Salles blanches de données, incrémentalité et avenir des données propriétaires : êtes-vous prêt ?
Publié: 2024-05-03Désormais, tous les spécialistes du marketing connaissent le principe : le suivi par des tiers est en voie de disparition. Les restrictions en matière de confidentialité aux États-Unis et à l'étranger sont de plus en plus nombreuses et Google a commencé à supprimer progressivement les cookies de son navigateur Chrome.
Cela signifie que si votre entreprise n'a pas mis en place une stratégie de données respectueuse de la vie privée, vous êtes déjà en retard. Cela peut sembler une tâche ardue – de nombreuses méthodes peuvent être coûteuses et longues à mettre en place – mais ce que vous faites aujourd’hui avec les données pourrait bien être le différenciateur le plus important de la croissance à l’avenir.
Alors, que devriez-vous prioriser pour vous préparer à la dépréciation totale des données tierces ? Nos experts ouvrent la voie à trois solutions qui pourraient faire la différence entre le succès et l'échec dans un écosystème marketing first-party basé sur les données : les salles blanches de données, les tests d'incrémentalité et la modélisation du mix média.
Solution 1 : Salles blanches de données
Alors que le respect de la confidentialité devient un élément essentiel de votre stratégie marketing, vous avez besoin de systèmes en place pour à la fois protéger la sécurité des données de vos clients et alimenter le ciblage et la mesure des campagnes.
Les salles blanches de données sont la solution. Ils permettent aux spécialistes du marketing de comparer des ensembles de données, de comprendre les interactions des utilisateurs et d'en tirer des enseignements utiles sans mettre en danger la vie privée des individus.
Avec les salles blanches, les annonceurs peuvent interroger des données agrégées (par opposition aux données au niveau du client) pour analyser ces données sous des contrôles de confidentialité stricts, de sorte qu'il n'y a aucune exposition aux informations personnelles identifiables (PII) sous-jacentes. Cela signifie que les entreprises qui les utilisent ne peuvent pas suivre les utilisateurs individuels, mais peuvent tirer parti des informations sur le comportement de ces utilisateurs.
Mais là où les salles blanches brillent vraiment, c’est lorsque les marques doivent combiner des données provenant de plusieurs sources pour une meilleure mesure. Les données dans un environnement de salle blanche ne sont pas soumises aux mêmes restrictions que les données sur les plateformes. Si un utilisateur se désinscrit sur une plateforme individuelle comme Instagram ou TikTok, par exemple, cette plateforme est tenue de purger ses données, mais elles sont toujours disponibles dans les salles blanches car elles ne sont pas identifiables.
Voici quelques-unes des façons les plus importantes d’exploiter les salles blanches de données :
- Évaluer comment les campagnes du haut de l'entonnoir influencent les performances et interagissent avec les campagnes du bas de l'entonnoir
- Trouver la fréquence optimale pour diffuser des annonces avant de faire face à des rendements décroissants
- Développer de meilleurs profils de clients et segments d'audience en intégrant des données de première partie avec des identités adaptées à la plateforme publicitaire
Si vous êtes prêt à commencer à utiliser une salle blanche de données, vous disposez de plusieurs options. Si votre marque dispose d’une grande quantité de données first party avec lesquelles travailler, vous pouvez théoriquement créer votre propre salle blanche, mais attention : cela nécessite des efforts et des investissements importants.
Un point de départ plus simple consiste à travailler avec un tiers. Les principaux acteurs des plateformes publicitaires comme Google, Meta et Amazon dominent le paysage des salles blanches, car ils disposent de plus de données relativement matures que leurs concurrents et peuvent donner aux annonceurs de meilleures informations sur les performances de leurs publicités sur la plateforme. Vous devez réfléchir aux plateformes que vous utilisez le plus souvent lorsque vous prenez une décision.
Vous pouvez également consolider votre analyse sur une seule plateforme via des fournisseurs comme Habu, qui permettent aux utilisateurs d'interroger plusieurs salles blanches à partir d'une seule interface.
Malgré tous leurs aspects positifs, les salles blanches de données présentent également des limites importantes. La plupart des salles blanches ne fonctionnent que pour une seule plateforme et ne peuvent pas être combinées avec d’autres salles blanches de données. De nombreuses salles blanches ont également des limites intégrées quant au nombre de fois où les annonceurs peuvent interroger le même ensemble de données afin d'empêcher l'identification des individus dans l'ensemble de données.
Solution 2 : tests d'incrémentalité
Le marketing doit générer une croissance incrémentielle, et les tests d'incrémentalité mesurent précisément cela en supprimant les conversions qui auraient eu lieu de toute façon, confirmant ainsi l'impact réel de vos campagnes sur la décision d'achat.
