Data Marketing - Formation

Janvier 2018
Formation
Le marketing à l’heure de la
data
bibliographie@1000 merci, webedia & synetik, converteo

« Ne comptez pas les
personnes que vous
atteignez ; atteignez les
personnes qui comptent. »
« Don’t count the people you reach ; reach the
people that count. »
- David Ogilvy
2

Sommaire
3
1- Les enjeux du marketing digital et du marketing omni-canal :
cap sur la réconciliation des données on & offline
2- La donnée digitale qu'est-ce que c'est ?
3- DMP, DataWarehouse et Data Lake quelles différences ?
4- Scénarii d'usage pour comprendre les différences et les enjeux pour les
directions marketing.
5- Conclusion

1- LES ENJEUX DU MARKETING DIGITAL ET DU MARKETING OMNI-CANAL:
dans un monde connecté (personnes et objets) la production de données explose
4
capegemini
« 90% des données au niveau mondial ont été créées dans les deux dernières années » IBM 2016

5
Un marché peu mûr sur le sujet, mais
déjà 20% d’avant- gardistes en 2016

cap sur la réconciliation des données on & offline: data customer journey
6
Contenu Web
Expérience de
shopping en centre
ville
Interactions sociales
Publicités ciblées
Recherche du produit en
ligne (Mots Clés)
Inscription In-store
Transaction Offline
(Flux de données en magasin)
Recherche sur mobile
(In-store)Publicités ciblées
sur mobile
Bouche à oreille
Réseaux Sociaux :
Engagement & Interaction Sociale
sur Mobile
(2ème écran)
Vidéos publicitaire ciblées
Marque
Visite et
comportement
sur le site
Inscription à la Newsletter et
comportement dans emails
Gestion des
consentements

cap sur la réconciliation des données on & offline : un parcours éclaté
7
De plus en plus de devices De plus en plus de plateformes De plus en plus de formats

8
Des données de plus en plus nombreuses et variées :
des données mixtes nominatives et non nominatives

cap sur la réconciliation des données on & offline : exploiter, monétiser, activer
9
Visite sur le site
Allociné
Téléchargement de
l’application Allociné
Visite un blog OverblogAchat et collecte
d’adresses email
Opération de collecte sur
desktop
Réconcilier les données autour d’un individu au-delà des devices et plateformes utilisés : people-based marketing
Un parcours anonyme à trou qui peut devenir celui d’une vraie personne
Optimiser les investissements
média, les parcours clients et la
conversion pour le e-commerce
et les services

cap sur la réconciliation des données on & offline : 3V, opportunité & contrainte
10
Variété
Volume Vélocité
• Terabytes
• Enregistrer
• Transactions
• Table, fichiers
• Cookies
• etc
• Batch
• Real-time
• Streams
• Near-time
• Structuré
• Non structuré
• Semi-structuré
BIG
DATA
Baisse des coûts de collecte et de
traitement associée à de meilleurs
outils rendent le Big data plus
accessible & simple.
Tech
Data
warehouse
BIG DATA
$1.000 /TB
Hadoop
Distribution de
fichiers
$30.000 /TB

cap sur la réconciliation des données on & offline : Besoin
11
Pourquoi le besoin de réconciliation se fait sentir au niveau des Directions Marketing:
Ø Des clients qui répondent moins aux sollicitations,
Ø Des canaux divers et très nombreux,
Ø Une lassitude du discours de masse marketing qui amène un besoin de personnalisation,
Ø Des clients qui utilisent des canaux différents ou à différents moments qu’il faut suivre, comprendre et servir
différemment,
Ø Une production de données massives, nominatives et non nominatives,
Ø Un marketing coûteux mais difficile à rentabiliser, à justifier (investissements) & à optimiser sans tracking valable &
réconcilié,
Ø Une visibilité difficile à avoir quand on multiplie les cibles, les canaux, les appétences canaux et terminaux etc…
Ø Des activités en temps réel et/ ou géolocalisées (programmatique, enchère, pop-in sur site etc…)
Ø Une vision unique du client ( people-based marketing ) ou à défaut du « cookie » devient nécessaire pour comprendre et
mieux servir des consommateurs plus exigeants qui s’attendent à être reconnus comme individu.
Mais des données de source et de nature différentes

cap sur la réconciliation des données on & offline : objectifs
12
Competitiveadvantage
Valeur des informations extraites
Les 5 étapes de la maturité analytics
« Quelle est la prochaine meilleure
action pour un client »
« Quelle est la probabilité
qu’un client réponde à mon offre »
« A quelle fréquence et
récence un client achète »
« J’observe mes données clients
mais sont-elles correctes »
« Pourquoi ai-je des incohérences
entre mes rapports de données »
Analyses
prescriptives
Analyses
prédictives
Analyses
descriptives
Reporting

cap sur la réconciliation des données on & offline :Vision cible
CAPTER ANALYSER EXPLOITER
MESURER
optimisation
performance
pertinence
personnalisation
connaissance &
segmentation

cap sur la réconciliation des données on & offline :Vision cible
CAPTER ANALYSER EXPLOITER
MESURER
§ Plan de taggage
§ TMS
§ Cookiefication
§ Réconciliation
§ PII /non PII
§ Juridique
§ Choix des canaux
§ Utilisation de connecteurs
packagés
§ CRM on-boarding
§ Cohérence
§ Connaissance client on & off
§ Temps réel
§ Critères de segmentation
§ Apports 2nd & 3rd Party data
§ Extension d’audience
§ Analyser, miner, modéliser et
créer des algorithmes
automatiques
§ Mesurer pour décider

cap sur la réconciliation des données on & offline : un enjeu organisationnel
15
Web
CRM Digital
Connaissance
client
Un croisement des mondes, des données et des fonctions dans une nouvelle organisation à définir

