Browsing articles in "Digital Marketing"
Mar 4, 2017
Christophe Lauer

Predictive Analytics, ou le cache-sexe de la donnée

TL;DR

  1. 1 – Les solutions d’Analytics sont au fil du temps devenues très puissantes, mais aussi très complexes
  2. 2 – En entreprise, l’exploitation de l’analytics et du web analytics reste basique, voire parfois quasi inexistante
  3. 3 – Les éditeurs de solutions vendent l’idée que l’IA couplée aux outils de marketing permet d’obtenir des résultats sans besoin d’injecter de l’intelligence humaine
  4. 4 – En l’absence d’intelligence humaine, les solutions de Predictive Analytics sont elles aussi vouées à l’échec
    1. Intro

      2017 : c’est année des bots et de l’IA. En résumé, ce qu’on entend quasiment quotidiennement, c’est : « Si tu n’utilises pas d’intelligence artificielle ou du machine-learning pour piloter ton business, tu vas rater ta target. »

      Et si on avait un doute, les éditeurs de suites marketing enfoncent le clou et nous parlent tous les jours de leurs intelligences artificielles maison.

      Chez IBM, les technologies cognitives s’appellent collectivement « Watson ». Chez Salesforce, on nous parle de « Einstein » – pas besoin de sortir de Polytechnique pour comprendre que Einstein c’est quelqu’un de beaucoup plus intelligent que nous.

      Chez Adobe, c’est « Sensei », ce nom inspire plus la confiance envers un Maître dont les oracles (no pun intended) sont parfois difficiles à interpréter pour un mortel, mais ne devraient jamais être remises en cause :)

      Qu’est-ce que le Predictive Analytics ?

      (c) Dilbert

      Plus sérieusement, le Predictive Analytics, c’est un ensemble de technologies utilisant des données, des algorithmes statistiques et de machine-learning en vue de déterminer la probabilité de l’occurrence de faits futurs par l’observation de faits et données passées.

      On pourrait préciser un peu plus en disant qu’il existe deux grandes catégories : les algorithmes purement statistiques et utilisant diverses sortes de régressions sur des ensembles de données temporelles, et une autre catégorie basée sur les techniques de machine-learning (réseaux de neurones, deep-learning, etc.).

      Predictive Analytics : une idée nouvelle ?

      Non. L’idée n’est pas nouvelle. Simplement de nos jours elle s’appuie sur le big data et le machine-learning.

      Il y a 30 ans de cela, en 1986, alors que j’étais encore étudiant, j’étais en stage chez IBM dans l’entrepôt de préparation de commandes entièrement robotisé de Evry-Lisses, et j’avais travaillé sur un logiciel collectant des données liées au fonctionnement, anomalies et pannes de divers équipements à des fins de maintenance préventive. Par exemple, un chariot autonome filoguidé sur lequel on constatait un nombre d’anomalies de pertes de signal de guidage en augmentation hors-normes, était sorti de la ligne de production et envoyé en maintenance avant d’avoir causé une panne plus profonde, voire une interruption de toute la ligne.

      Plus récemment, vers 1997 j’étais en mission à Evry dans la biscuiterie Belin-LU où le service marketing avait développé un système de prévision des ventes, collectant des données de remontée de tickets de caisse afin de prévoir les ventes par produit, famille de produit, quantités et conditionnement afin de piloter les unités de production. Les biscuits sont fragiles et ont des DLC courtes. Produire de grosses quantités à l’aveuglette sans avoir une idée des niveaux de demande à venir, c’est assurément aller vers des volumes de retours massifs, et de la perte de bénéfices – sans même parler du gâchis de matières alimentaires.

      Egalement, on a toutes et tous déjà entendu parler de GFT : Google Flu Trends. Or, même pour Google, ça n’était visiblement pas aussi facile que la légende le disait : Le service a fermé en 2015.

      Bref, assez d’histoire ancienne…

      Le Predictive Analytics qui marche

      Mon propos ici n’est pas de dénigrer tout le domaine du Predictive Analytics. Il est des domaines – comme celui évoqué précédemment lié à la maintenance préventive des équipements et matériels – qui fonctionnent et donnent de bons résultats. Dernièrement, la SNCF a annoncé utiliser des technologies IBM Watson sur ces mêmes problématiques.

      Marketing et Predictive Analytics

      En revanche, il y a un domaine du Predictive Analytics pour lequel j’ai une approche, disons, plus nuancée, voire carrément critique. C’est le domaine du Predictive Analytics lié aux données marketing et appliqué au marketing digital.

      Il est effarant de constater le nombre d’entreprises, de marques et de business de tous types, dans lesquels la culture de la donnée est encore quasi inexistante, et cela à tous les niveaux : on réalise des campagnes d’affichage en extérieur sur des affiches 4×3 ou sur du mobilier urbain mais… on n’a mis en place aucun processus pour récupérer de la donnée de tickets de caisse afin d’évaluer l’impact de la campagne sur les ventes. Ou bien on a encore des approches de campagnes marketing Print / Online / Social / etc qui sont totalement en silos, sans cohérence et sans aucun souci de répartition ou d’optimisation en fonction de l’attribution des ventes à ces points de contact. Les budgets sont pilotés par des services différents. Ou bien, encore, et de façon plus classique : on a bien mis en place une solution de Web analytics – gratuite ou payante, peu importe à ce niveau –  mais on ne fait quasiment aucune exploitation des données collectées, et les rapports produits en sont encore quasiment du niveau « nombre de visiteurs uniques / nombre de pages vues ». Nous sommes en 2017.

      Ce nom de « Web analytics » est un terme très réducteur, et quasiment plus adapté. Les plus avancées de ces solutions permettent de nos jours en plus des données d’activité sur les sites web de croiser les chiffres du mobile, mais aussi d’y injecter des données et attributs provenant de votre CRM, afin de pouvoir affiner les analyses. Les outils d’Analytics donc sont devenus très complets, et très puissants.

      Trop, peut être ?

      Concrètement, qui dans votre organisation sait se connecter à votre solution Analytics, sait identifier les données intéressantes, peut produire un rapport ad-hoc permettant de comparer les comportements de deux cohortes distinctes ou pourrait analyser les causes d’un pic de trafic en anomalie ?

      Cherchez bien. Peu de gens, certainement. Personne, parfois.

      Predictive Analytics : le cache-sexe de la donnée

      J’imagine qu’à un moment, les grands éditeurs de suites marketing ont été lassés de créer des solutions de plus en plus puissantes, mais de moins en moins bien utilisées par leurs clients. C’est le paradoxe de ces solutions devenues tellement puissantes qu’elles ont développé un côté si intimidant que finalement peu d’entreprises sont en mesure de les exploiter correctement, et n’en ont finalement qu’une utilisation basique.

      Or, parmi ces clients ne réalisant pas la valeur de la solution qu’ils s’étaient offerts, certains étaient tentés de basculer vers le gratuit « good enough » au moment de renouveler le contrat : passer à Google Analytics Standard. Pour suivre leur business. Comme s’il s’agissait de leur blog perso. En 2017.

