Les données de première partie n'ont jamais été aussi importantes pour les responsables marketing qu'aujourd'hui. D'où la volonté omniprésente de développer les technologies qui rendent ces données utilisables. Ces données comprennent des signaux en ligne provenant de balises sur un site web ou un SDK d'application, mais aussi des données provenant de systèmes CRM ou de listes de marketing hors ligne activées par la connexion à une DMP. Malheureusement, de nombreux responsables marketing utilisent encore souvent les données de première partie pour un reciblage manuel trop naïf, laissant ainsi le plein potentiel de leurs données inexploité.
Les responsables marketing misent aujourd'hui beaucoup sur le reciblage - il donne de bons résultats même avec un mode d'utilisation moins sophistiqué. Cependant, je pense que trop d'argent est dépensé pour le reciblage de clients potentiels qui ne sont pas clairement intéressés ou qui ont un comportement d'intention d'achat, mais qui n'ont en réalité aucune intention d'achat. Il s'agit par exemple d'utilisateurs qui ont ouvert une page web par erreur ou qui n'ont visité une page que très brièvement.
Je pense qu'il y a de grandes différences de qualité dans les données de reciblage et j'ai constaté que le meilleur inventaire de reciblage obtient un taux de conversion 10'000 fois plus élevé et est des centaines de fois plus efficace en termes de coût par action que le plus mauvais. Mais la plupart des entreprises achètent leurs données "à l'aveugle", en payant le même prix pour toutes les qualités.
Alors que le reciblage donne de bons résultats pour la plupart des campagnes, les modèles avancés d'apprentissage automatique basés sur l'intelligence artificielle et les algorithmes d'auto-apprentissage peuvent être au moins aussi efficaces que le meilleur reciblage. Je peux le constater en comparant les performances du trafic basé sur le reciblage et celles du trafic basé sur la prospection. C'est vraiment passionnant : cela signifie que les responsables marketing peuvent obtenir de très bonnes performances de type retargeting et, en plus, atteindre de nouveaux utilisateurs au lieu de s'adresser uniquement à ceux qu'ils connaissent déjà.
Il va de soi que les meilleurs résultats sont obtenus en combinant des données de première partie et des données détaillées de troisième partie. Cependant, il n'est pas possible de le faire de la manière habituelle, en créant manuellement des "audiences composites" à l'aide de combinaisons booléennes. Je pense que les responsables marketing ont besoin d'un partenaire technologique, capable d'utiliser des modèles de "machine learning" pour identifier automatiquement les combinaisons de données les plus puissantes et déterminer leur valeur relative.
Le "machine learning" permet de mettre en évidence des liens dans les flux de données qui ne sautent pas aux yeux à première vue : Les utilisateurs qui viennent de réserver un voyage présentent par exemple une probabilité plus élevée d'acheter certains produits dans les 4 à 6 semaines précédant le voyage. C'est ce qu'a révélé une étude de Rocket Fuel, basée sur l'évaluation de campagnes dans le domaine de l'hôtellerie et de l'hébergement.
C'est pourquoi il s'est avéré très efficace que les algorithmes d'auto-apprentissage intègrent ce comportement en tant qu'attribut dans leur propre campagne sur de tels produits. Les détaillants peuvent ainsi obtenir une meilleure performance de campagne.
De nombreux DSP construisent des modèles pour identifier et développer les groupes cibles qui ont bien fonctionné auparavant et utilisent ces modèles pour diviser les personnes en segments de groupes cibles. Cette étape n'est toutefois que la première d'une série de mesures qui peuvent aider à tirer le meilleur parti de leurs groupes cibles. Le même client est parfois plus ou moins précieux pour une campagne, en fonction de nombreux facteurs contextuels tels que l'activité, le site web ou l'application actuellement visités, le moment de la journée, la météo et d'innombrables autres facteurs. En complétant ces données contextuelles avec les informations comportementales, démographiques et de première partie correspondantes dans un modèle unique, vous pouvez effectivement attribuer une valeur à chaque moment potentiel de l'interaction. Cela signifie que chaque moment peut tirer profit des enseignements du moment précédent. De mon point de vue, c'est la seule approche qui permette d'exploiter avec succès la puissance combinée d'une DSP et d'une DMP - et en même temps la puissance combinée des données de première partie et des données de troisième partie.
Si vous n'avez pas encore fait le saut, faites-vous plaisir et évitez les expériences coûteuses. Prenez le raccourci direct et combinez vos données de première partie avec l'apprentissage automatique, les informations comportementales, les données démographiques, les données contextuelles et les données de troisième partie pour obtenir les meilleures performances possibles de votre campagne.
À propos de l'auteur
Oliver Hülse est responsable des activités commerciales de Rocket Fuel en Allemagne, en Autriche et en Suisse. Il est responsable des relations clients avec les principaux annonceurs et agences. En outre, il met en place l'équipe hambourgeoise et recrute actuellement pour les domaines de la vente et de la gestion de comptes. Oliver Hülse vient de l'Adconion Media Group, où il était dernièrement directeur de la société allemande GmbH. Ce Hambourgeois de 41 ans a commencé sa carrière il y a treize ans en tant que directeur des ventes chez le groupe d'édition Milchstrasse et plus tard chez Tomorrow Internet. Il a ensuite occupé pendant plusieurs années le poste de VP International Operations chez Interactive Media CCSP.
Carburant Rocket est un fournisseur de plateforme de marketing programmatique utilisant la technologie Moment Scoring. Parmi ses clients, on compte des marques et des agences qui peuvent utiliser les deux piliers de Rocket Fuels - Data Management Platform (DMP) et Demand Side Platform (DSP) - pour optimiser la performance, la sensibilisation et le lifting sur l'ensemble des objectifs marketing, des canaux et des terminaux.