Sommaire
16
5- Conclusion

2- LA DONNÉE DIGITALE QU'EST-CE QUE C'EST ?
Des données de nature et d’origine différentes
17
1. Non PII data
Utilisateur exposé
(par exemple avec une
bannière)
Visiteur
du site
internet
Visiteur à
haut
potentiel
Opt-in (inscrit) Client Client fidèle Ambassadeur
2. PII data
Non nominative non identifiée
nominative identifiée
Visiteur sur
apps non
identifié

18
Exemple de données digitales collectées
Réseaux sociaux
Exemple de données collectées :
• Interaction sociale : clic sur des
liens provenant des canaux de
communication sociaux :
Facebook, Google plus, Pinterest
• Participants des opérations
réalisées sur Facebook : onglets,
applications…
Données comportementales de
navigation web
• Données de visite sur le site via
un taggage de la totalité du site :
IP, jour, heure, n° de cookie…
• Parcours de visite de chaque
internaute unique : catégories
visitées, produits visités
• Avancement dans les différentes
étapes du tunnel de conversion
du site
Display
• Identifiant cookie de chaque
individu exposé
• Identifiant cookie de chaque
individu ayant réagit à une
campagne de bannières
• Capping : nombre d’impressions
affichées par individu
• Taux de visibilité de chaque
bannière
SEM
Exemple de données collectées
:
• Heure de recherche
• Adresse IP à l’origine de la
recherche
• Cookie à l’origine de la
recherche
• Mots clefs à l’origine de la
recherche

19
Notions clefs : tag, cookie, base de données
Voila ce que nous
connaissons des
cookies

20
<tag >
1 - identification
• Tag :
Morceau de code appartenant au site ou intégré par celui-ci permettant :
– De lire et/ou écrire un cookie
– D’exécuter des actions (écriture/lecture bdd…)
• Cookie :
Fichier texte enregistré sur le device d’un internaute lié au navigateur qu’il
utilise
– 1st party : il est lié au domaine du site
– 3rd party : il est lié au domaine du prestataire
• Base de données :
Stocke les données comportementales envoyées par le tag dans la DMP
– 1st party : données cookies appartenant à l’annonceur et qu’il peut
utiliser à l’envie
– 3rd party : données anonymysées de sources hétérogènes
2 – sauvegarde de la
donnée
comportementale
dans le cloud

21
1- web browser appelle une web page auprès du serveur du
site
3- Browser exécute
le code tag et
collecte la donnée
2- le serveur du site envoie la page demandée et le code tag
appelé au browser (Krux ou GA)
4- le code tag instruit le browser d’envoyer la donnée au
serveur qui la collecte
5- le serveur qui collecte la donnée envoie la donnée cookie dans sa réponse,
browser conserve le cookie selon les préférences de l’utilisateur
Serveur website
www.xxx.com
Serveur maison ou
Krux/ DMP
(amazon datalake)
mais idem DSP/
data providers

22
Tag dans le datalayer (code source du site)

23
Cookie id (code) remonté par un tag (datalayer)
Userid=00102ed12c87d1704fd9c8260f947b64
A visité la page « Tiramisu-spéculoos »
Normalement c’est une « chaîne »
qui est attachée au cookie. Ici la
donnée est déjà partiellement traitée
(plus simple)

24
3
1
2
1
2
3
00102ed12c87d1704fd9c8260f947b64^-^750g_section_data_time_waiting^480^2016-11-04^1
00102ed12c87d1704fd9c8260f947b64^-^750g_section_data_title^tiramisu spéculoos rapide^2016-11-04^1
00102ed12c87d1704fd9c8260f947b64^-^750g_section_data_number_votes^146^2016-11-04^1
Exemple d’information collectée par les tags sur site

25
• Quand dépose-t-on un cookie ?
– Via un tag sur un site :
• On récupère à minima une identité (un numéro de cookie) et l’url visitée
• On peut récupérer des données supplémentaires
– Via une impression ou un clic sur une bannière, un email…
– Quand notre tag est appelé par un autre tag (dans l’un ou l’autre des cas ci-dessus)
• Qu’y a-t-il dans un cookie ?
– Pas grand-chose d’autre qu’un identifiant
– Le tag qui possède le cookie peut le lire et donc lire l’identifiant
– Ensuite le tag va écrire les données (URL, id,…) dans une base DMP pour activation ou un datalake (maison ou
Amazon/ KRUX payant, par exemple)
– Un cookie est lié à un nom de domaine et peut être 1st Party ou 3rd Party

