Nous arrivons à la fin d’un cycle dans le monde de l’adtech, où les technologies du passé cèdent désormais la place à des solutions en conformité avec les régulations autour de la vie privée. Désormais, le challenge de demain réside dans la capacité des marques à évoluer avec agilité dans un paysage AdTech et MarTech toujours plus complexe, à devancer la concurrence en offrant des expériences hyper-personnalisées. Le tout dans le respect de la sécurité des données et de la vie privée pour séduire toujours plus de consommateurs.
Les technologies du passé
Les plateformes de gestion des données (DMP) ont longtemps été considérées comme le saint Graal du marketing. Pourtant, ces technologies se concentrent principalement sur l’utilisation des données tierces – remises en question par la future disparition des cookies tiers – et sont spécifiquement conçues pour améliorer le ciblage publicitaire. En outre, ces technologiques n’offrent aux spécialistes du marketing qu’une segmentation sur la base de données historiques, ce qui donne peu d’indications sur les comportements futurs.
Les Customer Data Platforms (CDP) promettent quant à elles plus de facilité dans la collecte et la centralisation des données 1st-party afin d’obtenir une vue unique du client. Cependant, comme le montre un récent rapport Forrester, les CDP ne parviennent pas à résoudre les problèmes liés à l’identité, ni à fournir des données propres ou orchestrer une approche cross-canal.
Transformer les données en intelligence
La Customer Intelligence dominera la nouvelle décennie (de nouvelles solutions d’intelligence construites chaque jour telles qu’Oracle, SAS, IBM ou les data clean rooms), car les marques développent des modèles de machine-learning et des algorithmes propriétaires plus sophistiqués pour extraire des insights, des renseignements sur leurs clients et leurs comportements futurs, et prendre les meilleures décisions marketing en temps réel. Puisque l’Intelligence Consommateur est au cœur de toute décision de marketing smart, quelles sont les options permettant aux marketers de réellement comprendre leurs clients et leurs comportements ?
Voici quelques étapes à considérer :
- Unifiez l’ensemble de vos données first-party sous une seule technologie.
- Résolvez les problèmes d’identité de vos clients actuels et cherchez à comprendre parfaitement leurs interactions avec votre marque sur l’ensemble des canaux (plus d’infos sur la résolution d’identité, ici).
- Une fois l’identité résolue, segmentez les clients sur la base des données historiques de la dernière décennie, ou allez plus loin en adoptant les étapes suivantes.
- Combinez votre first-party data avec des données externes pour obtenir une vue unique et à 360° du client, au-delà de vos propres interactions avec lui. Menez vos analyses au sein de Data Clean Rooms pour éviter de confronter vos données avec d’autres sources et que l’ensemble du processus soit conforme au RGPD.
- Appliquez vos propres modèles/algorithmes de propension pour comprendre comment vos clients pourraient potentiellement se comporter dans un avenir proche.
- Regroupez vos clients en fonction de leur comportement futur et décidez quel groupe (cluster) mérite des investissements et des ressources marketing supplémentaires.
- Enfin, créez des stratégies customer-centric correspondant au mieux à chaque groupe et entièrement personnalisées grâce à une réflexion issue d’une véritable Intelligence Consommateur.
- Suivez le ROI de chacun de vos efforts marketing.
Scénario concret : réduire le churn dans le secteur bancaire
La titulaire d’une carte de crédit est à la recherche d’une nouvelle banque qui tient compte de son mode de vie de voyageur, mais sans élément externe (ex : détails sur l’engagement fréquent de la cliente avec des marques du secteur Voyage, telle que Booking.com), la banque actuelle ne peut pas avoir connaissance de cette intelligence spécifique et risque de perdre sa cliente. Or, grâce à la mise en place d’une Data Clean room pour enrichir et analyser en toute sécurité ses propres données 1st party (ex : analytics) avec des données de sources externes (3rd party) conformes au RGPD. La banque pourrait obtenir une vue unique précise de sa cliente.
Dès lors, elle pourrait découvrir qu’il s’agit d’une voyageuse fréquente, de prédire son comportement grâce à ses modèles de machine-learning internes, de lui proposer via un e-mail personnalisé des bons de réduction utilisables au sein de ses applications de voyage préférées et ainsi éviter qu’elle ne souscrive à une offre concurrente.
En tant que marque, il y a deux voies possibles dans la nouvelle décennie. S’appuyer uniquement sur ses données first-party historiques ou adapter sa stratégie en fonction d’une véritable Intelligence Consommateur capable de prévoir des comportements précis. Quelle voie emprunterez-vous ?
Par Léonard Steger, Country Manager France de Zeotap
