Intro

L’App Store Optimization, ou ASO, est le processus d’optimisation d’une application ou d’un jeu dans les magasins d’applications (Apple App Store, Google Play Store, Microsoft Store) afin de maximiser la visibilité, d’améliorer les taux de conversion et de favoriser les téléchargements organiques. 

L’ASO est en fait le SEO (Search Engine Optimization) pour les applications. Depuis l’introduction de l’ATT, l’ASO a gagné encore en importance. 

L’acquisition d’utilisateurs devient plus difficile que jamais, avec l’abandon progressif de l’IDFA et l’évolution rapide d’Apple vers le ciblage contextualisé. 

Dans ce guide, vous apprendrez à maîtriser l’ASO et à découvrir ce qu’il signifie pour votre activité.

Chapitre 1

Qu’est-ce que l’optimisation sur l’App Store ?

L’optimisation sur App Store est le processus d’amélioration de la visibilité, de la portée et des taux de conversion des applications ou des jeux dans les magasins d’applications. Avant de nous plonger dans les stratégies d’amélioration de votre classement, un mot sur la manière dont tout a commencé.

La brève histoire d’ASO

L’App Store d’Apple a été lancé en 2008 et a révolutionné la façon dont nous utilisons nos téléphones. La même année, le magasin Google Play a suivi pour les appareils Android. On parle de 500 applications au départ… puis en 2022, près de 3,5 millions sur Google Play et 2,2 millions sur l’App Store… 

Comme on pouvait s’y attendre, il n’a pas fallu longtemps pour que le marché devienne extrêmement encombré et concurrentiel, ce qui a posé deux grands défis : comment les développeurs peuvent-ils faire connaître leur application ? Mais aussi, comment les utilisateurs peuvent-ils en trouver de nouveaux ?

C’est là qu’ASO est entré en scène. Tout comme Google Search a ses normes de classement pour le référencement, l’App Store a lui aussi son propre algorithme. Il s’agit de mots-clés de l’application, du nombre d’installations, des évaluations et des commentaires.

Thomas Petit divise la croissance d’ASO en deux étapes : ASO 1.0 et ASO 2.0. 

ASO 1.0

Les premiers jours de l’ASO étaient principalement axés sur les mots-clés. Les bons réflexes consistaient à ajouter des mots-clés dans le titre de l’application, et votre mot-clé principal dans le « keyword field » lors de la publication de votre application. L’intensification de la concurrence a entraîné l’apparition de stratégies ASO dites « black hat » (des tactiques contraires aux conditions de service visant à pirater le classement des applications).

ASO 2.0

ASO s’est ensuite un peu compliqué dans son fonctionnement. Parsemer la description de votre application de mots-clés plus ou moins connectés ne suffisait plus. Il fallait désormais améliorer l’expérience-utilisateur. 

Au cours de cette phase, l’algorithme ASO a commencé à prendre en compte le comportement de navigation et le comportement du trafic de référence. Cela inclut les taux de conversion et le temps passé sur la page de l’application afin de déterminer la qualité de l’application.

ASO est aujourd’hui un peu plus complexe. Nous le verrons plus bas dans cet article.

Pourquoi s’intéresser à l’ASO ?

L’ASO permet d’augmenter le nombre d’impressions et de générer davantage de téléchargements organiques. Cela signifie une plus grande exposition de la marque et, surtout, plus de revenus.

Supposons que quelqu’un cherche une application pour faire des exercice physiques, et tape “application de sport” dans l’App Store. La différence entre la première position et la cinquième page de résultats est considérable. 

Il est donc clair que l’amélioration de votre classement entraîne un avantage concurrentiel. La position de tête équivaut à gérer un restaurant en plein milieu de la rue la plus fréquentée de la ville. Cela permet aux gens de savoir immédiatement que vous êtes quelqu’un de sérieux. 

Mais la cinquième page des résultats de recherche serait l’allée cachée dans l’ombre… Personne n’oserait s’y aventurer – et s’il le faisait, il serait sceptique quant à la qualité de vos plats.

App Store Optimization (ASO) checklist for 2023

Thanks for your download!

L’ASO comme stratégie d’acquisition d’utilisateurs

Une ASO réussie permet d’acquérir de nouveaux utilisateurs de manière organique, qui sont généralement plus engagés et plus fidèles que les utilisateurs payants. Un taux de conversion plus élevé signifie plus de téléchargements et une réduction des coûts globaux d’UA sur l’ensemble de vos canaux marketings. 

L’ASO est indispensable pour rester compétitif sur le marché actuel, surtout si vous n’avez pas les budgets nécessaires pour rivaliser avec les plus grands acteurs du marché. 

ASO vs. SEO : est-ce la même chose ?

L’optimisation sur magasin d’applications et l’optimisation sur moteurs de recherche sont très similaires sur le principe. Le référencement consiste à optimiser un site web pour améliorer son classement dans les moteurs de recherche tels que Google, Bing et DuckDuckGo, tandis que l’ASO consiste à optimiser une application pour améliorer son classement dans les magasins d’applications. 

Les différences les plus importantes se situent au niveau de l’exécution.
L’ASO se concentre sur les téléchargements organiques, la réduction des coûts d’acquisition des utilisateurs et l’amélioration de la « découvrabilité », alors que l’objectif du référencement est de générer du trafic organique et des conversions sur un site web.

Chapitre 2

Boutique d’applications iOS vs. Google play store

Quelle que soit la plateforme, l’ASO consiste à rendre la page produit de votre application aussi informative, pertinente et attrayante que possible. Cela dit, il existe des différences essentielles entre l’App Store d’Apple et le Google Play Store que vous devez connaître, notamment en ce qui concerne leur algorithme et leurs facteurs de classement. 

Bien que l’algorithme exact ne soit pas rendu public, les deux codes de classement des applications sont liés à quatre concepts clés : la qualité perçue, la mise à jour du contenu, la taille de la marque et la valeur pour l’utilisateur. 

Voici quelques facteurs qui contribuent aux critères :

Facteurs de classement de l’App Store d’Apple

• Nom de l’application
• Sous-titre de l’application
• URL de l’application
• Keyword field
• Cycle de mise à jour
• Téléchargements
• Engagement
• Nombre d’installations
• Feedbacks et évaluations des applications
• Mises à jour de l’application
• Achats in-app

Facteurs de classement du Google Play Store

• Titre de l’application
• Brève description de l’application
• Description longue de l’application
• Cycle de mise à jour
• Nombre d’installations
• Feedbacks et évaluations des applications
• Achats in-app

Recevez les dernières infos marketing et les avis d’experts directement par mail

Chapitre 3

Comment pratiquer l’ASO comme un pro

Maintenant que vous savez pourquoi l’ASO est essentiel au succès de votre application, passons à la tactique. Dans ce chapitre, nous verrons comment mener une recherche de mots-clés et les appliquer à vos pages produits pour attirer plus de visiteurs, et générer plus de téléchargements.  

Comment effectuer une recherche de mots-clés – le keyword research

Commençons par définir ce qu’est un mot-clé. Un mot-clé est un terme de recherche qui décrit votre application. Il peut être divisé en quatre catégories principales :

1. Problème : quels sont les besoins auxquels vous répondez ?
2. Fonctionnalité : qu’est-ce que votre application apporte ?
3. Utilisateur : quelles sont les caractéristiques démographiques et « psycho-graphiques » de votre base d’utilisateurs ?
4. Lieu : où cette application est-elle utilisée et en quelles occasions ?
5. Action : quelle action votre application permet-elle de réaliser ? Réserver un hôtel ? Louer une voiture ?

1 – Brainstorm sur les mots-clés

Il y a des millions de façons de trouver des idées. Voici quelques moyens de dresser une liste de mots-clés pour commencer :

• Utiliser des outils de recherche de mots-clés comme AppRadar ou AppTweak
• A l’aide d’un recueil des termes, trouvez autant de synonymes que possible à vos principaux mots-clés.
• Lire les commentaires des utilisateurs
• Recherchez les mots-clés de vos concurrents
• Décrivez ce qui rend votre application unique
• Identifier votre créneau
• Utiliser l’« autocomplete» ou les suggestions de mots-clés par IA 

2 – Validez et réduisez vos mots-clés

Maintenant que vous disposez d’une liste substantielle de mots-clés, filtrez les meilleurs d’entre eux en identifiant ces points clés :

1. Pertinence : dans quelle mesure ce mot-clé est-il lié à votre application ? Est-ce trop exagéré ? Si c’est le cas, cherchez ailleurs.
2. Difficulté et concurrence : combien d’applications sont en concurrence pour ce mot-clé ? Existe-t-il une possibilité d’arbitrage au vu du volume actuel ?
3. Volume de recherche : combien de personnes recherchent ce mot-clé ?

Tous les facteurs de classement ASO à connaître 

Maintenant que vous maîtrisez la recherche de mots-clés, voyons comment vous pouvez l’appliquer à votre page d’application. 

Les résultats de recherche de l’App Store affichent une application payante en haut de la page, et les utilisateurs devront faire défiler la page vers le bas pour accéder aux résultats organiques. 

Voici ce que vous pouvez optimiser pour obtenir un meilleur classement :

Nom et titre de l’application

Considéré comme l’un des principaux facteurs de classement ASO, un titre d’application est le nom officiel d’une application affiché sur la page de votre produit dans l’App Store ou le Google Play Store. 

Pour les deux magasins, la limite est de 30 caractères, ce qui signifie que vous devrez être bref (généralement pas plus de quatre mots). 

Comment nommer votre application

1. Prenez votre liste de mots-clés et trouvez un moyen de les incorporer dans votre titre.
2. Identifier un nom unique qui ne viole pas un droit d’auteur ou une marque déposée. 
3. Envisagez d’utiliser l’une de ces combinaisons :
   1. Nom de marque + un seul mot-clé (Panera Bread, Google Photos)
   2. Nom de la marque : mots-clés et phrases (Canva : Design
   3. Condenser des mots et des phrases (WeChat, Dropbox)
   4. Créer un mot complètement nouveau (Airbnb)

Pour plus de conseils, lisez notre guide sur la rédaction d’un titre d’application efficace.

1 – Le sous-titre

Votre sous-titre peut comporter jusqu’à 30 caractères et constitue le deuxième facteur de classement ASO le plus important. Il peut s’agir d’un slogan ou d’un appel à l’action (CTA). Par souci d’espace, pensez à utiliser des virgules pour énumérer les mots-clés successifs. 

2 – Champ des mots-clés

Les éditeurs peuvent saisir jusqu’à 100 caractères pour décrire leur application, qui n’est pas visible par le public. Vous pouvez saisir plusieurs mots-clés, séparés par des virgules. N’oubliez pas que les virgules comptent en effet dans la limite de caractères et évitez d’ajouter des espaces après la virgule.

3 – Titres des achats in-app (IAP)

Le nom des achats in-app a l’impact le plus faible mais fournit un contexte supplémentaire à l’algorithme. 

4 – Nom du Package (Google Play)

Sur le Google Play Store, vous pouvez publier votre application à l’aide d’un URL personnalisée, ou ce que l’on appelle un package name Vous pouvez y ajouter vos principaux mots-clés, mais sachez que l’URL ne peut être publié qu’une seule fois et ne peut être modifiée ultérieurement.

5 – Ne pas dupliquer les mots-clés sur iOS

Le Google Play Store récompense les applications qui utilisent le même mot-clé dans leur titre, leur description et d’autres emplacements. Utilisez un mot-clé une fois dans le titre, dans la description courte et jusqu’à cinq fois dans la description longue. 

En revanche, n’oubliez pas qu’iOS ne tient compte qu’une seule fois d’un mot-clé ; évitez donc les doublons sur l’App Store.

6 – Brève description

La description courte peut contenir jusqu’à 80 caractères sur Google Play et 45 caractères sur l’App Store. Il s’agit d’une présentation rapide de ce que votre application offre. Le texte doit être suffisamment attrayant pour inciter les utilisateurs potentiels à cliquer sur « voir plus » pour lire la description complète de l’application. 

7 – Description de l’application

La limite de caractères pour les stores d’applications est de 4 000 caractères. Cela vous laisse beaucoup d’espace pour travailler sur la description de votre application. Veillez à utiliser vos mots-clés primaires, secondaires et tertiaires tout en décrivant ce qui suit :

• Vos fonctionnalités les plus convaincantes
• Ce qui rend votre application unique
• Pourquoi elle sera appréciée d’un utilisateur
• Quels sont les principaux avantages ?
• Quel est le problème auquel vous apportez une solution ?

Ajoutez un peu de piquant en incluant des titres sociaux, comme des prix prestigieux que vous avez gagnés, en partageant des commentaires élogieux et en soulignant à quel point vous êtes bien noté (par exemple : nous sommes l’application de score de football la mieux notée !)

Chapitre 4

Conseils et tactiques ASO

Vous êtes arrivé jusqu’ici et approchez de la ligne d’arrivée… Cependant, l’OSA est un processus continu et de long terme qui nécessite des tests et un suivi constants. Il y a toujours quelque chose que l’on peut améliorer. 

Voici quelques conseils et tactiques supplémentaires pour améliorer votre classement :

Mettez à jour votre application régulièrement

Personne ne souhaite utiliser une application obsolète. Les tendances en matière de conception évoluent et les magasins d’applications veulent savoir que vous améliorez activement et fréquemment votre application. 

Les experts recommandent de mettre à jour les métadonnées (nom de l’application, description, images, vidéos) toutes les quatre semaines sur l’App Store et toutes les 6 à 8 semaines sur le Google Play Store. Cela dit, chaque application est différente et nous vous recommandons d’utiliser ces données comme référence avant de tester une fréquence qui convienne.

L’habitude de mettre votre application à jour régulièrement vous permet de vous préparer aux mises à jour de l’app store et aux changements d’algorithme, de vous adapter aux nouveaux concurrents de manière plus agile et de vous assurer que votre application reste pertinente.

La conception visuelle améliore les taux de conversion

Il ne suffit pas de rédiger les bonnes descriptions. Le design joue un rôle important dans le marketing des stores d’applications, et un meilleur design permet d’augmenter l’engagement, le nombre de vues, de clics et de conversions. 

Vos visuels se composent de trois éléments clés : l’icône de l’application, les captures d’écran de l’application et les vidéos de présentation ou de promotion de l’application. Examinons ces éléments et voyons comment vous pouvez tirer parti de chacun d’entre eux pour améliorer votre classement et vos taux de conversion :

1 – Icônes d’application

Une icône d’application bien conçue est unique, mémorable et diffusable à grande échelle. Pour ce faire, n’utilisez le texte que lorsque c’est nécessaire. Préférez les icônes graphiques aux photos, afin qu’elles puissent s’adapter au contexte de l’endroit où elles sont affichées. Enfin, il faut toujours tester.

Pour plus d’inspiration, vous pouvez suivre les instructions d’Apple concernant les icônes d’applications. 

2 – Captures d’écran de l’application

Les captures d’écran d’applications sont le meilleur moyen de faire une excellente première impression. Compte tenu de l’espace qu’ils occupent, c’est un excellent moyen de raconter une histoire et de présenter vos caractéristiques les plus uniques. 

Dans la première capture d’écran, veillez à présenter votre principal argument de vente. Par exemple, Airbnb indique “Rechercher. Livre. Voyage. Explorer”, qui vous indique exactement à quoi doit servir l’application. 

Voici quelques conseils supplémentaires pour vous démarquer :

1. La simplicité est la clé. Faites de votre application la star et évitez toute distraction inutile.
2. Réduire le texte au minimum. 
3. Veillez à ce que vos captures d’écran s’enchaînent pour raconter une histoire.
4. Soyez cohérent dans le choix de vos couleurs, afin qu’elles correspondent à celles de votre marque.

3 – Vidéo de présentation et de promotion de l’application

La vidéo d’aperçu de l’application pour l’App Store et la vidéo de promotion pour Google Play sont des publicités vidéo de votre annonce. Cela vous permet de donner aux utilisateurs potentiels un bon aperçu du fonctionnement de l’application. 

Assurez-vous que la vidéo est entièrement filmée dans votre application et que vous donnez un aperçu honnête de ses capacités.

Pensez-y comme pour un test routier, c’est l’occasion pour les utilisateurs potentiels d’avoir une première expérience de l’utilisation de votre application. 

Voici quelques conseils supplémentaires :

• Attirez les utilisateurs dans les cinq premières secondes.
• La vidéo doit être courte et le rythme doit être respecté.
• Offrir une bonne qualité sonore.
• Inclure un CTA clair.
• Assurez-vous que vous n’utilisez pas de musique ou d’images protégées par des droits d’auteur.
• Partez du principe que les utilisateurs regardent également votre vidéo sans le son. Utilisez du texte et des graphiques pour expliquer votre message clé.

Effectuer des tests A/B basés sur des données

Supposons que vous ayez rempli votre profil, que vous ayez aligné toutes vos captures d’écran et que votre vidéo d’aperçu de l’application soit un véritable coup de maître par rapprt à vos concurrents… L’expérimentation est alors la clé de l’amélioration continue de votre classement et de vos taux de conversion. Voici comment :

1. Enquêtez sur la catégorie de votre application. Commencez par surveiller de près vos concurrents, leur classement et la façon dont ils présentent leur application.
2. Assurez-vous d’avoir un trafic suffisant pour tester les performances. Un bon point de départ est de recevoir au moins 400 visiteurs sur votre profil d’application.
3. Formulez une hypothèse en fixant un objectif simple, clair et mesurable. Il peut s’agir d’améliorer le trafic, les taux de conversion, le délai entre le clic et l’installation, les taux d’engagement et les taux de fidélisation.
4. Envisagez de faire des essais dans différentes localités. N’appliquez pas les enseignements tirés d’un test A/B sur l’App Store d’Apple à un test A/B sur le Google Play Store, car les deux plateformes offrent une expérience et un comportement légèrement différents aux utilisateurs, ce qui nécessite des tests distincts.
5. Créer des variables à tester. Qu’il s’agisse d’une nouvelle capture d’écran ou d’un ajustement de votre description longue, veillez à n’introduire qu’un seul changement significatif.
6. Réalisez l’expérience pendant une semaine ou deux et analysez les résultats. Là encore, assurez-vous que vous travaillez avec des données significatives. 
7. Analysez les résultats et optimisez en conséquence !

Garder à l’esprit la saisonnalité

Tout comme la popularité de Mariah Carey et Michael Buble pendant les vacances, la saisonnalité entraîne des fluctuations dans le comportement des utilisateurs dont il faut tenir compte. Au cours de la nouvelle année, nous avons constaté un pic massif de téléchargements d’applications de fitness (ce qui correspond à de nouveaux abonnements à des salles de sport). 

La solution la plus simple consiste à mettre à jour les icônes, les captures d’écran et les promotions de votre application pour représenter Halloween et les fêtes de fin d’année. Cela peut être aussi simple que de mettre un chapeau de Père Noël sur votre logo ou d’annoncer un nouveau contenu de jeu sur le thème des vacances dans vos captures d’écran.

Il existe ensuite des thèmes spécifiques à une catégorie. La Coupe du monde de football approche? La saison de la NBA, ou bien le championnat français est sur le point de commencer ? Autre exemple, vous pouvez annoncer un nouveau film à grand succès dans votre application de diffusion en continu. 

Vous pouvez présenter tous ces éléments sur votre page produit. Et comme pour votre sapin de Noël.. n’oubliez pas de ne pas laisser en place trop longtemps ces contenus, afin de ne pas paraître désinvoltes ou dépassé…

Points clés à retenir

C’était long ! Voici les principaux éléments à retenir pour vous aider dans votre ASO aujourd’hui :

• L’ASO est le processus d’optimisation d’une application ou d’un jeu dans les stores d’applications afin de maximiser la visibilité, d’améliorer les taux de conversion et de favoriser les téléchargements organiques. 
• Les trois premières positions reçoivent près de la moitié de tous les téléchargements, tandis que les téléchargements au-delà de la dixième position n’en reçoivent pratiquement aucun. 
• L’ASO pour l’App Store et le Google Play Store est en grande partie similaire. Contrairement à la boutique Google Play, l’App Store n’accorde pas de considération supplémentaire aux mots-clés dupliqués. 
• L’OSA est un processus continu qui nécessite de nombreux tests. Assurez-vous de travailler avec une quantité significative de données avant de tirer des conclusions. Et comme pour tout le reste, il faut toujours tester !

Introduction

Les nouveautés après la sortie d’iOS 14

Avec la sortie d’iOS 14, nous considérons queles App Clips sont une étape innovante d’Apple.

Chez AppsFlyer, nous voyons dans ces Apple App Clips l’avenir des applications, en particulier pour celles que vous n’utilisez pas quotidiennement. Nous avons élaboré ce guide complet pour vous aider à développer votre premier App Clip.  

Pourquoi des clips d’application ? Pourquoi maintenant?

Imaginons que vous entrez dans un café et remarquez une longue file d’attente.

À côté de la caisse, vous voyez un panneau vous invitant à éviter les files d’attente et à acheter votre café via l’application du lieu.

Une première impression ?

La mienne serait : « Je ne vais pas installer une application qui occupera une place précieuse sur mon appareil ».

Cela m’amènerait en outre à me demander quel type de données seraient recueillies sur ma vie, et je serais probablement spammé.

Non merci. Tout ça simplement pour éviter la file d’attente…

Évitez les files d’attente sans renoncer à la confidentialité

Les Apple App Clips sont sur le point de changer votre façon de penser, et peut être aussila façon dont nous interagissons avec notre environnement à l’aide de nos appareils mobiles. Les clips d’application iOS14 vous permettent de faire des activités “ici et maintenant” en utilisant votre appareil presque instantanémentsanssacrifierla confidentialitéou partager votre géolocalisation.

Dans l’exemple de café ci-dessus, le code QR « invoquera » un clip d’application où vous êtes identifié en utilisant un Apple Sign-in. Vous pourrez alors payer via Apple Pay, en quelques secondes, sans faire la queue.

Les App Clips nécessitent que les développeurs d’applications comprennent quelques nouveaux concepts et les développent parallèlement à leur application, ce qui peut nécessiter des remodelages.

 Important Ce blog est basé sur le développement réel d’un App Clip et de recherches approfondies (documentation et vidéo incluses), rassemblant toutes les vidéos WWDC 2020 liées aux clips d’application, avec des notes sur la version iOS 14, et des expériences post-sortie. Voir l’App clip complet et jumeléici.

Chapitre 1

L’invocation du flux « App clip »

Cette section s’intéressera au fonctionnement complet du App Clip – depuis l’utilisateur jusqu’au différentes méthodes de bascule vers l’application complète.

Les clips d’application démarrent lorsqu’un utilisateur interagit avec une «invocation». 

Les invocations sont une notion très importante dans les App Clips que nous allons détailler.

Supposons que l’utilisateur ait tagué une balise NFC, qui est une invocation de clip d’application.

Voici ce qui suit :

1. Le système iOS détecte que la balise NFC est une invocation d’App Clip et extrait un « URL d’invocation ».
   
   L’URL d’invocationdéfinit la fonctionnalité attendue de cette invocation. Il sera transmis à l’App Clip avec toutes les données nécessaires pour diriger l’utilisateur vers la fonctionnalité requise en lien avec la balise NFC. Si l’application est déjà installée, elle sera lancée et l’URL d’invocationsera transmis de la même manière qu’un Universal Link.
   
   Avis important pour les développeurs : L’URL d’invocation n’est pas transmis à l’application complètesi l’utilisateur choisit d’installer l’app complète à partir de la App Clip Card ou des bannières App Clip. Dans ces types de cas, l’utilisateur doit à nouveau déclencher l’invocation (scanner le code QR ou toucher le tag NFC). L’URL d’invocation passe ensuite au travers duNSUserActivitycomme décrit ci-dessus.
   
   Le développeur peut transmettre l’URL d’invocation du clip d’application vers l’application complète, à l’aide du shared storage.
   
   Voici quelques exemples:
   1. https://megacoffee.com/buy/paris/table/6 – L’App Clip s’ouvre dans le menu d’achat de l’agence parisienne où la table #6 est déjàparamétrée dansles préférences. L’utilisateur s’identifie via Apple Sign-in, paie avec Apple Pay,et voilà, la commande est terminée… Ce flux nécessiteune vérification de localisation, expliquée en détail ici. 
      
   2. https://scooter.me/rent?scooter_id=3456 – Le clip d’application est ouvert dans le menu de location avec un identifiant de scooter déjàprogrammé. L’App Clip peut informer l’utilisateur que son temps de location est sur le point de se terminer. Ce flux nécessite une App Clip notification, expliquée en détail ici. 
      
2. L’iOS vérifie que l’URL d’invocation est bien valide, en lisant un fichier Apple-App-Site-Association (AASA) à partir du domaine de l’URL d’invocation. La configuration du fichier AASA est expliquée en détailici. 
   
3. Une fois l’URL d’invocation vérifiée, l’iOS présente une App Clip Card à l’utilisateur.
   
   Alors qu’une application donnée ne peut avoir qu’un seul App Clip, les développeurs peuvent créer plusieurs cartes (cards) pour différents cas d’utilisation.

Chaque App Clip Card est associée à une seule App Clip Experience (les expériences App Clip sont expliquées en détail au chapitre 5).

Le système iOS affiche la App Clip Card liée à l’expérience quicorrespond le mieuxà l’URLd’invocation sur laquelle l’utilisateur a cliqué.

L’App Clip Card est ensuite présentée par le système, sans aucune interaction de développeur, et sans aucun code impliqué.

L’App Clip Card répond à plusieurs objectifs :

1. Elle présente à l’utilisateur une introduction générale sur les fonctionnalités de l’App Clip, et elle est similaire à la page de l’application dans l’App Store, dans le cadre d’un flux de téléchargement complet. Cela pourrait être être par exemple une photo du café avec une brève description de l’entreprise.
2. Il affiche les autorisations du développeur et permet à l’utilisateur de les désactiver. Veuillez noter que les clips d’application iOS14 ont très peu d’autorisations et contiennent une liste réduite. En prime, les utilisateurs renforceront leurs confiance grâce à la politique de confidentialité renforcée d’App Clip.
3. Un bouton CTA informe l’utilisateur des principales fonctionnalités attendues de l’App Clip, telles que : louer, acheter, partager ou s’enregistrer, etc.
4. Une petite bannière dirige l’utilisateur vers la version complète de l’application dans l’App Store.

Lorsque le CTA de la carte est cliqué, l’iOS télécharge le clip d’application depuis l’App Store. Cela se fait rapidement car la taille maximale d’un clip d’application est de 10 Mo.

Pour référence, il s’agit d’un poids assez raisonnable, car les applications récemment soumises représentent en moyenne 38 Mo.

L’URL d’invocation est transmise à l’App Clip via NSUserActivity. Le développeur utilise l’URL pour créer un deep linkvers les fonctionnalités spécifiées. Le développeur peut utiliser des paramètres de l’URL, par exemple, extraire le nom de la succursale et le numéro de table de l’URL dans cette illustration : https://megacoffee.com/buy/paris/table/.

Lorsque le clip d’application est initialement téléchargé, il affiche une bannière qui dirige l’utilisateur vers l’application complète au sein de l’App Store. Le développeur peut afficher à nouveau la bannière en utilisant SKOverlay qui est décrit en détail ici.