26
Notions clefs : plan de taggage
Sans rentrer dans trop de détails à ce stade, il faut savoir que Google offre une solution gratuite de taggage GoogleTag manager.
Solution, compatible avec beaucoup de solutions DMP du marché (dont KRUX). D’autresTMS (Tag Management System dontTag
commander, par exemple) payant existent.
Le plan de taggage permet de définir où les tags doivent être mis :
Page : définir la page où doit être mis le tag pour exécuter le tag
Type de tag : tag événement par ex
Code : script (fourni par KRUX ou GA) que le développeur doit placer sur le site
Règle d’exécution du tag : à quel moment précis doit être exécuté le tag (ex : traquer le remplissage du formulaire, on doit informer
le développeur que la récolte se déroule après validation du formulaire par ex)
Variable : définit la valeur des variables (id produit, prix, mode de livraison etc…)
Ajouter des captures d’écran pour aider le développeur est un must qui vous fera gagner beaucoup de temps.

27
Notions clefs : code suivi et code spécifique (évènement)
Sans rentrer dans trop de détails toujours, il faut savoir qu’i y a deux types de tag, celui qui récolte les informations sur l’activité de la
page (page vue, durée etc…) et les tags pour récolter des évènements (a cliqué sur tel bouton)
CODE SUIVI CODE SPÉCIFIQUE
Code JavaScript à déposer sur toutes les pages
Collecte la donnée générale de visite
Exemple : visites, page vues, devices, sources, temps
passé, etc…
Code Javascript déposé sur une page qui trace une action
spécifique comme par exemple l’ajout au panier
On peut y adjoindre des informations supplémentaires comme
id produit, prix etc… pour connaître d’autres informations
panier.

28
Notions clefs : Match table
Ce principe de ID Sync est le même entre les DMP et les fournisseurs de données, mais aussi avec les DSPs, SSPs, AdExchanges, Adserver, etc.
Au final, les DMP gèrent d’ énormes tables de correspondance pour conserver les valeurs des IDs correspondant aux différents profils dans les
plateformes externes (DSPs, AdExchanges, 3rd Party data Providers, etc.) Ainsi, quand une DMP envoie un segment d’audience à un DSP tel que
AppNexus, elle peut simplement lui envoyer une liste d’ID AppNexus. Le DSP n’a pas besoin de connaitre la correspondance avec l’ID DMP pour
pouvoir cibler cet individu. A titre d’illustration, Audience Manager – la DMP de Adobe – gère environ 8,5 milliards de profils actifs au niveau
mondial. Ça vous donne une idée de la taille de cette fameuse Match Table.

29
La donnée digitale en résumé
VALUE
VERACITY
VISUALISATION
VARIABILITY
La valeur réside dans l’analyse rigoureuse des données précises
Définir celles qui sont pertinentes et justes pour baser ses décisions dessus
Présentation des données d’une manière lisible et accessible
La nature des informations pertinentes est extrêmement
mouvante et requiert beaucoup d’agilité

Sommaire
30
3- DMP, Data Warehouse et Data Lake quelles différences ?
5- Conclusion

3- DMP, DATA WAREHOUSE, DATA LAKE : QUELLES DIFFÉRENCES ?
Des solutions technologiques de traitement de données temps réels qui changent la donne
31

Des solutions technologiques de traitement de données temps réels qui changent la donne
32

DMP
33
L’activation des données issues d’une DMP permet de personnaliser l’expérience sur l’écosystème digital
(site, mobile, e-mail), mais aussi sur d’autres canaux (call center, magasin).
Une DMP est une plateforme logicielle permettant de collecter et centraliser les données clients et prospects, de les retraiter
(en les unifiant, les enrichissant, les segmentant, les pilotant) dans le but de les activer sur les différents canaux avec
lesquels la DMP est connectée.

DMP AGRÉGE
34
L’agrégation des données propriétaires et tierces dans la DMP sert principalement à enrichir les profils/cookies des prospects et clients
PROFIL PROSPECT :CLIENT
La DMP agrège les profils qui
correspondent à des cookies ID
unique (annonceurs avec CRM)
sous réserve de cookies uniques.
Données CRM Données
comportementales
(navigation, clic, panier)
Données déclaratives Données sociales Données socio-démo Données contextuelles
(intentions, préférences)
Données géolocalisation
DATA FIRST PARTY DATA SECOND PARTY DATATHIRD PARTY
1 2 3
Données annonceurs Données partenaires Données tierces spécialistes data
AGRÉGATION

DMP ACTIVE
35
La DMP permet d’orchestrer des campagnes digitales et multicanales en activant les segments d’audience
• Exclusion des campagnes
d’acquisition
• Concentration sur les triggers
Réduction des coûts d’acquisition
• Réduction des budgets
• Poursuite de la qualification et
du lead nurturing
• Augmentation des budgets
• Développement du retargeting
Augmentation des ventes online
• Exclusion des campagnes
d’acquisition
• Concentration sur les triggers
Fidèles Prospects
chauds
Prospects froids
Acheteurs
offline

