Alors que la controverse fait rage sur la façon dont les données privées sont collectées et utilisées et que l’application d’un règlement général sur la protection des données approche, les méthodes alternatives de gestion des données sont plus que bienvenues. De nouveaux acteurs, qui ont parfaitement compris ces problématiques, émergent dans l’industrie de la publicité et apportent des solutions innovantes pour répondre aux besoins de l’annonceur. Leur approche est radicalement différente de celle qui est communément utilisée et repose essentiellement sur Data Science qui analyse des données qui n’ont jamais été exploitées.
Aujourd’hui, le marché de la publicité est organisé autour des données personnelles des utilisateurs. La plupart du temps, ces données sont collectées et vendues via des plateformes d’échange de données où l’on peut trouver presque n’importe quel type d’information sur un utilisateur spécifique, ou plutôt un identifiant publicitaire plus spécifique (IDFA, AAID, cookies …). On peut accéder à toutes les données personnelles de l’utilisateur, telles que son âge, son sexe, son état civil, son pouvoir d’achat, etc …
Compte tenu de l’énorme quantité de données disponibles, le coût de ces informations est ridiculement bas à 5 $ pour 1000, soit de 0,0001 $ à 0,05 $ par information. De plus, le manque flagrant de transparence de la grande majorité de ces plateformes ne permet pas de suivre l’origine de ces données et soulève des questions de confidentialité et de consentement des utilisateurs: comment ces données ont-elles été collectées ? L’utilisateur a-t-il donné son consentement ?
D’une part, l’introduction du GDPR en mai 2018 devrait contribuer à assainir ces pratiques inacceptables et à réglementer la collecte, le traitement et le commerce des données. D’autre part, les AppStores ont déjà répondu après les derniers abus d’Uber ou le scandale Teemo (ex Databerries). Apple, a par exemple, a mis à jour ses directives en prévision de la sortie imminente d’iOS 11. Selon les articles 5.1.1 et 5.1.2, les entreprises ne seront plus autorisées à collecter des données, à moins que cela ne soit nécessaire pour la performance de l’une des applications caractéristique principale. De plus, la transmission de ces données à des tiers ou à des agences de publicité sera interdite. Même en ce qui concerne le ciblage publicitaire sur le Web, Apple a mis à jour Safari pour rendre le suivi via des cookies presque impossible sans le consentement de l’utilisateur.
La fin des “données de première classe” ?
Avec toutes ces restrictions, comment les marques vont-elles réussir à cibler leur public ? Nous devons nous préparer tout de suite à ce grand changement et commencer à trouver de nouvelles solutions conformes à la loi.
Il y a un autre type de données beaucoup moins connues: celle que j’aime appeler “Données brutes”. Cette catégorie de données est comme le pétrole: totalement inutilisable s’il elle n’est pas traité et raffiné. Ce que je veux dire, c’est que ce sont les données concernant l’utilisation quotidienne d’une application qui, une fois analysées, peuvent décrire le comportement et les préférences des utilisateurs avec une grande précision: par exemple, le nombre d’étapes quotidiennes, le nombre d’applications installées ou même le type de la musique écoutée tous les jours.
Ces données sont générées en quantité énorme par les utilisateurs mais elles sont inutiles telles quelles. La Data Science offre de nouvelles perspectives permettant d’extraire les comportements et les habitudes des utilisateurs afin de cartographier leurs goûts, leurs préférences et leurs modes de consommation.
Prenons l’exemple de SportHeroes, une startup européenne qui développe des applications qui favorisent et encouragent les activités sportives. Cette entreprise a développé une activité autour des données d’activité sportive des utilisateurs : combien de pas prennent-ils chaque jour ? À quelle distance marchent-ils ou courent-ils ? À quelle fréquence courent-ils une semaine ? Combien de temps ? Une fois traitées, ces informations permettent à SportHeroes de comprendre le comportement sportif des utilisateurs avec une extrême précision. C’est en fait une opportunité en or pour les marques de sport telles que Nike ou Adidas, qui peuvent alors atteindre ce public plein d’acheteurs potentiels en diffusant des campagnes publicitaires sur le réseau SportHéros. Le ciblage ne se fonde pas sur le fait que les gens déclarent aimer le sport (données déclaratives sur les réseaux sociaux), mais plutôt sur la façon dont les gens pratiquent réellement le sport (données comportementales telles que suivies par SportHeroes), qui est évidemment beaucoup plus puissant et signal pertinent aux marques de sport.
Un autre exemple – et peut-être le plus frappant, est la musique. Ne pensez-vous pas que la musique que vous aimez est le reflet de qui vous êtes ? N’as-tu pas tendance à te former une opinion immédiatement sur quelqu’un selon les styles de musique qu’il / elle écoute ?
Le ciblage de la musique: une révolution
Pendant des décennies, des chercheurs du monde entier ont essayé de comprendre l’impact de la musique sur les êtres humains. Les découvertes continuaient à émerger: tout le monde connaît les propriétés thérapeutiques de la musique. En effet, l’Université de l’Oregon a récemment montré son efficacité dans les traitements de la maladie d’Alzheimer. Nancy Becker et ses collègues d’Ursinus College, en Pennsylvanie, ont mis en évidence les effets dopants de la musique pendant l’effort physique, avec une augmentation spectaculaire des performances de 30%. Last but not least, il a été prouvé que la musique joue un rôle majeur dans notre comportement d’achat, allant jusqu’à augmenter considérablement les ventes des magasins. La société Hollister, aux États-Unis, a pleinement compris ce rôle de la musique: la marque de vêtements l’utilise dans tous ses magasins comme un puissant outil de marketing pour optimiser le flux des clients et stimuler les ventes.