Chapitre 2

Invocations et expériences pour les Apple App Clips

Cette section décrit en détail comment un App Clip est appelé, quelle App Clip Card est affichée, quelles données sont transmises, et comment, l’App Clip.

Un clip d’application est généré à partir d’une invocation.

Une invocation n’est pas un simple clic, à l’image de l’Universal Link.

Une invocation est un objet créé par Apple, que seuls les outils ou l’infrastructure Apple peuvent actuellement créer pour vous. On ne sait toujours pas comment, actuellement, vous obtenez un « App Clip URL», qui vous permettrait simplement d’envoyer un SMS ou de placer un code QR (nous mettrons à jour ce processus dès qu’Apple fournira plus de détails).

Méthodes d’invocation

Bannière d’application intelligente de Safari

Des métadonnées peuvent être ajoutées au header d’un site Web afin de créer une bannière d’application intelligente qui sera présentée dans Safari.

Voici un exemple d’extrait de code que vous devez ajouter :

L’app-id est inclus dans les cas où l’appareil fonctionne sur iOS 13 ou une version antérieure.

À ce moment, la bannière dirigera l’utilisateur vers l’application complète dans l’App Store.

Pour ce clic, l’URL qui présente la bannière est l’URL d’invocation.

iMessages 

Lorsqu’un utilisateur partage un lien vers un site qui affiche une bannière intelligente, le message présentera une bannière, qui invoquera un App Clip.

L’URL d’invocation, dans ce cas,est configurée dans l’URL du site.

Balise NFC 

• Un tap sur une balise, qui encode une URL d’invocationassociée à un clip d’application, va invoquer cet App Clip. 
• Un URL d’invocationest configurée à l’intérieur de la balise.
• Le tag NFC peut être créé à l’aide de n’importe quel outil ou infrastructure qui est capable de générer des tags NFC lisibles par les appareils Apple.
• Le tag peut être lu même lorsque l’écran est verrouillé.

Recevez les dernières infos marketing et les avis d’experts directement par mail

Codes visuels

• Les clips d’application peuvent être invoqués à l’aide de n’importe quel code QR, qui encode uneURL d’invocationassocié.
• Pour enclencher le processus, le code QR doit être scanné à l’aidede l’application Camera – Appareil photo ou du lecteur de code-barres natif d’Apple.
• Apple prévoit de publier un code visuellement distinct qui hébergera à la fois une balise NFC au milieu, entourée d’un code scannable et circulaire. L’un des objectifs d’Apple est de familiariser les utilisateurs d’iOS que lorsque vous appuyez ou scannez ce code, afin de diriger vers un clip d’application. 

Emplacements

Suggestions basées sur la localisation de Siri – Apple n’a pas encore procédé à une divulgation complète (mises à jour à venir).

Plans 

Les balises sur une carte peuvent inclure une balise qui invoquent un clip d’application. La vérification de l’URL d’invocation du clip est décrite en détail ici.

Chaque App Clip Invocation est associé à une URL.

L’URL commence toujours par `https://mygreatapp.com/`. `https` est leschemeet `mygreatapp.com` est l’hôte ou le domaine. 

iOS doit vérifier l’URL d’invocation pour s’assurer que l’éditeur du clip d’application possède bien le domaine. Si ce n’est pas le cas, l’utilisateur se verrait très probablement vulnérable à la fraude et à d’autres actes malveillants. 

Étant donné que le scheme est “https” (par opposition à “http”), l’URL d’appel sera vérifiée à l’aide du certificat SSL, garantissant que le développeur de l’App Clip possède le domaine.

iOS vérifie le domaine en accédant à unfichier Apple-App-Site-Association (AASA). Ce fichier est généralement connu pour vérifier les liens universels pour un domaine donné.

Afin de vérifier les clips d’application iOS14, vousdevezajouter la section suivante au fichier AASA :

{
“appclips”: {
“apps”: [“ABCED12345.com.fruitstore.feedmeapp.Clip”]
}
…
}

Remarque importante sur les fichiers AASA : Apple a annoncé lors de la WWDC2020 son intention d’améliorer les mécanismes d’accès aux fichiers AASA à partir des appareils. Au lieu que les appareils récupèrent l’AASA directement à partir du domaine associé à une application, Apple récupère les fichiers AASA et les met en cache dans un CDN. Les appareils accéderont au CDN d’Apple et regrouperont les fichiers AASA, eux-mêmes récupérés dans des lectures et des opérations plus optimales. 

Par conséquent, ce mécanisme proposé pourrait avoir un impact sur le nombre de récupérations de fichiers AASA.

L’état de ce cache par rapport aux URL d’invocation définies pour un clip d’application spécifique peut être trouvé dans les informations de version d’App Store Connect, sous «Domain URL Status ».

La construction doit avoir un App Clip valide (la valeur ‘HAS APP CLIP’ est ‘YES’).  

La colonne de statut du cache est ce qui pilote l’App Clip Invocation sur les appareils des clients. En cliquant sur « Debug Status »,Apple a accès à votre fichier AASA en temps réel et valide les URL. Le Domain URL statusest affiché ci-dessus. 

Chapitre 3

Expériences de clips d’application

Le terme le plus important à comprendre à propos des clips d’application Apple est probablement ses « expériences ».

Une App Clip Experience est une action proposée à l’utilisateur, par exemple acheter, louer, s’enregistrer dans un hôtel, et la liste continue. Chaque expérience affiche une App Clip Card différente. Si vous souhaitez afficher une App Clip Card spécifique, vous devez définir une expérience spécifique.

Comment une invocation est-elle associée à une expérience et comment cela entraîne l’affichage de l’App Clip Card correspondante ?

Comme nous l’avons vu ci-dessus, chaque invocation contient une URLd’invocation. Et, iOS fait correspondre l’URL d’invocation aux URL que vous avez enregistrées dans le cadre de votre App Clip Experience. Il affichera l’App Clip Experienceavec l’URL qui contient le préfixe correspondant spécifié. 

Par exemple, on peut créer une App Clip experience avec https://myrental.com/rent comme URL pour couvrir des URL comme https://myrental.com/rent/car, https://myrental.com/rent/suv, et etc., etc.  

Toutefois, si une entreprise déploie plusieurs opérations, il est recommandé de configurer uneApp Clip Experiencepour une ou plusieurs opérations et d’utiliser une App Clip Card et un URL d’invocation différent pour chaque opération.

Par exemple, https://myrental.com/rent/car/il, https://myrental.com/rent/car/jp, etc.

Le Default App Clip Experience

Dans App Store Connect, sur la page‘nouvelle version de l’application’, vous devez configurer uneApp Clip Experience par défaut et fournir les métadonnées suivantes pour la carte App Clip :

• Une image de header
• Un sous-titre qui fournit plus d’informations sur le clip d’application.
• Un CTA qui apparaît pour lancer le clip d’application.

Une App Clip experience par défaut est utilisée pour déclencher un clip d’application à partir des bannières d’application intelligentes et des liens que les utilisateurs partagent dans l’application Messages, lorsque les expériences de clip d’application avancées ne sont pas configurées.

Aucune URL d’invocation n’est requise pour enregistrer une expérience de clip d’application par défaut.

Si le système vérifie un App Clip, il affichera la valeur par défaut, même si aucun URL d’invocation n’a été défini (voir la section suivante). Encore une fois, cela n’est vrai que pour la bannière d’application intelligente dans Safari ou pour les liens partagés pour ces sites dans les messages.

Le App Clip Experience avancé

Le App Clip Experience avancé permet d’effectuer les opérations suivantes :

• Prendre en charge toutes les invocations possibles, y compris les invocations à partir de balises NFC et les codes visuels.
• Associer votre App Clip à un emplacement physique.
• Associer un URL d’invocation à votre clip d’application.

Comme décrit précédemment, cela permet l’utilisation de plusieurs App Clips Cards pour diverses analyses de rentabilisation. Chaque expérience donnera lieu à une carte spécifique, personnalisée dans l’App Store lors de la création de l’App Clip Experience.

Chapitre 4

Développer un clip d’application

Pour découvrir facilement les Apple App Clips, nous avons créé un exemple simplifié, de l’utilisation à l’intégration vers une application complète. 

L’exemple montre les fonctionnalités App Clip suivantes :

• Création de clips d’application.
• Droits de domaines associés configurés pour les clips d’application iOS14 et les liens universels dans l’application complète.
• Partage de ressources entre l’application complète et App Clip.
• Extraction de l’URL d’invocation de NSUserActivity dans l’application complète et le clip d’application.
• Notifications.
• Transmission de données du clip d’application à l’application complète à l’aide d’App group.
• Vérification de l’emplacement.
• Recommander l’application complète à partir du clip d’application, à l’aide de SKOverlay.

Chapitre 5

Limitations des App Clip

Apple a imposé plusieurs limitations aux App Clips, afin de permettre aux utilisateurs de profiter de fonctionnalités instantanées avec un maximum de confidentialité et de transparence. 

Ces limitations servent à fournir à l’utilisateur un meilleur contrôle sur ses données privées et à devenir plus à l’aise avec les normes de confidentialité de l’application :

• Les clips d’application sont limités à 10 Mo.
• Les clips d’application ne sont pas inclus dans les sauvegardes iOS (il s’agit en fait plus d’une fonctionnalité que d’une limitation).
• Les frameworks suivants ne sont pas disponibles pour les App Clips : CallKit,CareKit,CloudKit,HealthKit,HomeKit,ResearchKit,SensorKitetSpeech. L’utilisation de l’un de ces frameworks dans un App Clip n’entraîne pas d’erreurs au moment de la compilation, mais leurs API renvoient des valeurs qui indiquent une indisponibilité, des données vides ou des codes d’erreur au moment de l’exécution.
• Le Limit App Trackingest toujours activé dans les clips d’application d’Apple, pour protéger la confidentialité des utilisateurs et empêcher le tracking des utilisateurs. Les clips d’application ne peuvent pas demander l’autorisation de suivre un utilisateur avec AppTrackingTransparency. Le nom et IdentifierForAdvertisers (IDFA) et IdentifierForVendor (IDFV) renvoient une chaîne de zéros.
• Les clips d’application ne peuvent pas effectuer d’activités en arrière-plan, telles que la mise en réseau en arrière-plan avecURLSessionou maintenir les connexions Bluetooth lorsque le clip d’application n’est pas utilisé.
• Pour protéger les données utilisateur, l’App Clips d’Apple ne peut pas accéder aux élément suivants :
  • Données de mouvement et de fitness.
  • Apple Musique et médias.
  • Données provenant d’applications telles que Contacts, Fichiers, Messages, Rappels et Photos.
• Un clip d’application ne peut pas partager de données avec une autre application, à l’exception de l’application complète correspondante.
• Une limitation importante est l’accès à la localisation. Les clips d’application ne peuvent pas demander un accès continu à la localisation. Cela peut créer un problème avec les invocations associées à un emplacement géographique. Il est important de vérifier que l’URL d’invocation (par exemple https://mybigcup/seattle/table/17) est bien à Seattle, afin d’éviter la confusion de l’utilisateur payant la facture de quelqu’un d’autre. À cette fin, les Apple App Clips permettent aux utilisateurs de vérifier l’emplacement de l’appareil à l’intérieur d’un polygone, au lieu d’accéder à un emplacement exact. Cependant, pour un accès continu à la localisation, ils peuvent demander l’autorisation <En cours d’utilisation>, qui se réinitialise automatiquement au jour suivant à 4h00, heure locale.

Chapitre 6

Test des clips d’application iOS14

Les clips d’application Apple peuvent être difficiles à tester, car le flux d’invocation commence au sein du système et implique l’App Store Connect. Ainsi, lors de la création initiale de l’App Clip, vous devrez vous appuyer sur les mesures suivantes pour tester l’invocation :

Tester le traitement de l’URL d’invocation 

Une étape critique du test d’un clip d’application consiste à s’assurer que l’URL d’invocation entrant est : 

1. Extrait avec succès de l’activité NSUserActivity.
2. Décomposé correctement avec ses paramètres.
3. Exécuté avec le flux approprié.

Pour injecter une URL d’invocation dans un test, les étapes à suivre sont les suivantes :

1. Cliquez sur Produit -> Modifier le schéma…
2. Définissez la variabled’environnement_XCAppClipURLsur la valeur de l’URL d’invocation .
3. Exécutez le schéma App Clip sur la cible. Le NSUserActivity contiendra cette valeur.

Pour voir un exemple de ce code, cliquez ici.

Recevez les dernières infos marketing et les avis d’experts directement par mail

Tester l’apparence d’une App Clip Card à l’aide de Local Experiences. 

L’apparence d’une App Clip Card est une partie importante de l’interaction de l’utilisateur. Ceci est testé au début, avant de soumettre l’application à App Store Connect, et avant de définir le fichierApple-App-Site-Associationdans votre domaine. 

La définitiond’expériences localeséquivaut à la définitiond’expériences avancéesdansl’App Store Connect. 

Limitations des expériences locales :

• Il est possible d’invoquer l’App Clip Card à l’aide de deux méthodes :
  • Le Code QR (lecture à l’aide du lecteur de code-barres iOS natif)
  • La Balise NFC
• Pris en charge à partir d’iOS 14.2, combiné avec Xcode 12.2 et supérieur.
• Les Local Experiences remplacent les Advanced Experiences dans l’App Store Connect.
• Les expériences locales ne peuvent lancer qu’une application signée pour le développement, Ad Hoc ou TestFlight. Ilne peut paslancer une application déjà publiée sur App Store Connect.   

Comment définir des expériences locales :

1. Assurez-vous que votre appareil est activé en mode développeur.
2. Connectez votre appareil iOS 14.2 et plus à Xcode 12.2 et plus, à l’aide d’un câble.
3. Accédez àExpériences locales – Paramètres -> Développeur -> Expériences locales(sous la section “APP CLIPS TESTING”).
4. Créez une nouvelle expérience en choisissant `Enregistrer l’expérience locale…`
5. Créez l’expérience comme vous créeriez une Advanced App Clip Experience dans App Store Connect.

Comment procéder à l’invoquer à l’aide des expériences locales :

1. Ajoutez un clip d’application à votre appareil en utilisant les méthodes suivantes :
   1. Créez et exécutez le clip d’application à l’aide de Xcode.
   2. Créez un fichieripapour le clip d’application à l’aide de la fonctionnalité d’archivage dans Xcode et installez-le sur l’appareil.
   3. Distribuez le clip d’application aux utilisateurs via TestFlight.
2. Scannez un code QR à l’aide du lecteur de code-barres iOS natif ou taguez un NFC. Le code QR et le NFC doivent coder une URL d’invocation qui chevauche l’URL définie dans l’expérience locale. Cela correspond aux mêmes règles de chevauchement des expériences avancées dans l’App Store Connect.

Test après soumission à App Store Connect

Lors de la soumission de l’application complète et du clip d’application à l’App Store, vous pouvez définir des appels de clip d’application dans l’onglet TestFlight. Chaque invocation est définie avec son URL d’invocation. 

Les testeurs bêta de l’application reconnaissent les invocations dans le TestFlight et exécutent le clip d’application comme si une invocation avait été cliquée à l’aide de l’URL d’invocation, telle que définie à l’étape précédente.

Chapitre 7

App clips : conclusions

Les clips d’application représentent une nouvelle étape dans la façon dont les applications seront consommées et développées tout en offrant aux utilisateurs iOS des fonctionnalités plus instantanées. Cela offre davantage de liberté aux concepteurs et aux développeurs. 

L’expérience utilisateur des App Clips peut être classée en deux phases :

• ‘Here-and-Now‘ – Un App Clip pour les interactions entre l’utilisateur et son environnement immédiat, réalisées de manière simple mais hautement sécurisée.
• ‘On-Going-Universal’– Une application complète qui permet à l’utilisateur d’interagir constamment avec les fonctionnalités de l’application, et de recevoir des notifications et des services dans le monde entier. 

Apple a fait un excellent travail en créant l’infrastructure relative à ces deux phases, et en concevant une bascule facile entre l’App Clip et les phases d’application complètes. 

Nous pensons que de nombreuses entreprises peuvent et doivent tirer parti de cette nouvelle technologie pour offrir à leurs clients et utilisateurs une plus grande valeur et de meilleures interactions. Pour vous, ce guide complet approfondir vos connaissances sur Apple App Clips.

Pour plus d’informations, consultez la documentation Apple App Clips.

Introduction

Imaginez-vous perdus dans un labyrinthe, enchaînant les virages sans fin, en vain… Depuis le sol, il est impossible d’évaluer correctement où vous vous trouvez et quel est le meilleur itinéraire d’un point A à un point B, n’est-ce pas ?

Et si vous pouviez dézoomer ? Et si vous pouviez prendre du recul et avoir une vue d’ensemble afin de donner un sens à tout cela ?

En matière d’analyse de données, les spécialistes marketing pensent à tort que consulter toujours plus de rapports multipliera les clés de compréhensions.

Mais en réalité, le contraire est vrai. Les données peuvent être trompeuses lorsqu’elles sont trop étendues.

D’un autre côté, éliminer le « bruit », définir les bonnes dimensions, aligner correctement les données et les découper en tranches vous aidera à obtenir une vision claire et précise de ce qui fonctionne et de ce qui ne fonctionne pas.

Mais surtout, l’examen des données dans uncontexte adéquat est ce qui compte le plus lorsqu’il s’agit d’activités marketing.

Et c’est là qu’intervient l’analyse de cohorte. 

Elle permet de trouver l’itinéraire le plus efficace pour vous rendre d’un point A à un point B. Comment ? 

En examinant vos activités marketing dans leur ensemble, tout en croisant des indicateurs de performance qui permettent de faire émerger des tendances significatives. Des tendances qui passeraient autrement inaperçues, car jusqu’à présent, vous avez examiné vos données hors contexte.

Chapitre 1

Qu’est-ce que l’analyse de cohorte, essentielle pour vous ?

Elle est en fait un processus qui consiste à prendre un grand groupe d’utilisateurs ou de clients, et à les diviser en segments plus petits présentant certaines caractéristiques communes sur une période donnée.

Ces caractéristiques peuvent inclure une région, une langue communes, des articles préférés, une date d’acquisition, etc.

Dans le domaine des applications mobiles, l’analyse de cohorte est un moyen très efficace d’obtenir des informations plus approfondies sur la manière dont des groupes spécifiques d’utilisateurs interagissent avec votre application au fil du temps, et même d’affiner les KPI lors de la mesure des performances des campagnes.

Les principaux cas d’utilisation de l’analyse de cohorte sont les suivants : 

• Optimisation des campagnes d’acquisition d’utilisateurs (UA) : identification des segments peu performants et des corrections nécessaires.
• Améliorer la fidélisation des utilisateurs et la lifetime value (LTV), en réengageant des utilisateurs de haute qualité et en élargissant leur base.

L’un des principaux avantages de l’analyse de cohorte est qu’elle permet de comparer « des pommes avec des pommes » lorsqu’il s’agit d’identifier les tendances, ce qui en fait un moyen fiable de suivre les changements au fil du temps, sans avoir à effectuer d’analyse comportementale sur une échelle individuelle pour chaque utilisateur.

Elle vous permet de répondre à des questions essentielles telles que :

• Qui interagit avec votre application ?
• Quand les utilisateurs vous abandonnent-ils, et pourquoi ?
• Quelle part de vos revenus provient des nouveaux utilisateurs et des utilisateurs de longue date ?
• Quel est le meilleur moment pour réengager vos utilisateurs ? 
• Quelle source média a généré les utilisateurs au ROI le plus élevé ?

Les deux principaux modèles de cohortes

L’UA et les cohortes comportementales sont les types de cohortes les plus couramment utilisés. Qu’est-ce que chacun signifie réellement et comment peuvent-ils s’appliquer à votre quotidien en tant que spécialiste marketing ? Poursuivons l’exploration.

Cohortes d’acquisition d’utilisateurs (UA)

L’analyse des cohortes d’acquisition constitue généralement le pain quotidien des annonceurs et des responsables de l’UA.

C’est là que les utilisateurs sont segmentés en fonction de la date d’acquisition et de la source, que vous pouvez appliquer sur une base quotidienne, hebdomadaire ou mensuelle, en fonction de votre produit et de vos besoins d’analyse. 

Par exemple, vous pouvez créer plusieurs cohortes en fonction de différentes régions et comparer le nombre moyen de sessions par utilisateur pour chaque cohorte, au cours des 30 premiers jours d’activité de chaque utilisateur.

Comment pourriez-vous tirer parti de ce type d’analyse de cohorte ? 

Supposons que vous soyez le fier responsable de l’UA d’une application en eCommerce. Vous pouvez utiliser l’analyse de cohorte pour suivre les préférences de style et de taille des différents groupes démographiques d’utilisateurs et constituer l’inventaire en conséquence afin de maximiser les ventes. 

De même, il peut également vous aider à créer des recommandations ciblées et des offres promotionnelles personnalisées dans le but d’améliorer la confiance des clients et de les fidéliser.

Cohortes comportementales

Contrairement à l’analyse des acquisitions, les cohortes comportementales sont généralement au centre des préoccupations des product managers.

Ce type d’analyse de cohorte se concentre sur les actions des utilisateurs lors de l’utilisation de votre application. En utilisant des « déclencheurs » d’événements spéciaux, vous pouvez évaluer le comportement d’utilisateurs différents sur le plan démographique, et optimiser et personnaliser vos campagnes en conséquence. 

Par exemple, supposons que vous ayez une application de livraison de nourriture. Le choix de cuisine et la fréquence des commandes constituent un bon exemple de déclencheurs comportementaux. 

Ou bien, si vous avez une plateforme de réseau social, les cohortes comportementales peuvent vous aider à évaluer les pages les plus suivies par vos utilisateurs espagnols ou les publications les plus appréciées par votre base d’utilisateurs indiens.  

Mais quand même… Pourquoi devriez-vous vous en préoccuper autant ?

Si l’on devait les résumer à une donnée clé, les données de cohorte permettent de relier les dates d’acquisition et les conversions de remarketing à vos indicateurs de performance. 

En d’autres termes, elles permettent d’isoler le bruit, de comparer ce qui est vraiment comparable, de générer des informations exploitables pour lutter contre le churn et de vous concentrer sur des cibles en constante évolution, telles que les performances des campagnes, l’engagement des applications et même l’adoption de fonctionnalités.

Et si vous n’êtes toujours pas totalement convaincu, examinons le cas curieux du chiffre d’affaires moyen par utilisateur, c’est-à-dire l’ARPU.

Il ne suffit pas de simplement comparer l’ARPU d’un jour à l’autre, il faut tenir compte de tout le bruit et le filtrer : comparez l’ARPU sur des jours similaires de la semaine, comparez le nombre d’utilisateurs, l’activité et déterminez s’il existe ou non une promotion qui aurait pu générer davantage d’achats in-app.

Lorsqu’il s’agit de confronter les KPIs et d’évaluer le succès de la stratégie, l’analyse de cohorte est l’outil qu’il vous faut. Mais comme nous l’avons déjà découvert, il ne s’agit pas seulement d’analyser les KPI. 

En révélant les tendances cachées, l’analyse des cohortes fournit les informations dont vous avez besoin pour optimiser les campagnes en direct et introduire des changements en temps réel. Il s’agit d’une méthode éprouvée pour stimuler l’engagement et les revenus, en vous aidant à identifier la bonne voie pour accélérer l’adoption et renforcer la fidélisation. 

Chapitre 2

Comment l’analyse de cohortes améliore votre stratégie marketing ?

Excellente question. Voici 4 cas pratiques où l’analyse de cohorte pourrait s’avérer extrêmement utile :

1 – Elle aide à maximiser vos dépenses publicitaires en accédant à des informations exploitables

L’analyse de cohorte vous permet de déterminer quels canaux, campagnes ou même ensembles d’annonces au sein d’une campagne génèrent les meilleurs et les plus fidèles utilisateurs.

Par exemple, si vous examinez les performances cross-régions d’une campagne d’accès spécifique, vous pouvez facilement identifier qu’une région donnée sous-performe. 

Vous pouvez ensuite essayer quelques tactiques pour améliorer le taux de conversion dans cette région, comme des mails personnalisés contenant une offre spéciale ou un code de réduction en l’honneur d’une fête régionale, afin d’encourager la finalisation d’un achat. 

En effectuant une analyse de cohorte sur la même campagne UA, vous pouvez constater que, dans une autre région, malgré le nombre décent d’installations d’applications, pratiquement aucune d’entre elles n’est lancée et aucun achat n’est effectué. Cela peut indiquer une fraude, qui nécessitera une analyse plus approfondie à l’aide de votre MMP.

2 – Obtenir un aperçu du meilleur moment pour vous réengager

À l’aide de l’analyse des cohortes, vous pouvez déterminer que les dépenses des utilisateurs plafonnent au quatrième jour dans une région donnée, ce qui peut vous inciter à planifier une campagne de remarketing à cette date. 

Par exemple, la saisonnalité et le calendrier. Pouvoir acquérir davantage d’utilisateurs intéressants en répondant à des questions telles que « À quel mois, jour ou heure de la journée est-il préférable d’engager mes utilisateurs ? ». 

Dans certains cas, la granularité horaire est importante, et l’analyse des cohortes peut permettre d’obtenir des informations extrêmement précieuses lorsqu’il s’agit de campagnes au bon moment.

3 – Il vous permet d’identifier et d’éliminer les points d’achoppement dans votre parcours utilisateur afin de renforcer la rétention

Utilisez l’analyse de cohorte pour identifier les points faibles lors de votre onboarding, lors des premiers pas, des paywalls ou des niveaux difficiles, en croisant les zones de votre application victimes de churn, avec la fidélisation mensuelle des utilisateurs. 

Pour en savoir plus sur l’art et la manière pour construire une stratégie infaillible d’engagement et de fidélisation des utilisateurs , cliquez ici.

4 – Comprenez comment les modifications apportées aux produits affectent vos utilisateurs

Déterminer comment résoudre un problème ou améliorer une fonctionnalité peut souvent être tout aussi difficile que de le diagnostiquer en premier lieu. 

Si, par exemple, vous savez que l’engagement des utilisateurs dépend largement de l’utilisation d’une fonctionnalité principale, essayer de les inciter à interagir avec vos clients par le biais de mails et de push incessants risque fort d’entraîner une perte de clientèle.

Ainsi, au lieu de vous lancer dans les modifications importantes apportées aux produits, testez les modifications apportées à vos cohortes afin de vous faire une idée de ce qui fonctionne et de ce qui ne fonctionne pas, ce qui vous permettra d’introduire en toute sécurité des modifications basées sur les données dans votre produit.

Chapitre 3

Voici comment nous procédons : 3 cas d’utilisation quotidienne de l’analyse de cohorte

Exemple n°1 : évaluation de la réussite d’une campagne de remarketing multi-régionale

Les campagnes peuvent être localisées dans une région spécifique afin de fournir l’expérience la plus personnalisée à l’utilisateur. Par exemple, une campagne d’achat sur le thème du week-end peut être lancée aux États-Unis un vendredi après-midi, mais un jeudi en Égypte (où les week-ends commencent le vendredi).