MAIS LA DMP NE FAIT PAS L’ANALYSE DATA MINING-SCIENCE NI LA DATAVIZ OU BI : ENTRÉE EN JEU DU DATA LAKE
POUR TRAITER CES INFORMATIONS
36

37
Data-lake et Data Management Platforms: quelles différences ?
DMP Data Lake
Nature des données • La DMP n’a pas vocation à stocker tous types de
données, notamment les données personnelles des
visiteurs, prospects et clients (PII) ainsi que les données
sensibles de l’entreprise (marge, achats, etc.) – du moins
de manière non cryptée
• Le data lake regroupe la totalité des données -y.c les
données personnelles et sensibles -, dont celles issues de
la DMP & du datawarehouse.
• Le data lake est un actif propre à l’entreprise qui s’inscrit
dans la durée
Modèle de données • La DMP est par nature connectée en temps réel à
l’écosystème digital externe (DSP, 3rd party, données
providers, etc.)
• Le data lake n’a pas vocation à être connecté directement
à l’écosystème externe. Les flux de données entrants et
sortants ne sont pas nécessairement en temps réel
Finalités • La DMP est un outil d’identification (matching de
cookies), de déduplication et d’enrichissement des
données clients et prospects collectées et pré-
calculées
• La DMP récupère l’intelligence pour l’activer sur les
différents canaux avec lesquels elle est connectée -
online et offline
• Le data-lake agrège et traite la donnée pour la
transformer en intelligence et la transmettre aux
différentes briques d’activation, parmi lesquelles se
trouve la DMP
Le data lake est avant tout orienté connaissance et intelligence - c’est le socle exhaustif de la donnée
La DMP est résolument opérationnelle et orientée activation

Le Data Lake : une évolution du data warehouse qui n’empêche pas les deux outils de
conserver une certaine complémentarité
38
Data warehouse Data Lake
Nature des données • Stocke uniquement les données structurées considérées
comme utiles
• Stocke toutes les données, celles utiles aujourd’hui mais
aussi potentiellement dans le futur
Modèle de données • Architecture qui repose sur des tables relationnelles
• Structure peu responsive : espace de stockage très
structuré, compliqué et chronophage à faire évoluer
• Stocke certains types de données – généralement des
métriques quantitatives
• Architecture flexible sans contrainte de forme ou de
schéma a priori
• Structure évolutive et non figée où de nombreuses
formes de données peuvent cohabiter et venir s’ajouter
dans le temps
• Données stockées quelles que soient leur forme
(structurée et non structurée)
Finalités • Modèle de données très structuré adapté à des analyses
répétitives ETL
• Structure agile, données traitées selon le besoin via des
séquencements parallélisés
Le data warehouse et le data lake sont complémentaires et peuvent cohabiter : le data lake stockant et traitant des données issues de
nouvelles sources non configurées pour les data warehouses

Sommaire
39
5- Conclusion

4- SCÉNARII D’USAGE DMP
Les scénarii simples sont aussi les plus ROIstes
40
1 – Prospect vs Client
Un des moyens pour optimiser ses dépenses média, c’est
de limiter les impressions inutiles. Or, typiquement, il est
assez peu utile de dépenser du budget média dans une
campagne d’acquisition pour toucher des individus qui
sont déjà vos clients.
De même qu’il est peu utile de dépenser du budget média
dans une campagne de branding pour des individus qui
ont récemment visité votre site web.
Ces scénarii dits d’ « exclusion » sont généralement
parmi les plus immédiats et les plus ROIstes.

41
2 – Retargeting des « abandonnistes »
Un des moyens pour optimiser ses dépenses et
augmenter ses taux de conversion assez classique est de
faire du retargeting. Aujourd’hui Critéo ou Tradelab sont
des acteurs importants sur ce secteur mais il est possible
de s’en passer grâce à la DMP.
On choisit le segment ‘abandonniste’ dans la DMP (est
passé sur la page panier sans passer la commande par
exemple) et on utilise la programmatique ensuite pour
enchérir sur ce segment spécifique auprès d’un DSP/SSP.
Ceci peut être ensuite moduler par segment et par
produit, grâce par exemple au DCO.

42
3 - Upsell / cross-sell
Pour upseller à un client existant on pourrait déjà mettre en
place différentes tactiques sans avoir besoin d’une DMP,
pusiqu’on dispose des informations pour le contacter.
Mais le fait de disposer d’une DMP va nous permettre de
réaliser les uses cases d’upsell et de cross-sell de façon plus
fine, avec des messages cohérents à travers l’ensemble des
canaux : on pourra le faire en cross-canal, avec des messages
cohérents, en gérant la pression marketing (ex sur les non
ouvreurs emails) et en continuant à collecter les données
d’exposition aux campagnes.

