[TRIBUNE] Fin des cookies tiers : pour survivre les annonceurs devront structurer leur stratégie data !

La conséquence directe et immédiate va être la raréfaction dans l'écosystème de la matière première aujourd'hui utilisée par beaucoup d'enseignes pour opérer leurs campagnes marketing, à savoir les données de ciblage. L'impact économique risque d'être majeur pour ces enseignes qui seront désormais aveugles pour opérer leurs stratégies d'acquisition et de fidélisation client. La structuration d'une stratégie data s'appuyant sur la donnée first-party est désormais une question de survie.

Dans ce contexte, cette stratégie data s'articule autour de 3 challenges qui doivent être adressés par les équipes marketing pour sortir de leur dépendance aux cookies tiers.

Se constituer un asset de matière première en propre

Les données first-party correspondent à toutes les données que l'enseigne possède, contrôle et peut utiliser de toutes les façons imaginables pour améliorer la personnalisation et enrichir les parcours clients. Ces données représentent l'alternative aux données third-party et doivent devenir une priorité de collecte pour les enseignes afin de pouvoir opérer leurs campagnes et délivrer une expérience client personnalisée.

Ces données peuvent être issues de multiples sources (fiches clients, données de navigation, données d'achats, données de réactivité, programme de fidélité... ), l'objectif étant de pouvoir historiser l'ensemble des interactions d'une enseigne avec ses consommateurs sur l'ensemble des points de contact. L'exploitation de ces données consolidées va permettre d'avoir une meilleure connaissance client, d'identifier des enjeux business clés, d'opérer des campagnes personnalisées et de mesurer leur impact sur le chiffre d'affaires.

Ces projets de collecte et consolidation sont généralement confiés à des partenaires proposant des plateformes expertes. Compte tenu du nombre et de la complexité des sujets métiers et techniques à traiter, et souvent sous-estimés, (gestion des consentements, de la sécurité, de la scalabilité, de la réconciliation, etc..), l'internalisation est rarement une option retenue par les enseignes. Par ailleurs, le temps de mise en place est drastiquement réduit car ces plateformes ont automatisé une grande partie de l'intégration des données avec les principaux outils de l'écosystème. À titre d'exemple un projet interne requiert a minima 2/3 ans et un budget d'investissement conséquent pour être opérationnel, quand une plateforme est opérationnelle en 3 mois en moyenne.

Identifier les besoins de chaque client grâce à l'intelligence artificielle

Comme le diamant qui n'est exploitable qu'une fois taillé et poli, les données brutes consolidées et nettoyées sont indispensables mais pas encore suffisantes. Les enseignes doivent enrichir leurs datas afin de les rendre plus intelligentes et plus actionnables. Pour cela, l'intelligence artificielle est aujourd'hui la seule solution pour permettre cet enrichissement, qu'il s'agisse de segmentation, de qualification, de score, de recommandation, de mesure, de prévision... Comment déterminer les couleurs préférées ou le style, comment calculer une lifetime value, comment identifier les churners, comment associer un individu à un persona, comment mesurer la fatigue, comment qualifier les centres d'intérêts, comment détecter un prospect en phase finale de décision d'achat, autant de challenges auxquels l'humain ne peut pas apporter individuellement des réponses sans l'aide de la technologie.

L'individu devient de fait l'élément central au coeur du dispositif. L'enjeu n'est plus de parler à tout le monde tout le temps, mais d'abord de comprendre chaque client, que ce soit ses attentes, ses besoins, ses préférences, comme le ferait un vendeur en magasin. Cette connaissance individuelle est le point de départ indispensable pour ensuite envisager une exploitation adaptée en fonction des différents besoins métiers, que ce soit pour du reporting, de l'analyse, opérer des campagnes ou proposer une expérience client personnalisée.

Ce changement de paradigme est rendu possible aujourd'hui par les évolutions technologiques de ces dernières années qui ont permis l'émergence de nouvelles techniques statistiques extrêmement performantes (machine learning, deep learning, reinforcement learning par exemple). Ces techniques permettent désormais la manipulation d'une grande quantité et surtout d'une diversité de données pour améliorer constamment les prédictions, notamment à travers la détection des signaux faibles. L'a priori n'est plus la règle, au contraire la richesse et la diversité des informations deviennent les enjeux clés pour améliorer les prévisions.

Déployer un marketing individualisé sur tous les canaux pour gagner en performance

Les trois facteurs les plus discriminants pour expliquer la performance des campagnes marketing sont 1/ la contactabilité de la base client, 2/ la pertinence du message pour le consommateur et 3/ le nombre de canaux utilisés pour communiquer ce message.

Plus une base client est riche en contactabilité, c'est-à-dire en disponibilité d'informations de contacts (email, mobile, adresse postale, date de naissance, etc.), plus les possibilités de communiquer seront nombreuses. Un simple exercice de comparaison de la valeur client en fonction de la contactabilité est généralement significatif pour prendre conscience de l'enjeu. À ce titre, le magasin est ici un rouage essentiel pour favoriser la collecte des données de contacts afin de pouvoir continuer à converser avec les clients une fois la sortie franchie. Il est d'ailleurs encore étonnant de constater le nombre de magasins (concessions automobiles, showrooms divers, etc.), qui ne sollicitent pas leurs visiteurs à ce sujet.

La pertinence du message est également capitale pour capter l'attention des clients. De la même façon qu'un " personal shopper " adapte ses recommandations en fonction de chacun de ses clients, le marketing individualisé permet aux enseignes d'améliorer l'expérience client en amenant une logique de personnalisation individuelle. C'est également ici que l'intelligence artificielle intervient pour faciliter l'identification des bons prétextes de communication ainsi que les contenus les plus adaptés pour opérer des campagnes personnalisées performantes.

Enfin la définition d'un mix-media omnicanal devient indispensable pour dynamiser la performance commerciale. Le canal email est toujours largement utilisé mais ne suffit plus quand on observe des taux d'ouverture d'emails de 20% maximum. Par exemple, si vous avez une base de 10 millions de clients renseignés à 50% avec un email et un taux d'ouverture moyen de 20% pour une newsletter, cela signifie que vous ne parlez en réalité qu'à 10m * 50% * 20% soit 1 million, c'est-à-dire 10% seulement de vos clients. Pour développer la performance client, il est donc impératif de parler aux 90% restants. Pour cela, il faut augmenter son "reach", c'est-à-dire augmenter le nombre de clients qui vont effectivement voir (et pas uniquement recevoir) votre communication. Le déploiement de campagnes omnicanales exploitant plusieurs canaux de diffusion ( réseaux sociaux, display, sms,..) est devenu indispensable pour toucher massivement ses clients et communiquer là où ils se trouvent.

Cette nouvelle stratégie reposant sur l'exploitation de ses propres data grâce à l'IA, est une alternative durable pour sortir de cette dépendance aux cookies tiers. D'une situation défensive pour maintenir une capacité à opérer ses campagnes marketing, cette stratégie permet aux enseignes de s'engager dans une démarche client beaucoup plus qualitative, car au plus près des besoins de chaque individu.

Cette compréhension individuelle, rendue possible grâce à l'IA, devient un enjeu clé de la performance marketing et s'affirme comme un avantage concurrentiel majeur des prochaines années pour accompagner au mieux les consommateurs dans leur parcours d'achat.

Olivier Marc est le président d'Advalo