En ce qui concerne les achats, les campagnes remarketing incluent généralement des indicateurs de performance clés tels que le nombre d’utilisateurs ayant effectué un achat via l’application, les revenus d’achat ou le pourcentage d’utilisateurs réengagés. Toutefois, pour obtenir une vue complète du comportement des utilisateurs, des indicateurs de performance clés et des indicateurs de réussite, les rapports de cohorte sont là pour vous fournir une analyse multidimensionnelle.

Décomposons le scénario suivant : 

Une application d’achat a lancé une campagne de remarketing dans plusieurs pays anglophones, et le responsable de l’UA souhaite savoir combien de ces utilisateurs ont réellement effectué un achat. 

Il ou elle regrouperait ensuite les résultats par pays afin d’évaluer la région dans laquelle la campagne avait eu le plus de succès.

Supposons qu’environ 80 % des 14 000 utilisateurs qui ont réutilisé l’application après la campagne se trouvaient aux États-Unis, et ces utilisateurs ont également effectué le plus d’achats.

Cependant, un examen plus attentif du rapport de cohorte a révélé une tendance intéressante. Alors que les utilisateurs canadiens ont enregistré deux fois moins d’engagements que les utilisateurs australiens, ils ont dépensé beaucoup plus d’argent que leurs homologues australiens.

Ainsi, en examinant le même ensemble de données sous différents angles, le responsable de l’UA a pu constater que si l’Australie pourvoyait en quantité, elle ne générait pas beaucoup de revenus. Sachant cela, il pourra redoubler d’efforts dans la campagne canadienne en toute confiance.

Exemple n°2 : évaluation du ROI des sources média pour les revenus publicitaires

Les applications de jeu génèrent deux sources principales de revenus, à savoir les achats in-app et les recettes publicitaires, qui constituent une source de revenus essentielle, en particulier pour les jeux hyper-casual.

En fournissant des informations sur toutes les sources de revenus, l’analyse de cohorte peut répondre à des questions telles que « Quelle source média a généré le plus d’achats intégrés ? » ou « Quelle campagne a généré le plus de revenus par utilisateur au Mexique ? » et ainsi de suite.

Supposons que vous soyez le responsable PPC d’un jeu hyper casual dont la principale source de revenus provient de la publicité, et que vous devez collecter des statistiques sur les sources médias qui génèrent le plus de revenus publicitaires.

Le rapport sur les recettes publicitaires vous fournira un aperçu complet du ROI lié à l’acquisition de nouveaux utilisateurs. Précisons que tous les chiffres suivnant sont hypothétiques.

• 88 594 dollars ont été dépensés en publicité sur la Source Media 1, qui a attiré plus de 586 000 utilisateurs, soit une tendance lente et régulière. 

• La Source Media 2, en revanche, était nettement moins chère en termes d’UA, tout en générant plus de revenus publicitaires que Source 1. En fait, au jour 7 après l’installation, la source média 2 est bien plus proche de l’équilibre que la source média 1.
• En changeant d’affichage, vous verrez que le seuil de rentabilité de la Source Media 2 se situe autour du douzième jour, alors que la Source Media 1 est encore loin d’être atteint.

Dans ce cas, l’analyse de cohorte vous montrera que, quel que soit le zoom out que vous effectuez, la Source Media 1 fonctionnera toujours à perte, et aidera à mieux répartir votre précieux budget en conséquence.

Exemple n°3 : évaluation de la rétention en fonction d’un événement in-app.

Les applications qui fournissent un service « on-demand », tel que les services de transports ou la livraison de plats, ont souvent des indicateurs de performance clés liés aux événements in-app. Les téléchargements sont bien sûr un composant essentiel, mais l’utilisation du service est bien plus révélatrice du succès de conversion et de rétention. 

Le rapport « frère » de la cohorte, le rapport de rétention, fournit aux spécialistes un aperçu de la capacité de l’application à conserver une base d’utilisateurs active. Il donne également une vue d’ensemble de l’engagement à utiliser, indiquant quelles sources média génèrent des utilisateurs plus engagés au fil du temps.

Supposons, par exemple, que vous soyez le responsable marketing d’une application de réservation de taxi et que vous souhaitiez évaluer le succès d’une campagne en fonction du nombre de nouveaux utilisateurs ayant réservé un trajet après avoir téléchargé l’application.

Si vous analysez uniquement le nombre de téléchargements, il apparaîtra que la Source Media 1 sort clairement gagnante. 

Toutefois, en examinant les données jusqu’au dixième jour suivant l’installation, il sera évident qu’en termes de chiffres absolus, la Source Media 2 attire des utilisateurs de plus grande valeur et augmente les taux de rétention. 

Ainsi, l’analyse du comportement des utilisateurs le jour de l’installation et les heures supplémentaires fournira une image plus claire du succès de rétention de cette campagne par source média. 

Recevez les dernières infos marketing et les avis d’experts directement par mail

Chapitre 4

4 étapes pour garantir le succès de votre prochaine analyse de cohorte

Étape 1 Déterminez le bon ensemble de requêtes 

La définition de vos KPI et de vos indicateurs de réussite vous orientera dans la bonne direction. Alors, avant toute chose, déterminons ce que vous devez chercher à savoir. 

Mesurez-vous les campagnes en les mettant en parallèle afin de comparer les sources média ? Ou peut-être mesurez-vous le succès d’une même campagne mais dans différentes régions ? Et d’ailleurs, comment définissez-vous exactement le succès ?

Assurez-vous de bien répondre à ces questions avant de passer à l’étape suivante.

Étape 2 Définissez vos indicateurs

Dès que vous avez des idées solides sur les questions auxquelles vous devez répondre et les indicateurs dont vous aurez besoin pour y répondre, vous avez fait la moitié du chemin.

Voici une formule très pratique pour les questions d’analyse de Cohorte : Regroupez les utilisateurs qui ont les mêmes caractéristiques pour comparer le comportement et les mesures sur une période définie.

Caractéristiques	Performances (KPI)	Échéancier
Pays	Sessions par jour	Le mois dernier
source_media	Revenu par utilisateur	Il y a 3 semaines
Ad campaign	Événements in-app par utilisateur	5 jours en juin

Les caractéristiques sont les dimensions selon lesquelles vous mesurerez vos résultats. Les KPIs sont les métriques réelles que vous allez analyser, et la période définira la fenêtre utilisée pour la mesure.

Pour en savoir plus sur les indicateurs de performance clés du marketing des applications, cliquez ici.

Étape 3 Définir les cohortes spécifiques

C’est là que nous passons aux choses sérieuses. 

C’est le moment de :

1. Configurez votre granularité, votre plage de dates et votre période d’attribution 
2. Sélectionnez le type de cohorte (par exemple UA, remarketing) et le type de tendance (par exemple LTV)
3. Sélectionnez votre dimension de regroupement (par exemple, la source média) et la taille minimale de votre cohorte, afin d’éviter d’encombrer votre rapport de données insignifiantes
4. Sélectionnez tout filtre supplémentaire susceptible d’être pertinent (par exemple, campagne, attribution, type tactile, pays, mots clés, etc.)

Étape 4 Exécuter une analyse de cohorte et évaluer les résultats

Puis…Go, go, go! 

N’oubliez pas que l’examen de rapports cloisonnés ne peut pas vous donner une vue d’ensemble complète ni vous permettre d’en tirer des informations exploitables. N’oubliez donc pas de découper vos données en dés pour découvrir des tendances intéressantes, telles que les téléchargements d’applications par rapport au ROAS dans les différentes régions. ROAS dans différentes régions. 

Pour en savoir plus sur la manière de configurer un rapport de cohorte dans votre tableau de bord AppsFlyer , cliquez ici.

Points clés à retenir

Points clés à retenir

• Elle est en fait un processus qui consiste à prendre un grand groupe d’utilisateurs ou de clients, et à les diviser en segments plus petits présentant certaines caractéristiques communes sur une période donnée.

• L’analyse de cohorte est un moyen très efficace d’obtenir des informations plus approfondies sur la façon dont des groupes spécifiques d’utilisateurs interagissent avec votre application au fil du temps. Mais aussi, d’affiner les KPI lors de la mesure des performances des campagnes, sans avoir à effectuer d’analyse comportementale sur une échelle individuelle d’utilisateurs.

• Les principaux cas d’utilisation de l’analyse de cohorte sont les suivants :
  • Optimisation des campagnes d’UA : identification des segments peu performants et des mesures de correction nécessaires.
  • Améliorer la fidélisation des utilisateurs et le LTV, en réengageant des utilisateurs de haute qualité et en élargissant leur base.
    
• Quelle que soit la verticale que vous utilisez, vous pouvez utiliser les rapports de cohorte et de rétention pour répondre à vos questions sur les indicateurs de performance. Savoir quoi où porer son regard, et savoir comment regarder, est essentiel pour ingérer les données détaillées affichées dans ces rapports.
• L’analyse de cohorte peut vous aider à déterminer les KPI de vos futures campagnes, ainsi qu’à définir la référence de votre entreprise en matière de réussite de vos campagnes.

Introduction

Introduire un état d’esprit marketing plus rapide, et alimenté par les données

De nos jours, les consommateurs ont plus de choix que jamais. Ils peuvent facilement exploiter leurs capacités de scrolling pour obtenir à peu près tout ce qu’ils veulent, quand ils le veulent. Alimentée par la pandémie et une demande croissante de services digitaux et de divertissement, la concurrence sur le marché des applications est devenue plus féroce que jamais. 

Garder une longueur d’avance est le seul moyen de rester compétitif. Et la modélisation prédictive permet justement cela, aidant les spécialistes marketing à comprendre les comportements et les tendances des consommateurs, à prévoir les actions futures et à planifier leurs campagnes en fonction de décisions fondées sur des données. 

La science de l’analyse prédictive existe depuis des années et est utilisée par les plus grandes entreprises du monde pour perfectionner leurs opérations, anticiper les changements de l’offre et de la demande, prévoir les changements globaux et utiliser les données historiques pour mieux se préparer aux événements futurs. 

Mais qu’est-ce que c’est que cette étrange invention de la science des données et du marketing, demandez-vous ? 

La modélisation prédictive est une forme d’analyse qui tire parti du machine learning et de l’IA pour examiner les données de campagne historiques, les données de comportement des utilisateurs passés et des données transactionnelles supplémentaires pour prédire les actions futures. 

Grâce à la modélisation prédictive, les spécialistes marketing peuvent prendre rapidement des décisions d’optimisation de campagne sans avoir à attendre les résultats réels. Par exemple, un algorithme de machine learning a constaté que les utilisateurs ayant terminé le niveau 10 d’un jeu dans les 24 premières heures étaient 80 % plus susceptibles d’effectuer un achat in-app dans l’application au cours de la première semaine. 

Forts de ces connaissances, il est possible d’optimiser les contenus, une fois cet événement atteint dans les 24 heures, bien avant la fin de la première semaine. Si la campagne n’est pas performante, un investissement continu serait un gaspillage total de budget. Mais si c’est le cas, doubler rapidement les investissements peut générer des résultats encore meilleurs. 

Qu’en est-il de la confidentialité ?

Quel impact la confidentialité a-t-elle sur la modélisation prédictive maintenant que l’accès aux données au niveau de l’utilisateur est limité ? 

Les utilisateurs mobiles sont devenus de plus en plus fins et bien informés au cours des dernières années. Avec la confidentialité (ou l’absence de confidentialité) au centre de l’attention, l’utilisateur moyen n’est plus pressé de fournir ses données pour utiliser une application, ou même pour profiter d’une expérience plus personnalisée. 

Mais, en 2021, les annonceurs sont-ils vraiment dans le flou quant à l’accès à des données de qualité ?

Pas nécessairement. En combinant la modélisation prédictive, SKAdNetwork, les données agrégées et l’analyse de cohorte, les spécialistes marketing peuvent prendre des décisions éclairées, même dans une réalité limitée par l’IDFA. 

Mais par où commencer ? C’est une chose de mesurer les événements, de surveiller les performances et d’optimiser. C’est toute autre chose d’analyser une quantité massive de données, ainsi que de développer et d’appliquer des modèles prédictifs qui vous permettront de prendre des décisions agiles et précises basées sur des données. 

Eh bien, n’ayez pas peur. Nous sommes là pour vous aider à donner un sens à tout cela. 

Dans ce guide pratique – une collaboration entre AppsFlyer, l’agence de marketing digitalAppAgentet Incipia, nous allons explorer comment les spécialistes marketing peuvent élever leurs compétences en matière de données au niveau supérieur, et obtenir cet avantage concurrentiel convoité grâce à la modélisation prédictive. 

Chapitre 1

Modélisation prédictive Concepts de base et configuration de mesure

Pourquoi construire des modèles prédictifs en premier lieu ?

La modélisation prédictive présente de nombreux avantages dans le marketing mobile, mais nous l’avons réduit à deux activités marketing clés :

1. Acquisition des utilisateurs (UA)

Connaître votre comportement d’utilisateur typique et les premiers jalons qui séparent les utilisateurs à fort potentiel des autres peuvent être utiles à la fois sur le front de l’acquisition et du réengagement . 

Par exemple, si un utilisateur a besoin de générer X dollars au jour 3 pour réaliser un profit après le jour 30, et que ce chiffre est inférieur à votre benchmark, vous saurez que vous devrez ajuster les enchères, les créations, le ciblage ou d’autres choses dans afin d’améliorer le rapport coût/qualité de vos utilisateurs acquis, ou bien d’améliorer vos tendances de monétisation. 

Si, toutefois, ce chiffre X dépasse votre benchmark, vous pouvez augmenter les budgets et les enchères pour tirer encore plus de valeur de vos utilisateurs acquis.

2. Publicité centrée sur la confidentialité

Pendant des années, le plus grand avantage de la publicité en ligne par rapport à la publicité traditionnelle a été la possibilité d’utiliser des larges quantités de données de performances mesurables, pour identifier le public cible souhaité. 

Plus vos campagnes sont spécifiques, plus vous êtes susceptible d’augmenter la LTV des utilisateurs et d’optimiser la budgétisation. Mais que se passerait-il si vous pouviez ouvrir les portes à un échantillon plus large et avoir un aperçu immédiat de leur valeur potentielle ?

La modélisation prédictive vous permet de faire exactement cela ; élargir l’audience potentielle de votre campagne. En créant différents clusters de caractéristiques comportementales, votre audience peut alors être segmentée non pas par selon les identités, mais selon les interactions avec votre campagne à ses débuts.

Que dois-je mesurer ?

Pour comprendre ce que vous devez mesurer pour obtenir de bonnes prédictions, explorons quels data points sont utiles et ceux qui ne le sont pas :

Metrics

Toutes les métriques sont des data points, mais toutes les métriques ne sont pas des indicateurs de performance clés (KPI). Les métriques sont plus faciles à calculer et « mûrissent » beaucoup plus rapidement que les KPI, qui ont tendance à impliquer des formules complexes.

Notez qu’avec le SKAdNetwork d’Apple, les métriques suivantes peuvent toujours être mesurées, mais avec un niveau de précision moindre. Plus à ce sujet au chapitre 5.

1) Les legacy metrics sont généralement identifiées avec une faible confiance dans la prévision des bénéfices, mais se caractérisent par une disponibilité la plus rapide : 

• Le Click to install (CTI) En mesurant la conversion directe entre les deux points de contact (touchpoints) les plus forts sur un parcours utilisateur en pré-installation, le CTI est à la fois socialement et techniquement important, car des taux plus bas peuvent indiquer une audience non pertinente, des créatives inefficaces, ou un temps de chargement lent avant installation.

Formule: Nombre d’installations / Nombre de clics sur annonces

• Le Taux de clics (CTR) – le rapport entre un clic sur une annonce donnée et le nombre total de vues. Plus haut dans le funnel des ventes, le CTR a une valeur limitée pour informer d’autres objectifs marketing globaux, mais peut refléter directement l’efficacité de la création d’une campagne en fonction des clics reçus.

Calcul :Nombre de clics / Nombre de vues d’annonces

Les data points requis : impressions, clics, installations attribuées

2) Les « Early indicator metrics »sont généralement de confiance moyenne dans la prévision des bénéfices et de la disponibilité rapide.
À l’ère du funnel de vente inversé, l’installation n’est plus un KPI suffisant. Cela dit, les mesures suivantes, bien qu’elles ne soient pas utiles pour les prévisions de bénéfices, sont toujours utiles en tant qu’indicateurs précoces informant de la probabilité que leurs campagnes génèrent des bénéfices.

Les exemples incluent :

• Coût par installation (CPI) – En se concentrant sur les installations payantes plutôt que sur les installations organiques, le CPI mesure vos coûts UA en réponse à la visualisation d’une annonce.

Calcul : Dépenses publicitaires / total # d’installations directement liées à la campagne publicitaire

• Nombre d’utilisateurs de retour après une période donnée. 

Calcul : [(CE – CN) / CS)] X 100

CE = nombre d’utilisateurs à la fin de la période

CN = nombre de nouveaux utilisateurs acquis au cours de la période

CS = nombre d’utilisateurs au début de la période

Data points requis : coût, installations attribuées, ouvertures d’application, (rapport de rétention)

À l’exception du taux de rétention, les mesures ont tendance à être liées à un modèle marketing plutôt qu’à votre modèle commercial et, en tant que telles, ne sont pas utiles pour déterminer si vos utilisateurs acquis généreront des bénéfices pour votre entreprise.

Si vous payez 100 $ par clic ou par installation, il y a de fortes chances que vous ne réalisiez aucun profit. Si votre CTR est de 0,05 %, il est probable que les mécanismes d’enchères vous obligeront à payer un taux élevé par installation, vous laissant encore avec moins de marge pour réaliser un profit. 

Les métriques ne prennent pas en charge les prévisions lorsque vous essayez de calibrer votre plage de confiance avec une précision plus fine, par exemple – lorsque la fourchette de rentabilité se situe dans une espace compris entre 2 et 6 $.

Les KPIs

Il est important de diviser les KPI en deux catégories :

1) Les Tier 2 KPI confident predictors– définis par une confiance moyenne-élevée dans les prévisions de profit et une disponibilité lente : 

Ceux-ci sont utiles pour servir de premiers repères de profit, offrant plus de confiance que les indicateurs avancés (metrics), les tier 2 KPIs prennent plus de temps à « mûrir » et offrent également moins de confiance que les Tier 1 KPIs.

* Notez qu’avec le SKAdNetwork d’Apple, les KPI suivants ne peuvent pas être mesurés ensemble.

• Coût d’acquisition client par utilisateur payant
• Coût ou conversion des actions clés – par exemple, ratio de jeux le premier jour joué ou ratio de vues de contenu lors de la première session
• Coût en fonction du temps ou conversion des actions clés (par exemple coût par nombre de parties jouées le premier jour ou coût par vue de contenu au cours de la première session)
• Coût par jour X pour utilisateur retenu: Dépenses totales par jour X du nombre d’utilisateurs retenus ce jour-là. 
• Verticales spécifiques à des événements in-app – par exemple, achèvement du tutorial, achèvement du niveau 5 le jour 1 (jeu), nombre de pages de produits consultées lors de la 1ère session, nombre de sessions en 24 heures (shopping), etc.

Points de données requis : coût, installations attribuées, ouvertures d’application (rapport de rétention), événements in-app configurés et mesurés, données de session (time stamps, fonctionnalités utilisées, etc.)

Pour la plupart des modèles commerciaux, ces KPI ne peuvent pas servir de prédicteurs fiables car, bien qu’ils tiennent compte des coûts et des événements généralement corrélés au profit, ils manquent le côté monétisation de l’équation, étant donné que les ouvertures d’application ne sont pas toujours égales aux achats in-app, et les utilisateurs payants peuvent acheter plus d’une fois.

2) Le Tier 1 KPI confident predictors – revenus précoces et ROAS comme une indication de succès à long terme – ceux-ci sont marqués par une grande confiance dans la prévision des bénéfices, mais la disponibilité la plus lente : 

Les Tier 1 KPI confident predictors mettent plus de temps à arriver à maturité ou impliquent des processus complexes à déterminer. Cependant, ils sont directement liés à votre modèle économique et, à ce titre, sont parfaitement adaptés pour prédire la rentabilité de vos campagnes marketing. 

• Le ROAS correspond au budget consacré au marketing divisé par le revenu généré par les utilisateurs au cours d’une période donnée.

Lifetime Value (LTV) – Le montant des revenus que les utilisateurs ont générés pour votre application à ce jour.

Calcul : Valeur moyenne d’une conversion X Nombre # moyen de conversions au cours d’une période X Durée de vie moyenne du client

Points de données requis : coût, installations attribuées, ouvertures d’application, mesure approfondie des revenus (IAP, IAA, abonnement, etc.)

Bien que le ROAS soit plus facile à calculer, il faut des semaines, voire des mois, aux utilisateurs pour continuer à générer des courbes de revenus. Combiné avec le revenu moyen par utilisateur, la LTV est un excellent moyen pour déterminer le revenu potentiel total ou la valeur de vos utilisateurs.

Pour conclure, voici où se situe chaque approche dans le tableau suivant :

Chapitre 2

Avantages et inconvénients des différents modèles prédictifs basés sur la LTV : Points de vue des meilleurs spécialistes marketing

Construire un modèle LTV pour prédire le ROAS pourrait être hors de portée compte tenu de la complexité et des multiples concepts de prédiction existants. 

Il existe des différences évidentes dans la manière dont les différents types d’applications retiennent et monétisent les utilisateurs ; pensez à quel point diffèrent les jeux d’achat in-app, les applications par abonnement et les entreprises de e-commerce. 

Il est clair qu’un modèle LTV unique ne peut pas exister. 

Pour mieux comprendre les complexités, nous avons parlé à un certain nombre d’experts de sociétés de jeux et non-gaming, notamment Hutch Games, Wargaming, Pixel Federationet Wolt, entre autres. 

Voici les principales questions que nous avons couvertes : 

1. Quels modèles de LTV utilisez-vous ? 
2. Comment évolue votre modèle LTV dans le temps ?
3. Qui dans l’entreprise est responsable de la gestion de la modélisation prédictive ?
4. Quelle est votre métric phare en UA ?
5. Quelle est votre position sur l’UA automation ​​et les tendances futures ?

Modèles LTV

Sur la base de nos entretiens, il semble qu’il existe trois principales “écoles de pensée” pour les prédictions LTV :

1) Modèle de rétention axé sur la rétention / ARPDAU

• Concept: Modélisez une courbe de rétention basée sur quelques points de données de rétention initiaux, puis calculez le nombre moyen de jours actifs par utilisateur (pour le jour 90, D180, etc.) et multipliez-le par un revenu moyen par utilisateur actif quotidien (ARPDAU) pour obtenir la LTV prédite.
  • Exemple : La rétention D1 / D3 / D7 est de 50% / 35% / 25%. Après avoir ajusté ces points de données à une courbe de puissance et calculé son intégrale jusqu’à D90, nous constatons que le nombre moyen de jours actifs est de 5. Sachant que l’ARPDAU est de 40 cents, la LTV D90 prédite serait égale à 2 USD.
• Ajustement adéquat : Applications à haute rétention (jeux tels que MMX Racing). Facile à configurer, peut être utile surtout s’il n’y a pas assez de données pour d’autres modèles.
• Mauvais ajustement : Les applications à faible rétention (par exemple, en eCommerce ) qui ne peuvent pas accéder à un nombre suffisant de points de données de rétention pour soutenir ce modèle.

2) Basé sur les ratios

• Concept: Calculez un coefficient (D90 LTV / D3 LTV) à partir des données d’historiques, puis pour chaque cohorte, et enfin – appliquez ce coefficient pour multiplier le D3 LTV réel pour obtenir une prédiction D90 LTV.
• Exemple : Après les 3 premiers jours, l’ARPU pour notre cohorte est de 20 cents. En utilisant des données d’historiques, nous savons que D90/D3 = 3. La LTV D90 prédite serait donc de 60 cents (20 cents ARPU*3). 
• Dans le cas où il n’y a pas assez de données d’historiques pour calculer un ratio fiable (si par exemple nous n’avons que 50 jours de données et que nous voulons une prédiction LTV à D180, ou que nous avons trop peu d’échantillons de la LTV D180), une estimation initiale peut être faite en utilisant les points de données existants , puis affiné en continu au fur et à mesure que de nouvelles données arrivent. 

Mais dans ces cas, il faut prendre ces estimations avec précaution.

• Ajustement adéquat: Types d’applications « standard » comprenant de nombreux genres de jeux ou applications de eCommerce . 
• Mauvais ajustement: Applications par abonnement avec essai gratuit de plus d’une semaine. Beaucoup de temps peut s’écouler avant qu’un achat puisse avoir lieu, et comme cette méthode est basée sur l’achat, cela rendrait une prédiction impossible.

3) Prédictions basées sur le comportement

• Concept: Collecter un volume important de données auprès des utilisateurs consentants de l’application (données de session et d’engagement, achats, messagerie in-app, etc.) et les traiter à l’aide de régressions et de machine learning pour définir quelles actions ou combinaisons d’actions sont les meilleurs “prédicteurs” d’une nouvelle valeur de l’utilisateur.  

Un algorithme attribue ensuite une valeur à chaque nouvel utilisateur en fonction d’une combinaison de caractéristiques (par exemple, plateforme ou canal UA) et d’actions effectuées (souvent au cours de quelques sessions ou jours initiaux).

Il est important de mentionner que depuis le lancement des contraintes de confidentialité d’Apple avec iOS 14, les prédictions au niveau de l’utilisateur ne sont plus possibles. Cela étant dit, les prédictions globales des utilisateurs le sont.

• Exemple : L’utilisateur A, c’est 7 longues sessions le jour 0 et au total – 28 sessions le jour 3. Ils ont également visité la page des prixs et y sont restés plus de 60 secondes.

La probabilité qu’ils fassent un achat dans le futur est de 65 %, selon l’analyse de régression et l’algorithme basé sur le machine learning. Avec un ARPPU de 100 USD, leur LTV prédite est donc de 65 USD.

• Ajustement adéquat: Pour toute application ayant accès à une équipe expérimentée en data science, à des ressources d’ingénierie et à de nombreuses données. Cela pourrait être l’une des très rares options viables dans certains cas (c’est-à-dire des applications d’abonnement avec un long essai gratuit).
• Limitations potentielles: Peut-être exagéré pour de nombreuses applications de petite et moyenne taille. Le plus souvent, des approches beaucoup plus simples peuvent produire des résultats similaires, sont beaucoup plus faciles à maintenir et à être comprises par le reste de l’équipe.

Choisir le bon modèle pour différents types d’applications

Chaque application et chaque équipe ont leur propre mélange de paramètres et de considérations qui doivent entrer dans le processus de sélection : 

• Du côté du produit, il s’agit d’une combinaison unique de type et de catégorie d’application, de modèle de monétisation, de comportement d’achat des utilisateurs et de données disponibles (et leur variance). 

• Du côté de l’équipe, il s’agit de la capacité, des compétences en ingénierie, des connaissances et du temps disponible avant que le modèle de travail ne soit requis par l’équipe UA.

Dans cette section, nous présenterons plusieurs exemples simplifiés du processus de sélection. 

Celles-ci sont basées sur des cas réels de trois types d’applications : un jeu gratuit (F2P), une application par abonnement et une application eCommerce. 