43
4 – Réengagement des clients inactifs, non ouvreurs
Les bases CRM contiennent déjà tout l’historique de la relation d’une marque
avec ses clients : les services ou produits achetés et possédés, leur type ou
catégorie, leur âge (renouvellement, maintenance), la fréquence des achats et le
panier moyen, etc.
Les bases CRM contiennent donc des informations précieuses concernant des
anciens clients qui sont devenus inactifs. Partant du principe bien connu qu’il est
moins cher de fidéliser que d’acquérir, on pourra exploiter les DMP de façon à
réengager ou à réactiver des clients inactifs, et ceci à plusieurs niveaux :
•- Campagnes d’emailing spécifiques présentant les nouveaux produits ou
services, voire des offres promo
•- Campagnes de bannières pour les abonnés qui n’ouvrent plus les newsletters
•- Promos du type « Frais de port gratuits » pour les clients n’ayant pas
commandé sur un site e-commerce depuis plus de 3 mois
•- Parfois aussi, tout simplement, leur rappeler comment faire pour récupérer un
mot de passe oublié…

44
5– Données 2nd Party
Conclure des partenariats 2nd Party avec des tiers est une bonne
solution pour aller chercher de la donnée en complément de ses
propres données 1st Party.
Techniquement, il s’agira pour une marque disposant d’une DMP de
fournir son tag à un partenaire qui l’implémentera sur son site web, ou
sur certaines rubriques de son site web. Une autre façon d’opérer un
partenariat 2nd Party peut passer par les marketplaces de données
lorsque les DMP en disposent : une marque ou un éditeur choisit alors
de publier un partie de ses données de façon publique ou privée dans la
marketplace – éventuellement en affichant un CPM – et la marque
utilisatrice pourra alors simplement souscrire à ce data feed depuis la
marketplace et utiliser les données 2nd party en complément de ses
propres données.

45
6 – Frequency capping
Les DMP permettent de collecter des données d’impression, d’ouverture
d’emailings et d’exposition aux campagnes. Il devient alors possible de gérer
la pression marketing en faisant du « frequency capping ». L’idée est que
si un individu n’a pas réagi (cliqué, vu, converti, …) au bout de X
impressions, il est inutile – voire contre-productif – de continuer à
afficher les mêmes bannières pour cet individu. On a toutes et tous déjà
connu le cas de ces produits qu’on a regardés mais pas achetés et qui nous
poursuivent ensuite partout où l’on va pendant xxx semaines !

46
7 –Tactiques : anti-churn, anti-cannibalisation
La technique anti-churn classique consiste à tracker les visites sur les pages
de désabonnement ou de résiliation, en particulier chez les Telco, banques,
assurances, bouquets satellites ou chaînes payantes. Un individu qui passe
plus d’une fois par la page de résiliation sur une période courte de 1, 2 ou 3
jours est certainement à risque.
S’agissant de clients / abonnés pour lesquels on dispose des informations
personnelles type email et des opt-ins nécessaires, les DMP permettent
alors de mettre en pratique diverses tactiques « anti-churn » allant de
l’email personnalisé à l’affichage d’une enquête de satisfaction sur le site
de la marque, voire à des pop-ins proposant l’aide d’un télé conseiller ou
d’une assistance téléphonique.

47
8 – Lookalike – Jumeaux statistiques
Dans une pure logique d’acquisition, on va mettre à profit les
fonctionnalités de segmentation algorithmique de la DMP via la
fonctionnalité dite de « lookalike modeling » (on parle de « méthode
des jumeaux statistiques » en Français) de façon à déterminer des
individus présentant des caractéristiques statistiquement proches de
celles d’une audience de référence.
Concrètement, après avoir fait fonctionner sa DMP pendant quelque
temps, après avoir pu caractériser parmi l’ensemble de ses clients
celles et ceux qui sont les plus profitables, ou bien présentant les
meilleurs potentiels sous la forme d’un segment d’audience, on va
utiliser ce segment en tant que référence en le fournissant à
l’algorithme de lookalike modeling.
La modélisation se traduira par une audience résultante d’une taille
arbitraire, choisie par le marketer, et dont les individus feront parti
soit de l’audience de la marque (cookie pool en 1st party) soit de
l’audience de fournisseurs de données 3rd party, si on est dans une
pure logique d’acquisition.

48
9 – Personnaliser le site (pop-in) ou espace
Grâce a la DMP on peut déclencher des pop-in
personnaliser pour offrir des offres différentes et
personnaliser selon un schéma CRM classique par exemple :
ü Prospect /client
ü Segment gros clients
ü Segment affinitaire cuisine, gros acheteurs
ü Segment appètent abonnement cuisine etc

exemple
49
DMP
pages Football sur canalplus.fr
Cookie matching chez
Havas
Lien entre un email et
un cookie
CRM Canal
database
Clients Canal Plus/Canalsat
Bannière
d’acquisition pour
un prospect
Bannière de
Cross-sell pour un
client
2 scenarii
Segmenter les audiences :
Ne pas faire la même offre aux clients et aux
prospects anonymes

exemple
50
Segmenter les audiences :
ne pas faire la même offre aux clients et aux prospects
Googe adwords
RLSA : Remarketing List for Search Ads
• Objectif :
- Faire levier sur la DMP pour améliorer son achat de mots clés
• Mécanique du RLSA
- Créer un ou des segments de visiteurs sur le site de l’annonceur selon différents
critères
- Déjà-clients
- Anciens-clients
- Clients à risque
- Mauvais clients
- Mettre en place une stratégie d’achat en SEM différente selon le potentiel de
chacun des segments