      Alors, depuis, les éditeurs ont compris la leçon et face à l’alternative entre produire des solutions très puissantes mais complexes, ou bien tenter de simplifier à outrance au risque de produire des outils simplistes, ils ont ouvert une troisième voie : celle de l’intelligence artificielle et du Predictive Analytics.

      Avec Watson, Einstein et autres Sensei, c’est la promesse de plateformes intelligentes, qui sont capables de faire automatiquement tout le travail d’analyse, de diagnostic voire de poser les actions correctives et de lancer les activations, de façon automatique, et sans aucun besoin d’intelligence humaine.

      Bingo. L’argument fait mouche. Le Predictive Analytics est un must have.

      Ce que certains ont oublié, c’est que, peu importe les souches algorithmiques de ces solutions (statistiques, machine-learning, etc.), elles ont besoin de données en quantité afin de produire des résultats. Et que, pour comparer vos chiffres de cette année, à ceux de l’année dernière… il faut au moins 1 an d’historique dans vos données. Damned. Ces solutions n’apporteront pas de réponses magiques overnight. L’an prochain, peut-être. Au mieux. Et d’ici là, vous allez devoir dresser la machine pour qu’elle apprenne que les soldes, les fêtes de fin d’année et la St Valentin sont des anomalies… normales :)

      Reprenez le contrôle de vos données !

      Nous sommes en 2017. Le marketing est définitivement Data Driven. Les expériences qu’attendent vos clients et vos consommateurs sont également construites sur des Insights qui sont tirés de l’analyse de données.

      Reprenez le contrôle de vos données. L’investissement dans des solutions de pointe ne dispense en aucun cas d’investir dans des collaborateurs ou des partenaires qui pourront vous accompagner et sauront en tirer toute la valeur.

      Faites-vous aider. Ces investissements sont payants.

Feb 12, 2017
Christophe Lauer

DMPSéries #6 – De l’importance d’avoir défini les Use Cases DMP

Sixième billet d’une série consacrée aux plateformes DMP.

Dans le billet précédent, j’ai présenté 5 facteurs qui – à mon sens – sont clé dans la réussite d’un projet DMP chez un annonceur. Le second point insistait sur l’importance des Use Cases et des KPIs.

Alors bien entendu, si ça semble être simplement du bon sens de dire qu’avant de se lancer dans un projet de mise en place d’une DMP, il est plus que conseillé d’avoir déjà réfléchi en amont à l’utilisation de cette DMP et à quels cas d’usage on souhaitera répondre. Ça frise la Lapalissade :)

Mais au delà de ce truisme, il faut comprendre que le fait d’avoir pris le soin en amont de définir et de documenter de façon claire et compréhensible une liste de Use Cases prioritaires sera bénéfique non seulement au projet DMP lui-même, mais aussi plus largement à votre société.

Les bénéfices obtenus seront de plusieurs ordres :

a – Les bénéfices en interne

- s’assurer qu’on a bien identifié tous les besoins et les business cases qui seront confiés à terme à la DMP

- collecter l’ensemble des besoins des différents services : branding, marketing, pays ou départements, marques, CRM, etc

On aura pris soin de recenser tous les besoins surtout en termes d’activation, de la part des différents services : l’équipe acquisition, le marketing, les agences média, le CRM, les ventes, les différents départements / marques ou pays, etc.

On évitera ainsi de lancer un projet de DMP qui serait uniquement piloté par exemple par l’équipe acquisition avec une vision très media et display tout en oubliant les uses cases du CRM, ou réciproquement.

Le fait d’avoir listé l’ensemble des besoins et des cas d’usage des différents services et départements permet aussi – bien entendu – d’obtenir leur adhésion au projet dès le départ, et de pouvoir prioriser les différents use cases, car il y aura immanquablement des arbitrages à opérer, et certains use cases pourront être repoussés pour les phase II ou phase III du projet.

b – Les bénéfices pour le chiffrage

- lister les sources de données à prendre en compte

- lister les plateformes d’activation à prendre en compte

- valider la faisabilité technique / fonctionnelle / juridique des use cases

Les principaux bénéfices à ce niveau sont assez clairs : soumettre vos use cases aux fournisseurs technologiques (ie les éditeurs de plateformes DMP consultés dans votre RFP) permet de vous assurer que la plateforme sélectionnée sera en mesure d’opérer les use cases que vous comptez réaliser. Ca n’est pas anodin.

Accessoirement, ceci permet aussi au fournisseur de réaliser un chiffrage plus précis, parce qu’ayant une vision plus détaillée du travail d’intégration et de configuration à réaliser (besoin de mettre en place un import de données CRM ou pas, nombre de sites Web à tracker, nombre de plateformes DSP à interfacer, avec des connecteurs standards déjà existants ou bien des besoins d’intégrations spéciques, etc.)

c – Les bénéfices pour la planification du projet d’implémentation

- prioriser la réalisation des use cases (ie imports CRM en phase 1 ou phase 2 ; use cases LAL nécessitant un cookie pool déjà conséquent ; etc)

- matière de base pour prioriser (prioriser sur 3 axes : urgence, importance, délai de mise en oeuvre)

Là encore, les éditeurs de plateformes DMP et leurs équipes projet ont l’habitude de réaliser ce type de projet. Ils sont en mesure de vous conseiller sur un planning et un phasage optimal pour la réalisation de vos use cases. Typiquement, le use case très populaire qu’est le « look alike modeling » est généralement relégué en phase II ou en phase III, car il suppose pour être efficace que la DMP ait au préalable collecté un volume de profils et de données conséquent. On ne met pas en œuvre un « look alike modeling » dans les 3 premiers mois d’un projet DMP. Ca serait juste du temps perdu.

d – Les bénéfices pour le déroulement du projet d’implémentation

- prioriser les uses cases c’est aussi pouvoir planifier les besoins et les disponibilités des resources. Par ex, on saura que sur la 2ème quinzaine de tel mois, on aura besoin de l’IT pour réaliser l’export depuis le CRM vers la DMP, etc

- ensemble des uses cases = ensemble des données devant être collectées et des “personas” d’audiences à considérer, donc à partir de là on peut lister les données nécessaires, rechercher les sources de données correspondantes en 1st party, voire le cas échéant chercher à complémenter via de la 2nd party, auquel cas on n’attendra pas la fin de l’implémentation de la DMP pour entamer les discussions de partenariat et le paperwork lié à l’échange des données, ou autre type de contrepartie

- aussi, in fine, disposer du catalogue de l’ensemble des données à considérer permet d’en déduire et de définir les taxonomies

Et c’est ici sans doute l’argument le plus important : c’est uniquement par l’étude des use cases souhaités et priorisés par le client qu’il sera possible par déduction de lister les données nécessaires devant être collectées par la DMP, et que l’on pourra aussi en déduire les taxonomies pour ces données. Le cas échéant, quand les données nécessaires ne seront pas disponibles directement en 1st Party sur les sites web ou apps du client, on pourra investiguer dans les jeux de données des fournisseurs 3rd Party ou bien imaginer des partenariats de données 2nd Party avec d’autres acteurs.

Quels use cases considérer ?

