Ils estiment que l'utilisation de technologies alimentées par l'intelligence artificielle et capables de faire des prédictions (technologie prédictive) est nécessaire pour rester compétitif à l'avenir. 66 % des personnes interrogées ont indiqué que leurs données clients et marketing provenaient de trop de sources différentes pour pouvoir en tirer des conclusions concluantes. 82 % pensent que le marketing prédictif sera essentiel pour pouvoir rivaliser avec les concurrents à l'avenir.
L'étude, commandée par Rocket Fuel en août 2017, s'intitule "The Next Wave of Digital Marketing is Predictive". Pour ce faire, les avis de 579 décideurs marketing expérimentés de six pays ont été recueillis. Ces décideurs sont collectivement responsables d'un budget publicitaire de 1,2 milliard de dollars. Les résultats de Forrester soulignent de nombreux défis auxquels les annonceurs et les agences médias sont actuellement confrontés. Il s'agit notamment de la gestion des données, de l'atteinte de nouveaux utilisateurs à différents points du parcours client et de la transmission de messages personnalisés et pertinents.
David Gosen, GM EMEA de Rocket Fuel : "L'étude de Forrester prouve que les marques ne pourront prospérer ou survivre que si elles s'appuient sur des technologies prédictives (predictive) alimentées par l'IA. Actuellement, seuls 30 % des responsables marketing utilisent leurs propres données pour comprendre les besoins des clients. De plus, 63 % des personnes interrogées trouvent qu'il est difficile de personnaliser la publicité, car elles ne disposent pas des informations nécessaires à cet effet. Ces choses doivent absolument changer si les marques souhaitent atteindre les utilisateurs individuels au moment précis où ils sont réceptifs à un support publicitaire. C'est la seule façon de transmettre le bon message, quel que soit le point du parcours client du consommateur. Et ce n'est qu'à ce moment-là que l'on parvient à prendre de l'avance sur la concurrence. L'attention des utilisateurs est aujourd'hui une denrée rare et les canaux et les messages sont quasiment infinis. Le marketing prédictif offre la bonne réponse face à ces défis, car les marques, les responsables marketing et les agences doivent malgré tout trouver un moyen de diffuser de la publicité de manière évolutive, "always on" et axée sur les données".
Les responsables marketing interrogés sont d'accord pour dire que le marketing prédictif peut les aider à relever certains défis de manière plus efficace. Ils estiment que le marketing prédictif leur fournit des solutions qui leur permettent à la fois de garantir la performance de la publicité et de générer des connaissances approfondies. 86% des personnes interrogées ont déclaré qu'elles prévoyaient d'utiliser l'IA dans les 12 mois à venir pour générer des insights marketing. 80 % veulent utiliser l'IA pour fournir un contenu cross-device cohérent et optimisé. En outre, 86 % ont déclaré que les technologies prédictives les aideront à améliorer la personnalisation et à optimiser la création.
L'étude Forrester propose sur 16 pages des données qualitatives, des statistiques quantitatives et une analyse claire du secteur. Les lecteurs profiteront tout particulièrement des points de vue et des opinions des décideurs marketing expérimentés qui doivent eux-mêmes s'adapter actuellement à un nouveau monde numérique dans lequel le parcours du client n'est plus linéaire et où le big data n'est plus un critère de différenciation. L'étude peut être téléchargée sur le microsite Rocketfuel.com/TLP peut être téléchargé gratuitement.
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.
]]>
Il est temps de laisser derrière soi la génération des annonces de la publicité en ligne ennuyeuse ou dérangeante. Grâce aux méthodes innovantes que le marketing personnalisé met aujourd'hui à disposition, les annonceurs peuvent établir des relations beaucoup plus personnalisées avec leurs clients. À l'ère de la publicité numérique, les annonceurs ont la possibilité, en collaboration avec des entreprises de technologie publicitaire, d'améliorer leur ciblage et de personnaliser de plus en plus les messages publicitaires. En analysant le comportement des utilisateurs en ligne, il est possible de diffuser des messages marketing pertinents et personnalisés qui s'adressent à l'utilisateur de manière individuelle. Cependant, de nombreux annonceurs appliquent encore le principe de l'arrosoir, ce qui a pour conséquence que les utilisateurs trouvent souvent les messages publicitaires peu intéressants ou se sentent dérangés par ceux-ci.
