Pourquoi l'analyse comportementale prédictive changera à jamais le reciblage

Le reciblage traite tous les clients de la même manière, quel que soit leur comportement sur site. Oici est pourquoi le ciblage comportemental avec des algorithmes est en passe de bouleverser ce modèle.

Dans le reciblage standard, un consommateur visite un site de commerce électronique comme Amazon, puis poursuit sa journée. En visitant d'autres sites comme CNN, il ou elle verra des publicités Amazon, à condition qu'Amazon surenchérisse d'autres annonceurs intéressés comme Best Buy ou Target.

La plupart des entreprises reciblent les consommateurs de la même manière, quelle que soit leur intention. S'ils voient un acheteur potentiel qui a visité leur site et parcouru des produits - ou même placé des produits dans un panier - ils enchérissent pour un espace publicitaire à recibler une fois que ce client quitte.

Mais réfléchissez un instant à ceci : le client qui a placé un article dans un panier est beaucoup plus proche de faire un achat réel. Par rapport au client qui a simplement parcouru quelques produits, il est plus susceptible de revenir et de terminer la transaction s'il voit une annonce sur un autre site.

Supposons qu'un client parcoure BestBuy, puis visite Target et place un produit dans un panier. Historiquement, Best Buy et Target ciblaient ce client de la même manière. Mais cela n'a pas de sens de faire comme ça.

Le client était beaucoup plus proche d'acheter un produit de Target. Par conséquent, Target devrait faire de la publicité pour ce client spécifique, car Target a de meilleures chances de vendre quelque chose à cette personne. Mais si Best Buy surenchéri sur Target, ce client peut très bien voir des publicités pour des produits qu'il n'est pas aussi susceptible d'acheter. Et Best Buy gaspille franchement son argent.

Soyons intelligents sur le reciblage

Je pense que le reciblage algorithmique est la prochaine grande nouveauté de la publicité en ligne. En développant un algorithme qui segmente les clients en fonction du comportement du site, ainsi que de leur position dans le cycle d'achat, les marques peuvent augmenter l'efficacité de leurs programmes de reciblage, réduisant ainsi les coûts.

Nous pouvons évaluer le niveau d'intérêt, ainsi que des domaines d'intérêt spécifiques, et prédire l'intention des clients. Les marques peuvent ensuite utiliser ces données pour identifier leurs efforts de reciblage sur les clients les plus susceptibles de faire un achat.

Cela signifie qu'au lieu de dépenser des millions de dollars pour recibler aveuglément tous les clients à toutes les étapes, les entreprises peuvent cibler de manière agressive ceux qui sont les plus proches de l'achat, dépenser plus efficacement les dollars publicitaires et augmenter les conversions.

Reciblage algorithmique/comportemental avec Lenovo

Lenovo est une marque qui teste le reciblage algorithmique aux côtés du reciblage classique. Dans le premier, il utilise des modèles comportementaux – qui comportent de 300 à 400 variables – basés sur des données démographiques et psychographiques.

« Lorsque nous avons vraiment examiné les données observées, il s'agissait d'un petit groupe dans notre cas : 1 % des clients sont responsables de la plupart des achats », explique Ajit Sivadasan, vice-président et directeur général du commerce électronique mondial chez Lenovo. « Et la différence entre ceux qui achètent et ceux qui n'en achètent pas est presque 900 fois. Les personnes qui achètent sont 900 fois plus élevées en termes de valeur de transaction unitaire que celles qui n'ont pas la propension à acheter.

Une meilleure expérience client

Sivadasan a également noté qu'avec le reciblage standard, les marques finissent par offrir à tous les clients potentiels la même expérience. Lenovo se concentre sur le 1% de personnes qui achètent, choisissant de ne pas inonder les 99% restants de marketing.

Ou, comme l'a dit Ashish Braganza, directeur de la business intelligence mondiale de la marque, Lenovo était très basé sur des règles avant ces tests. La règle était généralement que si quelqu'un abandonnait son chariot, il serait redirigé partout.

« S'ils abandonnaient et allaient, disons, à Yahoo, à MSN ou à CNET, nous serions en train de recibler parce que nous achetons des stocks pour recibler. C'est une méthodologie de pulvérisation et de prière », explique Braganza. « Vous ne savez pas si vous devriez dépenser de l'argent pour cette personne, sa valeur et sa propension à acheter un produit. »

Avec le reciblage algorithmique, cependant, Lenovo peut créer des grappes de clients à valeur élevée et faible et acheter des supports en conséquence. Au-delà des paniers d'achat, la marque examine les autres produits que quelqu'un a consultés et avec lesquels il s'est engagé.

L'analyse de ce que les gens font après avoir ajouté quelque chose à leurs chariots donne à Lenovo plus de confiance pour prédire qui a la plus forte propension à acheter. À son tour, cela permet également à Lenovo d'être plus efficace avec ses dépenses d'affichage, en les basant sur les actions d'un consommateur, plutôt que de pulvériser et de prier.

Un niveau de confiance plus élevé

Après des tests approfondis, Sivadasan a déclaré qu'il était à peu près certain que ce modèle fonctionne et que Lenovo cherche maintenant à l'appliquer à sa carte de voyage de bout en bout.

« Il y a quelques choses que nous devons faire pour vraiment comprendre comment le modèle se manifestera du point de vue de l'expérience et ce qu'il est essentiel de comprendre pour chacun des ensembles de clients, et vraiment comprendre si nous offrons la même expérience pendant 60 jours, 90 jours, un an ? Quel est le protocole ? » demande Sivadasan. "J'ai l'impression que nous voulons vraiment le faire, donc nous pourrions tester dans un pays au cours des six prochains mois."

Après les simulations, Lenovo est convaincu que le reciblage algorithmique surpassera le reciblage basé sur des règles, mais la marque doit mettre en œuvre des tests réels maintenant. Cependant, sur la base des tests initiaux, Braganza a déclaré que Lenovo semble être en mesure de générer des conversions supplémentaires à moindre coût, ce qui signifie des économies pour l'entreprise dans son ensemble et une plus grande efficacité dans la façon dont elle dépense ses dollars de marketing.

« La beauté du programmatique est que l'avenir dépendra des algorithmes en concurrence avec d'autres algorithmes », dit-il. « Mon équipe est là où nous voulons être avec la capacité de tester l'efficacité de différents algorithmes pour optimiser nos dépenses médias, donc c'est continu. Ce ne sera pas fini. C'est un début, mais, au fond, c'est une course pour avoir un meilleur algorithme.

Jay Marwaha est président et chef de la direction de SYNTASA.