Les use cases à considérer ne sont pas uniquement restreints à ceux qui répondent à la question : « quel contenu ou quelle bannière vais-je afficher à telle ou telle audience ? ».

Par exemple, c’est le cas de cette chaine d’hôtellerie haut de gamme qui exclue de toutes campagnes de publicité en media display les 5 ou 10% de ses meilleurs clients, qui sont des business travelers et qui réservent déjà naturellement plusieurs nuitées par moi dans les enseignes du groupe. La marque a décidé de ne pas risquer de froisser et d’ennuyer ses clients fidèles avec des publicités inutiles. En revanche, elle laisse aux équipes CRM et aux programmes de fidélisation toute latitude pour s’assurer que ces meilleurs clients seront très bien servis et qu’ils seront satisfaits de leur expérience avant, pendant et après leurs séjours dans l’hôtel.

Bonus : Avoid the “Creep Factor”

Citation de Tom Goodwin de l’agence Zenith (voir à ce sujet mon précédent billet) :

“Millions of conversations in media is about data, distribution and targeting. 
Nothing about the actual ad served.”

Quand on imagine les Use Cases, on devrait aussi et surtout se mettre à la place du client final, du prospect. Par exemple, le cas de l’opérateur Telco qui envoie un emailing de promo sur les nouveaux forfaits 4G (ou broadband, disons fibre) à des clients existants qui… ne sont pas éligibles à l’offre parce qu’ils vivent dans une zone/région non couverte. Il en résulte de la frustration du client.

Pourtant l’opérateur détient toutes les données utiles et connait son client.

En principe !

Disclaimer

Jusqu’encore récemment, je fus ingénieur avant-vente spécialisé sur la DMP chez Adobe. Néanmoins, je m’attache ici à présenter le sujet DMP de façon neutre, en restant au niveau des généralités, sauf mention contraire. Ce billet fait partie d’une série de billets consacrés aux DMP. Vous pouvez trouver la liste de ces billets via ce lien.

Jan 25, 2017
Christophe Lauer

Data Marketing : Funnel de conversion et Creep factor

Ce billet n’est pas un billet de la DMP Série, juste pour varier un peu les plaisirs. Néanmoins, il parle tout de même de data marketing. Ces réflexions m’ont été en partie inspirées par ce tweet de Tom Goodwin de l’agence Zenith :

La question est pour partie celle d’adapter le contenu des messages en fonction de la progression d’un prospect au long du funnel de conversion, et donc, en fonction de la progression de la proximité entre ce prospect et la marque.

En effet :

° Plus un prospect progresse au long du funnel de conversion, et plus on dispose de données le concernant

° Plus un prospect progresse au long du funnel de conversion, et plus nos messages vont pouvoir évoluer de contenus de type “branding” relativement neutres vers des messages serviciels voire trigger ciblés et basés sur les données de comportement et d’intention de ce prospect

° Plus un prospect progresse au long du funnel de conversion, et plus son acceptation pour des communications “personnalisées” sera grande, et plus il sera en demande de valeur sous la forme d’aide et de service dans son processus d’achat.

A contrario :

Un email retargeting envoyé après une simple première visite sur un site web est généralement mal perçu, même si on était authentifié sur le site en question. Qui n’a jamais vécu ça par exemple sur Amazon, qui (à ma connaissance) utilise les services de Tedemis pour opérer ses email retargeting. “Hello Creepy!”.

SVP mesdames et messieurs les marketeurs, ne perdez pas de vue que vous devez donner envie aux consommateurs finaux, pas les braquer et leur rendre la marque hostile et désagréable. Dans la conception et la mise en place de vos use cases, veillez à les étudier aussi sous l’angle du “Creep factor”.

Idem pour un email de relance reçu quelques heures après un abandon de panier. Merci, on est en 2017. Je sais faire un checkout complet, entrer un captcha, saisir le numéro de ma CB et le code 3D Secure reçu sur mon mobile. Je sais faire ça par coeur. On est en 2017 !

Alors si vous m’adressez un email de relance quelques heures après que j’ai abandonné le processus d’achat, alors que je ne vous ai rien demandé, ma réaction risque fortement d’être la même que vis à vis du célèbre assistant Clippy de Microsoft : merci pour ton aide mais je n’ai besoin de rien et je ne t’ai rien demandé. Et comme avec Clippy, ça me donne envie de te “désinstaller” !

Jan 4, 2017
Christophe Lauer

DMPSéries #5 – Facteurs clés de succès d’un projet DMP

Cinquième billet d’une série consacrée aux plateformes DMP.

Je profite de quelques jours de coupure des fêtes de fin d’année pour rédiger et poster le 5ème billet de la série DMP. Le précédent billet date de quelques mois déjà, et j’avais prévu d’en publier 7 ou 8 dans la série. Il était temps que je m’y remette !

Dans ce billet, je vais évoquer quelques sujets et points d’attention qui doivent être pris en compte avant de mettre en œuvre une plateforme DMP. C’est un peu un pêle-mêle, mais vous devriez vous y retrouver.

1 – Avoir des objectifs clairs

Vous êtes sur le point de lancer votre entreprise dans la mise en œuvre d’une plateforme DMP, un projet qui va s’étaler sur plusieurs mois (généralement entre 3 et 6 mois) et qui s’accompagnera d’une facture pour votre entreprise de quelques centaines de K Euros pour la première année, entre les coûts de mise en œuvre et les frais de licence. Parfait.

A ce stade, vous devez a minima avoir les idées claires sur les objectifs recherchés, sur la question de qui est le principal commanditaire et qui sera le « owner » de la DMP et qui l’opèrera au quotidien.

Si, comme la plupart des clients, vous passez par une phase très formelle de RFP pour sélectionner la plateforme DMP que vous mettrez en œuvre dans votre entreprise, prenez soin de bien détailler ces aspects dans le document de consultation. Les réponses que vous recevrez des différents fournisseurs technologiques n’en seront que meilleures.

Ceci se décline directement sur le point suivant (2 – Use Cases & KPIs) et également sur le point 3 consacré à l’organisation.

2 – Use Cases et KPIs

Si vous êtes sur le point de lancer un projet DMP dans votre entreprise, vous devriez disposer des principaux Use Cases (*) que vous voudrez implémenter. Non seulement ceci vous permettra en interne de vous assurer que toutes les parties prenantes sont en phase, mais en plus, ces Use Cases seront très utiles comme base de discussion avec les fournisseurs technologiques afin d’évaluer les capacités de leurs solutions DMP dans _votre_ contexte. Traduction : les descriptifs de ces Use Cases doivent absolument figurer dans les dossiers de consultation RFP.

(*) Pour rappel, le second billet de la série comporte une liste des use cases classiques pour un annonceur.

Un dernier point concernant les Use Cases : de ce côté de l’atlantique, nous n’avons pas la chance d’avoir des audiences aussi importantes que celles de nos voisins nord-américains. Chez eux, tout est plus simple : il leur suffit de quelques use cases basiques d’exclusion pour réaliser des économies conséquentes sur leurs dépenses média en Display RTB, ce qui permet d’assurer le ROI de la DMP.

