Luister naar de podcast in het Frans op

.

2021 was een overgangsjaar dat gekenmerkt werd door een sterke toename in data volwassenheid. Deze podcast verkent de trends die in de komende maanden te verwachten zijn met betrekking tot het versnellen van 1P data verzameling, het uitbreiden van de CDP's van merken en steeds waarschijnlijkere benaderingen van prestatiemeting.

2021 was een overgangsjaar dat gekenmerkt werd door een sterke toename van data rijpheid voor:

  • Bedrijven: Data wordt absoluut strategisch: 90% van de bedrijven hebben aangeworven in data volgens een enquête van de “mission numérique gouvernementale des grands groupe” (digitale missie van de overheid voor grote bedrijven).

  • Burgers en consumenten: Er is een groeiend bewustzijn van het belang van data bescherming (we zagen het dit jaar zeer gepubliceerd reports over de gevaren van nepnieuws en de effecten van echokamers)

  • Regelgeving & overheden: GDPR blijft wereldwijd voor rimpelingen zorgen, in de VS met de CCPA in Virginia (VCPA) en Colorado (CPA), en zelfs in China met de PIPL, die sinds 1 november van kracht is.

De trends die we waarnemen, maken deel uit van deze reeks veranderingen, waarbij de vooruitgang in technologie wordt gecombineerd met een groter respect voor de bescherming van data.

De behoefte om controle te hebben over de 1e partij data, omdat het van vitaal belang wordt om te kunnen vertrouwen op schone, goedgekeurde en gecontroleerde data. Hiervoor zijn twee voorwaarden nodig: data inzamelingsprogramma's en een goed ecosysteem van hulpmiddelen.

  • Versnellen op 1P data inzameling:

    1. 3rd party data is op zijn retour: de drie grote browsers hebben of zullen het gebruik van 3rd party cookies elimineren, dus we verwachten meer inspanningen om grote hoeveelheden 1P data te verzamelen via meer innovatieve programma's.
      • McDonald's in Frankrijk heeft bijvoorbeeld van haar jaarlijkse Monopoly-campagne een 100% digitaal programma gemaakt, waarbij u een account moet aanmaken op de McDonald's+ app waar u uw stickers moet scannen om uw prijs te weten te komen.

  • De CDP (consument data platform):

    1. Merken hebben een uitgebreid CDP-kader nodig voor het verzamelen, opslaan en beheren van audience van consumenten data, zowel PII als niet-PII. Momenteel is er geen enkele technische oplossing op de markt die 100% van de ambitie kan dekken, dus moeten we het doen met het samenvoegen van meerdere tools. We vertrouwen sterk op de Google-stack en we hebben een aanbod opgebouwd dat steunt op Google Marketing Platform als de belangrijkste stack die we aanvullen met technologieën zoals Tealium, Treasure Data en vele andere.
    2. Bij het verzamelen: Het wordt essentieel om “data clean rooms” te gebruiken voor het opnemen en verwerken van media data om privacy en toestemming te respecteren: Google ADH, Amazon Marketing Cloud, FB Advanced Analytics...
    3. Laatste punt: Wij vinden dat sommige kritieke functionaliteiten intern moeten worden gebouwd. Wij hebben bijvoorbeeld een methode gelanceerd die Audience Engine heet, waarmee u uw eigen audience's bovenop de CDP kunt beheren om te voorkomen dat u afhankelijk bent van exact dezelfde modellen als uw concurrenten (wij doen dit voor grote merken zoals Reckitt of Samsung).

Een concrete toepassing van deze veranderingen is de evolutie in prestatiemeting:

In het verleden hebben we sterk vertrouwd op deterministische metingen op basis van identifiers (voornamelijk cookies van derden) om het online consumententraject van begin tot eind te volgen. Het einde van ID's van derden zal traditionele attributiebenaderingen snel minder relevant maken. Ze zullen blijven werken op een kleiner gebied, binnen ommuurde tuinen (u zult uw FB-prestatiemeting hebben, attributie voor de hele Google-omgeving - cross-device dankzij GA4), maar ze zullen minder effectief zijn voor een visie op een ommuurde tuin.

We verwachten dus een toename van probabilistische benaderingen, die bestaan uit het mathematisch koppelen van historische prestaties om verkoop met marketingacties te verbinden. Deze hebben het enorme voordeel dat ze uitputtend zijn (rekening houdend met alle verkopen en alle marketing-/verkoopacties).

