec le dossier d’évaluation de tout modèle, sous entente de confidentialité. Lire la documentation technique

Suivant Ce qui parvient finalement à votre équipe

08Le résultat

Pas un score. Une cohorte sur laquelle votre équipe peut agir.

Tout cela parvient à votre équipe sous forme de fiche, et non d’une colonne de chiffres. Cinq familles de scores se condensent en une cohorte qu’un planificateur, un stratège ou un banquier peut lire. Cet exemple est issu d’un projet dans les services financiers. D’abord, qui sont ces personnes et pourquoi elles agiraient.

Exemple de cohorte · Services financiers · Du particulier à l’entreprise

L’entreprise qui n’a pas encore prévenu sa banque

2,04 millions de personnes qui ont un revenu d’appoint, mais utilisent encore des services bancaires de particulier. Certaines sont déjà clientes chez vous.

Comment elle a été constituée

270,2 Mle graphe, reconstruit chaque mois
31,6 Mobservés dans la catégorie
7,8 Mnotés au-dessus du seuil, cinq familles
2,31 Mdistingués de trois voisins proches
2,04 Mprêts pour l’activation, hachés

Exemple de projet. Les chiffres sont actualisés à partir du graphe en production.

01 Construit à partir de

Événements comportementaux38Recherches en soirée sur la facturation et la paie
Sujets d’intention11Comment se faire payer, jamais comment se lancer
Rythme d’achat5Des fournitures en volumes qu’aucun ménage n’utilise
Fonctions et employeurs4Un deuxième titre à côté de celui de l’employeur
Affinités de marque3Des outils de facturation, pas de la fintech grand public

61 signaux de cinq types. Aucun n’est le revenu, l’âge, un solde ou un produit.

02 Pourquoi ils agiraient

MotivationÊtre traité comme une entreprise avant que les revenus le prouvent0,86
EspoirFinances personnelles et professionnelles enfin séparées0,77
CrainteSe voir demander des documents qu’ils n’ont pas encore0,72
À ne pas direQue les premiers clients ont payé sur un compte personnel0,64

Style de décision Des semaines de recherches en privé après le travail. Le compte s’ouvre au terme de celles-ci.

Quand ils peuvent l’entendre, et quoi leur dire.

Puis un ménage, de la première recherche en soirée jusqu’au compte qu’il ouvre.

Même exemple, suiteL’entreprise qui n’a pas encore prévenu sa banque

03 Quand ils peuvent l’entendre

Proche de zéro de 9 h à 17 hPics de 20 h 30 à 23 h 30 en semaine

La catégorie concentre ses achats médias pendant les heures de bureau, alors que cette cohorte est encore au travail pour un employeur.

04 Ce qu’il faut dire

Message qui fait moucheOuvrez le compte avant la première facture.

Message qui tombe à plat : le message par défaut de la catégorieUn compte chèques d’entreprise sans frais mensuels.

Les frais n’ont jamais été le souci. Ce sont les formalités, ainsi que le fait d’être pris au sérieux avant que les revenus arrivent. Hypothèse de message, testée par rapport à votre offre actuelle dans une activation contrôlée.

Mode de traitement

Données démographiques modélisées: Exclues
Décisions de crédit: Aucune utilisation
Appariement: Haché, salle blanche de données
Mesuré sur: Vos données mises de côté
Actualisation: Mensuelle

05 Un ménage, onze semaines

Semaine 1Sujet lié au revenu d’appoint. Première session en soirée.
Semaine 3Recherches sur les outils de facturation. L’affinité commence à augmenter.
Semaine 4Fournitures achetées au détail, deuxième commande ce mois-ci.
Semaine 6Un deuxième titre à côté de celui de l’employeur : consultant.
Semaine 8Sujets liés à la paie et aux impôts. Le score franchit le seuil.
Semaine 10Recherches sur les services bancaires aux entreprises, un mardi à 21 h 40.
Semaine 12Un compte s’ouvre. La banque le voit pour la première fois.

Le compte revient à celui qui s’est adressé à ce ménage à la semaine 10.

Suivant Et ce à quoi les modèles ne servent jamais

09Les limites

Ce à quoi les modèles ne servent jamais.

Les règles sont inscrites dans la plateforme, pas dans une politique que personne ne lit. Découvrez notre approche de la confiance.

Marketing et engagement uniquement. Aucune utilisation pour le crédit, l’assurance, l’emploi, le logement ni pour aucune autre décision d’admissibilité.
L’origine ethnique et l’idéologie politique modélisées ne sont jamais sélectionnables, ne servent jamais de données d’entrée aux modèles et ne sont jamais exportées.
Aucune donnée sur les mineurs, et aucun moyen de rechercher une personne en particulier.
Vos données restent dans leur propre instance, et les données client ne servent jamais à entraîner des modèles partagés avec d’autres clients.
Les identifiants sortent sous forme de hachages SHA-256. Les renseignements personnels bruts restent dans la plateforme.
Chaque modèle doit faire mieux qu’une référence démographique et qu’une référence par audiences similaires sur vos données mises de côté. Les décisions d’abandon sont consignées.
Aucun incident de sécurité ni aucune violation de données à ce jour, et un engagement envers les clients à les aviser dans un délai de 72 heures.

La suite de l’histoire

Une famille de modèles, deux façons de l’utiliser.

atlas et stage reposent tous deux sur Gravity. Reprenez l’histoire du côté qui convient à votre équipe.

Pour les équipes d’entreprise Inscrit la raison dans chaque fiche client, dans les systèmes que vous utilisez déjà. Lire la suite
Pour les planificateurs et les agences Met la même lecture entre les mains de vos planificateurs, du brief au résultat. Lire la suite
Sous les deux Les modèles qui produisent la lecture, éprouvés sur votre groupe témoin avant que quiconque les utilise. Vous êtes ici