Applications par abonnement

Explorons deux cas d’applications basées sur un abonnement, chacune avec un type de paywall différent – une hard gate et un essai gratuit à durée limitée :

1. Le hard paywall: L’abonnement payant démarre très souvent au jour 0 (par exemple 8fit).
C’est parfait – cela signifie que nous aurons une indication très précise du nombre total d’abonnés déjà après le premier jour (par exemple, disons que 80 % de tous les abonnés le feront le J0, et les 20 % restants – dans le futur ). 

À condition de connaître déjà nos taux de résiliation et par conséquent notre ARPPU, nous pourrions facilement prédire la LTV des cohortes en faisant simplement une multiplication de (nombre de payeurs)*(ARPPU pour un segment d’utilisateurs donné)*(1,25 comme coefficient représentant le 20 % supplémentaires estimés d’utilisateurs devraient payer à l’avenir). 

2. Essai gratuit à durée limitée: Dans ce cas, un pourcentage d’utilisateurs se convertira pour devenir des abonnés payants après la fin de l’essai (par exemple, Headspace). Le problème est que les responsables UA doivent attendre la fin de l’essai pour comprendre l’évolution des taux de conversion. 

Ce décalage peut être particulièrement problématique lors du test de nouveaux canaux et GEO, c’est pourquoi les prédictions comportementales pourraient être utiles ici. 

Même avec un volume modéré de données et des régressions simples, il est souvent possible d’identifier des prédicteurs décents. Par exemple, nous pourrions apprendre que les utilisateurs qui entrent dans l’essai gratuit et ont au moins 3 sessions par jour pendant les 3 premiers jours après l’installation – se convertiront à l’abonnement dans 75 % des cas.

Bien qu’il soit loin d’être parfait, le prédicteur ci-dessus pourrait être suffisamment précis pour la prise de décision UA ​​et fournir une bonne capacité d’action avant que davantage de données ne soient collectées et qu’un modèle approprié ne soit testé. 

Les types et conceptions de paywall peuvent être fortement influencés par la nécessité d’évaluer rapidement le trafic. 

Il est très utile de savoir si l’utilisateur convertira (ou non) le plus rapidement possible pour comprendre la rentabilité de la campagne et pouvoir réagir rapidement. Nous avons vu cela devenir l’un des facteurs décisifs pour plusieurs entreprises lors de la détermination d’un type de paywall.

Jeux Freemium  

Les Free-to-play (F2P) (F2P) ont tendance à avoir un taux de rétention élevé et une quantité importante d’achats. 

1) Jeu Casual (Diggy’s Adventure):
Le « modèle de ratio » est un bon choix pour les jeux basés sur l’achat in-app, où il devrait être possible de prédire en toute confiance la D(x)LTV après 3 jours, car nous devrions déjà avoir identifié la plupart de nos utilisateurs payants d’ici là.

Pour certains jeux monétisés via des publicités, l’approche basée sur la rétention pourrait également être envisagée.

2) Jeu hardcore (World of Tanks ou MMX Racing):
La distribution ARPPU des utilisateurs de jeux hardcore peut être considérablement faussée lorsque les utilisateurs les plus dépensiers – les “whales” – peuvent dépenser x fois plus que les autres. 

Le « modèle de ratio » pourrait toujours fonctionner dans ces cas, mais devrait être amélioré pour prendre en compte différents niveaux de dépenses pour différents types de dépenses. Ici, une variable “type d’utilisateur” attribuerait différentes valeurs LTV aux utilisateurs en fonction de leur comportement de dépense (c’est-à-dire combien ils ont dépensé, combien d’achats, quel pack de démarrage ils ont acheté, etc.).

En fonction des données, une prédiction initiale pourrait être effectuée après le jour 3, et une autre un peu plus tard (jour 5 ou jour 7), une fois que l’on connaît les niveaux de dépenses des utilisateurs.

Les applications eCommerce

Les applications eCommerce ont généralement des modèles de rétention uniques, car leur lancement est souvent lié à une intention d’achat existante, ce qui n’arrive pas trop souvent d’ordinaire. 

Nous pouvons donc conclure que l’utilisation du “modèle basé sur la rétention” n’est généralement pas adaptée à de telles applications. Au lieu de cela, explorons deux cas d’utilisation alternatifs :

1) Revendeur de billets d’avion

Le délai entre l’installation et l’achat est important dans le secteur du voyage, parfois long de plusieurs mois. Étant donné que les achats et les revenus sont répartis sur une longue période, les modèles de « ratio » ou de « rétention » ne fonctionneront pas dans la plupart des cas. 

Par conséquent, nous devrions chercher à trouver des indices comportementaux et à découvrir des prédicteurs potentiels lors de la première session post-installation, car c’est souvent la seule information que nous aurons à notre disposition. 

En utilisant ces indices, et étant donné qu’il y a suffisamment de données, nous estimerions la probabilité qu’un utilisateur achète un billet, et la multiplierions par un ARPPU pour une combinaison pertinente de leurs caractéristiques (plateforme, pays d’origine, etc.)

2) Marketplace en ligne

Les utilisateurs ont tendance à effectuer leur premier achat peu de temps après une installation. Et le premier article acheté prend souvent un temps considérable à être expédié. Par conséquent, les clients ont tendance à attendre le premier envoi pour évaluer le service avant de s’engager dans un autre achat. 

Attendre le lot de données lié au « deuxième achat » rendrait les prévisions inutilisables en raison du long délai, et limiterait par la suite tous les calculs aux données initiales. 

Selon le moment où les utilisateurs passent leurs commandes (la majorité le faisant dans les 5 premiers jours), nous pouvons utiliser la méthode du ratio (D90/D5) et multiplier le résultat par un autre coefficient qui tiendrait compte des achats futurs. 

Du MVP aux modèles complexes

Tous les analystes de données avec lesquels nous avons parlé chez les grands éditeurs ont convenu qu’il est important de commencer vos prédictions avec un simple « Produit minimum viable » (MVP). 

L’idée est de vérifier les hypothèses initiales, d’en savoir plus sur les données et de construire progressivement un modèle. Cela signifie généralement ajouter plus de variables au fur et à mesure pour activer des modèles plus granulaires et précis (par exemple , le facteur k, la saisonnalité et les revenus publicitaires, en plus de la segmentation initiale par plate-forme, pays et canal UA).

Complexe n’est pas synonyme de “bon”. Les responsables UA peuvent être rapidement frustrés lorsque leur accès aux données est bloqué parce que quelqu’un fait des choses compliquées. »

Anna Yukhtenko, Data Analyst @Hutch Games

En réalité, nous avons constaté que les entreprises ont tendance à s’en tenir à des modèles conceptuellement simples. 

C’était un peu une découverte surprenante. Nous nous attendions à ce que, une fois le produit lancé, les équipes de données sortent leurs artifices, leurs algorithmes de machine learning et leurs IA pour se mettre au niveau de ce que nous pensions être une norme de l’industrie. Nous avions tort. Ou du moins partiellement. 

Bien que beaucoup voient la valeur des modèles sophistiqués et les aient testés dans le passé, la plupart ont finalement opté pour des modèles plus simples. Trois raisons principales à cela.

1. Coût/bénéfice des modèles avancés

Le rapport coût/bénéfice de la création et de la maintenance d’un modèle complexe ne correspond tout simplement pas. Si un niveau de confiance suffisant pour les opérations quotidiennes peut être atteint avec des modèles plus simples, pourquoi s’en soucier ?

2. Temps d’ingénierie pour créer/maintenir

La création d’un modèle avancé peut engloutir de nombreuses heures d’ingénierie, et encore plus pour le gérer, ce qui est un énorme problème pour les petites équipes. 

Très souvent, le département BI a très peu de capacité à consacrer à l’équipe marketing, laissant les marketeurs mener seuls une bataille inégale contre les statistiques et l’ingénierie des données.

3. Changements continus

Chaque version de produit est différente et est monétisée différemment (l’ajout ou la suppression de fonctionnalités peut avoir un effet considérable, par exemple) ; la saisonnalité locale et les effets à l’échelle du marché en sont deux exemples pertinents. 

Les modifications doivent être apportées à la volée, et l’introduction de modifications dans un modèle complexe peut être un processus douloureux et lent, qui peut s’avérer désastreux dans un environnement mobile en évolution rapide avec des achats de médias continus. 

Il est tellement plus facile de modifier un modèle simple, parfois par les spécialistes marketing eux-mêmes.

Pour un certain sous-ensemble d’applications, un modèle basé sur le comportement peut être le seul bon choix. Et tandis qu’une équipe expérimentée d’ingénierie et de data science devrait être à portée de main pour les entreprises suffisamment grandes pour soutenir un tel investissement, d’autres peuvent opter pour l’adoption d’un produit prêt à l’emploi qui offre des qualités similaires.

Un autre ensemble de données qui gagne du terrain est celui des modèles LTV générés par la publicité avec des estimations de revenus publicitaires au niveau de l’utilisateur. Pour plus d’informations à ce sujet, voir le chapitre 4. 

Equipes et responsabilités

En général, la conception, la mise en place et l’adaptation d’un modèle LTV prédictif devraient être le travail d’une équipe d’analyse/data science (à condition qu’il y en ait une). 

Idéalement, il y a deux rôles en jeu ici : un analyste expérimenté avec une large portée en marketing, apte à donner des conseils sur la stratégie et les niveaux tactiques, ainsi que décider quel modèle doit être utilisé, et comment. Et un analyste dédié qui “possède” les calculs et les prévisions LTV au jour le jour.

L'”analyste au jour le jour” doit surveiller en permanence le modèle et garder un œil sur toute fluctuation significative. Par exemple, si les revenus hebdomadaires prévus ne correspondent pas à la réalité et ne se situent pas dans les limites prédéfinies, une modification du modèle peut être nécessaire immédiatement, et non après quelques semaines ou mois.

« C’est un travail d’équipe. Nous avons créé quelque chose comme un système d’alerte précoce où nous nous réunissons une fois par mois, passons en revue toutes les hypothèses qui entrent dans le modèle et vérifions si elles sont toujours vraies. Jusqu’à présent, nous avons environ 12 hypothèses majeures (par exemple, la valeur des incremental organics, la saisonnalité, etc.), que nous contrôlons pour nous assurer que nous sommes sur la bonne voie. »

Tim Mannveille, directeur du Growth & Insight @Hutch Games

Une fois les résultats de prédiction calculés, ils sont automatiquement transmis et utilisés par l’équipe UA. Les UA managers se fient le plus souvent simplement à ces résultats et signalent les incohérences, mais ils devraient essayer de monter d’un cran afin de mieux remettre en question et évaluer les modèles utilisés à un niveau général (comprendre les subtilités derrière un modèle complexe et ses calculs est non requis).

Professionnels du marketing interrogés pour ce chapitre :

• Fredrik Lucander de Wolt
• Andreï Evsa de Wargaming
• Matej Lancaric de Boombit (anciennement chez Pixel Federation)
• Anna Yukhtenko et Tim Mannveille de Hutch Games

Chapitre 3

Méthodes d’évaluation de la rentabilité du marketing mobile avec Excel

Si vous pensez maîtriser un Excel avancé en utilisant des tableaux croisés dynamiques, des champs calculés, une mise en forme conditionnelle et des recherches, vous pourriez être surpris d’apprendre que vous manquez une astuce encore plus puissante dans le playbook Excel. 

Non seulement cela, mais cette astuce peut être utilisée pour prédire la rentabilité de vos campagnes de marketing mobile ! 

Considérez le chapitre suivant comme votre mini-guide pour créer votre propre modélisation prédictive à l’aide d’outils de tous les jours.

Avertissement : Gardez à l’esprit que ce qui suit est une variante très simplifiée d’un modèle prédictif. Pour les exploiter correctement à grande échelle, des algorithmes sophistiqués de machine learning sont nécessaires afin de prendre en compte de nombreux éléments susceptibles d’affecter considérablement les résultats. L’examen d’un seul facteur pour prédire sa valeur (c’est-à-dire les revenus) entraînera probablement un manque de précision.

En utilisant un nuage de points et un peu d’algèbre, vous pouvez transformer une équation de courbe de tendance Excel en un outil puissant, comme l’identification précoce du point auquel vos campagnes marketing prouvent qu’elles sont susceptibles de générer des bénéfices. 

Cette méthode peut vous aider à passer d’intuitions à la prise de décision basée sur les données et à augmenter votre confiance dans les rapports hebdomadaires.

Prédire quel ROAS à la semaine 0 prédira un ROAS de 100 % à 6 mois

Alors que la LTV bien faite est un excellent prédicteur, le ROAS – en particulier au cours de la première semaine de la vie d’un utilisateur – est une mesure largement utilisée pour mesurer les bénéfices en raison de sa large accessibilité. 

En particulier, nous allons utiliser le ROAS de la semaine 0 (revenus de la première semaine d’acquisition d’utilisateurs/coût d’acquisition de ces utilisateurs) comme prédicteur de confiance, qui est une méthode par cohorte entre semblables, pour comparer les performances des annonces chaque semaine.  

Le ROAS de la semaine 0 nous permettra de prédire si nous atteindrons le seuil de rentabilité de nos dépenses publicitaires avec un ROAS de 100 % après 6 mois.

Étape 1

La première étape pour utiliser Excel et prédire les bénéfices consiste à vous assurer que vous disposez de suffisamment de points de données pour les semaines 0 et 6 mois. Bien que vous puissiez techniquement dessiner une pente et faire une prédiction pour n’importe quel point sur cette pente, avec deux points de données, votre prédiction sera loin d’être solide avec si peu d’observations l’alimentant. 

Le nombre idéal d’observations dépend d’une multitude de facteurs ; tels que votre niveau de confiance souhaité, les corrélations dans l’ensemble de données et les contraintes de temps, mais en règle générale pour les prévisions basées sur le ROAS de la semaine 0, vous devez viser au moins 60 paires d’observations ROAS de la semaine 0 et de 6 mois. 

Il est également essentiel d’inclure suffisamment d’observations qui ont atteint le niveau d’objectif que vous avez défini. Si vous avez 60 points de données à tracer, mais seulement 2 points où le ROAS sur 6 mois a dépassé 100 %, votre modèle d’équation ne sera pas alimenté par une compréhension suffisante des entrées nécessaires pour atteindre ce seuil de rentabilité. 

Dans ce cas, l’exigence d’atteindre un ROAS de 100 % après 6 mois pourrait être soit 2 points de pourcentage de ROAS complets supplémentaires, soit 5 points de pourcentage, ce qui représente une plage très large qui n’est pas propice à la prédiction.

Étape 2

Une fois que vous avez recueilli suffisamment d’observations sur le niveau d’objectif, la deuxième étape consiste à diviser votre ensemble de données en deux groupes, un pour l’entraînement et un pour la prédiction. 

Placez l’essentiel des données (~ 80 %) dans un training group. Plus tard, vous utiliserez le groupe de prédiction pour tester la précision de votre modèle et prédire le ROAS sur 6 mois, compte tenu du ROAS de la semaine 0.

Étape 3

La troisième étape consiste à utiliser un nuage de points pour représenter graphiquement les données, avec le ROAS de la semaine 0 sur l’axe des x et le ROAS sur 6 mois sur l’axe des y. 

Ajoutez ensuite une ligne de tendance et ajoutez les R-squared settings.

Représentez graphiquement les données d’apprentissage à l’aide d’un nuage de points.

Faites un clic droit sur un point de données et ajoutez une ligne de tendance.

Ajoutez l’équation de la ligne de tendance et le R-squared.

Étape 4

La quatrième étape consiste à utiliser l’équation linéaire y = mx + b pour résoudre la valeur x de l’équation (ROAS de la semaine 0) lorsque la valeur y (ROAS sur 6 mois) est de 100 %.

Le réarrangement de l’équation à l’aide de math se fait comme suit :

1. y = 9,2695x – 0,0936
2. 1 = 9.2695x – .0936
3. 1 + .0936 = 9.2695x
4. 1.0936 = 9.269x
5. X
6. X = 11.8%

De cette façon, comment prédire le profit à 6 mois ? Votre ROAS doit être supérieur à 11,8 % la première semaine.

Si votre ROAS de la semaine 0 est inférieur à ce taux, vous savez que vous devrez ajuster les enchères, les créatives ou le ciblage pour améliorer le coût/la qualité de vos utilisateurs acquis et améliorer vos tendances de monétisation. 
Si votre ROAS de la semaine 0 est supérieur à ce chiffre, vous pouvez augmenter vos budgets et vos enchères en toute confiance !

Étape 5

La cinquième étape consiste à utiliser votre segment de prédiction de l’ensemble complet de données pour évaluer dans quelle mesure votre modèle a pu prédire les résultats réels. Cela peut être évalué à l’aide de l’erreur absolue moyenne en pourcentage (MAPE), qui est un calcul divisant la valeur absolue de l’erreur (la valeur réelle moins la valeur prédite) par la valeur réelle. 

Plus la somme du MAPE est faible, meilleure est la puissance prédictive de votre modèle.

Il n’y a pas de règle empirique pour un bon nombre MAPE, mais généralement, plus votre modèle contient de données et plus les données sont corrélées, meilleure sera la puissance de prédiction de votre modèle. 

Si votre MAPE est élevé et que les taux d’erreur sont inacceptables, il peut être nécessaire d’utiliser un modèle plus complexe. Bien que plus difficiles à gérer, les modèles impliquant R et python) peuvent augmenter la puissance de prédiction de votre analyse.
Voilà donc : votre cadre pour prédire la rentabilité des campagnes marketing.
Mais ne partez pas tout de suite ! Ce guide contient quelques autres conseils de choix…

Améliorez vos pronostics

Les lecteurs curieux se demanderont si la ligne de tendance linéaire par défaut est la meilleure à utiliser pour prédire les bénéfices. 

Vous pouvez même essayer quelques lignes de tendance supplémentaires et découvrir que le R-squared (une mesure de l’ajustement de l’équation à vos données) s’améliore avec d’autres équations, ce qui rehausse encore plus le profil de cette question.

Alors que l’adage marketing du “ça dépend” s’applique à nouveau dans la sélection de la meilleure ligne de tendance, un autre adage marketing anglo-saxon se montre utile : Le KISS (keep it simple, stupid). Si vous n’êtes pas un statisticien ou un passionné de mathématiques, votre meilleur pari est d’utiliser les courbes de tendance les plus simples – qui sont les courbes linéaires.

Pourquoi est-ce un enjeu ? À titre d’exemple simple, considérons l’ajout de données inattendues dans le modèle. Dans les deux scénarios suivants, voyez comment un ROAS inférieur de la semaine 0 arrivant à maturité de manière inattendue ou un ROAS supérieur de la semaine 0 arrivant à maturité de manière inattendue affecte la précision de chaque modèle de courbe de tendance (évaluée à l’aide du MAPE).

L’utilisation du MAPE pour comparer les différents modèles basés sur les courbes de tendance montre ici que, bien que les modèles linéaires et exponentiels ne soient pas les plus précis dans tous les cas, ils sont les plus cohérents.

De plus, du machine learning peut vous donner la possibilité d’automatiser ce processus, d’analyser de plus grandes quantités de données et de fournir des informations plus rapidement.

S’assurer que vous allez dans le bon sens

Pour finir, consultez cette liste de questions supplémentaires qui peuvent s’avérer utiles pour vous assurer que votre analyse de prédiction repose sur des bases solides :

1. Avez-vous continué à alimenter votre modèle pour le maintenir formé sur les données les plus pertinentes ?
   1. Avez-vous vérifié si les prédictions de votre modèle se concrétisent sur la base de nouvelles observations ou s’en rapprochent ?

2. Avez-vous trop ou pas assez de variations ?
   1. Un R-squared très faible ou bien très élevé indiquent un problème dans la capacité de votre modèle à prédire avec précision de nouvelles données.

3. Avez-vous utilisé le bon KPI ?
   1. Poursuivez et testez différents KPI (par exemple, plus ou moins de jours de ROAS ou de LTV) et utilisez le MAPE pour comparer le pouvoir de prédiction des bénéfices de chacun. 

Vous serez peut-être surpris de voir à quel point les mesures standard sont peu corrélées.

4. Vos indicateurs avancés ou vos premiers benchmarks ont-ils connu des changements significatifs ?
   1. Cela peut être un signe que quelque chose d’important a changé dans le monde réel et que des problèmes se préparent pour la capacité de votre modèle à prédire avec précision les bénéfices à l’avenir.

5. Avez-vous appliqué une segmentation aux données ?
   1. La segmentation des utilisateurs en groupes plus homogènes est un excellent moyen de réduire le « bruit » et d’améliorer la puissance prédictive de votre modèle. 

Par exemple, n’appliquez pas le même modèle à tous les utilisateurs sur tous les canaux et toutes les zones géographiques si ces utilisateurs ont des tendances de rétention et de coût très différentes.

6. Considérez-vous les influences du temps?
   1. La plupart des spécialistes marketing sont conscients que la saisonnalité est un facteur pour lequel les prédictions peuvent échouer, mais le cycle de vie de votre application/campagne/audience/création peut également influencer la capacité de votre modèle à faire des prédictions précises.

Chapitre 4

Ajout d’une autre pièce au puzzle : Prédire la LTV des annonces in-app

La publicité in-app (IAA) est devenue de plus en plus populaire, représentant au moins 30 % des revenus des applications ces dernières années.  Les jeux hyper-casual et casual, en plus de nombreuses applications utilitaires, exploitent naturellement ce flux de revenus comme principale source de monétisation. 

Même les développeurs qui dépendaient entièrement des achats in-app (IAP) ont commencé à monétiser leur activités avec des publicités. En conséquence, nous pouvons voir que de nombreuses applications combinent désormais avec succès les deux sources de revenus pour maximiser la LTV de leurs utilisateurs. 

A titre d’exemple, ne cherchez pas plus loin que King’s Candy Crush.

La LTV de la monétisation hybride est composée de deux parties :

1. Achats in-app/Abonnement LTV : Revenu activement généré par un utilisateur qui fait des achats in-game, des monnaies in-app, des contenus spéciaux, des services supplémentaires ou un abonnement payant.
2. Publicité LTV in-app Revenus générés passivement par un utilisateur qui visualise et/ou interagit avec des publicités (bannières, vidéos, interstitiels, etc.)

Le défi des données

Idéalement, les spécialistes marketing devraient être en mesure de comprendre la valeur nominale de chaque impression ; cela en ferait pratiquement un « achat ». Après avoir collecté suffisamment de données, nous serons en mesure de créer des modèles de prédiction similaires à ce que nous avons déjà décrit au chapitre 2 pour les achats in-app. 

Mais dans le monde réel, ce n’est pas si simple – même le calcul de la LTV des annonces in-app est difficile en raison du volume et de la structure des données sur les revenus, visibles des marketeurs. 

Voici une liste de quelques problèmes récurrents :

• Il y a rarement une seule source d’annonces qui est affichée. En pratique pourtant, il existe de très nombreuses sources, avec un algorithme/outil derrière elles (plateformesde médiation publicitaire ) qui changent constamment de sources et d’eCPM. 
• Si un utilisateur visualise 10 annonces, il est tout à fait possible qu’elles proviennent de 5 sources différentes, chacune avec un eCPM complètement différent lui aussi.
• Certains réseaux publicitaires paient pour les actions (installation, clic) plutôt que pour les impressions, ce qui complique encore plus les choses.
• Lorsque vous travaillez avec des plateformes de médiation couramment utilisées offrant des revenus publicitaires au niveau de l’utilisateur, le nombre obtenu reste une estimation. Les réseaux publicitaires sous-jacents ne partagent pas ces données la plupart du temps, ce qui entraîne généralement une répartition entre les revenus générés avec les utilisateurs qui ont vus les impressions.
• Les eCPM peuvent varier considérablement au fil du temps et il est impossible de prévoir ces changements.

Modèles de prédiction pour la LTV des annonces in-app

De nombreuses entreprises que nous avons interrogées n’étaient pas activement impliquées dans les prévisions de LTV publicitaires. Parmi les marketeurs des app de jeu qui s’intéressaient au sujet, aucun n’avait réellement compris la valeur ajoutée de son utilisation. En tout cas, pas à court terme.

Voici les concepts qui ont été discutés comme points de transition :

1. Le modèle de rétention basé sur la rétention/ARPDAU

• Concept: Utilisation du modèle de rétention ARPDAU, qui dans ce cas contient également la contribution supplémentaire des revenus publicitaires in-app.
• Exemple : La rétention D1/D3/D7 est de 50 %/35 %/25 %. Après avoir ajusté ces points de données à une courbe de puissance et calculé son intégrale jusqu’à D90, nous apprenons que le nombre moyen de jours actifs est de 5. Sachant que l’ARPDAU est de 50 centimes, le LTV D90 prévu serait donc de 2,50 $.

2. La méthode basée sur les ratios

• Concept: Intégrer les estimations de revenus publicitaires au niveau de l’utilisateur dans le stack afin d’utiliser la méthode du ratio de la même manière (c’est-à-dire sur la base des coefficients de D1, D3, D7, etc.).
• Exemple : L’ARPU calculé à partir des achats in-app et des revenus publicitaires intégrés à l’application est de 40 cents après les 3 premiers jours. On sait que D90/D7 = 3. Le LTV D90 prévu serait donc de 1,20 $.

3. La simple méthode de multiplication

• Concept: Calcul du ratio entre les achats in-app et les revenus publicitaires, pour utiliser un multiplicateur dans le calcul de la LTV totale. Avec plus de données, plusieurs coefficients peuvent être calculés pour les dimensions plateforme/pays, car ceux-ci ont généralement le plus grand impact sur le ratio des revenus publicitaires par rapport aux revenus in-app.

Lien vers les prédictions LTV basées sur le comportement

Il est important de mentionner un autre facteur clé qui peut fortement influencer la rentabilité potentielle des utilisateurs de l’application : la cannibalisation. 

Les utilisateurs qui dépensent de l’argent en effectuant des achats in-app ont souvent une LTV nettement plus élevée que les utilisateurs qui ne font que consommer des publicités. Il est de la plus haute importance que leur « intention » première ne soit pas perturbée par des messages pratiques et gratuits. 

D’un autre côté, il est important d’inciter les utilisateurs à regarder des publicités, afin qu’ils soient souvent récompensés par de la monnaie in-app ou des bonus.

Si une application contient à la fois des publicités avec récompense et des achats in-app, il est possible qu’à un certain moment, un joueur ne reçoive pas de récompense importante en monnaie in-app, en échange du visionnage de publicités, il pourrait devenir un consommateur IAP. 

C’est exactement là que les prédictions comportementales entrent en jeu – en mesurant le comportement des utilisateurs, un algorithme de machine learning peut déterminer la probabilité que certains utilisateurs deviennent des “dépensiers” et indiquer où certains ajustements del’expérience de jeu/application sont nécessaires. 

Le processus fonctionne comme suit :

1. Tous les utilisateurs doivent commencer par une expérience sans publicité pendant que les données d’engagement commencent à être mesurées.

2. L’algorithme calcule en continu une probabilité qu’un utilisateur devienne un « spender ».

3. Si cette probabilité est supérieure à un pourcentage défini, les annonces ne seront plus diffusées au fur et à mesure que des données supplémentaires seront collectées (“en attente de l’achat”).

4. Si la probabilité tombe en dessous d’un pourcentage défini, il est fort probable que cet utilisateur n’effectuera jamais d’achat. Dans ce cas, l’application commence à diffuser des annonces.

