Ecoutez le podcast en français sur

.

2021 a été une année de transition marquée par une forte augmentation de la maturité des data. Ce podcast explore les tendances à attendre dans les mois à venir en ce qui concerne l'accélération de la collecte de 1P data, l'expansion des CDP des marques et les approches de plus en plus probabilistes de la mesure de la performance.

2021 a été une année de transition marquée par une forte augmentation de la maturité des data :

  • Entreprises: Le Data devient absolument stratégique : 90% des entreprises ont recruté en data selon une enquête de la mission numérique gouvernementale des grands groupe.

  • Citoyens et consommateurs: Il y a une prise de conscience croissante de l'importance de la protection data (nous l'avons vu cette année reports très médiatisée sur les dangers des "fake news" et les effets des chambres d'écho).

  • Réglementations et gouvernements: Le GDPR continue de faire des vagues dans le monde entier, aux États-Unis avec le CCPA en Virginie (VCPA) et au Colorado (CPA), et même en Chine avec le PIPL, appliqué depuis le 1er novembre.

Les tendances que nous observons s'inscrivent dans cette série de changements, avec des avancées technologiques combinées à un plus grand respect de la protection data.

Le besoin de contrôler son premier parti data, Il est donc essentiel de pouvoir compter sur des data propres, approuvées et contrôlées. Pour ce faire, deux éléments sont nécessaires : des programmes de collecte de data et un écosystème d'outils adéquat.

  • Accélérer la collecte de 1P data :

    1. 3rd party data est en voie de disparition : les trois principaux navigateurs ont éliminé ou élimineront l'utilisation de 3rd party cookies, et nous nous attendons donc à ce que de nouveaux efforts soient déployés pour collecter de grandes quantités de 1P data par le biais de programmes plus novateurs.
      • Par exemple, McDonald's en France a fait de sa campagne annuelle de Monopoly un programme numérique 100%, nécessitant la création d'un compte sur l'application McDonald's+ où vous devez scanner vos autocollants pour connaître votre prix.
  • Le CDP (consommateur data platform) :

    1. Les marques ont besoin d'un cadre CDP étendu pour collecter, stocker et gérer audiences en utilisant data des consommateurs, qu'il s'agisse d'informations nominatives ou non. Actuellement, aucune solution technique sur le marché ne peut couvrir 100% de l'ambition, nous devons donc nous contenter d'assembler plusieurs outils. Nous nous appuyons fortement sur la pile Google et nous avons construit une offre qui s'appuie sur Google Marketing Platform comme pile principale que nous complétons avec des technologies telles que Tealium, Treasure Data et bien d'autres.
    2. Sur la collecte : Il devient essentiel d'utiliser des “salles blanches data” pour ingérer et traiter les médias data afin de respecter la vie privée et le consentement : Google ADH, Amazon Marketing Cloud, FB Advanced Analytics...
    3. Dernier point : Nous pensons que certaines fonctionnalités critiques doivent être construites en interne. Par exemple, nous avons lancé une méthode appelée Audience Engine, qui vous permet de gérer vos propres audience au-dessus du CDP pour éviter de dépendre exactement des mêmes modèles que vos concurrents (nous le faisons pour de grandes marques telles que Reckitt ou Samsung).

Une application concrète de ces changements est l'évolution de la mesure des performances :

Historiquement, nous nous sommes fortement appuyés sur des mesures déterministes basées sur des identifiants (principalement cookies de tiers) pour suivre le parcours du consommateur en ligne du début à la fin. La fin des identifiants de tiers rendra rapidement les approches d'attribution traditionnelles moins pertinentes. Elles continueront à fonctionner sur un périmètre réduit, à l'intérieur de jardins clos (vous aurez votre mesure de performance FB, l'attribution pour l'ensemble de l'environnement Google - cross-device grâce à GA4), mais seront moins efficaces pour une vision de jardin clos transversal.

On s'attend donc à une augmentation des approches probabilistes, qui consistent à lier mathématiquement les performances historiques pour relier les ventes aux actions de marketing. Ces approches ont l'immense avantage d'être exhaustives (elles prennent en compte toutes les ventes et toutes les actions de marketing/vente).

