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.
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.
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.
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 :
- Construire des audiences plus pertinentes
- Améliorer en permanence l’expérience des clients
- Alimenter la planification et l’attribution cross-plateforme
- Optimiser la portée et la fréquence de la mesure
- 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.