Dans notre vieille Europe, les audiences sont plus fragmentées et les Use Cases sont ainsi nécessairement plus complexes, voire trop dans certains cas, et au final certains peuvent n’avoir aucun impact sur les dépenses médias. On ne joue pas à armes égales. C’est comme ça. Il faut le savoir.

Si le sujet du ROI de la mise en œuvre de la DMP est un sujet important dans votre entreprise, veillez à réaliser des projections plausibles.

Comment choisir ces Use Cases et combien en retenir ?

Par expérience, suivant le spectre des techniques que vous voudrez utiliser, entre 3 et 10 use cases relativement détaillés permettent de faire le tour de la question. Pensez à indiquer des niveaux d’importance relatifs (mandatory ; important ; facultatif) pour chacun, surtout s’ils sont nombreux.

En général, les dossiers de consultation RFP sont préparés avec l’aide ou parfois intégralement par un prestataire externe, type cabinet conseil ou agence spécialisée. Ces acteurs sont généralement habitués à sélectionner et à prioriser les Use Cases importants.

Comment choisir les KPIs à suivre ?

Au niveau des use cases, mais aussi de façon plus globale, il est important de réfléchir en amont et de se concerter en interne entre toutes les parties prenantes sur les KPIs à suivre au long de la mise en œuvre du projet DMP, et sur les premiers mois de son exploitation.

Ainsi, ces KPIs viseront non seulement à s’assurer de l’intérêt de l’utilisation de la DMP (diminution des coûts d’acquisition ; économies réalisées sur les budgets média Display RTB ; augmentation de la perf des campagnes en CTR et conversions ; diminution du churn des utilisateurs ; augmentation du panier moyen ou de la fréquence des commandes ; performances comparées entre deux DSP ; etc.) mais aussi à suivre et à s’assurer du bon fonctionnement de la plateforme (nombre de visiteurs « cookifiés » ; taux de match en cross-device ; pourcentage des contacts CRM matchés ; etc.)

3 – Organisation & Exec Sponsor

L’organisation tant interne que externe du projet DMP est un sujet primordial, voire crucial.

On a tous entendu parler de projets DMP qui mettent des mois, parfois plusieurs semestres avant de démarrer, où d’autres qui ne démarrent jamais. A mon sens, dans une majorité des cas, les causes sont à rechercher du côté de l’organisation mise en place, ou de l’absence d’organisation mise en place, justement.

En effet, un projet DMP fait directement intéragir des services et des départements qui ne travaillent pas habituellement ensemble : marketing, ventes, le channel, le online, les apps mobiles, la DSI, le légal, les agences média, les partenaires conseil, sans oublier les fournisseurs technologiques. Et ça n’est pas toujours simple.

Aussi, il est primordial de définir une organisation, de distribuer les rôles et les responsabilités, et de nommer un Exec Sponsor qui aura autorité en interne pour faire exécuter ce qui est nécessaire.

Pour définir les rôles et responsabilités, un RACI doit être réalisé et accepté par les différents intervenants internes et externes, et un Chef de Projet doit être nommé. Il ou elle aura le soutien de l’Exec Sponsor qui lui confèrera ainsi la légitimité pour faire décider, exécuter, relancer, mais aussi parfois pour arbitrer et trancher.

4 – Moyens & pré-requis

Ici principalement il s’agira de confectionner une Check List détaillée, revue et validée par le fournisseur technologique retenu, des différents chantiers à réaliser dans l’optique de l’implémentation de la DMP : pose du tag DMP sur les sites Web, revue des plans de marquage du web analytics, modifications du dataLayer, instrumentation des apps mobiles, imports et exports avec le CRM ou le datalake le cas échéant, etc.

Typiquement, on peut rencontrer des cas dans lesquels on s’aperçoit que les plans de marquage du web analytics ne sont pas à jour ou pas à niveau et que ceci devra être réalisé prioritairement et en préalable au démarrage de l’implémentation de la DMP. Avec les délais et les surcoûts que cela va engendrer…

5 – Accompagner le changement

Comme le soulignait Alexandre Azzopardi dans ce billet en Anglais, un projet DMP est souvent considéré – à tort – comme un projet technique. En réalité, il n’en est rien. La composante technique d’une implémentation DMP est quelque chose de bien rôdé et de standardisé.

En revanche, un projet DMP implique généralement des changements dans l’organisation, parce qu’il nécessite de faire collaborer des acteurs qui au préalable ne travaillaient pas ensemble, typiquement la DSI et les agences média, ou le juridique.

Bien que ceci semble être une grosse contrainte, il ne faut pas négliger les aspects vertueux de ces changements d’organisation. Il existe plusieurs témoignages d’entreprises qui ont obtenu des bénéfices inattendus en termes d’agilité et de vitesse d’exécution de leurs campagnes, indirectement du fait de la mise en œuvre d’une DMP.

En conclusion

En synthèse, le point sur lequel je voulais insister à travers ce billet est celui de l’organisation et du partenaire. Dans 9 cas sur 10, une entreprise gagnera à mandater un partenaire (agence média, cabinet conseil, etc) pour l’accompagner sur les aspects de conduite de projet mais aussi de pilotage de la stratégie d’utilisation de la DMP, après sa mise en oeuvre. Bien entendu, ceci représente un coût supplémentaire mais c’est un facteur clé de succès dans la mise en oeuvre d’une DMP, voire le premier facteur clé en termes d’importance.

A suivre

Le prochain billet #6 sera une liste de Do’s and Don’ts à propos de la mise en œuvre et de l’utilisation d’une plateforme DMP. Après réflexion, dans le prochain billet je détaillerai les différentes raisons pour lesquelles la définition des Use Cases en amont d’un projet d’implémentation DMP est quelque chose de crucial. La liste des Do’s and Don’ts est repoussée au billet #7 de la série.

Disclaimer

Je suis ingénieur avant-vente spécialisé sur la DMP chez Adobe. Néanmoins, je m’attache ici à présenter le sujet DMP de façon neutre, en restant au niveau des généralités, sauf mention contraire. Ce billet fait partie d’une série de billets consacrés aux DMP. Vous pouvez trouver la liste de ces billets via ce lien.

May 22, 2016
Christophe Lauer

DMPSeries #3 – Données 1st Party vs données 3rd Party

Troisième billet d’une série consacrée aux plateformes DMP.

Dans le premier billet de cette série consacrée aux plateformes DMP, on avait défini quelles sont les données classiquement utilisées dans une DMP, et on avait rapidement donné la définition des 3 principaux types de données dans une DMP :

- First Party Data

Les données First Party sont toutes les données qu’une marque ou un annonceur va pouvoir collecter du fait d’une interaction directe avec un individu : via une visite sur le site web de la marque, via l’utilisation d’une appli mobile, via une commande en ligne, via un achat ou la souscription à un abonnement, mais aussi via des contacts « offline » (programmes de fidélisation, couponing, etc.) dont les données se retrouvent généralement dans les bases CRM de la marque.