Retargeting contre-productif
Presque tous les utilisateurs en ligne connaissent le sentiment d'être suivis à travers le web par une annonce de produit. Il s'agit ici de retargeting mal réalisé. Bien sûr, le consommateur a déjà montré de l'intérêt pour ce produit. Mais au lieu de lui montrer des annonces répétées pour ce produit précis, il est plus judicieux de reconquérir l'utilisateur en lui rappelant la boutique en ligne ou la marque. De même, des produits best-sellers de la même catégorie ou des compléments judicieux à l'article initialement recherché peuvent plus facilement susciter l'intérêt d'acheter plutôt que la lassitude.
La collaboration avec un fournisseur de technologie qui travaille avec ce que l'on appelle le "Predictive Modeling" permet de diffuser des annonces publicitaires plus pertinentes et personnalisées. Cette technologie exploite les données et les connaissances sur le comportement en ligne des acheteurs existants et détermine ainsi comment atteindre de nouveaux utilisateurs potentiels et quels produits, offres ou supports publicitaires devraient être affichés dans l'idéal. Cette approche basée sur les données permet de personnaliser les annonces publicitaires bien mieux qu'il ne serait possible de le faire manuellement. Pour ce faire, on évalue les canaux médiatiques dans lesquels les utilisateurs sont en ligne et les différents terminaux qu'ils utilisent à cet effet ainsi que les heures pendant lesquelles ils sont actifs. Ce n'est pas seulement le comportement d'utilisation qui est pertinent, mais aussi le contexte dans lequel la publicité est ensuite diffusée.
Attention au frequency capping arbitraire
Il est peu judicieux d'exposer l'utilisateur à une "overdose" de publicités. Il a été démontré qu'il existe une courbe de fréquence pour chaque campagne, qui permet de déterminer la fréquence idéale de diffusion des publicités pour chaque utilisateur. Une fois le sommet de la courbe dépassé, des affichages supplémentaires réduisent la probabilité d'un achat. Le frequency capping, qui traite chaque utilisateur de la même manière, n'est donc pas une solution. Car même si les courbes de fréquence présentent une moyenne similaire pour la plupart des utilisateurs, elles diffèrent d'un individu à l'autre. Aujourd'hui, l'analyse de grandes quantités de données permet de déterminer la forme de ces courbes et la fréquence d'affichage optimale pour chaque utilisateur.
Augmentation de l'efficacité grâce à une approche individuelle
Les annonces dynamiques et personnalisées offrent un nombre presque illimité de variations d'annonces individuelles, créées de manière automatisée. Jusqu'à présent, les possibilités de personnalisation des annonces reposaient sur des méthodes manuelles et des règles simples. Une plateforme artificiellement intelligente et axée sur les données peut apprendre des données de réponse passées concernant les produits et les textes d'annonce grâce à des algorithmes d'auto-apprentissage spécialement conçus. Il s'agit entre autres du comportement de navigation sur Internet, des achats déjà effectués ainsi que de la localisation de l'utilisateur. Les annonces dynamiques et personnalisées combinent des éléments publicitaires tels que le titre, l'image, le prix et l'incitation à l'action. Elles proposent également des recommandations de produits et des textes d'affichage personnalisés pour chaque utilisateur. Grâce à cette sélection individuelle des produits et des messages publicitaires optimaux, les annonceurs peuvent augmenter leur chiffre d'affaires de manière significative.
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 secteurs des ventes 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 dans le domaine des ventes de médias numériques il y a treize ans chez le groupe d'édition Milchstrasse et Tomorrow Internet AG, avant d'occuper ensuite pendant plusieurs années le poste de VP International Operations chez Interactive Media CCSP.
