La transformation digitale en route impose de profonds changements organisationnels dans les entreprises. La gestion en silos, qui était la norme jusqu’à maintenant, est remise en cause pour adopter une stratégie globale centrée sur l’utilisateur. Et une organisation user-centric doit nécessairement passer par une unification des profils, ce qui implique l’utilisation d’une DMP.

Ce terme est de plus en plus utilisé, et pour cause : à l’heure où tout le monde parle de Big Data et les interrogations se multiplient, la DMP offre la possibilité de gérer et d’activer les données collectées. Elle offre surtout la possibilité pour l’entreprise de constituer son capital data.

DMP signifie Data Management Platform ; cela désigne une plateforme généralement proposée en mode SaaS qui permet de récupérer, centraliser, générer et exploiter les données relatives aux prospects et clients. Pour simplifier, il s’agit d’une « super base de données » alimentée par des informations issues d’une multitude de sources et fonctionnant en temps réel. L’idée est de regrouper les bases de données autrefois gérées en silos, et de les réconcilier dans une base unique. Et si c’est un terme que les marketeurs redoutent, il n’en a pas un seul qui ne rêve pas d’avoir sa propre DMP.

Mais le rôle d’une Data Management Platform ne se réduit pas au stockage et à la centralisation des données. Le rôle majeur d’une telle plateforme consiste à permettre l’activation de ces données et d’en tirer parti. Les cas d’usages sont très variés et nombreux.

Découvrez aussi le livre blanc sur la CDP : le nouveau copilote du modern marketer

Quelles données sont concernées ?

Plusieurs types de données sont concernés : les données relatives à la navigation des internautes sur le site (fiches produits vues, requêtes, paniers abandonnés), les données d’exposition publicitaire (bannières vues, bannières cliquées), données offline (TV, catalogue), CRM (profil, CSP), voice of customer (SAV), les Second et Third Party Datas.
Chacune de ces informations permet d’enrichir la connaissance client mais ce n’est pas leur seule finalité. Chaque information doit aussi permettre une action et constituer un déclencheur : recommandations produit, relance du panier abandonné, etc.

Qu’est-ce qu’une DMP permet de faire ?

On distingue plusieurs types de DMP. Certaines sont orientées First ou Third Party Data et d’autres s’adressent plutôt aux publishers ou aux publicitaires. Mais quelle que soit la marque concernée, le besoin est le même : il s’agit de tirer parti des données collectées.

La mise en place d’une Data Management Platform passe par plusieurs étapes. La première, en terme de gestion des données, consiste à collecter la data en mode omnicanal et cross-device sur tous les sites du client. La deuxième consiste à unifier les profils avant que des données, ainsi plus complètes et qualitatives, aillent alimenter d’autres systèmes. Mise en place, la DMP permet d’améliorer significativement l’efficacité des opérations marketing grâce à un meilleur ciblage, une navigation et des offres plus personnalisées, de meilleurs investissements publicitaires (réduction du coût d’acquisition grâce à l’optimisation du ciblage, exploitation du retargeting) et une meilleure gestion de la pression commerciale.

Une DMP peut être utilisée sur tous les leviers, de l’emailing à la visite en magasin, en passant par la personnalisation de l’offre en temps réel sur le site marchand. Les domaines d’application sont multiples :

• Nourrir une démarche de clienteling lors de l’accueil d’un visiteur en magasin.
• Optimiser ses coûts d’acquisition online en ajustant la pression marketing au profil du prospect.
• Déclencher la bonne animation commerciale pour augmenter les conversions.
• Rationaliser l’apparition d’une fenêtre de chat en la réservant à des profils spécifiques.
• Passer d’un testing statistique à un testing segmenté.
• Mettre en place des extensions d’audience basées sur des modèles discriminants.
• Exclure ses clients de certaines opérations commerciales.
• Relancer les visiteurs ayant abandonné leur panier avant la conversion.
• Afficher un pop-in au moment du départ du site pour réengager le visiteur.
• Simplifier les étapes de paiement pour un client qui dispose d’un profil VIP ou au contraire relancer les paiements échoués.

La DMP permet également de réaliser une meilleure segmentation en ciblant les prospects ayant un profil similaire à celui de vos clients (extension d’audience ou Look Alike) qui ont montré de bons résultats suite à une campagne particulière.