5. Basé sur le comportement à plus long terme des joueurs, l’algorithme peut continuer à évaluer leur comportement tout en modifiant le nombre d’annonces et en mélangeant différents formats.

La plupart des entreprises se contenteront d’utiliser des modèles et des approches simples qui offriront le rapport coût/bénéfice optimal, en particulier en ce qui concerne les difficultés de mise en œuvre et la valeur ajoutée d’informations plus précises. 

Des progrès rapides dans ce domaine sont déjà visibles, avec différentes solutions qui viennent combler les lacunes et compléter le rythme de développement effréné de l’écosystème, ainsi que l’importance croissante de la publicité in-app en tant que source de revenus clé pour les applications. 

Le mode de contribution

Alors que des méthodes de prédiction de comportement bien réglées peuvent donner les résultats les plus précis dans l’attribution des revenus publicitaires, il existe une méthode plus simple et plus viable pour gérer le problème de l’attribution des revenus publicitaires à une source d’acquisition. 

Cette méthode est basée sur l’attribution de la contribution d’un canal aux revenus publicitaires en fonction de points de données agrégés sur le comportement des utilisateurs.

Les marges de contribution fonctionnent à partir de la contribution d’un canal par rapport au comportement global de l’utilisateur, qui est ensuite convertie en marge de gain de ce même canal, par rapport aux revenus publicitaires globaux générés par tous les utilisateurs. 

La théorie est que plus les utilisateurs acquis par un canal génèrent des actions dans une application, plus ce canal est influent et peut réclamer le crédit des revenus publicitaires de ces utilisateurs.

Pour clarifier, décomposons-le calcul :

Étape 1

La première étape consiste à sélectionner un point de données à utiliser pour déterminer la marge de contribution aux revenus publicitaires de chaque source d’acquisition. 

Comme point de départ, vous pouvez utiliser la régression de la courbe de tendance d’Excel pour identifier quel KPI du comportement des utilisateurs se trouve être le plus corrélé avec les changements de revenus publicitaires. 

Notez que, étant donné que la méthode de contribution implique l’attribution de revenus en fonction d’une proportion de l’activité totale, vous souhaiterez utiliser un point de données qui correspond à un nombre d’ utilisateurs actifs par jour, plutôt qu’à un taux de rétention de type ratio. 

Quelques options incluent :

• Nombre total d’utilisateurs actifs
• Nombre total de sessions utilisateur
• Durée totale de la session
• Données attribuables aux annonces (par exemple, impressions d’annonces)
• Nombre total d’événements clés (par exemple, les jeux joués)

Étape 2

Une fois que vous avez quelques points de données à observer, répartissez chaque point de données par rapport aux revenus publicitaires totaux par jour afin de voir où les corrélations entre les changements de comportement des utilisateurs et les revenus publicitaires totaux sont les plus fortes.

Étape 3

Ajoutez le point de données R-squared à votre graphique pour identifier quel point de données obtient la corrélation la plus forte.

Il y a un inconvénient à cette méthode de régression de la ligne de tendance Excel : moins il y a de variation dans le comportement des utilisateurs et des revenus publicitaires, plus le modèle perd en capacité de précision pour observer la force de la corrélation entre les points de données. 

Par conséquent, vous aurez moins confiance en votre capacité à choisir un point de données plutôt qu’un autre.

 Dans cet ensemble de données simulées, nous observons le nombre de chaque point de données, par jour, ainsi que le total des revenus publicitaires générés par jour.

Sur la base de ces données simulées, nous pouvons voir que l’événement associé à la meilleure force de corrélation semble être le nombre d’utilisateurs actifs sur la base de notre métrique d’ajustement R-squared. 

Ainsi, le point de données de notre ensemble qui explique le mieux les changements dans les revenus publicitaires est le nombre d’utilisateurs actifs, et nous devons donc utiliser le nombre d’utilisateurs actifs pour attribuer les revenus publicitaires canal par canal.

Étape 4

Une fois que vous avez sélectionné un KPI de comportement utilisateur, il est temps de calculer la marge de contribution.

Ensuite, multipliez la marge de contribution quotidienne de chaque canal par les revenus publicitaires cumulés générés chaque jour.

Ce processus nécessite que les données sur le comportement des utilisateurs soient mesurées par canal et accessibles tous les jours, de sorte que la marge de contribution de tous les canaux puisse être calculée avec les données de revenus de chaque nouveau jour.

Remarque : bien que nous n’incluions ici que quatre canaux publicitaires à des fins d’illustration, vous pouvez également inclure vos données organiques et d’autres canaux ici, afin d’attribuer et de relier entièrement les revenus quotidiens par rapport au comportement quotidien des utilisateurs. 

Ci-dessus, on peut voir les revenus publicitaires calculés générés par jour, par canal, ce qui permet d’estimer la rentabilité de chaque canal.

Notez que vous devrez revoir votre évaluation des KPI utiles pour l’attribution à mesure que les tendances de comportement, et les données de monétisation des revenus publicitaires évoluent, ou que de nouveaux points de données deviennent disponibles.

Par exemple, dans l’ensemble de données ci-dessus, nous pouvons voir un deuxième groupe de points de données vers la fin de la période (commençant approximativement le 10 janvier), où les revenus publicitaires par jour sont nettement plus élevés qu’au début du mois. 

Cela se reflète dans le regroupement des données en haut à droite de chaque nuage de points, loin du groupe en bas à gauche. 

Plus l’ensemble de données est complexe, moins cette simple évaluation de régression Excel sera précise, et plus il sera nécessaire d’appliquer une segmentation et une analyse plus rigoureuse.

Chapitre 5

Modélisation prédictive dans un monde centré sur la confidentialité

Vers une nouvelle réalité publicitaire

L’analyse prédictive vous permet d’augmenter l’audience potentielle de votre campagne, d’augmenter la LTV des utilisateurs et d’assurer une budgétisation plus efficace – à une époque où, dans certains cas, nous n’avons plus accès à des données de performance de type granulaire. 

En créant différents groupes de caractéristiques comportementales, votre public peut alors être catégorisé non pas en fonction de son identité réelle, mais en fonction de son interaction avec votre funnel des ventes, à ses débuts. Cette interaction peut indiquer leur potentiel futur à générer une valeur significative pour votre produit.

La combinaison de facteurs clés d’engagement, de rétention et de monétisation, peut être corrélée à la compatibilité d’un utilisateur avec la logique LTV de n’importe quel développeur et fournir une indication de lapLTV (Predicted Lifetime Value) au tout début d’une campagne.

Machine learning – La clé du succès

Une application mobile peut avoir plus de 200 métriques disponibles pour la mesure, mais la plupart des spécialistes marketing n’en mesureront probablement qu’un maximum de 25. Une machine, en revanche, est capable d’ingérer toutes ces informations en quelques millisecondes et de les appliquer aux informations marketing et aux indicateurs de fonctionnalité des applications. 

Un algorithme de machine learning pourra calculer tous ces indicateurs et trouver les bonnes corrélations pour vous. Ses calculs seront basés sur votre définition du succès, votre logique LTV, et l’appliqueront à une quantité importante de données pour trouver une corrélation entre les premiers signaux d’engagement et le succès éventuel.

Cela signifie que les annonceurs n’ont plus besoin de savoir QUI est l’utilisateur, mais plutôt de savoir À QUEL profil pLTV et quelles caractéristiques ils correspondent. Ce profil doit être aussi précis que possible et mis à disposition dès les premiers jours de la campagne. Il doit représenter les exigences LTV de l’annonceur pour qu’il soit considéré comme valide et exploitable. 

En ce qui concerne les applications de eCommerce par exemple, l’application d’indicateurs tels que les achats précédents, la fréquence des achats, l’heure de la journée ou la progression dans le funnel de vente permet à l’algorithme de regrouper les publics généraux en cohortes très granulaires, et mutuellement exclusives. 

Cela permet un ciblage et des messages plus efficaces, et finalement un ROAS plus élevé.

Tirer parti des prédictions LTV du cluster

L’analyse prédictive aide à réduire la période d’apprentissage de la campagne en utilisant les intégrations existantes pour fournir une prédiction LTV précise de la campagne. 

En tirant parti du machine learning et en comprenant les données agrégées, l’analyse prédictive pourrait fournir une indication du potentiel de campagne sous la forme d’un score, d’un classement ou de toute autre forme d’informations exploitables dans les jours suivant son lancement, informant les marketeurs de son succès probable. 

Par exemple, les machines d’une application de gaming ont constaté que les utilisateurs qui terminent le niveau 10 d’un jeu dans les 24 premières heures sont 50 % plus susceptibles de devenir des utilisateurs payants.

Grâce à ces informations, les spécialistes marketing peuvent soit réduire leurs pertes sur une mauvaise campagne qui ne fournit pas d’utilisateurs de qualité, optimiser si nécessaire, ou doubler la mise lorsque les premières indications montrent un profit potentiel, ce qui leur donne la possibilité de prendre des décisions rapides de pause, d’amplification ou encore d’optimisation. 

Le défi SKAdNetwork

L’introduction de la réalité axée sur la confidentialité d’iOS 14 et du SKAdNetwork d’Apple a créé son propre ensemble de défis, limitant principalement la mesure des données au niveau de l’utilisateur dans l’écosystème iOS aux utilisateurs consentants.

Ceci est considéré comme la première étape vers un environnement publicitaire davantage axé sur la confidentialité des utilisateurs, et bon nombre des plus grands acteurs de l’industrie en ligne sont susceptibles de suivre la marche sous une forme ou une autre.

Ces changements limitent non seulement le volume de données disponibles, mais également la fenêtre de temps dans laquelle les spécialistes marketing peuvent prendre des décisions éclairées sur le succès ou non d’une campagne. 

Bien que les algorithmes de machine learning puissent prédire rapidement quelles campagnes sont susceptibles d’offrir les clients les plus intéressants, d’autres limitations incluent les éléments suivants : manque de données en temps réel, pas de donnée ROI ou de LTV car il mesure principalement les installations, un manque de granularité puisque les données ne sont disponibles qu’au niveau de la campagne.

Alors, comment pouvez-vous diffuser des publicités pertinentes sans connaître les actions que chaque utilisateur effectue… ? 

Vous l’avez deviné : Marketing prédictif basé sur le Machine learning. En utilisant des corrélations statistiques avancées basées sur des données historiques, sur le comportement des applications pour prédire les actions futures, les spécialistes marketing peuvent exécuter des expériences en utilisant des paramètres non personnalisés, tels que les signaux contextuels et la formation continue des modèles de machine learning. 

Les résultats peuvent ensuite être appliqués à de futures campagnes et affinés au fur et à mesure que davantage de données sont collectées.  

Chapitre 6

Meilleures pratiques pour créer des modèles de prédiction de marketing mobile

1. Nourrir la bête…

Lors de la création de modèles de données utilisés pour guider des décisions importantes, il est non seulement important de créer le meilleur système possible, mais également d’effectuer des tests continus pour garantir son efficacité. 

Dans les deux cas, assurez-vous d’alimenter en permance votre modèle de prévision des bénéfices pour le maintenir formé sur les données les plus pertinentes. 

De plus, vérifiez toujours si les prédictions de votre modèle se concrétisent sur la base de nouvelles observations, ou du moins s’en rapprochent. 

Délaisser ces étapes peut ferait qu’un modèle doté d’une puissance de prédiction initiale pourrait ensuite dérailler en fonction de la saisonnalité, de la dynamique des macros enchères, des tendances de monétisation de votre application ou de nombreuses autres raisons. 

En observant vos indicateurs avancés ou vos premiers repères et en recherchant des changements significatifs dans les points de données, vous pouvez également évaluer quand vos propres prévisions sont susceptibles de s’effondrer. 

Par exemple, si votre modèle a été formé sur des données où le taux de rétention moyen au jour 1 variait de 40 % à 50 %, mais que pendant une semaine, le taux de rétention au jour 1 a chuté à 30 % -40 %, cela pourrait indiquer un besoin de ré-entraîner votre modèle. 

Cela peut être particulièrement vrai étant donné que les quality signals des utilisateurs que vous avez récemment acquis ont changé, entraînant probablement des changements dans la monétisation et les bénéfices, toutes choses égales par ailleurs.

2. Choisir le bon KPI pour prédire la rentabilité

Vous avez le choix entre plusieurs options, chacune avec un ensemble de compromis en matière de viabilité, de précision et de rapidité pour produire des recommandations. 

Lancez-vous et testez différents KPI (par exemple, plus ou moins de jours de ROAS ou de LTV) et utilisez un ou tous les éléments suivants pour comparer le pouvoir de prédiction des bénéfices de plusieurs KPI :

• Le R-squared 
• Un ratio réussite/échec pour une prédiction satisfaisante
• Erreur absolue moyenne en pourcentage (MAPE)

Vous serez peut-être surpris de voir à quel point les mesures standard sont peu corrélées.

3. Segmentez vos données

La segmentation des utilisateurs en groupes plus homogènes est non seulement un excellent moyen d’améliorer le taux de conversion, mais également une méthode éprouvée pour réduire le « bruit » et améliorer la puissance prédictive de votre modèle. 

Par exemple, l’application du même modèle, à la fois, aux campagnes basées sur les centres d’intérêt et aux campagnes similaires basées sur la valeur, pourrait entraîner des résultats moins performants. La raison en est que la monétisation et la durée de vie des utilisateurs sur chaque cible d’audience unique sont susceptibles d’être très différentes. 

De plus, en créant différents groupes de caractéristiques comportementales, votre public peut alors être classé non pas en fonction de son identité réelle, mais en fonction de son interaction avec votre campagne à ses débuts. Cette interaction peut indiquer leur potentiel futur face à votre produit.

Par exemple, un développeur d’applications de jeu peut prédire la LTV potentielle de ses utilisateurs dans un délai de 30 jours. En d’autres termes : la période de temps jusqu’à la fin d’un tutoriel (engagement), le nombre de retours à l’application (rétention) ou le niveau d’exposition aux publicités au cours de chaque session (monétisation). 

4. N’oubliez pas de prendre en compte le temps

La plupart des spécialistes marketing sont conscients des influences de la saisonnalité sur la décomposition des prédictions, mais le cycle de vie de votre application/campagne/audience/création peut également influencer la capacité de votre modèle à faire des prédictions précises. 

Les tendances des coûts d’acquisition au cours de la première semaine du lancement d’une nouvelle application seront très différentes de celles du cinquième mois, de la deuxième année, etc. Tout comme les 1 000 premiers dollars dépensés dans un lookalike jusque-là inexploité seront différents du 10 000 et 50 000 dollars de dépenses investis dans le même lookalike (surtout sans changer le créative utilisé).

Points clés à retenir

Points clés à retenir

• La science de l’analyse prédictive existe depuis des années; elle est utilisée par les plus grandes entreprises du monde pour perfectionner leurs opérations, anticiper les changements de l’offre et de la demande, prévoir les changements gloqbaux et utiliser des données passées pour anticiper et se préparer aux événements futurs.
• Alors que nous nous dirigeons vers une nouvelle réalité centrée sur la confidentialité, nous devons adopter une nouvelle norme de mesure – une norme qui nécessite des délais de mesure plus courts et applique des indications potentielles d’utilisateurs anonymes pour la prise de décision.
• C’est exactement ce que fait la modélisation prédictive. L’introduction de cette technologie sophistiquée dans le paysage marketing et son application pour s’adapter à l’évolution de l’industrie est tout simplement primordiale. 

Introduction

Impossible d’évoquer l’avenir de la publicité sans mentionner l’automatisation et l’intelligence artificielle (IA). Et si vous voulez avoir l’air très intelligent, ajoutez des acronymes tels que DSP, DMP et RTB (vous saurez ce qu’ils signifient dans ce guide…).

Le temps passé devant un écran faisant de plus en plus partie de notre vie quotidienne, la publicité évolue pour toucher davantage de personnes, plus rapidement et à moindre coût. Mais la publicité n’est plus ce qu’elle était. La concurrence est plus forte que jamais pour atteindre les consommateurs férus de technologie, mais aussi pour leur parler d’une manière qui s’ajuste à leurs centres d’intérêt.

La publicité programmatique :

Cette technologie permet aux marques d’automatiser les transactions médias et aux éditeurs de mesurer l’attention qu’ils génèrent en temps réel. La publicité programmatique promet de diffuser des messages hautement personnalisés, au bon moment, aux bonnes personnes, grâce à l’automatisation et à l’IA.

Dans ce guide, vous trouverez une introduction complète à l’écosystème programmatique, tous ses composants clés et la façon dont ils sont liés les uns aux autres. Grâce aux informations que vous obtiendrez, vous serez mieux équipé pour ajouter le marketing programmatique à votre boîte à outils de marketing digital.

Chapitre 1

Publicité programmatique :

La publicité programmatique est un processus automatisé de media buying, alimenté par l’IA et le machine learning, qui permet aux annonceurs de segmenter les données d’audience, d’identifier les placements les plus efficaces, de lancer des enchères et de vendre des impressions publicitaires numériques en temps réel. 

Elle utilise une combinaison de first-, second et third-party data – y compris des mots-clés, des données de localisation, des archives publiques, des données d’enregistrement et des enquêtes – pour acheter et vendre de la publicité en ligne sur des places de marché digitales ouvertes et privées. 

Quelle est la position de la publicité programmatique ?

Au cours des vingt dernières années, l’Interactive Advertising Bureau (IAB) a constaté que “la publicité programmatique est devenue un élément clé de la plupart des budgets publicitaires digitaux en raison de son ampleur et de son efficacité en matière de ciblage et de placement”.

Selon Statista, les dépenses publicitaires programmatiques mondiales ont totalisé 493 milliards de dollars en 2022 et devraient atteindre 557,56 milliards de dollars en 2023. En 2022, 75,6 % de la publicité digitale programmatique aux États-Unis sera investie dans le mobile.

La croissance exponentielle de la programmatique est le résultat de la rationalisation du processus publicitaire à grande échelle. Dans le passé, le processus de media-buying était lent et manuel, impliquant des ventes directes entre les éditeurs, les agences et les annonceurs pour négocier le meilleur inventaire publicitaire. Les annonceurs et les éditeurs travaillaient avec des agences en tant qu’intermédiaires pour négocier l’emplacement et le temps de diffusion, et réaliser des études d’audience.

Ce qui n’est pas considéré comme programmatique

Les publicités vendues directement, avec un prix et une durée prédéterminés, ne sont pas considérées comme programmatiques. La publicité programmatique utilise l’automatisation pour aider les acheteurs et les vendeurs à réduire les frais généraux, à allouer les budgets à des placements plus percutants et à générer plus de revenus pour les éditeurs afin qu’ils vendent leur inventaire rapidement.

Quel est l’historique de la publicité programmatique ?

L’origine de la publicité numérique remonte à un simple rectangle pixellisé. En 1994, le géant des télécommunications AT&T a placé la première bannière publicitaire de l’internet sur le magazine en ligne HotWired, prédécesseur de WIRED. Le texte est le suivant : “Avez-vous déjà cliqué sur votre souris ici ? Vous le ferez.”

Tels des hommes de cavernes se brûlant les mains face à leur premier feu, les utilisateurs ont alors cliqué sur l’annonce avec untaux de clics impressionnant de 44 % . Mais il n’y avait aucun moyen de mesurer l’efficacité de l’annonce pour atteindre les clients concernés . La même publicité était affichée quelle que soit la personne qui visitait le site. Les placements manuels dans les médias ont limité les possibilités de communications réellement personnalisées. 

L’accessibilité d’internet s’est accrue, tout comme la demande de publicité digitale. En 1996, DoubleClick, considéré comme le premier serveur publicitaire, a été fondé. Le pionner a été racheté par Google en 2007 pour 3,1 milliards de dollars, ce qui a catalysé le lancement d’autres serveurs publicitaires dans l’écosystème, notamment Advertising.com, Zeo et Ad Stream. 

Peu après, Google a lancé son propre produit publicitaire, Google AdWords, en 2000. Cela a conduit au lancement du Réseau Display de Google (GDN) en 2013. 

À peu près au même moment, Google AdEx, Microsoft AdECN, Rubicon Project et Yahoo’s Right Media ont développé des logiciels d’enchères en temps réel (RTB) qui combinent les fournisseurs de services de données (DSP), les supply-sides plateforms (SSP) et les ad exchanges en un seul endroit. 

Aujourd’hui, le programmatique est une force avec laquelle il faut compter dans le monde de la publicité, puisqu’il représente 72 % du marché total de l’affichage digital. 

Quels sont les canaux de publicité programmatique ?

Les progrès technologiques sont synonymes de plus grand choix ! La publicité programmatique est utilisée sur sept canaux publicitaires principaux : affichage, vidéo, social, audio, natif, affichage digital et publicité in-app. Passons en revue chacune d’entre elles.

Annonces publicitaires

Forme la plus courante de publicité programmatique, il s’agit de publicités visuelles placées dans le header, le footer, or la sidebar des sites web ou des applications. Les annonces publicitaires peuvent être optimisées, mises à jour et personnalisées de manière dynamique en fonction des données de l’utilisateur. 

Annonces vidéo

La publicité vidéo programmatique a atteint environ 62,96 milliards de dollars en 2022 et devrait atteindre 74,88 milliards de dollars en 2023. Les annonceurs ont le choix entre trois types de publicités vidéo.

Les publicités vidéo en flux continu sont affichées dans le lecteur vidéo. Il s’agit de loin du type de publicité vidéo le plus courant, et les annonceurs ont le choix entre plusieurs options :

1. Pre-roll : la publicité s’affiche avant la lecture de la vidéo
2. Mid-roll : la publicité est diffusée au milieu du contenu vidéo.
3. Post-roll : la publicité est diffusée après la fin de la vidéo.
4. YouTube bumper : des publicités brèves mais impossible à annuler, s’affichent avant la vidéo

Les publicités vidéo en flux continu apparaissent dans les articles de manière native ou sous forme de fenêtres contextuelles. 

Les publicités vidéo in-display s’affichent dans les résultats de recherche ou sous la forme d’une recommandation de vidéo sponsorisée.

Les social Ads

Qu’il s’agisse de Facebook, Instagram, Snapchat, Pinterest, TikTok ou Twitter, la publicité sur les réseaux sociaux peut être achetée par le biais d’API (interfaces de programmation d’applications, qui permettent aux programmes informatiques de dialoguer entre eux), ou d’une demand-side platform (DSP) intégrée à celles-ci (nous y reviendrons).

Le native advertising – native ads

Les publicités natives sont intégrées au site web ou à l’application sur laquelle elles sont diffusées, pour une visualisation facile. Au lieu d’une bannière publicitaire pop-up bruyante qui vous saute au visage, les publicités natives se fondent naturellement dans le contenu, offrant ainsi une meilleure expérience à l’utilisateur. Les publicités natives peuvent être placées de manière programmatique en header, footer, sur sidebar ou dans le contenu lui-même. 

Les formats publicitaires natifs les plus courants sont les suivants

1. Les In-feed units : les publicités apparaissent dans les feeds, à l’image des placements payants dans les pages d’accueil éditoriales qui ressemblent à un article.
2. Annonces au sein d’articles : elles apparaissent dans l’un des paragraphes.
3. Unités en Paid search : les annonces apparaissent en haut des résultats de recherche et ressemblent aux résultats organiques.
4. Widgets de recommandation : recommandation d’un contenu similaire susceptible de plaire à l’utilisateur.

Annonces audio

Les placements dans les podcasts, les publicités Spotify et les publicités Pandora sont autant de moyens pour les annonceurs d’acheter des publicités de manière programmatique. Alors que la plupart des podcasts et des émissions audio s’appuient sur des contrats publicitaires « artisanaux » et privés pour leurs placements principaux, les publicités programmatiques peuvent être achetées à grande échelle pour les utilisateurs d’une plateforme freemium. 

Le Digital out-of-home (DOOH)

La publicité « Out-of-home », ou OOH en abrégé, impliquait autrefois une signalisation visuelle et statique, telle qu’une affiche de centre commercial sur un panneau d’autoroute. Cependant, l’affichage digital étant devenu plus abordable à produire en masse, il existe désormais des outils de ciblage et de mesure avancés qui n’étaient pas possibles auparavant. 

À moins que vous ne viviez à Sao Paulo (où la publicité extérieure est interdite !), vous avez forcément vu une publicité DOOH au cours du dernier mois, voire de la dernière semaine ! Les placements DOOH peuvent être achetés et vendus de manière programmatique, ce qui peut s’avérer particulièrement efficace lorsqu’ils sont associés à des stratégies telles que le geofencing (où des publicités pertinentes sont programmées lorsqu’un utilisateur entre dans une zone géographique particulière).

La nouvelle mode : la publicité programmatique in-app

Étant donné que le consommateur moyen passe quatre à cinq heures par jour à utiliser des applications mobiles, il convient d’examiner de plus près le fonctionnement de la publicité programmatique dans les applications mobiles. 

Les publicités en ligne fonctionnent dans le cadre des recherches, des bannières, des vidéos et des petites annonces, mais les publicités in-app ont des formats d’affichage, des exigences de taille et des durées d’affichage différents.

Les formats les plus courants sont les bannières verrouillées par le bas, qui offrent une plus grande portée, et les interstitiels, qui apparaissent entre les actions de l’utilisateur, par exemple entre les niveaux d’un jeu.

Les publicités dites de récompenses (les Rewarded ads) sont un moyen de s’intégrer dans un contexte de jeu où les spectateurs peuvent progresser après avoir vu une publicité. Par ailleurs, si certains navigateurs intègrent désormais des bloqueurs de publicité, les publicités in-app ne sont pas (encore) vulnérables aux logiciels de blocage de pub.

Les applications sociales, d’actualités et de jeux comptent parmi les plus fortes pénétrations d’utilisateurs mobiles et offrent un fort potentiel de retour sur investissement (ROI) grâce à la publicité programmatique in-app.

Quel est le coût de la programmation ?

L’intérêt de la programmatique est qu’elle est abordable. Le processus d’automatisation a permis de réduire considérablement le coût de la publicité par rapport à l’achat direct d’annonces. Les publicités programmatiques sont vendues sur les modèles suivants :

1. CPM (coût par mille), c’est-à-dire coût par mille impressions.
2. Le Coût par clic (CPC)
3. CPA (coût par action)
4. CTC (les conversions click-through)

Le CPM est le modèle le plus courant pour la vente de publicités programmatiques. Mais le prix à payer dépend de la concurrence, de la rareté des stocks, de la portée et de la spécificité du ciblage. Étant donné que la programmatique fonctionne dans le cadre d’une vente aux enchères automatisée, un public cible restreint et très compétitif sera beaucoup plus coûteux qu’un public large et général. 

Compte tenu du grand nombre de variables à prendre en compte, un CPM moyen du secteur ne peut pas représenter de manière adéquate l’efficacité d’une campagne pour vous. Certains éditeurs peuvent également vendre de l’inventaire premium de manière programmatique, ce qui peut être plus coûteux que d’autres formes de publicité. 

N’oubliez pas les frais techniques

Comme le dit l’adage, tout travail mérite salaire – surtout celui pour lequel vous vous démarquez. Bien que le processus programmatique ait rationalisé l’ensemble du processus d’achat de médias, les frais technologiques sont prélevés sur les revenus des éditeurs. Les frais varient d’un partenaire à l’autre et plus vous avez d’intermédiaires, plus vous devrez en tenir compte dans vos calculs de retour sur investissement.