exemple
51
Retargeting abandon de panier &
prospects chaud , augmenter la conversion
Contexte : « Acme Banking », un organisme financier proposant plusieurs types de produits financiers
Un individu présentant un profil inconnu visite le site Web, et consulte plusieurs pages dans la rubrique des prêts immobiliers.
Cette personne commence à remplir les deux premières pages du simulateur de prêt immobilier, mais quitte le site avant d’avoir terminé sa
simulation.
Objectif : Contacter cette personne pour la convertir .
Mise en œuvre :
Définition des « segments » :
•- A visité le site Web de Acme Banking, au moins 1 fois dans les 7 derniers jours
•- N’est pas connu comme étant un client de la banque (ie : inconnu du CRM, jamais vu sur le site Acme Banking en mode authentifié)
•- A visité plusieurs pages de la rubrique Prêts Immobiliers (encore dans les 7 derniers jours)
•- A visité la page du simulateur de crédit immobilier, mais n’est PAS passé par la page finale de confirmation, et de demande d’envoi de la
proposition par email.
Une fois notre audience de prospects abandonnistes caractérisée et définie, on active au moyen de la DMP :
- Pour un prospect, non identifié, on adressera cet individu de manière anonyme via une campagne de bannières (Display), avec un message
adapté grâce au DCO (taux individualisé par ex) et une enchère plus élevée en RTB potentiellement.
- cet individu a quitté notre site Web sans aller au bout de sa simulation. On place donc une campagne SEM dans Google pour des mots clés
spécifiques ex « crédit immobilier meilleur taux » en fonction des contenus consultés par l’internaute (prêts à taux fixe ou variable, prêts
courts, etc.). Dans Google Adwords, il s’agit d’une campagne RLSA (= Remarketing Lists for Search Ads). Sachant que c’est un « prospect
chaud », une enchère plus élevée est placée.
- la DMP permettra aussi d’adresser à cet individu des messages cohérents sur les différents canaux, afin d’éviter par exemple, que la
Homepage de Acme Banking ne mentionne un taux de crédit différent de celui proposé par les campagnes Adwords & display.
- Acme Banking veille à ne pas cannibaliser ses budgets marketing entre deux produits : on veille à l’exclure des
campagnes de promo : les autres produits tels que l’épargne ou la gestion de patrimoine.

exemple
52
Convertir mieux en exploitant la navigation
web et le remarketing email
Objectif :
Développer les campagnes de remarketing e-mail
Maximiser notre efficacité et notre réactivité
Moyen mis en œuvre :
Un internaute est passé sur le site Académie du goût, le matching cookie –email nous indique qu’il est connu mais
non client ( inscrit newsletter/membre). Nous pouvons lui envoyer un email pour lui faire une offre à chaud avec une
promotion particulière.
Un internaute
abandonne le panier
Cookies matching
/ bases interne
L’internaute clic et
est redirigé vers
ADG landing page
ou autre page
choisie.
1 2 3 4
cookies
Match : 25%

53
Convertir mieux et cibler sur Adwords pour
améliorer le ROI
Objectif : toucher les internautes à fort potentiel de conversion
Comment s’assurer que mon lien sponsorisé sera affiché pour les internautes disposant
du plus fort potentiel de conversion ?
Si les solutions simples basées sur le remarketing AdWords apportent un premier niveau
de réponse, elles peuvent être optimisées via un ciblage plus avancé.
Moyens d’action : dé-moyenner les enchères AdWords
Partant du principe que les prospects connus de la marque ont un potentiel de conversion
plus important, nous avons mis en place un ajustement d’enchères très simple : +X %
pour les clients connus du CRM. Le ciblage a été mis en place grâce à une DMP.
Résultats :
En comparaison à un groupe témoin sans ajustement d’enchères et toutes choses égales
par ailleurs, nous avons observé une modification du ciblage. Les connus du CRM,
minoritaires et probablement connus d’autres marques, étaient peu accessibles au niveau
d’enchère moyenné. Grâce à la surenchère, ils ont pu être ciblés et générer un
accroissement du ROI significatif.
Si le ROI a été doublé sur les listes concernées, elles représentaient seulement une
partie des internautes de la campagne.
L’augmentation finale du ROI de la campagne a été de
40%.