  • Cependant, l'approche n'est pas encore parfaite :

    1. Problèmes de granularité - difficile d'obtenir des informations pertinentes au niveau d'une campagne, par exemple.
    2. Problèmes de complexité : les modèles reposent sur des ensembles data si importants qu'il faut entre 3 et 6 mois pour les mettre à jour.
    3. Explicabilité : La principale difficulté réside dans le fait que ces modèles reposent en grande partie sur des corrélations historiques entre les ventes et les dépenses de marketing/médias qui n'impliquent pas de lien de causalité - il existe une forte corrélation entre le nombre de décès annuels dus aux piscines aux États-Unis et le nombre d'apparitions de Nicolas Cage dans un film - mais il est assez difficile de trouver un lien de causalité dans ce cas...
  • Pour résoudre ces problèmes, Artefact a ouvert un centre de recherche en partenariat avec Google et l'université de Boston pour travailler sur de nouveaux modèles probabilistes. Nous avons testé des approches très prometteuses, notamment avec Reckitt Benckiser, en utilisant des réseaux bayésiens, qui sont basés sur l'analyse des probabilités plutôt que sur la régression linéaire, qui sont capables de traiter des data très granulaires, qui sont rapides à former et qui sont très compréhensibles par les équipes commerciales sans connaissances avancées en science des data.

Convergence entre les ventes et data

Après des années de discussions, c'est la première fois que nous voyons effectivement une convergence de ces équipes. C'est déjà très vrai en Asie où nous avons des clients pour qui le canal E-com représente jusqu'à 60% des ventes. La particularité est que des plateformes comme T-Mall et JD.com incluent à la fois la négociation traditionnelle avec les détaillants (conditions de vente, investissements promotionnels, évolution de l'assortiment) ET l'investissement dans les médias. Cela signifie que les marques doivent intégrer dans leurs discussions non seulement les équipes de vente, mais aussi les équipes MEDIA/MARKETING, et de plus en plus de compétences DATA & TECH, d'où le besoin de convergence.

Les premiers cas d'utilisation de cette convergence se situent principalement dans les médias de détail

  1. (utilisation du budget média d'une marque sur l'espace de vente pour promouvoir les marques avec une très forte utilisation de data pour cibler les clients ou prospects stockés dans la base de fidélité du détaillant) Nous nous attendons également à une forte accélération du trade marketing en ligne : En effet, les budgets du commerce et des médias sont de la même taille, mais là où la digitalisation est de 50% sur les médias, elle est à peine de 10% sur le trade marketing ! Nous nous attendons à un fort ajustement sur ce front.
  2. Cela sera possible grâce à l'explosion des technologies “Retail Tech” : Liens avec Carrefour (dont Artefact est l'un des partenaires officiels et opère des campagnes pour les marques Unilever) qui utilise les technologies Liveramp et Google, Relevancy pour Casino, Walmart Connect...
  3. Au-delà des médias de détail, nous voyons apparaître d'autres cas d'utilisation très intéressants de la collaboration marque-détaillant, par exemple autour de la gestion des catégories, comme la promotion personnalisée, la gestion (assortiment), le contrôle des prix ou l'intégration de la chaîne d'approvisionnement avec une logique VMI où, demain, la marque peut opérer une partie de la chaîne d'approvisionnement du détaillant.

Conclusion

Je voudrais conclure sur la culture data dans les entreprises

  1. Aujourd'hui, nous constatons une amélioration significative de la maturité des entreprises sur ces sujets. Les équipes “de base” sont maintenant en place et il est temps de former le reste de l'organisation. Chez Artefact, c'est ce que nous appelons data démocratisation
  2. Selon l'APEC, la demande d'experts en data, experts en manipulation, compréhension et mesure du data, explose : +x2 pour les DS/DE , pour les DA x4 entre 2020 et 2021
  3. C'est pour répondre à ce besoin que nous avons créé notre École du Artefact du Data, notamment pour aider les personnes en situation de reconversion professionnelle à trouver des débouchés dans les secteurs du data.

Ecoutez le podcast en français sur

.