Chapitre 2

Quels sont les avantages de la programmatique pour les annonceurs ?

Outre la rationalisation du processus publicitaire, la publicité programmatique offre de nombreux autres avantages. Elle offre un plus large éventail d’inventaires, de ciblages et d’options stratégiques pour permettre aux annonceurs d’atteindre leur public idéal de manière plus précise, plus rapide et plus abordable.

Efficacité et réduction des CPM

À l’instar de l’invention de la chaîne de montage qui a permis la production en série du modèle T de Ford, la publicité programmatique a rationalisé la manière dont les annonceurs peuvent toucher simultanément plusieurs publics à l’aide de messages et de créatives uniques. Cela a permis de supprimer les intermédiaires coûteux et les pratiques d’achat et de vente onéreuses, ce qui a eu pour effet de faire baisser les CPM dans tous les domaines.

Un large éventail d’activités à l’intérieur et à l’extérieur du domicile

La publicité programmatique a parcouru un long chemin en termes de capacités et d’adoption. Avec 72 % de tous les affichages publicitaires digitaux alimentés de manière programmatique, les annonceurs peuvent atteindre une audience massive de manière précise et rapide. 

Des informations plus rapides et transparentes

Qu’y a-t-il de mieux qu’une portée (reach) plus étendue ? Une portée étendue…au bon moment Le temps qui s’écoule entre l’offre et la « livraison » est crucial si vous voulez être présent au bon endroit et au bon moment dans le parcours de l’acheteur. En plus d’apparaître plus rapidement, la programmatique permet aux annonceurs de voir des résultats immédiats et mesurables, ce qui permet d’affiner les campagnes et de les optimiser en permanence. Et avec l’aide de l’IA, le ciblage de l’audience devient de plus en plus intelligent.

Chapitre 3

L’écosystème de la publicité programmatique : comment ça marche ?

L’achat d’espace traditionnel exigeait que vous fassiez appel à une agence de publicité pour identifier le bon emplacement, négocier son achat, gérer le placement de votre publicité et mesurer les performances. C’est comme lorsqu’il fallait mobiliser un broker à Wall Street pour acheter ou vendre des actions. 

Mais, tout comme nous pouvons aujourd’hui négocier des actions par l’intermédiaire d’applications et de robots-conseillers, la programmatique a transformé le media buying. Les logiciels de trading desk rendent accessible et facile l’achat programmatique d’annonces. En conséquence, de plus en plus d’annonceurs confient cette tâche en interne, minimisant ainsi les frais généraux et créent un processus tout à fait contrôlable et transparent.

La publicité programmatique est un écosystème complexe d’acteurs interconnectés qui dirigent le flux de données et de transactions. Pour mieux comprendre le fonctionnement du processus transactionnel, faisons connaissance avec chacun des acteurs de l’écosystème.

À l’instar de la Bourse de New York à Wall Street, la place de marché programmatique est appelée ad exchange. Il s’agit d’un marché digital sur lequel les annonceurs peuvent acheter des espaces publicitaires auprès de différents réseaux publicitaires par l’intermédiaire de leur interface logicielle. Il existe deux extrémités opposées d’un ad exchange : le côté achat et le côté vente.

Côté achat, le Buy side

Comme son nom l’indique, le buy side est chargé d’acheter des emplacements publicitaires au sell side. Nous avons quatre acteurs clés du côté de l’achat : les demand-side platforms (DSPs), les plateformes de gestion des données (DMP), les réseaux publicitaires des annonceurs et les annonceurs.

Une demand-side platform (DSP) est la technologie qui permet aux annonceurs d’acheter des publicités de manière programmatique sur les sites web des éditeurs, les applications disponibles sur les ad exchanges, et les réseaux publicitaires. 

Chaque DSP est connecté à une plateforme de gestion des données (DMP). Une DMP recueille et organise les données de first-, second, et third-party, elle est en fait le moteur qui trie les données qui alimentent les décisions d’achat de publicité. Techniquement, les plateformes comme Facebook et Google Ads sont un type de DSP qui vendent exclusivement leur propre inventaire.

Côté vente, le Sell side

Passons maintenant au côté vendeur : les parties qui aident à vendre de l’espace publicitaire au côté acheteur. Le sell side comprend les éditeurs, les réseaux publicitaires et les supply side platforms (SSP).

Les éditeurs sont des publications digitales qui disposent d’un espace publicitaire à vendre sur les ad exchange comme WIRED, Reuters, The Economist et Conde Nast.

Un réseau réseau publicitaire est une plateforme d’agrégation qui regroupe les espaces publicitaires invendus d’un certain nombre d’éditeurs et propose cet inventaire aux annonceurs à un tarif fixe (souvent réduit). N’oubliez pas que les réseaux publicitaires ne fonctionnent pas eux-mêmes de manière programmatique.

La Supply-side platform (SSP ) aide les éditeurs à gérer automatiquement et efficacement la vente de leur inventaire à plusieurs acheteurs afin de maximiser leur rendement. Les SSP fournissent souvent des interfaces conviviales, des analyses, des capacités de reporting, des enchères, une optimisation du rendement et une gestion de l’inventaire.

Les DSP communiquent avec les SSP pour savoir quel inventaire est disponible et à quel prix. Les SSP permettent aux éditeurs de trier les publicités par annonceur, format, audience et tarifs.

Services de tiers, les Third-party services

Ce sont les partenaires qui facilitent la relation entre les acheteurs et les vendeurs.

Les sociétés de vérification des publicités s’intègrent aux DSP pour garantir la visibilité, la sécurité de la marque et l’exactitude des mesures de trafic. 

Les partenaires de mesure et d’attribution (MMP) dédupliquent les données, mesurent la portée et la fréquence et s’assurent que les données de la campagne sont exactes.

Les Data clean rooms sont des pools de données first-party et partagées, provenant de plusieurs sources fiables. Ils permettent une collaboration anonymes en matière de données sans exposer la source, ce qui préserve la confidentialité du consommateur.

Quelle est la différence entre les enchères en temps réel – le real-time bidding -et la publicité programmatique ?

L’enchère en temps réel (RTB) est le processus par lequel les annonceurs peuvent placer des offres dans une enchère pour un espace publicitaire spécifique, automatiquement en temps réel – nous parlons ici de millisecondes. 

Le RTB est un processus programmatique. La publicité programmatique est le terme générique qui englobe toutes les activités de marketing au sein de l’ad exchange.

Processus de la publicité programmatique : un tour d’horizon 

Lorsque vous avez commencé à lire cet article, vous n’aviez probablement aucune idée de ce que signifiaient RTB, SSP ou DSP. Maintenant que vous êtes arrivé jusqu’ici, nous allons détailler étape par étape le fonctionnement de la procédure.

1. Un visiteur clique sur un site web ou une application mobile.
2. Une demande d’enchère est envoyée à un ad exchange avec des informations sur le site web ou l’application, ainsi que des données de visiteurs opt-in (démographiques, contextuelles, comportementales, appareil, UNIQUEMENT si un utilisateur a donné l’autorisation de tracking).
3. Le propriétaire du site web ou de l’application met l’impression publicitaire aux enchères sur la supply-side platform (SSP).
4. Les informations sur les visiteurs ayant donné leur accord sont ensuite comparées aux annonceurs disponibles.
5. Les annonceurs sur la demand-side platform (DSP) font des offres pour l’impression.
6. L’offre la plus élevée remporte l’impression publicitaire.
7. La publicité est diffusée à l’utilisateur sur le site web ou l’application.
8. Idéalement, l’utilisateur clique sur l’annonce et convertit. Si ce n’est pas le cas, des tactiques de reciblage telles que les annonces « sticky » peuvent être utilisées pour les encourager à se convertir ultérieurement.

Chapitre 4

Types d’enchères de la publicité programmatique

Le processus traditionnel d’achat de médias est long et laborieux, impliquant des appels d’offres, des présentations et des négociations – ce qui laisse beaucoup de place aux frais globaux élevés et à l’erreur humaine. Voici les quatre types d’enchères qui ont permis de rationaliser le processus à toutes les échelles.

Enchères en temps réel (RTB)

L’enchère en temps réel (RTB), également connue sous le nom d’enchère ouverte ou de place de marché ouverte, est le type d’enchère programmatique le plus courant – en fait, de nombreux spécialistes marketing pensent qu’il est le seul.

Avec le RTB, l’inventaire est disponible pour tout le monde et est attribué au plus offrant en temps réel. Les marketeurs placent une enchère maximale et fixent des budgets maximaux pour une campagne publicitaire. Le gagnant de l’enchère ne doit pas payer l’intégralité de son prix, mais un centime de plus que le deuxième meilleur enchérisseur. 

Les avantages de l’enchère en temps réel :

• Facile à mettre en place
• Le modèle de tarification permet aux spécialistes marketing de maximiser leurs revenus sans surpayer les taux du marché.
• Omniprésent dans l’industrie
• Accessible à tous
• Vaste réserve de stocks
• Fonctionne rapidement

Les inconvénients de l’enchère en temps réel :

• Manque de transparence dans les placements
• Généralement réservé aux grandes campagnes de type “top-of-funnel”.
• Il n’y a aucune garantie que les espaces publicitaires seront occupés, car il faut un acheteur à un prix déterminé.
• Le manque de contrôle et de visibilité des placements peut compromettre l’image de marque

Les marketplace privées (PMP)

Les marketplace privées (PMP) allient le RTB et les transactions directes. Elles utilisent la méthode d’enchères RTB, mais fonctionne dans le cadre d’une enchère fermée et réservée à des annonceurs triés sur le volet. Les marketplaces privées offrent la possibilité de contourner les ad exchange.ouvertes, avec des conditions pré-négociées. 

En se connectant directement à l’inventaire publicitaire d’un éditeur, les acheteurs peuvent enchérir sur des placements basés sur des variables telles que les données d’audience, le type de contenu ou un certain nombre d’attributs d’impression différents, qui spécifient quand et où une publicité est vue.

Les avantages des PMP :

• Contrôle maximal de l’inventaire et de la diffusion de vos annonces
• Accès à des données de première qualité
• Placements premium et exclusifs

Les inconvénients des PMP :

• Les éditeurs n’ont pas à garantir le volume d’impression
• Les annonceurs ne sont pas tenus d’acheter un inventaire
• La fraude publicitaire n’est pas impossible

Garantie programmatique, la Programmatic guaranteed 

Avec la programmatique garantie, également connu sous le nom de programmatique directe, les annonceurs et les éditeurs négocient l’inventaire, les prix, l’audience et le plafonnement de la fréquence sur une base individuelle. Bien qu’il n’y ait pas d’enchères, l’annonce est diffusée de manière programmatique.

Il s’agit d’un moyen d’acheter un nombre garanti d’impressions sur des sites web ou des applications mobiles spécifiques, et tend à être structuré par un accord à prix fixe plutôt que par une vente aux enchères. 

Ce type de publicité programmatique est le plus courant pour les formats d’affichage “premium”, tels que les pages entières. En raison de son coût élevé, elle est utilisée lorsque les annonceurs ont besoin de savoir exactement qui voit leur publicité, où et dans quel contexte.

Avantages de la garantie programmatique :

• Le plus de sûreté pour la marque
• Le plus haut niveau de transparence
• Offre exclusive non disponible pour d’autres marques ou concurrents

Les inconvénients de la garantie programmatique :

• Le processus de négociation peut être long
• L’inventaire n’est pas disponible pour la plupart
• Plus cher que les autres formes de pub

Achats ponctuels et accords préférentiels

Avec l’achat ponctuel, également connu sous le nom d’offres préférentielles, les annonceurs sont informés d’un prix fixe de l’inventaire disponible sur une marketplace privée avant qu’il ne soit mis à disposition, dans le cadre d’une vente aux enchères ouverte.

Avantages des offres préférentielles :

• Des prévisions de recettes plus précises
• Risque le plus faible de fraude publicitaire
• Sécuriser plus rapidement les stocks de produits de qualité est un avantage concurrentiel 

Les inconvénients des offres préférentielles :

• Peut nécessiter de longues négociations et présentations
• Les annonceurs peuvent se retirer des offres et laisser un inventaire publicitaire non acheté.
• Réservé aux grands éditeurs 

Libre-service vs Service géré

Les annonceurs ont des objectifs, des budgets et des ressources différents, ce qui signifie qu’il n’existe pas de type d’enchère qui convienne à tout le monde. Ceux qui préfèrent une approche non interventionniste, et qui peuvent se permettre de payer, peuvent préférer les services gérés par des agences qui s’occupent de tout. D’autres, qui souhaitent davantage de contrôle et disposent de budgets plus modestes, peuvent choisir d’internaliser le processus avec une option de libre-service. 

Chapitre 5

Tendances et bonnes pratiques pour 2023

Bien que les dernières années aient été notoirement imprévisibles, certaines tendances se dégagent clairement. Passons en revue les tendances auxquelles il faut s’attendre pour l’année à venir.

Les utilisateurs de SVOD ont le vent en poupe

Aux États-Unis, il y a plus d’abonnements en SVOD (vidéo à la demande par abonnement) qu’il n’y a d’habitants, et le nombre d’utilisateur ne fait que croître. Et là où l’attention se porte, les annonceurs suivent. L’adoption massive de services vidéo par abonnement a créé un inventaire massif de publicités vidéo qui peuvent être achetées et vendues de manière programmatique.

De meilleures expériences DOOH

Alors qu’auparavant on ne voyait que des publicités statiques le long des autoroutes, la technologie moderne d’affichage numérique offre des fonctions telles que l’analyse, la géolocalisation, les écrans tactiles et la réalité augmentée pour créer des expériences publicitaires plus pertinentes et plus mémorables. Ce qui explique pourquoi les dépenses en DOOH devraient atteindre 17,77 milliards de dollars en 2023. eMarketer prévoit que plus d’un dollar sur quatre dépensés pour l’affichage sera acheté et vendu de manière programmatique. 

L’avènement des robots ?

Le lancement public de ChatGPT a pris d’assaut le monde du marketing. Bien qu’elle ne soit pas à l’origine de la prochaine révolution industrielle, comme le prétendent certains gourous du marketing, il marque certainement une étape importante dans l’évolution de la technologie de l’IA. Au fur et à mesure que la masse de données augmente, l’IA devient de plus en plus intelligente pour analyser et associer les bonnes audiences aux bons placements. 

L’IA va-t-elle prendre le relais ? Non, mais il remplacera les tâches redondantes et manuelles qui rendaient le processus de media-buying inutilement lent et coûteux. 

Les Native contextual ads

Les changements radicaux apportés aux politiques de protection de la confidentialité obligeront les annonceurs à réorienter leurs budgets vers les contextual ads. Ces publicités sont placées en fonction du contenu des pages, des vidéos ou des pages web et, maintenant qu’elles peuvent être achetées de manière programmatique, elles peuvent être adaptées à la fois à l’utilisateur et à l’emplacement à grande échelle. 

Les annonceurs peuvent ainsi tirer parti des publicités contextuelles natives, qui s’intègrent de manière invisibles dans le contenu des sites web sans se faire remarquer. Ces publicités ne nécessitent pas de cookies ou de données clients, sont entièrement conformes au GDPR et offrent une bien meilleure expérience utilisateur que les bannières publicitaires traditionnelles. 

Meilleures pratiques pour une programmation réussie

Investissez dans vos créatives

Alors que la publicité contextuelle occupe le devant de la scène, les créatives pertinentes deviennent plus importantes que jamais. Le programmatique permet aux annonceurs de proposer des créatives dynamiques et pertinentes en temps réel, par exemple en annonçant votre application de barbecue dans les zones où le beau temps est prévu.

Optez pour un « Mix and match »

Expérimentez différentes combinaisons d’options de ciblage, comme les publicités natives avec ciblage contextuel. Mais avant de le faire, assurez-vous que vous mesurez les bons paramètres dans toutes vos campagnes, de manière globale.

Ne soyez pas un robot

C’est une chose de laisser vos annonces être gérées par des robots, mais c’en est une autre de le laisser transparaître ! La meilleure façon d’améliorer les performances des annonces est de faire des recherches et de devenir expert de votre public cible. Allez au-delà des données démographiques et examinez ce qu’ils lisent, ce qui est pertinent pour eux et même ce qu’ils craignent le plus.

Réduire la fraude publicitaire 

Le rapport d’ eMarketer sur la mesure de la publicité estime que la fraude coûtera aux annonceurs digitaux entre 6,5 et 19 milliards de dollars chaque année. Prenez les précautions nécessaires, par exemple en travaillant avec un MMP et des sociétés de vérification des publicités pour vous assurer que vous en avez pour votre argent.

Points clés à retenir

Voilà donc tout ce que vous devez retenir sur la publicité programmatique. Terminons par un rapide tour d’horizon des points clés : 

• La publicité programmatique est un processus automatisé de media-buying qui utilise l’IA et le machine learning pour segmenter les données d’audience, identifier les placements efficaces, lancer des enchères, et vendre des impressions publicitaires digitales en temps réel.
• La publicité programmatique est devenue omniprésente en raison de son échelle et de son efficacité, atteignant environ 99,43 milliards de dollars de dépenses publicitaires en 2022 et devrait continuer à croître. Elle est mobilisée sur de multiples canaux, tant en « in and out of home ». 
• La publicité programmatique est un écosystème complexe d’acteurs interconnectés qui dirigent le flux de données et de transactions. Trois catégories la composent : le sell side, le buy side, et le third party.
• L’enchère en temps réel (RTB), également connue sous le nom d’enchère ouverte ou marketplace ouverte, est le type d’enchère programmatique le plus courant. Elle est ouverte à tous, le plus généreux emporte la mise.  
• Pour réussir avec la programmatique, investissez dans la créatives, expérimentez différentes combinaisons d’options de ciblage, étudiez votre public et minimisez la fraude publicitaire.

Introduction

Si vous êtes un spécialiste marketing, vous vous êtes forcément retrouvé plongé ces derniers mois dans une conversation au ton enthousiaste, mais confus, sur ces « Data Clean Room »…

Qu’est-ce donc que cette étrange notion de « propreté » des données dont tout le monde parle ? 

Certains qualifient les data clean rooms de “Suisse des données”, et à juste titre, car elles offrent un espace neutre et sûr où les données des utilisateurs « 1st-party » peuvent être exploitées de manière collaborative. Dans un environnement de data clean room, deux parties ou deux entités peuvent partager et analyser des données en toute sécurité, et tout en contrôle sur la manière dont ces données peuvent être utilisées. 

De cette manière, les marques ont accès à des données indispensables, mais dans un espace conforme à la réglementation qui ne porte pas atteinte à la confidentialité des consommateurs. Alors que les données au niveau de l’utilisateur se trouvent dans la data clean room, les informations agrégées ressortent dans un groupe d’audience mélangé – un co-mingled audience group – appelé cohorte. 

Pour vous préparer à 2022, nous allons vous faire naviguer dans les eaux profonde de la 1st-party data, avec ce guide consacré au thème des data clean rooms.  

À la fin de cet article, vous en saurez enfin davantage sur leur fonctionnement, leur utilité pour les spécialistes marketing, et sur la manière dont elles affecteront considérablement notre capacité à mesurer les campagnes dans les années à venir.

Avant cela, quelques repères historiques.

Chapitre 1

Qu’est-ce qu’une Data clean room ?

L’évolution, tout simplement !

Malgré sa résurgence l’année dernière, les Data clean rooms, en tant que concept d’infrastructure, existent en fait depuis quelques années déjà. 

Google n’a pas été le premier à inventer le terme, mais il a été la première entreprise à commercialiser une solution de Data clean room, en lançant son Ads Data Hub en 2017. L’objectif était de créer un environnement sécurisé et privé pour enrichir leurs 1st-party data (provenant de CRM, CDP, event logs,, etc.) avec des données d’utilisateur contenues dans l’écosystème de Google, après quoi elles pourraient être exploitées pour des campagnes Google.

À peine un mois plus tard, Facebook a annoncé sa propre offre pour le partage de données avec ses clients. Une coïncidence ? Probablement pas. 

Mais c’est l’année 2018 qui a véritablement donné le coup d’envoi de l’ère de la protection de confidentialité, avec des législations telles que le GDPR et l’Intelligent Tracking Prevention 2.0 d’Apple, qui sont devenues les nouveaux shérifs sur le marché.

En 2019, Amazon a lancé une plateforme intitulée Amazon Marketing Cloud, le CCPA est entré en vigueur début 2020 et, en avril 2020, l’ensemble de l’écosystème des applications mobiles a sursauté lorsqu’Apple a lâché sa bombe de mécanisme d’opt-in dans iOS 14 – alias l’ATT.

La multiplication des lois sur la confidentialité des utilisateurs et les normes plus strictes ont transformé la manière dont les annonceurs et les marques peuvent collecter et partager les données des consommateurs.

Facebook a annoncé en octobre 2021 qu’il n’enverrait plus aux annonceurs les données relatives aux campagnes menées auprès des utilisateurs, mais uniquement aux partenaires de mesure mobile (MMP), et d’autres réseaux devraient bientôt se joindre à la fête.

Entre le cadre de l’ATT d’Apple qui change la donne, la décision de Facebook concernant les données relatives aux utilisateurs, et la disparition prochaine des 3rd-party cookies de Google en 2023, l’ampleur et la portée du partage des données sont de plus en plus limitées. Ce qui rend la mesure et l’optimisation des campagnes plus difficiles que jamais.

Les marques se démènent donc pour trouver de nouveaux moyens d’obtenir des informations marketing significatives dans le respect de la confidentialité. 

Donnant le coup d’envoi à la tendance des échange de données en 2019, Disney a commencé à collaborer avec Target, Unilever s’est associé à Facebook, Google avecTwitter sur un mode de mesure cross-canal, ITV a conclu un partenariat avec Infosum en 2020, et en 2021, TransUnion a lancé sa collaboration en matière de données avec BlockGraph…  

L’élément contraignant qui a permis toutes ces généreuses collaborations en matière de données, qui ne feront qu’augmenter ? Les Data clean rooms, bien sûr.

Qu’est-ce qu’une Data clean room ?

Les Data Clean Rooms permettent aux spécialistes marketing d’exploiter la puissance d’ensembles cumulés de données, tout en respectant les règles de confidentialité. Les informations d’identification personnelle (PII) ou les données restreintes d’attribution des utilisateurs individuels ne sont exposées à aucun des acteurs impliqués, ce qui les empêche de sélectionner les utilisateurs à l’aide de leurs identifiants uniques.

Les PII et les données de niveau utilisateur sont traitées de manière à pouvoir être disponibles pour différents types de mesures, ce qui permet d’obtenir des données anonymes, qui peuvent ensuite être croisées et combinées avec des données provenant de différentes sources. 

Dans la plupart des cas, les résultats de la Data clean room sont des informations agrégés au niveau globale, par exemple, lorsqu’on prend en compte les utilisateurs (au pluriel !) qui ont effectué l’action X devraient se voir proposer Y. Néanmoins, il est important de ne pas oublier que les résultats au niveau de l’utilisateur peuvent être obtenus avec le plein consentement de toutes les parties concernées.

Le facteur clé qui rend la data clean room une plateforme crédible au plus haut point est le fait que l’accès, la disponibilité et l’utilisation des données sont régis par toutes les parties de la data clean room, tandis que la gestion des données est appliquée par le fournisseur de confiance de cet espace. 

Ce cadre garantit que l’une des parties ne peut pas accéder aux données de l’autre, ce qui confirme la règle de base selon laquelle les données individuelles ou relatives aux utilisateurs ne peuvent pas être partagées entre différentes entreprises sans leur consentement.

Supposons qu’une marque souhaite partager ses connaissances avec Macy’s. Pour ce faire, chaque partie doit intégrer ses données sur les utilisateurs à la Data clean room – le but étant de voir ce que l’autre partie sait déjà sur les audiences en commun, par exemple la portée – reach -la fréquence, le chevauchement des audiences, la planification et le planinng cross platform , le comportement d’achat et les données démographiques.

Les data clean rooms peuvent également servir d’outil intermédiaire pour mesurer les performances des campagnes. Au lieu d’essayer de deviner l’audience, les marques peuvent réellement examiner des données de première partie d’Amazon ou de Google, tout en respectant totalement les règles de confidentialité.

En retour, les annonceurs peuvent obtenir un résultat agrégé sans identifiants individuels, y compris des segmentations et des audiences look-alike, qui peuvent ensuite être partagées avec un éditeur, un réseau publicitaire, ou un DSP pour alimenter une campagne. Par ailleurs, si vous êtes un retailer disposant d’un réseau publicitaire, par exemple, vous serez en mesure d’exploiter ces résultats lors de l’achat de publicités.

Comment fonctionne une Data Clean Room ?

Une Data Clean Room intègre quatre parties : 

1 – Data ingestion

Au tout début, les données 1st-party (provenant des CRM, site/application, attribution, etc.) ou les données 2nd-party provenant des entités collaboratrices (c’est-à-dire les marques, les partenaires, les réseaux publicitaires, les éditeurs) sont acheminées vers la data clean room. 

2 – Connexion et enrichment

Les ensembles de données sont ensuite mis en correspondance au niveau de l’utilisateur et se complètent à l’aide d’outils tels que « l’enrichment » des données 3rd-party.

3 – Analytics

À ce stade, les données sont analysées pour : 

• Intersections ou chevauchements
• Mesure et attribution
• Notation de la Propensity

4 – Applications marketing

En toute fin de processus, les données agrégées permettent aux spécialistes du marketing de : 

• Construire des audiences plus pertinentes
• Optimiser l’expérience client et les A/B test
• Exécuter la planification et l’attribution cross platform
• Mesure de la portée et de la fréquence
• Effectuer une analyse plus approfondie de la campagne

Maintenant que nous avons abordé la question du « comment », qu’en est-il de la manière dont les données sont mises en correspondance, en pratique ? 

En travaillant avec une data clean room, les identifiants tels que le mail, l’adresse, le nom ou l’ID mobile sont similaires pour l’annonceur et l’éditeur, ce qui permet de faire correspondre les deux sources de données.

Si ces identifiants n’existent pas, des outils avancés tels que le machine learning et la modélisation probabiliste pourraient être utilisés pour améliorer les capacités de comparaison.

Pourquoi les spécialistes marketing ont-ils besoin d’une data clean room ?

Tout d’abord, en raison de l’attention croissante portée à la confidentialité des données. 

Sous l’effet des réglementations en matière de protection de la confidentialité et des initiatives de protection de la vie privée en walled garden (nous y reviendrons), il devient de plus en plus complexe pour les annonceurs et les éditeurs de collecter, de stocker, d’analyser et de partager des données.

La deuxième raison serait le manque de confiance commerciale entre les parties. Comme nous le savons tous, il est risqué, d’un point de vue juridique et commercial, de transmettre de précieuses 1st-party data en dehors d’une data clean room. 

Pour compliquer encore les choses, les processus de synthèse des données sont parfois inefficaces, surtout où la corrélation des données entre des ensembles distincts de données nécessite une intervention lourde de la part des data scientists, et constituent une tâche coûteuse et chronophage. 

Les Data clean rooms à la rescousse !