- Second Party Data

Les données 2nd Party sont essentiellement des données collectées sur des sites web qui n’appartiennent pas à la marque, mais qui sont ceux de sociétés ou d’acteurs avec lesquels la marque aura conclu des accords de partenariat spécifiques comportant un accord – financier ou non – sur l’échange ou le partage de données.

Je consacrerai un prochain billet spécifiquement au sujet des données 2nd Party et à limportance de mener une réflexion en profondeur sur ce sujet dans le cadre dun projet DMP.

- Third Party Data

Enfin, les données Third Party, qui sont collectées et fournies – généralement vendues ou plutôt louées à l’acte et au CPM – par des tiers spécialisés, tels que Acxiom, AddThis, Eyeota, eXelate, VisualDNA, pour ne citer que quelques noms.

Dans les DMP, les données 3rd Party sont généralement accessibles via une marketplace de données, dans laquelle les marketeurs peuvent explorer ces données, observer leur recouvrement ou au contraire leur distance avec leurs propres données et activer ces données, selon leurs besoins et leurs objectifs.

Le paradoxe des données 3rd Party

Il y a un paradoxe certain autour des données 3rd Party : en phase amont des projets DMP, les données 3rd Party sont bien souvent perçues comme étant la « Silver bullet », la solution magique qui va enfin permettre de profiler et de connaître très précisément tous les visiteurs anonymes du site de la marque, et d’avoir donc une « vision 360° de ses audiences » grâce à des profils « enrichis avec de la données 3rd Party ». Avec les données 3rd Party, c’est la promesse de pouvoir qualifier et profiler les internautes inconnus dès leur première visite. Le rêve de tout marketeur.

Aussi, le sujet des données 3rd Party occupe t’il bien souvent une part importante des discussions en amont des projets DMP.

Toutefois, et c’est là tout le paradoxe, l’utilisation de données 3rd Party par les marques exploitant une DMP est finalement minoritaire, pour ne pas dire carrément rare. Mais ce n’est finalement pas étonnant, ni nécessairement une mauvaise chose.

Le fait est que les données 3rd Party tendent un peu à passer de mode, et qu’actuellement les reproches qui leur sont généralement faits sont les suivants :

  • - elles ont un coût, et parfois un coût non négligeable. Or, on se souvient que l’un des principaux objectifs de l’utilisation d’une DMP est l’optimisation des dépenses des budgets média
  • - on peut parfois questionner leur fiabilité et leur fraicheur (*), et donc leur utilité et leur efficacité : lorsqu’un fournisseur de données 3rd Party propose un segment d’intentionnistes achat automobile comptant plus de 7 millions de profils sur le marché Français, on peut se poser quelques questions sur leur fraicheur et leur valeur…
  • - enfin, ces données sont en quelque sorte publiques, et vos concurrents peuvent donc parfaitement y avoir accès au même titre que vous, et effectuer des segmentations similaires. Où se situe alors votre avantage business ?

ASTÉRIX® & OBÉLIX® / © 2016 LES ÉDITIONS ALBERT RENÉ / GOSCINNY-UDERZO

“Pas frais, mon poisson ?”

(*) Edit du 6 janvier 2017 : Un article paru hier sur Digiday traite du sujet de la qualité parfois douteuse des données 3rd Party (en Anglais). A la lumière de tests et d’analyses, ChoiceStream – un organisme indépendant – a trouvé qu’un fournisseurs de données identifiait 84% de ses profils comme étant à la fois de genre masculin et féminin. C’est gênant. Si un Data Provider a déjà autant de mal à fournir des données fiables sur du socio-démo, imaginez ce que ça peut donner sur de la donnée d’intention. Vertige.

Les données 1st Party : un joyau sous exploité

Ce n’est pas une surprise si, selon une enquête publiée par Radar Research / Bluekai (**), la fonctionnalité la plus importante aux yeux des utilisateurs de DMP réside dans la capacité à collecter des données 1st Party (les données 3rd Party n’arrivant qu’en 7ème position).

BlueKai-Most-Valuable-DMP-Features-Dec2012

Source : Radar Research / Bluekai, Décembre 2012

Contrairement aux données 3rd Party, les données 1st présentent les avantages suivants :

  • -       Ce sont des données qui appartiennent à la marque, dont on sait précisément où, quand et comment elles ont été collectées
  • -       Ces données sont collectées – si besoin – avec un opt-in, et elles sont gratuites : vous pouvez ainsi les utiliser autant de vous avez besoin, il n’y a pas de CPM à prendre en compte
  • -       Ces données sont un vrai différenciateur business : par définition, vos concurrents n’y ont pas accès

Mais les données First Party ont un inconvénient de taille : on n’en a jamais suffisamment. Et comme on le disait dans le billet d’introduction, toutes les industries et tous les verticaux ne sont pas à égalité : certains vont bénéficier de visites fréquentes et qualifiées sur leurs sites web (voyagistes, hôtellerie,  banques, opérateurs telco, etc.) alors que d’autres seront moins favorisées (automobile, assurances, et surtout tous les produits vendus par des distributeurs, en particulier les CPG).

Malgré tout, et ceci vient confirmer ma thèse sur la valeur des données 1st Party, même dans le cas des marques CPG, les données 1st et les DMP peuvent représenter des opportunités, comme l’explique parfaitement Chris O’Hara de Krux (**) dans ce billet de blog.

En conclusion

Les données 1st Party sont de première importance (no pun intended) dans le succès d’un projet DMP. Les données 3rd Party sont un “nice to have” qui présentent surtout un intérêt dans certains cas particuliers, et également dans l’utilisation de modélisations « look alike » dans des logiques d’acquisition. Parfois peu considérée ou peu valorisée en interne en début de projet DMP, la donnée 1st Party ne tarde pas généralement à montrer son potentiel et son intérêt, à mesure que le projet et l’équipe opérant la DMP avancent en connaissance et en maturité sur ces sujets.

A suivre

Le prochain billet portera, très logiquement et pour rester dans la continuité, sur les données 2nd Party, leur importance et quelques exemples très concrets de case 2nd Party pour les annonceurs.

Disclaimer

Je suis ingénieur avant-vente spécialisé sur la DMP chez Adobe. Néanmoins, je m’attache ici à présenter le sujet DMP de façon neutre, en restant au niveau des généralités, sauf mention contraire. Ce billet fait partie d’une série de billets consacrés aux DMP. Vous pouvez trouver la liste de ces billets via ce lien.

 

(**) Bluekai / Oracle et Krux sont des éditeurs de solutions DMP, concurrentes à celle de mon employeur, Adobe Systems. Je n’ai bien entendu aucune relation avec l’un ou l’autre de ces deux concurrents, et je les cite ici purement dans une démarche œcuménique :)

May 13, 2016
Christophe Lauer

DMPSeries #2 – Exemples de Use Cases DMP chez les annonceurs

Second billet d’une série consacrée aux plateformes DMP.

Dans le contexte actuel de prolifération des ad-blockers, il appartient aux marketers d’adopter des tactiques adaptées et de prendre en compte ce message fort envoyé par les internautes.