Mais l’un des derniers progrès dans le secteur provient du Big Data. Dorénavant, Big Data permet de déchiffrer les comportements et les habitudes des utilisateurs à travers la musique.
[Au 20e siècle, les décisions sur la façon de commercialiser et de vendre de la musique reposaient sur des hypothèses quant à savoir qui l’achèterait ou comment il l’entendrait. Parfois, des hypothèses purement subjectives guideraient les décisions majeures. Certains producteurs, ont acquis une réputation pour leurs « oreilles dorées » leur capacité à comprendre ce que les gens voudraient écouter avant de l’entendre. Finalement, les maisons de disques ont incorporé davantage d’informations objectives basées sur le marché à travers des groupes de discussion. Mais l’étalon-or de l’information dans l’industrie de la musique est devenu le «hit-parade», qui suit le succès comparatif d’un enregistrement contre d’autres. Les Billboard ont généralement combiné deux informations: ce que les gens écoutent (radio, juke-box et, aujourd’hui, streaming) et quels disques ils achètent.]
Cette percée n’aurait pas été possible sans la numérisation de l’industrie musicale et la démocratisation de la diffusion de la musique. Grâce à ce dernier, il est désormais possible de collecter des volumes impressionnants de données d’écoute, permettant aux marques d’analyser comment des millions de personnes interagissent quotidiennement avec la musique.
Certains géants du streaming ont déjà commencé à remarquer que le comportement musical de leurs abonnés pourrait être une source supplémentaire, voire significative, de revenus. Aujourd’hui, Spotify vend des campagnes de ciblage basées sur des listes de lecture et la société a réussi à générer près de 300 millions de dollars de recettes publicitaires en seulement 3 ans (source: Music Business Worldwide). Cela illustre parfaitement l’efficacité de ces nouveaux outils de ciblage basés sur des «données brutes» et leur potentiel quasi inexploité.
Non seulement les services de streaming s’intéressent aux données musicales, mais les agences de publicité le sont aussi. Maria Salzman, PDG de Havas PR North America, a même déclaré à The Guardian: « Au cours de la prochaine décennie, les playlists deviendront le prédicteur le plus puissant du comportement des consommateurs ». Cependant, nous commençons seulement à explorer le potentiel des données brutes et, aujourd’hui, Spotify propose un ciblage simple, limité à son audience de 70 millions de clients gratuits.
[Le génome musical, l’algorithme derrière Pandora, parcourt 450 informations sur le son d’un enregistrement. Par exemple, une chanson peut comporter la batterie comme étant l’un des composants les plus forts du son, par rapport aux autres caractéristiques de l’enregistrement. Cette mesure est une donnée qui peut être incorporée dans un modèle plus large. Pandora utilise ces données pour aider les auditeurs à trouver de la musique similaire à ce qu’ils ont apprécié par le passé.]
La révolution qui représente le ciblage comportemental par la musique va bien au-delà de la monétisation d’un public captif pour créer un flux de revenus supplémentaire à côté d’une activité de streaming musical et de licence. Il représente une nouvelle approche marketing numérique, plus émotionnelle et changeante, qui permet aux marques de connaître leur affinité avec leur communauté. Et cette approche s’appuie sur une quantité constamment actualisée de données liées à l’un des comportements les plus universels: l’écoute musicale.
Déployer cette approche révolutionnaire est au cœur de l’ambition et de l’expertise de MWM. En quelques années, MWM, l’un des 8 premiers éditeurs mondiaux d’applications de musique mobile avec plus de 110 millions de téléchargements, s’est imposé comme un pionnier de la «science des données musicales». Les milliards de données que nous accumulons nous permettent d’effectuer une analyse en profondeur pour cibler tout type de comportement à travers la musique.
Nos recherches récentes ont montré, par exemple, que l’intérêt pour les jeux vidéo est étroitement lié au style de musique que vous écoutez. En prenant un échantillon de 150 000 utilisateurs et en analysant leurs comportements par des algorithmes, on peut affirmer que les gens qui écoutent du rock et du rock alternatif (des groupes comme Soundgarden, The Killers, Franz Ferdinand, Papa Roach et Black Keys) seront trois fois plus susceptibles d’être intéressés par les jeux vidéo que les gens écoutant de la musique pop (artistes comme Lady Gaga, Mariah Carey, Louane, Céline Dion, Bob Sinclar …). De manière plus générale, nous sommes en mesure d’identifier spécifiquement un groupe d’utilisateurs ayant plus de 95% de chances d’être fan des jeux vidéo en connaissant leurs habitudes musicales.
Ceci n’est qu’un exemple. Nos data scientists construisent tous les jours de nouveaux modèles, ce qui nous permet d’explorer les possibilités extraordinaires d’analyse de données musicales. Au sein de notre plate-forme “MWM network”, les marques peuvent désormais bénéficier de ces développements afin de faire évoluer leur Mix Media d’une manière nouvelle et innovante.
Conclusion
Grâce à l’exploitation du smartphone et à l’apparition de “Raw Data”, une révolution se produit dans le domaine du ciblage publicitaire. Il offre un terrain de jeu totalement nouveau pour les marques tout en rejoignant le mouvement de marketing basé sur les personnes et en respectant les nouvelles réglementations à venir …