single

     

Redonner du sens au marketing via la data - part 2

Les spécialistes marketing mis à mal par une piètre intégration des données clients au travers des différents canaux...

A. L'IMPORTANCE DE SEQUENCER ET DE MONITORER LA FREQUENCE D'ENVOI DU CONTENU PUBLICITAIRE SUR LA BASE DES ACTIONS SPECIFIQUES DES CONSOMMATEURS

Les campagnes de branding axées sur le positionnement d'une arque dans l'esprit des consommateurs intègrent un certain degré de gaspillage puisqu'elles ne sont pas particulièrement ciblées. Les responsables marketing préfèrent, notamment lorsqu'ils ciblent des consommateurs qui sont à un stade un peu plus avancé dans le cycle d'achat, offrir des versions de publicité qui s'adressent à la bonne personne, via le bon canal et au bon moment, en garantissant ainsi une expérience plus pertinente. L'insertion dynamique de contenu, qu'il s'agisse de produits ou de messages, permet de définir un niveau de pertinence accrue d'un message dans l'ensemble de ses déclinaisons. Pour ce faire, l'agence, de concert avec l'annonceur doit créer une stratégie capable d'ajuster le séquencement et le contenu du message en fonction du profil du consommateur, du produit considéré et de l'avancement dans le tunnel de conversion. Il va sans dire que c'est loin d'être chose aisée. Une fois que vous commencez à multiplier les scénarios possibles pour l'ensemble des produits et types de client, en tenant compte du niveau d'engagement dans le processus d'achat, le nombre de combinaisons de messages devient très important. En guise d'exemple, si un consommateur visite un site Internet d'achat en ligne d'appareils électroménagers pour un réfrigérateur, le spécialiste marketing, doté de bons outils, doit pouvoir personnaliser l'expérience client en fonction : des dernières pages produit visitées, de l'historique de recherche sur le site, des interactions avec l'applicable mobile, des données CRM reflétant les ventes en ligne et/ou hors ligne passées, de l'engagement vis-à-vis des newsletters reçues et ouvertes, ou vis-à-vis des encarts ou campagnes publicitaires auxquels le consommateur a été exposé et de ses actions sur les médias sociaux.

Cela nécessite une solide capacité de traitement pour collecter, analyser et segmenter toutes ces informations consommateur émanant de différents canaux à la minute près. La bonne DMP fera cela sans effort, tout en s'assurant que les équipes marketing puissent transférer ces "instructions de données" à leurs CMS aux fins de la personnalisation du site Internet, à leur fournisseur de service de messagerie (ESP) à des fins de personnalisation du contenu e-mail ainsi qu'à tous les serveurs publicitaires appropriés le long de la chaîne d'affichage en ligne, mobile, vidéo, médias sociaux aux fins d'une personnalisation publicitaire étendue. Les responsables marketing doivent être en mesure de séquencer avec soin et plafonner la fréquence d'envoi du contenu publicitaire sur la base des actions spécifiques de chaque consommateur. L'analyse de la déduplication des couvertures et la fréquence totale (TURF) permet aux responsables marketing de savoir non seulement qui ils atteignent, mais aussi le nombre de fois ou ils doivent leur adresser des messages en vue d'obtenir des taux de réponse optimaux. L'envoi de messages séquentiels associe effectivement les messages avec la localisation d'un consommateur dans l'entonnoir d'achat (p. ex. sensibilisation, considération, préférence, etc.) et de manière appropriée selon le terminal utilisé. L'élément clé ici consiste à être en mesure de gérer de manière centralisée ces fonctions, de sorte que le plafonnement de la fréquence et les règles de séquençage des messages puissent être appliqués sur l'ensemble des serveurs dès le départ, plutôt qu'au coup par coup. Cela permet de réduire les incohérences et de faciliter la gestion des campagnes. Une DMP étroitement intégré avec l'ensemble des principales plateformes de gestion publicitaires et de contenus est nécessaire pour retranscrire cela dans les faits.