54
Acquisition :
Personnaliser les publicités (DCO) en segmentant
8 cibles
Résultats : Par rapport aux précédentes campagnes
de la marque :
– Un CTR en hausse de 20%
– Un coût d’acquisition jusqu’à -35% inférieur
Objectifs : Personnaliser les publicités grâce au DCO en segmentant
les territoires de marques et personnalisant les campagnes.
Moyens :
Basée sur la data « first-party » de Samsung, issues des données de
navigation de ses propres sites : le site principal, le site de lancement
du Galaxy S7 ainsi que My Samsung, le site relationnel de la marque.
Ces données ont été confrontées aux 4 territoires de marque définis
par Samsung pour le Galaxy S7 : les loisirs, les voyages / l’art, l’outil de
travail et l’innovation technologique. Partant de 8 cibles, Artefact a
utilisé 32 messages différents nécessitant au final 90 créations,
essentiellement pour du display IAB. Or avec un algorithme de
recommandation « le nombre de combinaisons créatives aurait pu
dépasser le million » comme l’indique Vincent Luciani, dont la
société a déjà mis en place une telle agilité pour de nouvelles
campagnes grâce à la DCO (optimisation et personnalisation des
créations à la volée selon la data)

55
Acquisition :
Personnaliser les publicités (DCO) en reciblant les non
clients
• Objectif : Acquérir de nouveaux clients
• Moyen :
• Bannières avec un lien direct vers le produit
exposé
• Stratégies :
• Acquisition : données contextuelles,
données tierces, inventaire Premium
• Retargeting : recibler les visiteurs non
clients
• Utilisation du DCO

56
Personnaliser le site pour un éditeur
Objectif : améliorer la satisfaction et l’engagement de l’audience,
réduire le volume d’appels au support et limiter le churn
Notre client site média souhaitait relever un défi important : améliorer la
pédagogie autour de la connexion au compte en ligne pour des populations
parfois faiblement digitalisées.
Le cas présente des gains financiers directs : limiter la sollicitation du support
par téléphone et la perte de clients pour cause de difficultés de connexion.
Par ailleurs, améliorer le taux de navigation loguée permet en second lieu de
favoriser l’engagement : fidéliser les clients et développer le chiffre d’affaires
régie.
Moyens d’action : personnalisation pour les clients non-logués
La solution retenue fut une personnalisation on-site via une pop-in très simple
indiquant l’emplacement du bouton de connexion et l’intérêt de se connecter.
Cette dernière n’apparaissait que pour les abonnés non connectés, ciblage mis
en place grâce à une DMP.

57
Objectif : Photobox a mis en place une stratégie marketing 100% data-driven, articulée autour de 4
plans média répondant à des objectifs précis selon la position de l’internaute dans son tunnel de
transformation.
Moyens d’action : Collecte de l’ensemble des interactions entre un user et la marque en
temps réel.
Toutes les données Ad, Site et CRM centric de Photobox sont collectées par la
DMP en temps réel et regroupées au niveau de l’individu quel que soit le terminal utilisé ou le canal
emprunté afin de bénéficier d’une vision 360 sur son parcours d’achat.
Centralisation des données 2nd party
Les données provenant du site éditorial de la maternité et de la petite enfance - données CRM : jeune
maman ou future maman - sont intégrées au sein de la DMP et enrichies avec les données collectées.
Création des segments au sein de la DMP
Photobox a créé au sein de la DMP 12 segments en fonction de différentes données collectées :
Récence de la dernière visite / Ouverture email / Affinité produit / Statut / CRM / Avancée dans le
processus créatif de Photobox / Données transactionnelles
Envoi des données
Un cookie matching est réalisé avec la plateforme d’achat de Tradelab, permettant, via une connexion
server-to-server, d’activer les segments d’audience en temps réel.
Attribution et analyse des performances
Evaluer l’impact des campagnes et de comparer la rentabilité de chacun
des segments grâce au tracking cross - device.Pho tobox peut également analyser l’ensemble de ses
métriques (trafic, ventes, rentabilité, etc.) selon un modèle d’attribution
qui lui est propre.
Personnaliser la stratégie Média
Vision 360° du client /2nd Party
RÉSULTATS :
• +60% de performance sur l’achat média
réalisé via la Data 2nd party VS. sans data.
• +55% de performance globale sur
l’audience de Prospects DNO VS.
Retargeting engagé.
• +300% de performance sur les cibles
qualifiées et accélération du délai de
conversion.

58
Personnaliser le site pour un marchand et
offrir des promotions ciblées par segment
Objectif : Ne proposer des offres de réduction qu’à des non clients.
et différencier les offres par type de segments (navigation ) visiteurs.
Pour attirer l’attention des nouveaux visiteurs et les convertir en clients, nous avons pu remarquer
qu’une offre promotionnelle avec des coupons de réductions immédiates réduisait le temps de réflexion
des acheteurs du retailer XXXpneus et les incitait à l’achat immédiat :
•-10% sur votre première commande,
•10 € offerts à partir de 80 € d’achat,
•Frais de livraison offerts,
•Etc.
Comment proposer une offre promotionnelle à vos nouveaux visiteurs uniquement ?
Un a lancé une campagne de personnalisation afin de cibler uniquement les nouveaux visiteurs pour leur
proposer une offre de bienvenue personnalisée.
Les français changent leurs pneus en moyenne tous les deux ans, la fréquence d’achat est basse. La
croissance se situe donc du côté des nouveaux visiteurs qui représentent actuellement 30% des
commandes sur Allopneus.com.
Or tous les nouveaux visiteurs n’ont pas les mêmes intentions d’achat, les mêmes habitudes et les
mêmes appréhensions lorsqu’ils arrivent sur le site. Alors que différents profils de nouveaux visiteurs se
dessinent, l’enseigne choisi de se concentrer uniquement sur ceux :
•arrivant sur le site d’Allopneus pour la première fois,
•provenant de la source d’acquisition par le SEO,
•arrivant sur une page listing produits.
L’offre promotionnelle de bienvenue sera donc envoyée à ce segment visiteurs ciblé précis en pop-in.

