Comment utiliser la Data pour améliorer l'efficacité publicitaire ?

La Data s'est imposée comme un sujet central en matière de publicité.Face aux différentes offres proposées, les décideurs ont parfois du mal à s'y retrouver. Quels sont les éléments à prendre en compte ?Quelle gestion de campagnes faut-il mettre en oeuvre ? Quelle est la place de la Data E-commerce ?

Beaucoup d'offres disponibles mais trop peu de transparence sur le contenu et donc la valeur de la Data

Au cours des dernières années, les décideurs inscrits dans une démarche Data Driven Marketing ont utilisé leurs propres données (1st party data) à des fins de retargeting, de fidélisation ou de réduction de la désactivation (churn). Ces responsables marketing maîtrisent l'origine et l'exploitation de cette donnée 1st party.

En revanche, lorsque les problématiques à adresser concernent la sollicitation d'individus non captifs d'un annonceur, ce dernier doit faire l'acquisition de données mises à disposition par des tiers (2nd ou 3rd party Data) pour optimiser le ciblage de ses campagnes.

De nombreuses offres sur le marché proposent d'enrichir les campagnes publicitaires des annonceurs en intégrant de la Data. Toutes les données ne présentent pas la même valeur en fonction de leurs origines, leurs modes de collecte, leurs récences/fraîcheurs ou leurs exploitations/expositions.

Dans le cas de données socio-démographiques, les segments peuvent être constitués à partir de données déclaratives, par extrapolation à partir de comportements de navigation observés ou par déduction en fonction des rubriques visitées. Les résultats d'une campagne seront nécessairement différents selon tel ou tel mode de collecte.

De la même manière, un segment qui a été sollicité à de nombreuses reprises au cours des derniers jours dans le cadre de campagnes à la performance n'offrira pas un niveau de rendement intéressant.

A titre d'exemple, en France, le nombre de déménagements s'élève à 3 millions par an, soit environ 250.000 par mois. Quid d'un segment qui regroupe plusieurs millions de " déménagés " sans connaître l'origine de la collecte, sa récence ou son mode de calcul ?

La Data est un actif invisible de la campagne contrairement aux insertions publicitaires. Le 1er enjeu est donc de démontrer la valeur réelle de cet élément. Il est primordial de prouver que la Data proposée est de bonne qualité.

Pour cela, nous encourageons tous les acteurs à être le plus transparent possible sur les données mises à disposition et à mettre en oeuvre des études/certifications (ex : OCR/Comscore) pour valider la pertinence des segments proposés.

Définir son objectif et le mode opératoire, la base de toute campagne publicitaire

La définition des objectifs d'une campagne est le préalable à toute action publicitaire, quels que soient les médias et supports employés, Internet ne faisant pas exception à la règle.

L'intégration de Data dans le ciblage doit même renforcer cette obligation car son utilisation va induire un coût supplémentaire à la campagne et les KPIs associés seront nécessairement impactés.

La Data (ou le ciblage) est un paramètre important d'une campagne mais ce n'est pas l'élément qui, à lui seul, va révolutionner les performances : un message confus, une mauvaise créa impacteront également les résultats de l'opération.

Enfin, il est nécessaire d'adapter les modes opérationnels en fonction des objectifs à atteindre.

Dans une logique de couverture sur cible, l'objectif sera de développer la notoriété de la Marque. Dans ce cadre-là, nous privilégierons donc une diffusion du message adaptée et maîtrisée sur une cible sexe/âge par exemple.

Pour une campagne à la performance, il n'est pas toujours judicieux de créer la cible ad hoc que l'annonceur considère comme le " segment idéal ". En règle générale, ce dernier ne correspond jamais à la population la plus appétente. Pour répondre à cette problématique, la seule solution à mettre en oeuvre est un processus de " test and learn " sur la durée qui optimisera le ciblage de manière itérative grâce l'analyse des spécialistes de la donnée (Data Scientists) ou l'efficacité des algorithmes (Machine Learning) pour identifier les bons signaux à activer.

Spécificités de la Data E-commerce

La Data est devenu un actif majeur pour les sites E-commerce, et ces derniers ont pris conscience que son exploitation représente de réelles opportunités de business. Désormais, cette Data est utilisée par les e-commerçants à des fins publicitaires afin de mieux valoriser leurs inventaires.

L'audience des sites E-commerce permet en effet de construire des segments qualifiés et donc pertinents pour les annonceurs, et ces sites peuvent se targuer de proposer une audience :

- engagée (visiter un site E-commerce est une démarche active de consommation)

- renouvelée (50% de l'audience d'un site E-commerce est renouvelée chaque jour)

- ciblée (une catégorie E-commerce est un univers à part entière permettant un ciblage fort)

Il est vrai que les comportements réels d'achats des consommateurs constituent une source fiable pour la constitution de segments, à l'inverse d'une modélisation statistique dont le niveau d'approximation peut s'avérer plus ou moins élevé.

De plus, la Data E-commerce permet de mesurer efficacement la performance des campagnes en dépassant la simple analyse du taux de clic : il est possible d'observer l'évolution des recherches, des intentions d'achat et des achats réels sur les individus sollicités afin de mesurer l'impact des investissements publicitaires sur les ventes.

En résumé, la Data permet de mieux segmenter/cibler son audience, identifier de nouveaux prospects et optimiser les performances des actions marketing/publicitaires.

Mais elle n'autorise pas à s'affranchir des fondamentaux du marketing : quantification des objectifs, définition du mode opératoire le plus adapté, cohérence du message...

Avant d'acheter une voiture (ou tout autre bien), vous vous interrogez sur votre besoin, la fiabilité, etc...

Nous vous invitons à être aussi exigeants lors de vos campagnes publicitaires Data :

1/ Quel est l'objectif de l'opération ?

2/ Comment le segment est-il constitué ?

3/ Quelle est la récence des données utilisées ?

4/ Comment le segment est-il exploité ?