Générer des résultats marketing avec le Big Data

En partenariat avec Digilant

Pour les spécialistes du marketing qui tentent de maximiser leur retour sur investissement, l'analyse prédictive basée sur le Big Data est un nouvel outil passionnant.

Dans le monde numérique, l'analyse prédictive basée sur les mégadonnées promet de créer une vue détaillée de ce qui fonctionne, fournissant des conseils qui n'ont jamais été disponibles auparavant pour le réglage fin des campagnes publicitaires.

La promesse de l'analyse des mégadonnées est que les spécialistes du marketing peuvent analyser des milliers de points d'information sur l'activité numérique de l'acheteur - dépouillés d'informations personnellement identifiables - et les combiner avec leur connaissance des campagnes de télévision, de radio, d'affichage et d'impression pour personnaliser les messages marketing. et, en fin de compte, améliorer le retour sur investissement (ROI). Avec l'analyse, les chiffres montrent l'importance de chaque point de données fourni pour chaque annonce dans chaque canal. Grâce à ces données, les spécialistes du marketing peuvent prendre de meilleures décisions sur la manière d'allouer leurs budgets publicitaires. En effet, les analyses elles-mêmes identifieront les choix intelligents.

L'un des principaux défis pour tout spécialiste du marketing consiste à décider quelle combinaison de médias (télévision, Internet, publipostage, radio, presse écrite) assurera la meilleure promotion d'un produit ou d'un service. Nous pouvons modéliser le mix média en utilisant le Big Data et l'apprentissage automatique, déclare Madan Bharadwaj, responsable du marketing produit chez Visual IQ, une société d'analyse basée à Needham, dans le Massachusetts. Il existe de nombreuses micro-efficacités que nous pouvons exploiter. Si vous déplacez quelques milliers de dollars ici et là, vous pouvez obtenir beaucoup plus d'efficacité marketing, en termes de retour sur investissement.

Historiquement, les spécialistes du marketing les plus sophistiqués se sont appuyés sur la planification descendante des campagnes publicitaires. Ils développent des modèles économétriques en examinant la répartition de l'ensemble du budget publicitaire. Ils analysent les changements d'allocation et les promotions ponctuelles et voient comment ces changements affectent leurs indicateurs de performance clés (KPI), qui peuvent être un achat en magasin ou l'ouverture d'un nouveau compte.

Ce paradigme est renversé dans le monde numérique. Les spécialistes du marketing s'appuient sur la notation numérique des actions, en commençant par le bas avec le KPI. Vous essayez de travailler en arrière pour voir les points de contact tout au long du parcours numérique des consommateurs, explique Kim Riedell, vice-président senior des produits et du marketing chez Digilant , une entreprise de solutions média programmatiques personnalisées à Boston. Grâce à des technologies telles que les cookies et les pixels de navigateur, les spécialistes du marketing peuvent désormais savoir exactement où un acheteur spécifique a vu ses annonces. Les données montrent même combien de temps cet acheteur a regardé une vidéo ou s'est attardé sur une page contenant l'annonce. Tout est trouvé en retraçant le point de vente du produit que la personne a finalement acheté.

Le monde de la connaissance parfaite promis aux débuts de la publicité numérique s'est avéré illusoire. Payer les moteurs de recherche pour stimuler les clics qui ont conduit à des achats était bien, mais la plupart des consommateurs empruntent un chemin plus détourné pour prendre leur décision finale. L'entonnoir marketing peut être long, en particulier pour les gros achats tels que les automobiles, où les gens peuvent faire des recherches pendant neuf mois avant de faire un essai routier.

L'analyse prédictive avancée peut désormais déterminer quelles audiences ont été les plus réactives à une publicité. Ensuite, les mêmes algorithmes peuvent trouver des audiences similaires sur d'autres sites Web et leur présenter les publicités. Avec suffisamment de données et un bon algorithme, les sociétés d'analyse affirment qu'elles peuvent déterminer quelles publicités ont fait la différence.

L'analyse prédictive ne peut pas tout intégrer. Un avis favorable sur le produit Les rapports des consommateurs ou l'approbation d'une célébrité aux Oscars ne relève pas de l'algorithme. Il en va de même pour un accident d'avion qui peut nuire aux réservations de voyage. Parfois, cependant, de tels événements provoquent un pic de discussion sur les réseaux sociaux, ici ils sont surveillés et même pris en compte dans l'équation.

L'immédiateté est l'un des grands avantages de l'analyse. Plutôt que d'attendre de voir les résultats des ventes hebdomadaires et de peaufiner les stratégies publicitaires en réponse, les spécialistes du marketing peuvent voir les résultats en ligne quotidiennement. Grâce aux KPI en ligne, les sociétés d'analyse peuvent analyser les performances des publicités en temps réel et recommander le marketing de suivi le plus efficace le lendemain.

Jeff Zwelling, cofondateur et PDG de Convertro d'AOL, une société d'analyse publicitaire basée à Santa Monica, en Californie, affirme que sa société envoie aux annonceurs des rapports sur les performances des publicités dans les 24 heures. Le lendemain du Super Bowl, nous avions des rapports à GoDaddy, Intuit, la NFL, à 8 heures du matin.

L'analyse peut également aider à protéger les annonceurs contre les risques de fraude sans les obliger à développer leurs propres efforts d'investigation. Tant que le KPI est quelque chose qui ne peut pas être imité par les bots - un achat, par exemple - les fausses publicités ne s'afficheront pas comme étant efficaces. Tout ce qu'il faut, c'est une solution d'attribution de premier ordre et une structure de tarification qui aligne les performances publicitaires sur les conversions réelles (plutôt que sur les clics ou les impressions) pour éviter la fraude, a écrit David Perez, directeur marketing de Convertro, dans un récent article de blog.

En théorie, les algorithmes devraient pouvoir allouer un budget aux réseaux publicitaires qui surveillent leur inventaire pour éviter les fausses publicités. Ils devraient générer davantage d'indicateurs clés de performance. De la même manière, les publicités qui ne sont pas visibles ne généreront pas de KPI. Il n'est pas clair si cette promesse est tenue.

De même, l'analyse prédictive peut découvrir des corrélations entre les catégories d'acheteurs potentiels qui seraient peu susceptibles de se produire pour les spécialistes du marketing humain. Par exemple, le scientifique en chef de Digilant, Krishna Boppana, se souvient que, alors qu'il travaillait pour un client de services financiers, son entreprise a découvert que les hommes qui regardaient des bateaux en avril et en mai répondaient aux publicités pour les plans 401 (k). Il émet maintenant l'hypothèse qu'ils auraient peut-être reçu des primes en avril et prévu d'utiliser l'argent pour s'amuser avant de se rappeler - ou de se faire rappeler - qu'ils devraient financer leurs comptes de retraite.

En travaillant avec une entreprise de cosmétiques de luxe, ajoute Boppana, Digilant a découvert une corrélation entre les femmes intéressées par les voyages exotiques et celles qui achetaient des céréales Kashi. Alors que l'analyse prédictive est souvent critiquée pour repérer la corrélation plutôt que la causalité, Boppana conclut que la publicité est une question de corrélation.

cacher