]]>
Rocket Fuel a identifié les principaux facteurs de réussite des campagnes automobiles. Pour ce faire, l'entreprise a analysé les résultats de plus de 7 500 annonces automobiles numériques échangées sur sa plateforme entre septembre et novembre 2013. Voici un aperçu des résultats :
- Les voitures noires sont "in" et associées au luxe
- Les offres spéciales entraînent moins de clics et moins de conversions
- La sécurité avant tout : une augmentation de 134% du taux de clics
- Les récompenses augmentent les clics de 90 pour cent
- 116% de conversions en plus lorsque les annonces sont personnalisables et interactives
- Les annonces avec un arrière-plan blanc ou noir obtiennent moins de clics, mais plus de conversions
- 72% de conversions en plus pour les images de voitures sans humains
Les images du véhicule sont plus efficaces que les photos de personnes
Même si l'on pense que les publicités avec des visages sont les plus efficaces, l'étude de Rocket Fuel montre que ce n'est pas le cas pour les campagnes automobiles. Une campagne a plus de succès lorsque des images du véhicule sont montrées ; les visages humains ne contribuent au succès que lorsqu'ils apparaissent avec la voiture. Dans ce cas, le taux de conversion augmente de 72%.
Le prix est plus important que les offres spéciales
Selon l'étude, les annonces les plus efficaces sont celles qui mentionnent le prix original, sans offres promotionnelles spéciales. Dans l'ensemble, les annonces qui montrent des offres spéciales ont tendance à atteindre un taux de clics et de conversion plus faible dans une campagne. Celles qui ne mentionnent ni le prix normal ni une offre spéciale ont plus tendance à se concentrer sur la voiture en elle-même qu'à contenir de grandes quantités de texte. En ce qui concerne le contenu informatif, la sécurité (+134 pour cent CTR), la fiabilité (+92 pour cent) et les prix décernés (+90 pour cent) sont les outils les plus efficaces. Les messages publicitaires qui se réfèrent à de telles distinctions obtiennent le taux de clics et de conversion le plus élevé et le plus similaire.
La personnalisation augmente l'efficacité
Lorsque l'utilisateur peut créer ou configurer sa propre voiture dans le cadre d'une campagne, y compris choisir des options et ajuster le prix en conséquence, les annonces attirent beaucoup plus l'attention des consommateurs et atteignent 116 % de conversions de plus que la moyenne du secteur. Les campagnes les plus populaires sont celles où les utilisateurs peuvent changer le choix de la couleur de la voiture. Dans ce type de campagnes, les utilisateurs sont souvent dirigés vers le site web du constructeur. D'autres appels à l'action populaires utilisés par les annonceurs sont : "Voir les détails", "Trouver votre modèle", "Comparer", "Voir les offres", "Trouver un concessionnaire", "En savoir plus", "Cliquez ici et "Acheter maintenant" (classés par ordre d'efficacité).
Les voitures noires sont "in
Les couleurs qui apportent le taux de conversion le plus élevé sont le noir et l'option de choix individuel de la couleur. Les voitures noires sont associées au luxe et s'adressent à une génération plus âgée. Le plus grand pouvoir d'attraction des campagnes est l'interactivité, où les consommateurs peuvent personnaliser la couleur. L'analyse des couleurs dominantes et des couleurs d'arrière-plan utilisées révèle des différences significatives en termes de performance. Les annonces avec un fond blanc ou noir obtiennent moins de clics, mais plus de conversions, avec un taux de 10 à 20 % par rapport à la moyenne du secteur.
Sur la base des résultats de son étude, Rocket Fuel a établi une liste des cinq pratiques les plus efficaces pour les campagnes publicitaires automobiles :
1. le prix est plus important que les offres spéciales
2. choisissez un arrière-plan noir ou blanc
3. la voiture est importante, pas le conducteur
4. mentionner la fiabilité et les succès prouvés
5. permettre aux utilisateurs de concevoir leur propre modèle
Vous pouvez consulter les résultats de l'étude ici télécharger.