4- SCÉNARII D’USAGE DATA LAKE
59
Conversion :
Ciblage d’appétents contextuellement après analyse du
tunnel
Objectif : Générer des demandes de devis sur le site
Mécanique :
• Acquisition : Whitelist de domaines, ciblage
contextuel
• Retargeting par l’analyse du tunnel de
conversion (ce que nous faisons sur ADG via
GA ou data lake pour un retargeting fin)

60
Conversion :
Améliorer l’ordre des produits sur les pages web
pour générer plus de conversion
Objectif : Améliorer la conversion du site web
Comment :
Optimiser l’ordre des produits sur une page web e-
commerce pour améliorer le taux de conversion.
Mesure :
• améliorer les taux de clic et de mise au panier.
• Analyse des données web et du back office des 3 Suisses.
Moyen :
• Création d’un algorithme /modèle qui optimise le nombre de
produits vendus, le chiffre d’affaires, la marge etc.
• Hadoop,Teraoctet de données, d’évènements traités par
rayon tous les 45 jours, plus les stock et les prix réconciliés.

61
Personnalisation :
Personnaliser le produit
Objectif :
Remonter les données des automobiles connectées mesurant la qualité de la
conduite pour proposer une assurance sur mesure.
Selon l’ancien PDG de Google Eric Schmidt, « meilleur contrôle
des coûts et amélioration du service apporté sont les deux
voies par lesquelles le Big Data va bouleverser l’assurance ».
http://blog.businessdecision.com/bigdata/2015/06/assurance-automobile-big-
data/

62
Augmenter le taux de transformation
des campagnes RTB
Objectif : Abaisser le coût d’acquisition des nouveaux clients Sofinco
en augmentant le taux de transformation de ses campagnes RTB
Solution : création d’un algorithme de prédiction de la conversion,
analysant un stock de centaine de millions d’impressions et de cookies
en temps réel.
Résultat : A permis d’abaisser de 30% le coût d’acquisition des
campagnes.

63
Optimiser le couponing
Connaître les appétences canal
L'enseigne Picard a sauté le pas du data lake
Objectif : identifier les appétences canal - magasins versusWeb - afin
d'optimiser ses campagnes de couponing.
Retrouvez l’ article sur : www.e-marketing.fr - "Data-lake : quels avantages
pour le marketing ? - Data driven marketing"

64
Limiter le churn email,
personnaliser & ciblage fin
PriceMinister ou le Big Data a joué un rôle important dans la définition de
leur stratégie d'e-mailing.
Problématique : Ils avaient d'un côté des offres de déstockage issues de la place
de marché (fréquence élevée sur des périodes courtes) et leur base de données
marketing de l'autre avec une segmentation traditionnelle.
Objectif : limiter le churn et améliorer le ciblage.
Ils possédaient la conviction que la segmentation - ou l'échantillonnage dans le
cadre de pré-tests - était une source d'erreurs et diminuait l'efficacité des
opérations d'e-mailing et un taux de churn élevé.
Résultat : Avec une approche Big Data, ils ont pu affiner la connaissance de la
base et extraire à chaque campagne des cibles plus fines. Ils ont ainsi découvert
que les grands-mères aimaient jouer à Pokémon et que les grands-pères n'offraient
pas les Pokémon qu'à leurs petits-enfants !
Cette approche a multiplié l'efficacité des campagnes par 10 (cibles plus
affinitaires) et a limité le désabonnement.

Sommaire
65
5- Conclusion

4- CONLUSION
66
L’intérêt n’est pas de comprendre pourquoi certains lecteurs ont une
forte probabilité de ‘consommer un contenu’ de politique internationale
après avoir lu un fait-divers et un article de politique nationale, surtout s’ils
sont arrivés sur le site depuis Google News et que le temps moyen de
lecture dépasse 3 minutes un jour de pluie. La quête du ‘Pourquoi ?’ est
ici vide de sens. Nous cherchons simplement à prédire les centres
d’intérêts des lecteurs en fonction de ces informations afin de mieux les
orienter sur le site. Notre vocation pour 20 Minutes, c’est d’être capable
de prédire le comportement d’un lecteur à partir de l’analyse de
plusieurs teraoctets de données ingérées quotidiennement, afin de
construire un parcours ergonomique, intuitif et prescrire le contenu
adapté aux lecteurs.
BrunoTeboul,
Absolu Marketing
Keyrus
«
»
Bienvenue dans l’Ere du Big Data
“think big, start small and grow fast”

Data Marketing - Formation

Recommandé

Recommandé

Contenu connexe

Tendances

Tendances (20)

Similaire à Data Marketing - Formation

Similaire à Data Marketing - Formation (20)

Data Marketing - Formation