B. LES RESPONSABLES MARKETING DOIVENT MENER UNE ANALYSE INTEGREE POUR COMPRENDRE LEUR REEL RETOUR SUR INVESTISSEMENT

Une fois que la publicité s'adresse effectivement aux consommateurs sur les différents supports en transmettant le bon message au bon moment, la question qui se pose naturellement est la suivante : est-ce que tout cela fonctionne vraiment ? Les approches d'analyses intégrées et l'attribution par point de contact permettent aux responsables marketing de voir quels leviers impactent la performance d'une campagne. Les responsables marketing doivent impérativement réaliser des A/B testing variés avec des créations publicitaires déclinées par audience et/ou par emplacement. L'idée étant de comprendre quels sont les canaux et les créations publicitaires les plus performants en fonction des différents profils consommateurs et cycles de vie client. Ce type de test peut s'appliquer tout au long du processus marketing, allant de l'exposition initiale aux pages visitées sur le site de l'annonceur ou encore au renvoi vers des pages d'atterrissage distinctes selon les canaux marketing. En combinant ces approches avec l'analyse TURF, les responsables marketing disposent de tous les outils dont ils ont besoin pour faire le meilleur usage de leurs budgets marketing en exploitant l'ensemble des données dont ils disposent.

C. EXPLOITER L'ATTRIBUTION MULTITOUCH (MTA) POUR OPTIMISER L'APPROCHE TACTIQUE

MTA permet aux responsables marketing de prendre des décisions axées sur le ROI, afin d'améliorer la planification des campagnes et de budgétiser des allocations au niveau du point de contact individuel. L'approche permet d'en déduire des résultats ROI pour le display, la vidéo, le search, les réseaux sociaux, le mobile, l'e-mailing ou encore la conversion sur site internet, tout en contrôlant l'impact du média télévisé et les comportements de conversion individuels associés.

4. TOUS LES CLOUDS MARKETING NE SONT PAS EGAUX : LA QUALITE DES DONNEES ET L'ANALYTIQUE SONT LES POINTS DE DIFFERENCIATION

Le bon cloud marketing doit permettre aux marques, aux agences et aux sociétés médias de couper court à la complexité de la multiplication des données pour permettre d'offrir une vision complète et unifiée des clients et prospects. La réponse que proposent de nombreux clouds marketing au défi des données consommateur est de "voir les choses en grand". Mais voir les choses en grand n'est pas suffisant. Toutes les "données massives" présentent des biais et des lacunes en termes de couverture, et si les responsables marketing souhaitent véritablement pouvoir se fier aux informations clients qu'ils reçoivent, ils doivent se demander comment les modèles de segmentation de leur audience sont effectivement construits, s'il ya des éléments de mesure auxquels ils peuvent se référer plutôt que de se baser uniquement sur des milliards de "signaux" de données. L'élimination des données inutiles requiert l'accès à un panel représentatif de données réelles fondées sur des personnes pour vérifier et rendre les "données massives" plus intelligentes, mais cet actif (et ce set de compétences) n'est pas à la portée de toutes les sociétés proposant des technologies marketing. En d'autres mots, les technologies marketing de structuration des données n'ont de valeur que sur la base des données avec lesquelles elles démarrent et dont elles s'enrichissent au fil du temps.

5. VERS UNE APPROCHE MACHINE LEARNING POUR OPTIMISER SON PATRIMOINE DATA

La technologie d'apprentissage au niveau des machines dont nous disposons aujourd'hui permet d'analyser et d'agir en continu sur des milliards de points de données de consommation afin de donner du sens à ce qui ne se limiterait qu'à du "bruit". Les méthodes scientifiques avancées qui étaient auparavant uniquement l'apanage des physiciens et des universitaires sont désormais ouvertes à un large public. Les algorithmes qui sont à présent derrière tous ces segments d'audience sont capables d'autoapprendre à la seconde près. Cela donne la possibilité aux acteurs de la grande consommation ou autres, de mettre en place des segments d'audience sur mesure qui répondent à la volatilité constante du comportement des consommateurs de manière automatisée et en apprentissage permanent. Plus les algorithmes ont de données à traiter, plus ils deviennent précis. Et c'est en cela qu'il est important d'allier les données 1st party aux données 3rd party afin d'appliquer des méthodes de LookALike modeling qui soient pertinentes.

Pour consulter l'ensemble de l'ouvrage, cliquer ici