Du fait de leurs capacités de tracking comportemental, de croisement de multiples sources de données, d’activation en temps-réel et en multi-canal, les DMP peuvent être perçues comme des machines infernales permettant aux annonceurs de poursuivre et de harceler sans répit de pauvres internautes, et sans espoir de s’échapper.

A contrario, les DMP sont surtout à mon sens une excellente réponse technologique à la lassitude des internautes vis à vis des bannières et des contenus publicitaires omniprésents.

En effet, utilisées à bon escient, les DMP permettent d’adresser des messages et offres publicitaires à des audiences pour lesquelles ces messages ont un vrai intérêt, de les adresser de façon cohérente, au bon moment, tout en gérant la pression marketing (frequency capping) et en pouvant stopper le ciblage une fois l’objectif atteint (exclusion).

In fine, les DMP ne sont « que » des objets techniques, qui suivant la façon dont on les mettra en œuvre, tout comme la langue d’Esope, pourront être la meilleure ou bien la pire des choses.

Après avoir donné une définition de ce que sont les plateformes DMP dans le billet précédent, et avoir abordé les bénéfices attendus de l’utilisation d’une DMP par les annonceurs et par les éditeurs, dans ce billet nous allons nous pencher un peu plus en profondeur sur quelques uns des Use Cases les plus classiques chez les marques et annonceurs.

Avant d’entrer dans le concret, précisons que tous ces use cases ne sont pas équivalents : certains peuvent être mis en œuvre très rapidement, d’autres au contraire vont nécessiter d’avoir au préalable déjà collecté et engrangé un volume conséquent de données, et surtout de profils de visiteurs.

Quelques exemples de Use Cases Annonceur

Ce billet vise à être didactique et à vulgariser le sujet DMP. J’ai choisi d’illustrer quelques use cases classiques en les simplifiant. Bien sur, on pourrait faire beaucoup plus, et plus compliqué, en utilisant des données mobiles, des données 3rd party, du cross-device, les fonctionnalités d’analyse et de reporting des plateformes, etc. J’ai préféré opter pour la simplification et la clarté, sans toutefois être simpliste.

A noter également : il y a quelques use cases classiques et qui peuvent s’appliquer à peu près à tout type de business, mais il n’existe pas de use case magique. Au delà de l’exercice présent et de ce billet à vocation didactique, la définition précise des Use Cases est loin d’être optionnelle : en effet, les use cases ont un rôle important dans un projet de mise en place de DMP. Leur définition précise en amont permettra de juger de l’intérêt de la mise en place de la DMP, mais aussi d’en déduire les données à collecter, et les sources de données à considérer, ainsi que les KPIs et métriques à suivre pour mesurer et optimiser les campagnes, et plus globalement les apports et l’efficacité de la DMP. Comme on le verra dans un prochain billet, la définition des premiers use cases à implémenter est un pré-requis important dans un projet DMP.

Crawl, walk and run

Ce n’est que du bon sens : au lancement d’un projet DMP, on démarrera logiquement par les use cases les plus simples, et ceux ayant la plus large portée. Ceux que l’on peut qualifier de « low hanging fruits », car apportant un maximum de bénéfices pour un effort minimal.

Et puis, gagnant en maturité tant dans les tactiques de segmentation, qu’en connaissance de ses audiences et de leur réaction aux différentes tactiques et campagnes, on passera progressivement des uses cases les plus simples aux plus avancés.

Keep it Simple

On gardera présent à l’esprit que les certains scénarios pourtant très séduisants sur le papier, dans lesquels on aboutit à des segmentations hyper précises… conduisent à des audiences souvent très faibles, et donc à des impacts business mineurs, voire négligeables.

1 – Prospect vs Client

Un des moyens pour optimiser ses dépenses média, c’est de limiter les impressions inutiles. Or, typiquement, il est assez peu utile de dépenser du budget média dans une campagne d’acquisition pour toucher des individus qui sont déjà vos clients. De même qu’il est peu utile de dépenser du budget média dans une campagne de branding pour des individus qui ont récemment visité votre site web.

Ces scénarios dits d’ « exclusion » sont généralement parmi les plus immédiats et les plus ROIstes.

Accessoirement, ça permet également d’éviter d’agacer des clients existants en les exposant à des offres promotionnelles très alléchantes, mais réservées aux prospects non encore clients. Combien de fois avez-vous vu passer des offres d’appel hyper intéressantes auxquelles vous n’aviez pas droit, par exemple de la part de votre opérateur mobile, ou de votre bouquet de chaines TV / satellite ?

Il existe plusieurs moyens de caractériser un client. C’est assez direct sur un site de e-commerce, il suffit de tracker le passage par la page de « check-out ». Dans d’autres cas, par exemple pour un opérateur telco ou une banque, il suffit de tracker le passage en mode loggué, idem pour un abonné sur le site d’un magazine. Dans tous les cas, l’import des données CRM est une autre façon de caractériser un client existant, et également d’enrichir son profil au moyen d’autres données telles que son ancienneté en tant que client, les types de produits possédés, ou bien encore un scoring.

2 – Retargeting des abandonnistes

Prenons un exemple fictif : Nous sommes « Acme Banking », un organisme financier. Acme Banking propose plusieurs types de produits financiers : épargne, gestion de patrimoine, prêts immobiliers, crédits à la consommation, etc.

Un individu présentant un profil alors inconnu visite notre site Web, et consulte plusieurs pages dans la rubrique des prêts immobiliers. Cette personne commence à remplir les deux premières pages du simulateur de prêt immobilier, mais quitte le site avant d’avoir terminé sa simulation, et obtenu une estimation du montant du loyer.

RBS Mortgage calculator and rate finder

Il n’en faut pas plus pour pouvoir recibler cet individu au moyen d’une campagne de bannières.

Voici comment on pourrait caractériser ce prospect – et également tous les autres appartenant au même « segment » :

  • - A visité le site Web de Acme Banking, au moins 1 fois dans les 7 derniers jours
  • - N’est pas connu comme étant un client de la banque (ie : inconnu du CRM, jamais vu sur le site Acme Banking en mode authentifié)
  • - A visité plusieurs pages de la rubrique Prêts Immobiliers (encore dans les 7 derniers jours)
  • - A visité la page du simulateur de crédit immobilier, mais n’est PAS passé par la page finale de confirmation, et de demande d’envoi de la proposition par email.

On voit qu’on pourrait sans doute ici se passer des données CRM et avoir une segmentation qui reposerait uniquement sur des données 1st party collectées depuis le site Web de Acme Banking.

Une fois notre audience de prospects abandonnistes caractérisée et définie dans la DMP, voici ce que l’on pourrait mettre en œuvre au moyen de la DMP :

- s’agissant d’un prospect, on ne dispose pas de son adresse email ni d’un opt-in pour l’envoi de messages marketing promotionnels. On pourra néanmoins adresser cet individu de manière anonyme via une campagne de bannières (Display), avec un message adapté : le message portera par exemple sur le taux du crédit actuellement en cours (éventuellement avec une créa dont le taux de crédit serait personnalisé via un DCO)

- cet individu a quitté notre site Web, sans aller au bout de sa simulation. On peut en déduire qu’il ou elle n’a pas encore arrêté son choix quant à l’offre de crédit, cet individu étant susceptible d’effectuer d’autres recherches, on pourra placer une campagne SEM dans Google pour des mots clés tels que « crédit immobilier meilleur taux » ou bien être plus spécifique en fonction des contenus consultés par l’internaute (prêts à taux fixe ou variable, prêts courts, etc.).