En ce qui concerne la confidentialité des données, toutes les parties au sein d’une data clean room conservent le contrôle total de leurs données, qui sont généralement entièrement cryptées tout au long du processus. Une data clean room se caractérise par une politique de gestion et d’autorisations strictes des données, définie par chaque partie.  

Un autre aspect important qui répond aux défis mentionnés ci-dessus est la confidentialité différentielle, qui rend impossible le rattachement d’une impression, d’un clic ou d’une activité spécifique à un utilisateur spécifique. 

Enfin, non moins important, les data clean room offrent des fonctions de calcul, de querying et de rapports agrégés qui sont axés sur la confidentialité, ainsi que des intégrations adaptées à l’objectif visé, de sorte que les ensembles de données puissent être reliés entre elles. 

Chapitre 2

Aperçu comparatif d’un marché nouveau (ou presque)

Les données au niveau de l’utilisateur étaient autrefois ce sur quoi marketeurs mobiles s’appuyaient sans limite. Toutefois, ces dernières années, la montée en puissance de la réglementation relative à la protection de la vie privée et le fait que ces données aient été rendues plus insaisissables que jamais signifient que les annonceurs luttent aujourd’hui pour prendre des décisions fondées sur des données.

Et si vous pensiez qu’il ne s’agissait que d’une phase temporaire, détrompez-vous. Ces changements qui touchent l’ensemble de l’écosystème devraient s’accélérer, ce qui limiterait plus encore l’accès à ces données et rendrait l’optimisation encore plus difficile qu’elle ne l’est déjà.

Mais ces changements pourraient bien constituer une occasion précieuse pour les marques de cultiver leur avantage concurrentiel. Forrester l’a bien exprimé en déclarant que “les pratiques éthiques axées sur les consommateurs en matière de protection de la vie privée seront la prochaine source de différenciation pour créer de la valeur”.

Les Data clean rooms reflètent cet état d’esprit très axé sur la protection de la vie privée des consommateurs. En raison de la nécessité de respecter la confidentialité, de mesurer et d’optimiser le cross médias, les data clean rooms sont en train de devenir un outil essentiel dans la panoplie technologique des spécialistes marketing.

Selon Gartner, 80 % des annonceurs disposant d’un budget média important utiliseront des data clean rooms d’ici 2023, estimant qu’il existe actuellement entre 250 et 500 data clean rooms en activité ou à différents stades de développement.

Quels genres de data clean rooms existent-t-il, demandez-vous ? Faisons le point :

Les différents types de data clean rooms – Présentation de l’équipe…

Toutes les data clean rooms aident à dissimuler les consommateurs dans masse en dépersonnalisant leurs données au niveau de l’utilisateur et en les regroupant sur la base d’attributs communs. Mais en quoi diffèrent-elles les unes des autres ?

Pour vous aider à comprendre le développement rapide du paysage des data clean rooms, nous allons évaluer les performances relatives de chacune d’entre elles dans la « chaîne de valeur » et examiner leurs avantages et inconvénients de chacune d’entre elle :

Walled Gardens – Plateformes de la Big Tech

Ce groupe se compose d’écosystèmes fermés dans lesquels le fournisseur de technologie exerce un contrôle important sur le hardware, les applications ou le contenu.

Les Walled Gardens ont été introduits pour la première fois par Google, Amazon et Meta (Facebook) pour commercialiser en toute sécurité leurs données 1st party, et pour capturer les dépenses publicitaires de leurs rivaux, au passage… 

Inutile de dire que près de 70% de toutes les dépenses en médias publicitaires sont détenues par ces trois géants, chacun permettant aux annonceurs de travailler dans leur propre walled garden : Google Ads Data Hub (ADH), Facebook Advanced Analytics (FAA) et Amazon Marketing Cloud (AMC). 

Ces espaces de sécurité strictement limités sont l’endroit où les SRNs géants partagent aux marketeurs les données au niveau de l’événement, afin qu’ils puissent prendre des décisions éclairées, sans compromettre la confidentialité des consommateurs ni dévoiler les mécanismes des écosystèmes.

Les « Pour » 

• Avantage #1 – Prise en charge de l’enrichissement des ensembles de données 1st-party avec des données au niveau de l’événement

Les « Contre »

• Offrir de la « matière première » pour l’analyse – rendre ces données lisibles nécessitera une équipe de data scientists, d’analystes et d’ingénieurs spécialisés dans les données. 
• Architecture rigide
• Manque de capacité cross platform pour générer des données exploitables (par exemple, attribution multi-touch)
• Absence de collaboration en matière de données inter-entreprises
• Fonctionnalité de query stricte

Platesformes multiples ou acteurs neutres

Ce type de data clean rooms se compose de deux sous-groupes, chacun ayant ses propres atouts et inconvénients :

Diversifié

Il s’agit principalement d’entreprises traditionnelles opérant dans des secteurs adjacents tels que les applications marketing ou le stockage de données sur Cloud, qui proposent des mécanismes de collaboration pour collecter des signaux dans le respect de la réglementation. Ce groupe comprend des fournisseurs tels que Epsilon, Measured, BlueConic et Merkle.

Les « Pour » 

• Flexibilité « architecturale »
• Contrôles personnalisé de gestion sur le type de données et le niveau d’analyse

Les « Contre »

• Accès limité aux données du walled garden
• Un écosystème étroit de partenaires  
• Intégrations en aval limitées 
• Exploite les fonctionnalités existantes de la plateforme de données clients (CDP) et du traitement d’événements complexes (CEP), ce qui pourrait entraîner des problèmes de données potentiels.

Pure players

Il s’agit de jeunes fournisseurs de data clean rooms à petite et moyenne échelle, parmi lesquels Habu, Harbr, InfoSum et Decentriq, ainsi que des outils plus axés sur l’entreprise tels que SnowFlake.

Les « Pour » 

• Flexibilité « architecturale »
• Exploitation de l’infrastructure existante de stockage et d’acheminement des données (SnowFlake)
• Accès à un écosystème de partenaires intégrés (SnowFlake) 

Les « Contre »

• Granularité limitée des données 1st-party
• S’appuie souvent sur une infrastructure 3rd-party pour l’ingestion des données
• Un nombre limité d’options d’intégration en aval

Partenaires de mesure mobile (MMP)

Idéalement, une MMP est un acteur fiable et impartial qui permet d’exploiter toutes les données disponibles au niveau de l’utilisateur en utilisant la propre logique commerciale des clients, puis de les consommer sous forme d’informations agrégées et exploitables.

Les « Pour » 

• Ressource concentrée – granularité des données au niveau de l’utilisateur et cross canal
• Données de conversion en temps réel
• Analyses complètes conçues pour la logique commerciale des applications mobiles
• Options d’intégration flexibles
• Des rapports agrégés de grande qualité 

Les « Contre »

• Certaines limitations concernant la granularité des données et les actions liées aux queries pourraient être imposées par les SRN.
• Absence d’architecture CDP existante

Pour déterminer le meilleur fournisseur de data clean rooms, assurez-vous de prendre en compte votre canal principal (mobile, application ou web), la taille de votre entreprise, vos besoins en marketing, la structure de vos données et vos ressources internes.

Quelle est la direction du marché ?

La collecte de données 1st-party est déjà devenue une mission hautement stratégique, et cette tendance va continuer à s’accélérer dans les années à venir. Sous l’impulsion de cette tendance et de l’intérêt croissant pour la collaboration qui préserve la confidentialité au-delà des walled garden, une prolifération des fournisseurs de data clean rooms neutres se constate. 

En fait, Gartner prévoit que 80 % des spécialistes marketing disposant d’un budget média supérieur à 1 milliard de dollars adopteront des data clean rooms d’ici à 2023. 

C’est une bonne nouvelle pour l’ensemble de notre écosystème en manque de données, car plus les options sont diversifiées, plus il sera facile pour les entreprises d’adopter la plateforme de data clean rooms la plus adaptée à leurs besoins spécifiques. 

Et plus les entreprises collaboreront sur des terrains de données intermédiaires réglementés tels que les data clean rooms, plus il sera facile pour les spécialistes marketing de mesurer, d’attribuer et d’optimiser leurs campagnes.

Comment choisir la bonne data clean room pour votre entreprise ?

Les annonceurs qui dépensent des sommes importantes dans les écosystèmes de données doivent investir dès maintenant dans une data clean room. Mais que vous mettiez en place une toute nouvelle data clean room ou que vous cherchiez à en améliorer une, comment prendre une décision éclairée sur la solution la mieux adaptée à votre entreprise ?

Pour vous aider à prendre votre décision, nous allons jeter un peu de lumière sur le paysage concurrentiel des data clean rooms, où deux facteurs principaux sont pris en compte :

• Le volume et la qualité des données : la profondeur
• Et la variété des données reçues : l’ampleur

Le walled garden group a l’avantage de disposer de données approfondies, mais manque de variété. Le groupe “pure play” propose généralement la technologie de data clean room seule, avec très peu de données approfondies ou étendues. Vous trouverez aussi les MMP, qui fournissent à la fois la technologie de data clean room, la profondeur et l’étendue des données, ainsi qu’une variété d’intégrations de partenaires.

Lorsque vous envisagez d’utiliser une data clean room, n’oubliez pas qu’il existe plusieurs pratiques à suivre pour en tirer le meilleur parti :

• Tout d’abord, veillez à prendre en compte votre canal principal (mobile, application ou web), la taille de votre entreprise, vos besoins en matière de marketing, la structure de vos données et vos ressources internes. 
• Ensuite, commencez à concevoir votre data clean room en pensant à vos consommateurs. Non seulement pour le présent, mais aussi pour l’avenir. Les meilleures data clean rooms sont mises en place pour anticiper les changements de comportement des consommateurs. 
• Enfin, commencez à faire des essais avec des audiences réelles. L’analyse du comportement des consommateurs en temps réel et l’obtention d’informations exploitables sont tout simplement inestimables.

Pourquoi les data clean rooms ne sont-elles pas (encore) plus largement adoptées ?

• Soyons clairs : les data clean rooms ne sont pas bon marché. Les méga-fournisseurs de walled garden offrent des alternatives, mais les obstacles logistiques et opérationnels liés à la collaboration avec ces plateformes peuvent mettre à rude épreuve toutes les parties. 

• Le succès des data clean rooms repose sur le partage des données, et tous les annonceurs ne se précipitent pas pour divulguer des données transactionnelles détaillées, principalement en raison de l’idée erronée des risques potentiels liés à la confidentialité. Et lorsque de mauvaises données sont introduites, de mauvaises données en sortent…ce qui donne lieu à des mesures approximatives, dans le meilleur des cas.
• Les normes universelles de mise en œuvre doivent encore être déterminées. Cela signifie que la mise en commun de données issus de formats multiples, ainsi que le travail préparatoire qui consiste à les agréger, peut prendre beaucoup de temps.
• Enfin, nous devons nous rappeler que les données au niveau de l’utilisateur sont encore disponibles dans certains cas (par exemple, les appareils Android et les utilisateurs iOS qui y consentent), ce qui pourrait atténuer au moins en partie l’urgence de mettre en œuvre une solution de data clean room.

Ces obstacles peuvent-ils être surmontés, si l’on dispose du partenaire technologique, des ressources et de la préparation adéquate des données ? Bien sûr. Mais nous y reviendrons dans le prochain chapitre.

Chapitre 3

L’aspect pratique des data clean rooms – Des cas concrets pour dynamiser la mesure des campagnes

Nous savons désormais que les Data Clean Rooms offrent aux annonceurs et aux éditeurs des mesures sécurisées, en boucle fermée et totalement respectueuses des règles de confidentialité. 

Mais dans quels cas l’utiliser ? Quels scénarios pourraient bénéficier d’une analyse dans un environnement de data clean room ?

Attachez votre ceinture. Dans cette section, nous allons apprendre comment les data clean rooms permettent aux spécialistes marketing de : 

1. Construire des audiences plus pertinentes
2. Améliorer en permanence l’expérience des clients
3. Alimenter la planification et l’attribution cross-plateforme
4. Optimiser la portée et la fréquence de la mesure
5. Effectuer une analyse plus approfondie des campagnes

Soyons donc pragmatiques.

1 – Mesure de la performance

Le suivi de la rétention, de l’ARPU, du LTV et du ROAS est considéré comme un cas d’utilisation clé de data clean rooms, et ce à juste titre. Une data clean rooms offre un environnement neutre pour analyser les données CRM de l’annonceur et les données d’exposition aux publicités fournies par les partenaires marketing concernés.

Dans ce cas d’utilisation, les annonceurs peuvent télécharger leurs 1st-party data dans une Data Clean Room après une campagne, faire correspondre des identifiants clés identiques et effectuer une analyse de leurs données clients et des données d’exposition aux publicités mises à disposition par le fournisseur de cette Data Clean Room. 

Imaginons que vous souhaitiez comparer vos données d’achat récentes avec les données d’exposition de Google’s ad. Les Data Clean Room de Google – Ads Data Hub – vous permettront d’attribuer le pourcentage de nouveaux clients à l’activité marketing qui s’est déroulée sur les canaux publicitaires de Google.  

Si vous travaillez dans le domaine du commerce électronique, il vous suffit d’alimenter la Data Clean Room avec vos données CRM, vos identifiants uniques (mails, adresses postales, identifiants mobiles, etc.) et la date d’achat. Ensuite, chaque propriétaire de média inclura ses données d’exposition publicitaire et les identifiants uniques utilisés pour créer l’audience de la campagne. 

À ce stade, vous serez en mesure de mesurer avec précision l’intersection entre les nouveaux clients et ceux qui ont été exposés à la campagne dans chaque média, puis de déterminer le pourcentage de nouveaux clients qui peut être attribué à chaque canal.

2 – Construire des audiences plus granulaires

Après qu’Apple a lâché sa bombe ATT, qui a considérablement entravé l’accès aux données relatives aux utilisateurs, la granularité est devenue le Graal le plus recherché par les spécialistes marketing au cours de l’année écoulée.

Une Data Clean Room permet d’atteindre un degré de granularité qui, jusqu’à récemment, n’était tout simplement pas possible. Ellle recueille des données auprès de sources tierces autorisées, qui sont ingérées et segmentées en une série de groupes comportementaux, démographiques et géographiques, puis exploitées pour améliorer votre base de données interne en vue d’un enrichissement et d’une analyse plus granulaires des données. 

La beauté de la chose, c’est qu’au lieu d’exiger le partage des données personnelles des utilisateurs pour effectuer une analyse, une Data Clean Room permet de connecter virtuellement de multiples sources de données par le biais de cohortes anonymisées. 

Cela permet aux spécialistes de mesurer l’intersection qui existe entre leur public cible et les différents publics de plusieurs médias. Enfin, ils sont en mesure de comprendre l’itinéraire optimal pour atteindre leur public, de planifier des campagnes plus efficaces et de déployer des mesures omnicanales.

Comment les informations granulaires sur l’audience peuvent-elles dynamiser vos efforts de marketing ? Très bonne question. 

Améliorer le ciblage de l’audience

La segmentation de vos audiences sur la base de données précises, telles que le comportement des consommateurs et leurs habitudes d’achat, peut avoir un effet considérable sur votre stratégie de campagne. 

Supposons que votre marque ait récemment conclu un nouveau partenariat avec une autre marque dont l’audience se recoupe avec la vôtre. Grâce aux informations sur l’audience fournies par Clean Room, vous pouvez identifier des points de recoupement et des caractéristiques communes qui peuvent ensuite être exploités dans le cadre d’une analyse stratégique plus poussée.

Élaborer un contenu sur mesure et gérer les engagements

Lorsque vous comprenez les intérêts de chaque segment de marché, vous pouvez créer un contenu plus pertinent, des recommandations promotionnelles et de nouveaux formats publicitaires spécifiquement adaptés à ces intérêts.

Affiner vos messages, formats, types d’annonces et canaux afin de pouvoir s’adresser à chaque segment individuellement, trouver un langage commun résoudre le soucis de vos cibles… tout cela est facilité par un une Data Clean Room.

Cas d’utilisation de la segmentation granulaire

Supposons que vous soyez propriétaire d’une marque de eCommerce et que vos données 1st-party comprennent les attributs des clients et les product stock keeping units (SKUs) associés. Vous aimeriez lancer une campagne ciblant une audience potentielle qui présente des caractéristiques similaires, puis la faire suivre d’une campagne de remarketing pertinente basée sur l’historique et la fréquence des achats. 

Tout d’abord, créez vos segments cibles. Ensuite, téléchargez les ensembles de données pertinents dans une Data Clean Room, où votre équipe peut travailler avec des partenaires publicitaires pour croiser vos données 1st-party avec leurs données 3rd-party. Il en résulte des résultats agrégés et exploitables qui peuvent vous aider à élaborer des campagnes ciblées, sans mettre en péril la confidentialité de vos utilisateurs.

3 – Optimiser la portée et la fréquence des mesures

Une fois que vous disposez de données d’impression au niveau des PII provenant de réseaux publicitaires partenaires, vous pouvez comprendre exactement quelles publicités sont diffusées à quels clients et à quelle fréquence, ce qui, à son tour, peut être utilisé pour dédupliquer la portée et la fréquence des campagnes, minimiser la lassitude face aux publicités, et améliorer votre media planning. 

Les data clean rooms peuvent également valider l’hypothèse selon laquelle vous vous adressez au bon public, ce qui vous aidera à ajuster et à affiner vos critères de segmentation. De plus, les Data Clean Rooms vous permettent d’optimiser votre parcours client, en engageant les utilisateurs en fonction de leur position dans le funnel de vente et de la façon dont ils interagissent avec votre annonce. 

Mesure de l’incrémentalité

Les données d’impression des éditeurs, les audiences, les réponses de 1st-party et les données de conversion peuvent toutes être reliées au niveau de l’utilisateur pour vous aider à comprendre l’impact incrémental de vos efforts de marketing.

Pensez à la possibilité de comparer vos groupes de test et de médiation par le biais de A/B tests ou, plus important encore, vos groupes exposés et non exposés. Assez puissant, non ?

5 – Présenter la qualité des utilisateurs aux annonceurs potentiels

Les éditeurs peuvent injecter des données sur les utilisateurs dans l’environnement sécurisé d’une Clean Room et permettre aux annonceurs d’évaluer le chevauchement des clients – et même la qualité des utilisateurs – en fonction de diverses caractéristiques.

Et de leur côté, les annonceurs peuvent créer une audience et la tester auprès de l’éditeur X pour évaluer les résultats. Il s’agit d’un espace idéal pour les éditeurs et les annonceurs, qui peuvent ainsi démontrer la valeur des utilisateurs qu’ils ont acquis.

6 – Créer des partenariats de données 1st-party

D’un point de vue stratégique, deux entités peuvent convenir de joindre leurs forces et faire correspondre des ensembles de données dans un environnement protégé, dont l’accès est soumis à autorisation uniquement, cultivant ainsi de nouveaux partenariats au sein de l’écosystème médias.  

Cette analyse croisée sécurisée peut également contribuer au développement de produits et permettre aux spécialistes marketing d’améliorer leur planification stratégique.

7 – Entraînement, inference, et propensity scoring

Enfin, l’environnement Data Clean Room vous permet de retrouver l’accès à des données granulaires restreintes au niveau de l’utilisateur – nécessaires pour exécuter avec succès des modèles de training et d’inference, et même des propensity models, grâce auxquels vous pouvez obtenir une estimation de la probabilité qu’un client effectue une action spécifique.

Chapitre 1

Qu’est-ce que le mCommerce ?

Il est indéniable que COVID-19 a changé le paysage digital et technologique pour toujours. 

Les achats sur téléphone portable ont connu une croissance fulgurante à une époque où tous les aspects de notre vie ont basculé dans un monde sans contact. Des visites virtuelles chez le médecin à la gestion des finances, tout peut aujourd’hui être géré à partir de nos appareils mobiles, ce qui explique pourquoi le Mobile commerce devient de plus en plus crucial pour les entreprises aujourd’hui.

Le Mobile commerce, mCommerce ou encore M-Commerce en abrégé, est l’achat et la vente de produits et de services par l’intermédiaire d’un appareil mobile. Alors que le e-commerce fait référence à toute transaction financière effectuée sur l’internet, le commerce mobile est spécifique aux appareils mobiles – ce qui inclut les achats, les services bancaires et les paiements par téléphone portable.

L’adoption de la téléphonie mobile n’ayant jamais été aussi forte, il est incontestable que toutes les activité devront investir dans le commerce mobile. 

En 2021, les ventes au détail du commerce mobile ont atteint le chiffre stupéfiant de 359,32 milliards de dollars, soit une augmentation de 15,2 % par rapport à l’année précédente. Aux États-Unis, le commerce mobile devrait atteindre à lui seul 728,28 milliards de dollars et représenter 44,2 % des ventes e-commerce . 

Quels sont les types de services de mCommerce ?

Il existe plusieurs types de services en M-Commerce qui ne se limitent pas aux applications d’achat. Voici les catégories les plus populaires :

Paiements mobiles

Les applications de paiement mobile, également connues sous le nom de digital wallets ou portefeuilles digital, sont des applications liées aux comptes bancaires qui permettent d’effectuer des achats rapidement et en toute sécurité à l’aide d’un appareil mobile. Parmi les applications de paiement mobile figurent Apple Pay, Google Pay et Visa Checkout.

Point de vente mobile (POS) – Les mobile point of sale

Les systèmes de points de vente mobiles permettent aux magasins d’accepter les paiements et de traiter les transactions des clients qui paient à l’aide de leurs appareils mobiles. Il s’agit souvent de paiements sans contact pour Apple Pay et Google Pay, les systèmes associés étant constitués non seulement du matériel, mais aussi du logiciel et du processeur de paiement.

Paiements mobiles de personne à personne

Les applications de paiement de personne à personne, peer-to-peer (p2p), permettent aux gens d’échanger de l’argent. Qu’il s’agisse de partager l’addition d’un dîner, de faire un don ou de payer un loyer, les applications de paiement mobile p2p sont connectées aux comptes bancaires individuels pour échanger des fonds. Les applications les plus populaires sont Venmo, PayPal et CashApp.

Achats par téléphone portable

Les deux services d’achat mobile les plus populaires sont les applications d’achat dédiées et les sites web “mobile-first”. Cependant, le shopping mobile comprend également les plateformes de shopping social telles que Pinterest, Facebook et Instagram, qui permettent aux utilisateurs d’effectuer des achats auprès de magasins en ligne.

Fintech : banques mobiles et investissements

Les applications mobiles de banque et d’investissement permettent aux utilisateurs d’accéder à des comptes bancaires, d’effectuer des paiements, de gérer des investissements, de rembourser des prêts et d’accéder à d’autres services financiers, ce qui rend les applications de financement telles que Klarna et Afterpay extrêmement populaires dans le monde du commerce mobile.

M-commerce vs e-commerce : Quelle est la différence ?

Le e-commerce est le terme générique qui désigne l’achat et la vente de biens et de services en ligne. Le commerce mobile est une sous-catégorie du e-commerce , spécifique aux transactions en ligne effectuées à l’aide de téléphones mobiles et de tablettes. 

Une économie centrée sur le mobile

Selon Statista, 63 % des consommateurs préfèrent acheter via une application mobile plutôt que via un site web. 57 % des consommateurs affirment que les applications mobiles d’achat sont beaucoup plus rapides et 31 % les trouvent plus valorisantes. C’est pourquoi il ne suffit pas d’optimiser un site web dédié à la téléphonie mobile pour réussir sur un marché de plus en plus encombré.

De plus en plus de personnes font leurs achats à l’aide de leur téléphone

Les deux principaux moteurs de l’adoption massive du mobile commerce sont la facilité et la sécurité. L’accès aux appareils mobiles et à internet étant facilement disponible dans le monde entier, les consommateurs sont en mesure d’effectuer des achats depuis presque n’importe où.

Avec l’avènement des digital wallets tels qu’Apple Pay, effectuer un achat sur son téléphone est une expérience sans heurt. Les utilisateurs n’ont besoin de télécharger qu’une seule fois les informations relatives à leur carte de crédit et peuvent effectuer des achats en appuyant simplement sur un bouton. 

En outre, les digital wallets fonctionnent avec une strate supplémentaire de sécurité et diverses méthodes d’authentification afin de garder vos informations financières sécurisées, comme Face ID ou Touch ID, ce qui n’existe pas sur les ordinateurs de bureau.

La technologie du mobile commerce est à la pointe de l’innovation

Une technologie du M-Commerce qui s’améliore plus rapidement que jamais. Les portefeuilles mobiles deviennent plus sûrs, les paiements p2p sont plus répandus et les marques trouvent de meilleurs moyens d’intégrer la technologie mobile dans leur mix marketing. 

Ikea, par exemple, propose une application de réalité augmentée pour aider les acheteurs à mesurer et à visualiser comment un meuble s’adapterait à leur intérieur. 

Les comportements d’achat en matière de commerce mobile et de e-commerce sont très différents.

Un site web optimisé pour les mobiles ne suffit pas. Plutôt que d’être une réflexion après coup, le m-commerce nécessite un investissement pour répondre à un comportement « mobile-first » spécifique des utilisateurs. 
Par exemple, les acheteurs qui dépensent entre 100 000 et 150 000 dollars par an sont plus susceptibles de faire des achats sur leur téléphone que sur un ordinateur de bureau – les acheteurs en voiture ayant dépensé 330 milliards de dollars en nourriture, en café et en produits d’épicerie.

Chapitre 2

Les avantages et les inconvénients du m-commerce

Atteignez plus rapidement vos clients cibles

Investir dans le commerce mobile permet aux entreprises d’adopter une véritable approche marketing omnicanale, leur permettant d’atteindre leurs clients cibles au bon moment et au bon endroit. 

Qu’il s’agisse de push, d’offres in-app ou de géolocalisation, vous pouvez dialoguer avec vos clients plus rapidement et plus précisément que jamais. 

Les consommateurs préfèrent les applications

57 % des clients ne recommanderont pas les entreprises dont les sites mobiles sont mal conçus et 50 % des acheteurs en ligne cesseront complètement d’utiliser le site. De plus, les applications mobiles sont 1,5 fois plus rapides à charger des données et des résultats de recherche que les navigateurs web. 

En bref, les expériences positives en matière de commerce mobile peuvent faire ou défaire votre activité – maintenant qu’elles ont plus de poids que jamais.

Taux d’adoption élevés

Les habitudes des consommateurs changent dans le monde entier et le commerce mobile devrait devenir un canal commercial majeur. À titre d’exemple : 

• COVID-19 a normalisé les expériences d’achat sans contact. 
• Plus de 42 % des acheteurs ont effectué des achats via portefeuille mobile en 2021. 

Les taux d’adoption sont extrêmement élevés et devraient continuer à augmenter, ce qui signifie que les consommateurs deviennent plus intelligents et que la demande d’expériences de qualité va augmenter pour le de commerce mobile. 

Les clients du e-commerce sont plus prompts à acheter

Les clients ont un parcours d’achat accéléré sur mobile pour plusieurs raisons : 

• Les applications sont plus performantes que les navigateurs en termes de temps de chargement, ce qui explique pourquoi 90 % des utilisateurs mobiles ont utilisé des applications plutôt que des navigateurs mobiles en 2021.  
• Les applications sont téléchargées et stockées et aident les utilisateurs à gagner du temps grâce à des préférences préchargées.
• L’écosystème des paiements s’est également considérablement amélioré et a permis de réduire les frictions entre la vue et l’achat. 
• L’achat en un clic et les portefeuilles mobiles ont rendu les achats en ligne sûrs et faciles. 
• Les plateformes de social shopping comme Facebook, Instagram et Pinterest ont amélioré l’expérience d’achat sur mobile.