  • De aanpak is echter nog steeds niet perfect:

    1. Problemen met granulariteit - moeilijk om bijvoorbeeld relevante inzichten te krijgen op campagneniveau
    2. Problemen met complexiteit: modellen zijn afhankelijk van zulke grote datasets dat het 3-6 maanden duurt om ze bij te werken.
    3. Verklaarbaarheid: De grootste uitdaging hier is dat deze modellen grotendeels gebaseerd zijn op historische correlaties tussen verkoop en marketing/mediakosten die geen causaliteit impliceren - er is een sterke correlatie tussen het aantal jaarlijkse zwembadsterfgevallen in de VS en het aantal optredens van Nicolas Cage in een film - maar het is nogal moeilijk om daar een causaal verband te vinden...

  • Om deze problemen op te lossen, heeft Artefact een onderzoekscentrum geopend in samenwerking met Google en de Universiteit van Boston om aan nieuwe probabilistische modellen te werken. We hebben een aantal veelbelovende benaderingen getest, in het bijzonder met Reckitt Benckiser, met behulp van Bayesiaanse netwerken, die zijn gebaseerd op kansanalyse in plaats van lineaire regressie, die zeer granulaire data kunnen verwerken, snel te trainen zijn en zeer begrijpelijk zijn voor zakelijke teams zonder geavanceerde kennis in data wetenschap.

Convergentie tussen verkoop & data

Na er jaren over gesproken te hebben, is dit de eerste keer dat we daadwerkelijk een convergentie van deze teams zien. Dit geldt al heel sterk in Azië, waar we klanten hebben voor wie het E-com-kanaal tot wel 60% van de omzet vertegenwoordigt. Het bijzondere daar is dat platforms zoals T-Mall en JD.com zowel de traditionele retailonderhandelingen (verkoopvoorwaarden, promotionele investeringen, assortimentsontwikkeling) EN de media-investeringen omvatten. Dit betekent dat merken niet alleen SALES-teams, maar ook MEDIA/MARKETING-teams en steeds meer DATA & TECH-vaardigheden tegelijkertijd in hun besprekingen moeten integreren, vandaar de behoefte aan convergentie.

De eerste gebruikssituaties achter deze convergentie zijn voornamelijk in de detailhandelmedia

  1. (het mediabudget van een merk gebruiken op de winkelruimte om merken te promoten met een zeer sterk gebruik van data om klanten of prospects te targeten die zijn opgeslagen in het fid-bestand van de retailer) We verwachten ook een sterke versnelling van online trade marketing: De handels- en mediabudgetten zijn inderdaad even groot, maar waar de digitalisering 50% bedraagt voor de media, is dit nauwelijks 10% voor de trademarketing! We verwachten een sterke aanpassing op dit front.
  2. Dit is mogelijk dankzij een explosie van “Retail Tech” technologieën: Koppelingen met Carrefour (waar Artefact een van de officiële partners is en campagnes uitvoert voor Unilever-merken) die Liveramp- en Google-technologieën gebruikt, Relevancy voor Casino, Walmart Connect...
  3. Naast retailmedia zien we andere zeer interessante gebruikssituaties voor samenwerking tussen merken en retailers opduiken, bijvoorbeeld rond Category Management zoals gepersonaliseerde promotie, beheer (assortiment), prijscontrole of integratie van de toeleveringsketen met een VMI-logica waarbij het merk morgen een deel van de toeleveringsketen van de retailer kan bedienen.

Conclusie

Ik wil graag afsluiten over de data cultuur in bedrijven

  1. Vandaag de dag zien we een aanzienlijke verbetering in de volwassenheid van bedrijven op dit gebied. De “kern”-teams zijn nu op hun plaats en het is tijd om de rest van de organisatie te trainen. Bij Artefact noemen we dit data democratisering
  2. Volgens APEC neemt de vraag naar data experts, experts in data manipulatie, begrip en meting, explosief toe: +x2 voor DS/DE , voor DA's x4 tussen 2020 en 2021
  3. Om aan deze behoefte te voldoen, hebben we onze Artefact School of Data opgericht, met name om mensen die zich in een situatie van professionele reconversie bevinden, te helpen bij het vinden van mogelijkheden in de data sectoren.

Luister naar de podcast in het Frans op

.