Un cadre de test d'incrémentalité robuste peut aider les marques à valider les données de performances modélisées et à obtenir une image plus claire de la façon dont les campagnes affectent l'ensemble du parcours client.
Ces tests peuvent aider votre équipe à comprendre la véritable amélioration des KPI clés et des résultats commerciaux induits par le marketing, générant ainsi des informations essentielles sur l'efficacité des médias au fil du temps. Vous pouvez également utiliser les tests d'incrémentalité pour calibrer les modèles de prévision et de budgétisation sur une véritable causalité afin qu'ils puissent déterminer le « prochain meilleur dollar dépensé » en comprenant l'augmentation relative selon les tactiques, les audiences et les plates-formes.
Il existe une variété de tests parmi lesquels choisir en fonction des types de données et des canaux impliqués et des priorités de votre marque. Vous devrez déterminer si le test cible des audiences connues (propriétaires) ou inconnues (tiers) et s'il est spécifique à la plateforme ou multiplateforme.
Une fois que vous avez choisi un ou plusieurs tests, votre équipe devra attribuer vos variables et définir la taille des échantillons, le budget et les délais. Une fois le test déployé, commencez immédiatement à mesurer vos résultats : une analyse à mi-parcours est essentielle pour déterminer si le test donne des résultats ou si vous devez vous arrêter plus tôt et changer de direction.
Si vous débutez, n'oubliez pas que les tests d'incrémentalité ne sont pas une tâche facile pour la plupart des entreprises. La configuration prend beaucoup de temps et d'efforts, et elle ne produira pas immédiatement de commentaires pour l'optimisation de la campagne. Pensez à rechercher des partenaires fiables pour vous aider à mettre en place des tests efficaces répondant à vos besoins.
Solution 3 : Modélisation du mix média
L’une des plus grandes craintes concernant la dépréciation des données tierces est la perte du suivi multicanal et la diminution potentielle des mesures et des informations véritablement intégrées. La modélisation du mix média (MMM) vous aidera à déterminer le mix média optimal sur chaque canal et plateforme et à prévoir le budget dont vous avez besoin.
MMM est une approche de mesure holistique que les spécialistes du marketing utilisent pour déterminer l'impact multicanal généré par tous les efforts marketing, y compris les effets difficiles à mesurer comme les rendements décroissants.
Les marques qui exploitent un MMM saisissent des données et un modèle déterministes pour le reste, exploitant les données passées pour prédire les investissements futurs. Idéalement, vous inclurez les métriques de marque comme entrées afin de pouvoir utiliser le modèle pour comprendre l'effet de ces métriques sur les conversions. Ces modèles doivent également intégrer des variables non médiatiques, notamment des facteurs économiques, des changements de prix, des promotions, des niveaux de stocks, etc., pour déterminer avec précision l'impact médiatique.
Source : Revue des affaires de Harvard
Si les MMM offrent aux spécialistes du marketing un bon moyen de prédire la croissance future et de quantifier les indicateurs de marque, ces modèles présentent également leurs défis. Les MMM peuvent être coûteux et lents, mais le plus gros problème pour la plupart des spécialistes du marketing qui cherchent à tirer parti de cette méthode de mesure est que le développement de ce type de modèle nécessite des années de données.
Heureusement, il existe un nouveau type de MMM en ville : les MMM à grande vitesse, comme le Growth Planner de Wpromote, qui exploitent la disponibilité accrue des données, la puissance de calcul et l'automatisation d'aujourd'hui pour mesurer l'impact des canaux sur les conversions passées et prédire avec précision les résultats sans utiliser de données individuelles. Cela accélère le processus MMM pour le rendre plus efficace pour les spécialistes du marketing.
Les MMM à grande vitesse fournissent également des informations plus fréquentes pour aider les spécialistes du marketing à s'adapter plus rapidement. Les spécialistes du marketing peuvent obtenir des résultats presque en temps réel et des informations plus détaillées pour améliorer les performances.
Avec ces trois composants en place, votre stratégie de données sera mieux équipée pour faire face à la dépréciation continue du suivi tiers avant qu'elle ne se produise. Et même si tous ces changements dans l'écosystème des données peuvent être intimidants, il y a un côté positif : les systèmes respectueux de la vie privée vous permettent de résoudre les angles morts qui ont toujours existé dans les méthodes de suivi obsolètes.
Le suivi des données de première partie prend en compte les chaînes négligées par l'attribution basée sur les cookies, comme la télévision, la radio, OHH et d'autres chaînes. Il peut également fournir une vue plus précise des performances tout en protégeant la confidentialité des clients.