Les DMP sont aussi exploitées dans le cadre des stratégies d’acquisition et de fidélisation : vous pouvez cibler des utilisateurs ayant montré un fort intérêt pour une famille de produits à travers leurs données de navigation mais n’ayant jamais rien acheté sur le site.

Segmentation, ciblage, personnalisation au service d’une plus grande pertinence de vos messages

La collecte de données sur n’importe quel device et via n’importe quel canal vous permettra d’obtenir une vision 360°, à la fois individualisée et très complète, de chaque individu. L’idée derrière l’utilisation d’une DMP n’est pas simplement de réaliser une meilleure segmentation mais bien de la pousser jusqu’à la personnalisation totale du marketing. Il s’agit donc d’unifier les profils, de définir une stratégie de segmentation, et de faire en sorte que chaque segment reçoive un message pertinent.

Analyser l’historique d’achat ne suffit pas à déterminer les besoins et envies d’un individu. En revanche, en croisant ses données de navigation, les requêtes qu’il a formulées dans le moteur de recherche, ainsi que les offres auxquelles il a réagi, vous commencez à dresser son portrait complet. Vous aurez une vision plus claire de ses centres d’intérêt et pourrez mieux anticiper ses besoins non formulés. Vous pourrez aussi améliorer la pertinence des messages et les performances des publicités tout en étant très réactif.

L’expérience client, le Graal du marketeur 2.0

Améliorer continuellement la connaissance client est devenu indispensable pour adapter et optimiser sa stratégie marketing en temps réel. Grâce à la collecte et au traitement des données, la connaissance client est très approfondie.

Une meilleure connaissance client implique, si les données sont correctement activées, une meilleure expérience utilisateur via, par exemple :

• Un retargeting plus pertinent.
• Des offres personnalisées en temps-réel en fonction des comportements sur le site et des données.
• Une réduction drastique des publicités mal ciblées.
• Des offres par email ciblées en fonction des recherches effectuées sur le site.
• Etc.

Quel que soit le secteur d’activité concerné, le marketeur n’a pas le droit à l’erreur : il doit adresser les bons messages aux bonnes personnes, ses campagnes doivent être efficaces et le trafic du site doit être converti. Cela lui impose nécessairement de devoir optimiser en permanence la pertinence de sa communication, sa segmentation, la personnalisation de ses messages et son ciblage.

La CDP prend peu à peu la relève de la DMP révolution ou évolution ? Décryptage

Le Big Data représentera 40 zettaoctets de données collectées en 2020 (1021 octets), soit 33 fois plus qu’en 2010, tandis que le nombre de recherches sur le sujet a été multiplié par 20 depuis 2009.

Pourtant, les données ont commencé à être collectées bien avant que l’on ne parle de Big Data. Cependant, il est peu rentable de collecter sans analyse et sans une stratégie définie, comme ce fut le longtemps le cas. Heureusement, rares sont les entreprises qui collectent des données sans savoir comment les exploiter. De plus en plus, le Big Data vient alimenter le marketing prédictif.

Le prédictif, l’art de prédire les tendances

L’analyse prédictive consiste à définir des modèles via des algorithmes qui exploitent les données collectées. Ces modèles ont vocation à prévoir et anticiper les comportements des consommateurs. Cela permet, par exemple, d’identifier les consommateurs susceptibles de se désengager ou ceux dont les besoins évoluent.

Le prédictif permet ainsi d’atteindre le Saint Graal des marketeurs : adresser le bon message, au bon moment, à la bonne personne. Une notion marketing ancienne, mais pourtant difficilement applicable sans accès aux données pertinentes ou sans analyse de celles-ci.

La capacité à proposer des offres sur mesure au moment précis où le besoin naît a un impact important sur la satisfaction client, et par rebond, sur l’engagement du consommateur envers la marque et sur le résultat de l’entreprise.

Mais le prédictif n’est possible que si les données collectées sont suffisamment variées et qualitatives. Pour qu’un modèle prédictif soit efficace, il convient de suivre les étapes suivantes :

• Définir la problématique à laquelle le modèle prédictif doit répondre.
• Identifier les données nécessaires pour établir le modèle.
• Collecter et traiter les données.
• Construire effectivement le modèle.
• Evaluer la précision et l’efficacité du modèle.
• Utiliser le modèle pour répondre à la problématique et faire des recommandations.
• Améliorer le modèle continuellement.