Dans Google Adwords, il s’agit d’une campagne RLSA (= Remarketing Lists for Search Ads). Sachant que cette personne est déjà venue sur le site de Acme Banking et a commencé à se profiler dans le simulateur de crédit, il s’agit d’un « prospect chaud », de fait, Acme Banking consentira à une enchère plus élevée que pour la campagne SEM classique portant sur les mêmes mots clés

- en outre, la DMP permettra d’adresser à cet individu des messages cohérents sur les différents canaux, afin d’éviter par exemple, que la homepage de Acme Banking ne mentionne un taux de crédit différent de celui proposé par les campagnes display et celui ci encore différent du taux affiché via la campagne Adwords

- comme on vient de l’évoquer, on veillera à adapter les contenus en home page et en tête de rubrique avec des contenus mettant en avant les offres de prêts immobiliers

- enfin, Acme Banking proposant plusieurs produits financiers, elle veillera à ne pas canibaliser ses budgets marketing entre deux produits : pendant que Acme Banking ciblera cet personne au sujet des prêts immobiliers, on veillera à l’exclure des campagnes de promo des autres produits tels que l’épargne ou la gestion de patrimoine, ce qui n’aurait de toute façon aucun sens dans ce contexte

3 – Upsell / Cross-sell

Je pense que ce cas s’explique de lui même. Quelqu’un vient d’acheter un produit ou un service, online ou offline, et on va lui adresser des messages et contenus proposant des produits liés, ou des accessoires. Ceci fonctionne aussi pour les service, au delà simplement des biens matériels : si on est un assureur : quelqu’un vient de souscrire une assurance Auto, on va proposer par la suite une assurance Habitation.

Ce cas peut également s’appliquer au cas d’un service fonctionnant au d’une app mobile disponible en « Freemium ». La première étape consisterait à faire installer l’app mobile par le prospect, puis dans un second temps à mettre en avant les bénéfices du mode payant pour convertir un utilisateur du mode gratuit au mode payant. Pensez à Evernote, Spotify, Deezer, Photoshop Express, etc.

Ici, s’agissant d’upseller à un client existant – et donc d’une personne connue, dont on dispose des informations de contactabilité et des opt-ins nécessaires – on pourrait déjà mettre en place différentes tactiques sans avoir besoin d’une DMP.

Mais le fait de disposer d’une DMP va nous permettre de réaliser les uses cases d’upsell et de cross-sell de façon plus fine, avec des messages cohérents à travers l’ensemble des canaux (voir l’exemple précédent au sujet des abandonnistes) : on pourra le faire en cross-canal, avec des messages cohérents, en gérant la pression marketing et en continuant à collecter les données d’exposition aux campagnes.

4 – Réengagement des clients inactifs

Les bases CRM contiennent déjà tout l’historique de la relation d’une marque avec ses clients : les services ou produits achetés et possédés, leur type ou catégorie, leur âge (renouvellement ; maintenance), la fréquence des achats et le panier moyen, etc.

Les bases CRM contiennent donc des informations précieuses concernant des anciens clients qui sont devenus inactifs. Partant du principe bien connu qu’il est moins cher de fidéliser que d’acquérir, on pourra exploiter les DMP de façon à réengager ou à réactiver des clients inactifs, et ceci à plusieurs niveaux :

  • - Campagnes d’emailing spécifiques présentant les nouveaux produits ou services, voire des offres promo
  • - Campagnes de bannières pour les abonnés qui n’ouvrent plus les newsletters
  • - Promos du type « Frais de port gratuits » pour les clients n’ayant pas commandé sur un site e-commerce depuis plus de 3 mois
  • - Parfois aussi, tout simplement, leur rappeler comment faire pour récupérer un mot de passe oublié…
  • - etc.

5 – 2nd Party Data

En tant que marque, vos données 1st Party sont certainement votre asset le plus précieux (je développerai cette idée dans un prochain billet). Mais malheureusement, en tant que marketer, on n’a jamais assez de données, et surtout, comme on le disait dans le précédent billet d’intro, toutes les industries et tous les verticaux ne sont pas égaux à cet égard : les telcos, banques, voyagistes et hotels sont bien plus avantagées que les marques CPG, par exemple.

Dans tous les cas, conclure des partenariats 2nd Party avec des tiers est une bonne solution pour aller chercher de la donnée en complément de ses propres données 1st Party.

Techniquement, il s’agira pour une marque disposant d’une DMP de fournir son tag à un partenaire qui l’implémentera sur son site web, ou sur certaines rubriques de son site web. Une autre façon d’opérer un partenariat 2nd Party peut passer par les marketplaces de données, lorsque les DMP en disposent : une marque ou un éditeur choisit alors de publier un partie de ses données de façon publique ou privée dans la marketplace – éventuellement en affichant un CPM – et la marque utilisatrice pourra alors simplement souscrire à ce data feed depuis la marketplace et utiliser les données 2nd party en complément de ses propres données.

Un exemple concret de ceci est par exemple un partenariat entre un grand groupe hotelier et un organisme de cartes de crédit professionnelles : ces deux entreprises ne sont pas concurrentes sur leurs marchés respectifs, en revanche, elles s’intéressent toutes deux aux mêmes profils de clients : des cadres qui effectuent des déplacements professionnels, prennent le train ou l’avion, et donc consomment des nuitées dans des hôtels, et règlent les notes avec des cartes de crédit dites « corporate » pour se faire rembourser de leurs frais. Les deux entreprises gagnent à s’échanger des données non seulement socio-démo mais aussi sur habitudes de consommation de ces cibles.

6 – Frequency capping

Les DMP permettent de collecter des données d’impression, et d’ouverture d’emailings, et d’exposition aux campagnes. Il devient alors possible de gérer la pression marketing en faisant du « frequency capping ». L’idée c’est que si un individu n’a pas réagi (cliqué, vu, converti, …) au bout de X impressions, il est inutile – voire contre-productif – de continuer à afficher les mêmes bannières pour cet individu. On a toutes et tous déjà connu le cas de ces produits qu’on n’a regardé mais pas achetés et qui nous poursuivent ensuite partout où l’on va pendant deux semaines… Hashtag : « retargeting gone wrong » :)

Screenshot 2016-05-13 15.27.55

Puisqu’on est dans le domaine du « Data Driven Marketing », les DMP peuvent aussi vous fournir les outils pour vous aider à mettre en place un capping efficace. Ici une capture d’écran du rapport « Optimal Frequency » de la plateforme DMP Adobe Audience Manager (*) :

AAM Optimal Frequency Report

7 – Tactiques : anti-churn, anti-cannibalisation

La technique anti-churn classique consiste à tracker les visites sur les pages de désabonnement ou de résiliation, en particulier chez les Telco, banques, assurances, bouquets satellites ou chaines payantes. Un individu qui passe plus d’une fois par la page de résiliation sur une période courte de 1, 2 ou 3 jours est certainement à risque.