Les inconvénients du e-commerce

Si le commerce mobile présente des avantages considérables, il n’en demeure pas moins qu’il y existe quelques inconvénients à prendre en compte.

Préoccupations croissantes en matière de confidentialité des données

Avec la politique ATT d’Apple, qui met l’accent sur la confidentialité, les utilisateurs de téléphones portables s’inquiètent de plus en plus de l’utilisation qui est faite de leurs données. Les services de commerce mobile doivent non seulement assurer la sécurité de leurs clients, mais aussi communiquer efficacement sur les mesures qu’ils prennent à cet effet.

Coûts de démarrage et de maintenance élevés

Comme indiqué précédemment, il ne suffit pas d’optimiser un site de e-commerce pour les mobiles. Pour rester compétitives sur un marché très saturé, les marques doivent investir dans le développement et la maintenance d’applications et de sites web mobiles, ce qui peut nécessiter de mobiliser de nombreuses ressources.

Chapitre 3

Meilleures pratiques en matière de commerce électronique

Une expérience d’achat réduite sur ordinateur est loin d’être aussi efficace qu’une approche “mobile-first “. En raison des grandes différences de comportement d’achat sur mobile et sur ordinateur, les expériences d’achat sur mobile nécessitent une stratégie et une expérience utilisateur qui leur sont propres. 

Voici donc les meilleures stratégies pour réussir une activité de commerce mobile :

Commencer par une bonne expérience en terme d’accueil

Un commerce mobile qui sort du lot commence par une bonne première impression, par la collecte d’informations sur le client et par une mise en valeur du service à un stade précoce. 

Commencez par faciliter l’ouverture d’un compte. Veillez à ce que vos prompts soient courts et concis – avec seulement quelques étapes pour naviguer dans l’application. Enfin, il faut les impressionner dès le début. Montrez vos caractéristiques les plus intéressantes le plus tôt possible.

Chargement rapide

Sachant que plus de 61 % des recherches Google se font désormais sur des appareils mobiles, Google a commencé à pénaliser les sites qui n’offrent pas d’excellentes expériences d’achat sur mobile. D’après leurs recherches, un retard d’une seconde dans le temps de chargement mobile peut avoir un impact sur les conversions allant jusqu’à 20 %…assurez-vous que votre site web et vos applications se chargent rapidement!

Recherche facile de produits et suggestions personnalisées

Il est impossible de présenter tous vos produits et services sur un petit écran. Veillez à ce qu’il existe un système de filtrage et de recherche intuitif qui permette aux utilisateurs mobiles d’affiner leur recherche et de trouver des produits qui répondent à leurs besoins spécifiques.

En outre, veillez à proposer des suggestions de produits personnalisées en fonction de leur comportement d’achat. 

À titre d’exemple : 

• Amazon utilise une fonction “les gens ont aussi acheté” dévoilant les produits qui s’associent bien avec celui que vous avez dans votre panier. 
• Envisagez de proposer des suggestions de remplissage automatique dans l’historique de recherche, afin d’accélérer les recherches.
• Veillez à ce que les résultats de vos recherches soient fiables et précis.

Rationaliser le processus de paiement

Chaque écran de chargement lent, toute notification pop up mal programmée et chaque bouton mal placé peut amener un acheteur sur mobile à remettre en question son achat et à abandonner son panier. 

En outre, pour créer une expérience d’achat sûre, assurez-vous de tester minutieusement votre écran de paiement afin de vous assurer que les clients ne quittent pas votre funnel de vente.

Collecter des données de première main

Dans un monde où les utilisateurs mobiles sont de plus en plus préoccupés par la confidentialité des données, il est essentiel de se préparer à un internet sans cookies. 

La politique de confidentialité des données ATT d’Apple, combinée aux projets de Google Chrome de bloquer les cookies tiers en 2023, oblige les services de commerce mobile à investir dans la collecte de first-party data. 

Pourquoi ne pas faciliter l’inscription par mail en offrant une réduction envoyée sur la boîte de réception de vos utilisateurs ? Vous pouvez également collecter des données “zero-party”, comme des quiz qui affichent des recommandations de produits personnalisées lorsqu’ils sont terminés.

Définir et tester des indicateurs de performance clés (KPI) utiles

Améliorez toujours votre expérience d’achat en mesurant, testant et améliorant les paramètres qui comptent. Voici quelques indicateurs clés de performance à prendre en compte :

• Pourcentage d’utilisateurs convertis en utilisateurs actifs
• Coût d’acquisition d’un client (CAC) par canal
• Rétention des utilisateurs
• Durée de la session
• Achats in-app
• Sale per user moyen

Reprenez contact avec votre public au bon moment

Que la connection soit interrompue ou que les acheteurs hésitent à la toute dernière minute, l’exécution d’une stratégie de réengagement peut les aider à franchir la ligne d’arrivée. 

Mail, publicités reciblées, push ou message texte…: veillez à ce que vos messages soient personnalisés, mais utilisés avec parcimonie. 

Travaillez sur le côté accessible

Les législations nord-américaine et européenne sont de plus en plus sensibles aux besoins des utilisateurs mobiles handicapés. Veillez à ce que votre expérience d’achat soit accessible à tous en adhérant aux lignes directrices pour l’accessibilité des contenus web(WCAG): être perceptible, utilisable, compréhensible et robuste.

Chapitre 4

L’avenir du mobile commerce

L’essor du e-commerce ne signifie pas la fin des achats en magasin. Au contraire, la technologie permettra d’intégrer les expériences d’achat en ligne et hors ligne de manière plus efficace qu’auparavant. 

En fait, 72 % des consommateurs prévoient de continuer à faire leurs achats en magasin une fois que les chiffres de COVID auront baissé, car l’expérience des achats physiques, qui mobilise tous les sens, reste inégalée à plusieurs niveaux. 

Approfondissons un peu l’intégration des achats en ligne et hors ligne et ce qu’elle signifie réellement :

Commande à l’avance & curbside pickup

Les expériences d’achat “click-and-collect” ont été popularisées par le renforcement des mesures de sécurité COVID-19. 22 % des acheteurs prévoient d’utiliser le curbside pickup, la commande mobile à l’avance ou le ramassage rapide en magasin, quel que soit l’état de la pandémie. 

C’est un signe révélateur de l’intégration de la technologie mobile dans les expériences d’achat en magasin.

La réalité augmentée comme stratégie de réduction des coûts

Faire du shopping avec son téléphone ne doit pas se limiter à faire défiler une infinité de produits. L’amélioration de la technologie sur mobile s’accompagne d’une amélioration de l’expérience d’achat dans le cadre du commerce mobile. La façon dont les marques tirent parti de la réalité augmentée (AR) pour rendre les achats plus personnalisés et plus attrayants en est le meilleur indicateur.
Les marques qui utilisent la réalité augmentée pour présenter leurs produits peuvent définir plus précisément les attentes des clients en leur permettant d’essayer les produits avant de les acheter. En fin de compte, cela permet à l’entreprise de réaliser des économies, car cela réduit le nombre de retours de produits et de réclamations.

La fidélisation par couponing

Les entreprises qui souhaitent réussir dans le domaine du commerce mobile doivent utiliser une stratégie de marketing par coupon, qui se décline sous plusieurs formes : 

• Les programmes de fidélisation
• Applications de couponing
• Rabais, annonces quotidiennes

Et codes promo. Le couponing mobile a permis aux magasins de fidéliser leur clientèle à peu de frais, voire sans frais, par rapport au couponnage traditionnel. Pour le consommateur, la recherche des meilleures offres peut se faire à partir d’une seule application. Bien que les consommateurs soient aujourd’hui extrêmement sensibles aux prix, ils estiment que les coupons renforcent la fidélité à la marque. 

Rien qu’en 2021, 40 % des consommateurs interrogés ont utilisé des promotions et des coupons à partir d’applications mobiles et 45 % des consommateurs ont préféré le mail, tandis qu’un pourcentage stupéfiant de 69 % des consommateurs aiment recevoir des coupons. 

La recherche vocale deviendra plus naturelle

Hey Siri, saviez-vous que 62% desconsommateurs préfèrent utiliser la recherche vocale lorsqu’ils font plusieurs tâches à la fois ? Maintenant, vous ne pouvez plus l’ignorer… Qu’il s’agisse de faire la vaisselle ou de conduire, la recherche vocale fait de plus en plus partie de la vie quotidienne. Près de 5,5 millions d’adultes américains effectuent régulièrement des achats par voie vocale. 

Chapitre 5

Points clés à retenir

• Aux États-Unis, le mCommerce mobile devrait générer 728,28 milliards de dollars de ventes, soit 44,2 % du e-commerce .
• Avoir un site web adapté aux mobiles n’est pas suffisant. Afin de répondre aux comportements spécifiques des utilisateurs, le mCommerce doit être plus qu’une simple réflexion « en passant ».
• Les clients du mobile commerce ont tendance à acheter beaucoup plus rapidement que les clients du e- commerce en raison de la facilité du processus d’achat.
• Les stratégies de commerce mobile les plus efficaces sont les suivantes : un bon onboarding, des temps de chargement rapides, des personnalisations, un réengagement efficace, l’accessibilité, et des checkouts transparents.
• La pandémie a modifié les comportements d’achat, en intégrant les achats en ligne et hors ligne par le biais d’appareils mobiles. La recherche vocale, le click-and-collect, la réalité augmentée et le couponing sont en plein essor et continueront de l’être au cours de l’année à venir. 

Introduction

La soif de contenus vidéo dignes de ce nom est un des phénomènes qui se développe le plus rapidement dans le domaine de la publicité digitale, y compris en TVC.

Avec la disparition du câble, la télévision connectée (TVC) est en train de devenir un élément omniprésent de la vie quotidienne. De fait, 87 % des ménages américains possèdent au moins un appareil utilisant la CTV, ce qui représente une augmentation considérable par rapport aux 38 % de ménages équipés en 2012.

La télévision connectée est utilisée par tous les groupes d’âge, mais elle est plus populaire chez les 18-34 ans, ce qui rend cette audience particulièrement intéressante pour les annonceurs.

Que vous soyez un annonceur, un fournisseur de services de streaming ou un éditeur de contenus, nous expliquons dans ce guide ce qu’est la télévision connectée, comment elle fonctionne et comment concevoir de la publicité au sein de cet écosystème.

Chapitre 1

Qu’est-ce que la télévision connectée ?

La télévision connectée, ou TVC, est un dispositif de télévision connecté à internet qui permet aux téléspectateurs de regarder du contenu vidéo.

Les appareils CTV regroupent les téléviseurs intelligents avec wifi et streaming intégrés, les consoles de jeux comme la Xbox ou la Playstation, ainsi que les appareils de streaming comme Apple TV, Google Chromecast, Amazon Fire TV Stick et Roku.

Les dépenses publicitaires de CTV devraient augmenter de 33,1 % et atteindre 18,9 milliards de dollars aux États-Unis cette année. Cette année, la CTV devrait représenter plus des deux tiers du marché en termes de dépenses initiales pour la vidéo digitale aux États-Unis.

Les budgets publicitaires de la télévision traditionnelle devraient encore atteindre 68 milliards de dollars d’ici à la fin 2022, et l’écart se resserre de plus en plus.

[H3] CTV et OTT, quelle est la différence ?

Avant d’entrer dans le vif du sujet de la TVC, mettons les choses au clair à propos d’une erreur de terminologie courante. Les spécialistes marketing utilisent souvent (à tort) CTV et OTT de manière interchangeable – les deux termes sont pourtant très différents. 

En contournant la télévision traditionnelle par câble, satellite et radiodiffusion, les fournisseurs over-the-top (OTT) proposent des contenus vidéo de qualité supérieure via des applications ou des sites dédiés.

Pour faire simple, le contenu OTT est visionné à l’aide d’appareils CTV. Voici quelques-uns des services OTT les plus connus :

1. Netflix
2. Disney+
3. Hulu
4. ESPN+
5. Amazon Prime Video
6. HBO Max
7. Apple TV+
8. CBS All Access
9. YouTube TV
10. Starz 
11. Pluto TV
12. Sling TV
13. Tubi
14. Fubo TV
15. Peacock TV
16. Vudu TV
17. Crackle TV
18. Kanopy TV

[H3] À quoi ressemble l’écosystème CTV ?

La distinction entre TVC et OTT étant faite, parlons maintenant de l’écosystème. En bref, les données sont au centre de tout, et les entreprises de la Tech se battent pour obtenir un espace publicitaire précieux dans l’écosystème de la TVC.

Les systèmes d’exploitation des TV qui permettent le streaming collectent des données dont les annonceurs peuvent tirer parti, si bien que la production physique des téléviseurs devient secondaire par rapport au système d’exploitation. En fin de compte, cela fait baisser les coûts des téléviseurs.

Alors que Samsung et LG sont les deux premiers fabricants de téléviseurs physiques, leurs systèmes d’exploitation ne détiennent respectivement que 14 % et 7 % des parts de marché, tandis qu’aux États-Unis, Roku et Amazon Fire TV détiennent conjointement environ 60% des parts de marché de toutes les smart TVs réunies – dans un environnement extrêmement fragmenté. 

Cela a donné lieu à une compétition accrue pour un système d’exploitation plus performant sur les smart TVs, les dispositifs de streaming et les consoles de jeux. 

Amazon propose sa gamme de téléviseurs Fire TV avec Alexa, Fire OS et Prime Video, tandis que LG, Samsung, Vizio et d’autres fabricants de télévisions connectées se battent pour dominer nos foyers.

[H3] Les composantes fragmentées de la CTV et leur impact sur les annonceurs

L’écosystème de la TVC compte huit sous-segments majeurs :

1. Les diffuseurs qui fournissent du contenu exclusif en streaming (Hulu, Disney +, Netflix).
2. Les appareils compatibles avec la CTV qui permettent le streaming TV (Roku, Amazon Fire TV Stick).
3. Les Smart TVs dotées de fonctions de streaming (Samsung TV, LG TV, TCL TV).
4. Les partenaires de mesure mobiles (MMP) qui mesurent avec précision les performances des campagnes et combattent la fraude.
5. Les plateformes qui gèrent le marché de la publicité du côté de l’éditeur, y compris la vente d’espaces publicitaires, l’optimisation des contrats et la mesure des performances des campagnes. 
6. Les plateformes DSP (outils programmatiques) qui servent de médiateur pour les achats de publicité et fournissent un inventaire dans une interface centralisée. Les DSPs servent également aux annonceurs pour acheter des impressions publicitaires au CPM le plus bas.
7. Les annonceurs qui achètent de la publicité.

Les éditeurs et réseaux qui vendent des inventaires publicitaires et qui incluent les intervenants des catégories susmentionnées, tels que les fabricants d’appareils de télévision intelligente (par exemple, Samsung Ads, Vizio Ads) 

Chaque source d’inventaire collecte des données différemment, ce qui se traduit par des informations différentes. Les pixels peuvent être utilisés par certains fournisseurs, ce qui permet une mesure et un engagement très précis. 

Bien souvent, les sources d’inventaire fonctionnent en vase clos clos, ce qui oblige les annonceurs à travailler directement avec eux, à traiter des ensembles de données variables et limités et à empêcher les données au niveau de l’utilisateur de quitter leurs plateformes individuelles.

Le résultat ? Un marché extrêmement compétitif et fragmenté – qui fait qu’il est de plus en plus difficile pour les annonceurs de mesurer avec précision leurs campagnes sur les différents appareils et plateformes.

Chapitre 2

Les modèles de monétisation CTV et OTT

Maintenant que nous avons vu comment fonctionnent la CTV et l’OTT, parlons finance. Il existe quatre principaux modèles de monétisation que vous devez connaître.

[H3] 1 – La vidéo à la demande par abonnement (SVOD)

Modèle le plus répandu, la vidéo à la demande par abonnement demande aux utilisateurs de payer un abonnement mensuel ou annuel pour un accès illimité au contenu.

C’est le modèle qu’utilisent aujourd’hui Netflix, Amazon Prime et Disney+, et il exige des fournisseurs OTT qu’ils proposent un contenu exclusif régulièrement mis à jour, afin de bâtir une base de téléspectateurs fidèles.

[H3] 2 – La vidéo à la demande basée sur la publicité (AVOD)

Ce modèle utilise des annonces stratégiques pré-roll, mid-roll ou post-roll intégrées au contenu vidéo. Les éditeurs peuvent également utiliser des bannières publicitaires, des parrainages et des placements payants pour financer leurs activités, au lieu de dépendre de frais d’abonnement récurrents. 

Xumo et Crackle sont deux plates-formes qui utilisent actuellement le modèle AVOD. 

[H3] 3 – La vidéo transactionnelle à la demande (TVOD)

Ce nouveau modèle de monétisation se concentre sur la génération de revenus à partir de contenus uniques en facturant des épisodes uniques, des films ou des événements à la carte. 

Au lieu de s’appuyer sur la conquête d’une audience fidèle et constante, le modèle TVOD se concentre sur la diffusion d’un contenu premium et hyper-exclusif qui ne peut être trouvé ailleurs.

4 – Modèle hybride

Les services de streaming de toutes les formes et de toutes les tailles expérimentent davantage de modèles de revenus qu’auparavant, et nombre d’entre eux utilisent un modèle hybride, c’est-à-dire un mélange de deux ou plusieurs modèles de monétisation. 

Par exemple, Hulu propose une offre de base avec publicité, une offre sans publicité et une offre groupée comprenant Disney +, ESPN+ et Live TV.

[H3] Attribution et mesure de la CTV-to-CTV

Comme évoqué précédemment, le nombre de téléspectateurs de TV connectée explose, ce qui en fait la solution idéale pour l’acquisition d’utilisateurs. L’engagement programmatique permet des applications très spécifiques des données 1ère et 3ème partie, ce qui permet d’atteindre la grande majorité des publics.

L’attribution CTV-to-CTV est définie comme l’attribution au même appareil et au même système d’exploitation des publicités CTV qui aboutissent à l’installation d’applications CTV. Nous vous recommandons de travailler avec un MMP qui s’intègre directement aux plates-formes CTV telles que Roku, Fire TV, Apple TV, Android TV, Chromecast, les consoles de jeu et les Smarts TVs, afin de vous assurer que vous pouvez exploiter des mesures poussées telles que la LTV et les métadonnées, pour une meilleure attribution.

Il est important de noter que chaque plateforme CTV fournit sa propre méthode de reporting et que ce dernier peut varier en termes de cohérence, de granularité et de nomenclature des données. 

C’est pourquoi il est essentiel de s’associer à un MMP qui fournit une attribution centralisée et impartiale sur plusieurs sources, canaux et dispositifs médias – dans un seul tableau de bord.

Chapitre 3

Quels sont les avantages de la télévision connectée pour les annonceurs ?

Il ne fait aucun doute que le secteur de la CTV connaît une croissance plus rapide que jamais. Alors que le marché se dirige vers la maturité, il reste encore une énorme marge de croissance. Voici quelques-uns des principaux avantages que CTV présente pour les annonceurs :

[H3] Une meilleure segmentation

Contrairement à la télévision traditionnelle, la CTV permet aux annonceurs de toucher des audiences en fonction de leurs données démographiques, de leurs intérêts, de leur contexte, de l’heure de la journée, de leur appareil et de leur géographie.

A titre de comparaison, la télévision traditionnelle s’appuyait fortement sur les estimations de tiers, tels que Comscore et Nielsen, qui étaient parfois peu fiables et bien souvent des suppositions.

Avec l’augmentation vertigineuse du nombre de téléspectateurs de contenus OTT, les audiences recueillies dans la sphère de la CTV sont particulièrement engagées et précieuses pour les annonceurs, c’est pourquoi une segmentation intelligente est la clé du succès sur ce marché.

[H3] Le contrôle de l’image de marque

Les annonceurs ont beaucoup plus de contrôle sur les emplacements où leurs publicités sont diffusées, à grande échelle. La combinaison d’un engagement plus spécifique et de systèmes d’achat d’annonces améliorés permet aux annonceurs de diffuser leurs annonces au bon endroit et au bon moment, ce qui réduit au minimum les risques d’erreur ou de placement d’annonces non pertinents.

[H3] La mesure et l’engagement cross-device

La CTV permet aux annonceurs de mesurer les performances de leurs campagnes publicitaires sur tous les appareils, grâce à la richesse des données recueillies. Grâce aux données cross-device, ils peuvent mesurer le ROAS, comprendre ce qui fonctionne et optimiser les futures campagnes en fonction des enseignements tirés du passé.

Les annonceurs peuvent également créer des expériences client contextuelles en tirant parti du deep linking. En plaçant des liens et des QR codes alimentés par des deeplinks, les marques peuvent lancer des campagnes d’applications mobiles sur CTV qui amènent les utilisateurs au bon contenu sur leurs applications. 

La création de parcours fluides à l’aide de deep links est un moyen efficace et relativement simple pour satisfaire les clients, augmenter les revenus et le retour sur l’expérience (ROX).

[H3] Comment fonctionne l’attribution CTV-mobile ?

Un flux inter-appareils mérite d’être mentionné : le CTV-to-mobile, où les responsables du marketing des applications mobiles achètent des médias sur CTV afin de stimuler la croissance et l’engagement pour leur application mobile.

Que l’intégration se fasse par le biais d’un SDK ou d’une API, les MMPs garantissent que les installations d’applications et que les événements post-installation sont toujours mesurés avec précision. 

Par exemple, avec l’attribution CTV-to-mobile, les responsables marketing peuvent déterminer qu’une application mobile installée après avoir vu une publicité sur un appareil CTV sera attribuée à la CTV.

[H3] Le principal écueil de la CTV : l’usurpation d’identité et la fraude publicitaire

Aux États-Unis, 60 % des annonceurs délaissent la télévision traditionnelle au profit de la CTV et de l’OTT, et cette tendance amène naturellement des fraudeurs. L’absence de filets de sécurité et de réglementations a ouvert la voie à des opérations de fraude publicitaire comme Octobot, SneakTerra et Smokescreen, qui ont détourné pas moins de 6 millions de dollars par mois.

La fraude se présente généralement sous trois formes :

1. L’usurpation d’identité : : usurpation de l’identité d’un autre système informatique (trafic de robots non humains).
2. L’usurpation d’identité sur plusieurs appareils : faire semblant de regarder sur plusieurs appareils.
3. Le piratage du SDK : le fraudeur intercepte la communication du SDK et y injecte de fausses installations, achats et clics.

Mais ne vous en faites pas, car de nombreux enseignements ont été tirés de ces fraudes, et nous allons maintenant vous présenter quelques moyens pour les éviter :

[H4] Comment atténuer la fraude publicitaire CTV

1 – Définissez des exigences claires avec les partenaires avec lesquels vous travaillez. Travaillez uniquement avec des fournisseurs CTV fiables dotés de capacités de mesure de campagne transparentes et accessibles telles que le suivi des pixels (pixel tracking).

2 – Travaillez avec un MMP de confiance pour vous assurer que vos données sont exactes, que les activités frauduleuses sont signalées en temps réel et que la vie privée de vos utilisateurs est protégée dans son intégralité. 

3 – Examinez de plus près vos chiffres et posez les questions difficiles pour découvrir des comportements anormaux : Ces installations correspondent-elles aux habitudes de visionnage dans cette zone géographique ou sur cette plateforme ? Les utilisateurs ont-ils désinstallé l’application immédiatement après l’avoir téléchargée ? Avez-vous des pics d’activité qui vous semblent anormaux sur certaines applications ?

[H3] Stratégie de monétisation CTV – Les best practices

Découvrons maintenant comment élaborer une stratégie pour mesurer l’efficacité de vos campagnes CTV :

Étape 1 Étudiez vos données

Le Gross Rating Points (points de couverture brute) est un indicateur très répandu pour mesurer l’efficacité des achats publicitaires traditionnels à la télévision. Grâce à cet indicateur, les annonceurs paient les éditeurs en fonction de leurs points d’évaluation respectifs pour une publicité donnée.

Toutefois, il ne s’agit pas d’une mesure qui exploite totalement les données comportementales de votre audience CTV. Voici plusieurs manières pour mesurer l’efficacité de votre campagne :

1. L’attribution de la visite du site web post-visionnage : les téléspectateurs visitent votre site Web après avoir regardé une publicité CTV.
2. L’attribution des achats en ligne : le téléspectateur a effectué un achat sur votre site Web ou via CTV après avoir regardé une publicité.
3. Les conversions post-affichage : les téléspectateurs ont installé votre application mobile et effectué un achat sur l’application après avoir vu une publicité CTV.
4. L’attribution du trafic piétonnier : engagements et achats omnicanaux suivant la vue d’une annonce.
5. Le suivi des conversions hors ligne : mesure du nombre de fois qu’une personne a regardé une annonce avant qu’un achat ne soit effectué.
6. Brand lift / notoriété de la marque : votre positionnement sur le marché, mesuré selon la façon dont les gens sont capables de se souvenir et de s’engager avec votre marque après avoir vu une publicité CTV.

Gardez à l’esprit que la saisie des données associées à ces actions n’est pas toujours simple. Il est donc essentiel de trouver un bon partenaire de mesure pour le faire à votre place.

Étape 2 Affinez votre audience

Exploitez la puissance du numérique en identifiant vos audiences les plus rentables. Un bon point de départ consiste à utiliser vos listes d’audience actuelles et à créer des audiences similaires. Ensuite, plongez plus en profondeur dans les données “third-party” telles que les intérêts, les données démographiques, les appareils et la localisation géographique.

Plus la granularité est élevée, plus vous pourrez étendre votre champ d’action pour diffuser des messages pertinents à vos téléspectateurs et, en fin de compte, accroître le taux de conversion des campagnes CTV.

Étape 3 Mesurez, évaluez, recommencez

Les principes d’une campagne de TVC réussie sont les mêmes que ceux de toutes les autres campagnes de publicité digitale. Assurez-vous de mesurer, d’évaluer et d’itérer en permanence, et utilisez les informations sur l’audience et les données recueillies pour optimiser en permanence vos campagnes. 

Pour être certain de faire les choses dans les meilleures conditions, envisagez de faire appel à un MMP pour vous aider à résoudre les problèmes de déduplication, signaler les fraudes publicitaires et mesurer avec précision votre attribution.

Points clés à retenir

Points clés à retenir

• OTT et CTV ne recoupent pas les mêmes choses. En termes simples, le contenu OTT est visionné à l’aide d’appareils CTV.
  
• En 2012, seulement 38 % des ménages américains possédaient un appareil CTV. Aujourd’hui, en 2022, 87 % d’entre eux possèdent au moins un appareil CTV.
• L’investissement dans la publicité sur CTV est en plein essor en raison de ses audiences importantes et de ses capacités de mesure sur des plateformes à fort taux d’engagement.
• Trouver des partenaires transparents et utiliser un système de gestion de la publicité est le moyen le plus efficace pour lutter contre la fraude publicitaire et améliorer significativement vos performances publicitaires en matière de CTV.