Pour synthétiser, l’analyse prédictive permet de prendre de meilleures décisions, d’éviter les risques (anti-churn par exemple) et de se différencier grâce à des expériences clients plus personnalisées.
Attention aux externalités et limites des modèles prédictifs
Cathy O’Neil ne se définit pas comme une Data Scientist ; elle est « Data Sceptique ». Auteure d’un récent ouvrage sur les « Armes de Destruction Matheuses », ce docteur en mathématiques de Harvard met en garde dans son ouvrage contre les dérives des modèles prédictifs. Selon elle, les sources d’erreurs sont nombreuses :

• le manque de précision des données collectées.
• la faible pertinence des données utilisées.
• la mauvaise mesure des externalités.

Dans son ouvrage, Cathy O’Neil cite de nombreux exemples concrets de modèles prédictifs mauvais, pour l’une des raisons évoquées : le très compétitif classement national des universités américaines qui ne prend pas en compte les coûts de scolarité pour pondérer leur calcul ou encore les données d’arrestation de la police de New York qui montraient que dans les quartiers pauvres les arrestations concernaient essentiellement les noirs et les latinos alors que les données montrent qu’il y avait plus d’arrestations de gens des minorités que de personnes dans ces minorités… Évidemment, les exemples cités ont des impacts sociétaux potentiellement très graves, mais une erreur dans un modèle prédictif répondant à une problématique business peut avoir des effets importants sur le résultat d’une entreprise, il s’agit donc d’éviter au maximum les erreurs.

Quelles applications ?

Les cas d’usages sont nombreux et très variés selon les secteurs d’activité. La première limite est la créativité, mais les possibilités offertes par l’analyse prédictive dépendent également de la quantité, de la qualité et de la pertinence des informations collectées.

La Second Party Data peut avoir un rôle déterminant dans l’analyse prédictive. Il serait difficile pour un constructeur automobile de savoir que la famille d’un consommateur va prochainement s’agrandir, mis à part si un partenaire spécialisé dans la petite enfance lui fournit cette information. Il devient alors plus pertinent d’adresser à ce consommateur une offre personnalisée pour acquérir un véhicule plus adapté à ses nouveaux besoins, ou simplement de lui proposer ce véhicule dès la page d’accueil lors de sa prochaine visite sur votre site.

L’analyse prédictive permet aussi aux opérateurs de téléphonie mobile d’identifier les consommateurs qui dépassent régulièrement leur forfait ; ceci leur permet de mieux les cibler et de leur proposer des offres plus adaptées à leurs besoins, ce qui permet par ailleurs de travailler l’anti-churn.

Le prédictif a également un grand rôle à jouer du point de vue du contenu. Il ne s’agit pas seulement de faire du push commercial auprès des personnes chez qui le besoin apparaît, mais aussi de proposer un contenu adapté à chaque personne en fonction de son contexte.

Une analyse prédictive efficace représente un avantage concurrentiel fort pour les entreprises qui l’exploitent. L’analyse prédictive est en passe de devenir un important outil d’aide à la décision.

Le marketing prédictif, un domaine réservé aux experts ?

Selon une étude de Forrester, les modèles prédictifs sont devenus plus précis et plus efficaces ces dernières années, y compris au sein des sociétés qui disposent de peu de compétences en la matière. Ceci s’explique grâce à des outils devenus plus accessibles.
Si un grand nombre d’entreprises s’imaginent que l’analyse des données impose l’embauche d’un Data Scientist, ce n’est pas vraiment indispensable et il convient de privilégier dans un premier temps la montée en compétence des ressources humaines existantes. Selon Forrester, plus les employés qui interviennent dans l’analyse prédictive sont nombreux, mieux c’est. L’analyse prédictive devient accessible à tous, y compris à ceux qui n’ont pas de compétences particulières en statistiques.

La connaissance client est indissociable du Big Data à l’heure actuelle. Il se compose, entre autres, de First, Second et Third Party Datas. A quoi correspondent-elles ? Quelles sont leurs différences fondamentales ? Peut-on se passer d’une catégorie de données ? Lesquelles exploiter en priorité ?

Nos réponses à vos questions.

Ce qui distingue les First, Second et Third Party Datas est le niveau de collecte et l’appartenance de la data : les trois types de données sont complémentaires et dessinent ensemble un profil client clair et précis.