S’agissant de clients / abonnés pour lesquels on dispose des données de contactabilité et des opt-ins nécessaires, les DMP permettent alors de mettre en pratique diverses tactiques « anti-churn » allant de l’email personnalisé, à l’affichage d’une enquête de satisfaction sur le site de la marque, voire à des pop-ins proposant l’aide d’un télé conseiller ou d’une assistance téléphonique.

Cancelling your O2 contract

Mais on n’a pas toujours ce luxe… Un client auto ne vous envoie pas un mail pour vous prévenir que son prochain achat se fera chez un constructeur concurrent. Dommage.

8 – Segment “High value customers” + lookalike

C’est un peu le use case « star » des DMP, parce que facile à mettre en œuvre, et qu’il s’applique pratiquement à tout type de business. De quoi s’agit-il ?

Dans une pure logique d’acquisition, on va mettre à profit les fonctionnalités de segmentation algorithmique de la DMP via la fonctionnalité dite de « look alike modeling » (on parle de « méthode des jumeaux statistiques » en Français) de façon à déterminer des individus présentant des caractéristiques statistiquement proches de celles d’une audience de référence.

Concrètement, après avoir fait fonctionner sa DMP pendant quelque temps, après avoir pu caractériser parmi l’ensemble de ses clients celles et ceux qui sont les plus profitables, ou bien présentant les meilleurs potentiels sous la forme d’un segment d’audience, on va utiliser ce segment en tant que référence en le fournissant à l’algorithme de look alike modeling.

La modélisation se traduira par une audience résultante d’une taille arbitraire, choisie par le marketer, et dont les individus feront parti soit de l’audience de la marque (cookie pool en 1st party) soit de l’audience de fournisseurs de données 3rd party, si on est dans une pure logique d’acquisition.

Pour aller plus loin, je vous renvoie vers le blog Adobe Digital Marketing (en Anglais) : https://blogs.adobe.com/digitalmarketing/campaign-management/find-more-of-your-best-customers-with-look-alike-modeling/

9 – Scoring et ranking

Les industries de la banque et de l’assurance ont depuis toujours développé des outils métier permettant d’évaluer le risque, ou des scoring sur leurs clients. Plus largement, de nombreux business savent gérer des scores de « customer lifetime value » dans leurs systèmes métier, ou leurs CRM. Ramenés dans les DMP, ces indicateurs permettent d’adresser les clients de façon différenciée. On pourra ainsi proposer des offres plus attractives aux clients ayant un meilleur CLV, ou bien éviter de proposer des nouveaux contrats d’assurance à des clients présentant un niveau de risque élevé.

On voit que par ces aspects, les DMP permettent d’aller bien plus loin que de simplement « optimiser les budgets d’achat média » mais aussi d’aider à piloter l’activité et de toucher à des problématiques business.

10 – Un exemple concret

Je vous invite à regarder l’enregistrement vidéo d’une session au HubDay lors de laquelle Maral Zakarian de Samsung France accompagnée de son agence Starcom et du cabinet Artefact ont présenté comment ils ont travaillé pour préparer lancement du smartphone Samsung Galaxy S7. L’approche a consisté en une segmentation de leurs cibles sur la base de leurs centres d’intérêt, mises en regard des fonctionnalités spécifiques du Galaxy S7, se traduisant au total par plus d’une centaine de créas différentes relayées par leur DMP.

Maral Zakarian Samsung France HubDay

Les limites de l’hyper segmentation

J’avais écrit dans le précédent billet d’intro aux DMP, que les DMP ne sont pas des solutions de marketing one-to-one, mais des solutions de gestion d’audiences.

Or il y a eu sur FrenchWeb un commentaire à mon billet allant dans l’autre sens, arguant que (je cite) « Les DMP modernes, qui ne sont pas Cookie Based, mais People Based, gardent précisément tout le détail des interactions et des transactions (comme le détail des pages vues ou les tickets de caisse en magasin) pour pouvoir construire des segments encore plus fin à même de porter des programmes marketing véritablement one-to-one. »

J’aborderai la question du cookie based vs profile based dans un prochain billet, laissons ceci de côté pour le moment car ça n’est pas le sujet.

Que les DMP permettent de réaliser des hyper-segmentations, c’est certain. Maintenant est-ce que c’est pour autant le genre de scenario que l’on doit viser en priorité ? Je ne le pense pas. Et est-ce que ça permet d’ « obtenir des ROI spectaculaires » ? Je ne le crois pas.

A mon sens, il faut se méfier des hyper-segmentations, et ceci pour plusieurs raisons.

a/ Une hyper-segmentation se traduit immanquablement par des tailles de segments résultants très petites. Certains types de plateformes d’activation –  telles que les DSP – ne vont tout simplement pas considérer et pas traiter les segments d’audience trop faibles, ou alors avec un CPM élevé.

b/ Attention à la combinatoire : aller vers l’hyper segmentation, ça signifie donc de multiplier le nombre de segments, et les combinatoires explosent très rapidement. Une fois qu’on aura défini 200, 500 ou 1000 segments, c’est très bien, mais que va t’on proposer comme contenus, messages ou call to actions spécifiques à ces 500 ou 1000 audiences distinctes ? Est-ce que l’on dispose des contenus, créas, variations nécessaires pour activer 500 ou 1000 segments différents ? Si c’est juste pour variabiliser sur quelques paramètres, on passera par un DCO et on n’aura pas besoin de multiplier autant les segments.

c/ Enfin sur la question du ROI : est-ce que le temps, les ressources, les contenus nécessaires pour activer des hyper-segmentations se justifient au regard du ROI observés au niveau de chaque micro-segment ? Je ne le pense pas, mais j’aimerais que l’on me montre que j’ai tort et que l’on me le prouve, chiffres et uses cases à l’appui.

En conclusion, la limitation sur les hyper-segmentations vient rarement des DMP elles même : a priori toute DMP devrait vous permettre de créer beaucoup plus de segments que ce que vous ne serez en mesure de gérer et d’activer efficacement.

A suivre

Toujours dans cette série de billets consacrés aux DMP, je vous donne rendez-vous la semaine prochaine pour la suite, qui sera consacrée aux avantages comparés des données 1st Party et des données 3rd Party. Vaste sujet :)

D’ici là, les commentaires vous sont ouverts.

Disclaimer

Je suis ingénieur avant-vente spécialisé sur la DMP chez Adobe. Néanmoins, je m’attache ici à présenter le sujet DMP de façon neutre, en restant au niveau des généralités, sauf mention contraire. Ce billet fait partie d’une série de billets consacrés aux DMP. Vous pouvez trouver la liste de ces billets via ce lien.

Pages:1234567»

A propos


A propos : Business Director chez Emakina.FR.
Ex-Adobe ; ex-Microsoftee.
Je vis entre Paris et New-York entre Paris et deux avions, et ceci est mon blog personnel.
"Opinions are mine. Best viewed with a brain. Yada yada ..."

More about me...