Qu’est-ce que les First Party Data ?

La First Party Data désigne les données collectées par le propriétaire d’un site sur ce dernier : navigation et comportement de l’internaute, informations obtenues grâce à des formulaires, requêtes dans le moteur de recherche, etc. Elle est aussi composée d’informations provenant de sources telles que le CRM, bases de données offline et jeux-concours, entre autres. Ces données sont totalement anonymisées.

L’objectif principal de la First Party Data est de comprendre les intentions et centres d’intérêt des consommateurs. Un e-commerçant pourra par exemple affiner les recommandations de produits qu’il fait aux internautes et augmenter son taux de conversion grâce à la pertinence du contenu affiché à chacun de ses visiteurs.

Néanmoins, ces informations sont essentielles mais pas suffisantes pour avoir un profil détaillé du consommateur ; c’est là qu’interviennent les Second et Third Party Datas. Des données complémentaires n’étant pas disponibles dans un premier temps (à cause d’un faible rendement de collecte par exemple), elles pourront être obtenues auprès des partenaires ou des fournisseurs de data.

Qu’est-ce que les Second Party Data ?

La Second Party Data est une donnée First Party appartenant à un tiers : ce dernier partage sa data avec vous dans le cadre d’un partenariat. Le degré de complémentarité de cette data avec la vôtre dépendra du choix du partenaire. La Second Party Data permet d’obtenir un profil plus complet de l’internaute, notamment ses centres d’intérêt et d’autres aspects que votre First Party Data ne fournit pas puisqu’il ne serait pas légitime de les demander directement à vos visiteurs.

La Second Party Data, aussi connue comme donnée collaborative, offre l’avantage d’être aussi efficace que les First Party Datas et aussi volumineuse que les Third Party Datas.

Qu’est-ce que les Third Party Datas ?

Les Third Party Datas sont composés de données collectées et revendues (louées, plus précisément) par des fournisseurs de données. Elle est réputée pour être de moins bonne qualité que les First et Second Party Datas, mais ce n’est pas une généralité. Facebook, par exemple, dispose d’informations fiables, complètes et pérennes au sujet de ses utilisateurs. Collectées en First Party d’une part, elles sont complétées d’autre part avec l’information obtenue grâce aux annonceurs.

L’utilisation de Third Party Datas offre un grand éventail de possibilités, car la vision des centres d’intérêt est plus large et les profils des internautes deviennent plus précis.

Pourquoi ne pas s’arrêter à la First Party Data ?

La First Party Data présente certes divers avantages : elle est très abordable (sinon gratuite), facile à collecter, et est souvent la seule donnée valable aux yeux de nombreux annonceurs. Néanmoins, exploitée seule, elle ne permet pas d’avoir une connaissance client suffisante, particulièrement dans le cadre de l’acquisition.
Tous les secteurs d’activité ne disposent pas des mêmes moyens pour collecter ce type de données : les banques, les producteurs d’objets connectés ou e-commerçants disposent naturellement d’un volume de données bien supérieur à celui que l’on rencontre dans les secteurs de l’automobile, de l’électroménager ou des marques qui ne vendent pas directement aux consommateurs.

Pour ces marques qui ont encore peu de First Party Data, la Second Party Data peut être très intéressante. Et si un échange n’est pas toujours envisageable, il est généralement possible de la louer (ou de l’acheter) ou bien de trouver une monnaie d’échange : de l’espace média gratuit, des prestations gratuites, etc.

Sans les Second et Third Party Datas, les campagnes d’acquisition ne peuvent être personnalisées – mis à part via Facebook et Google qui proposent d’injecter vos données pour cibler seulement les profils similaires. Or, le taux de conversion des messages personnalisés n’a rien de comparable à celui des messages généralistes et impersonnels. Les coûts d’acquisition sont donc décuplés si l’on n’exploite pas les Second et Third Party Datas.

Mais en terme d’acquisition, la First Party Data joue également un rôle crucial : elle permet d’obtenir des informations d’une importance primordiale en ce qui concerne la connaissance client. Ces informations seront bien sûr exploitées pour envoyer les bons messages aux bonnes personnes dans le cadre d’une campagne d’acquisition, en exploitant les « jumeaux statistiques » : des personnes dont les données permettent de déduire qu’elles ont un profil similaire.