27 mars 2019

Booster votre liquidité et augmenter votre efficacité avec le machine learning

Découvrez comment améliorer l’efficacité de votre campagne et l’optimisation de votre budget en utilisant des systèmes automatisés.

Rubriques

Insights publicitaires Planification et achat média

Partager sur Facebook Partager par e-mail

SOMMAIRE

Chaque année, le paysage médiatique s’enrichit de nouveaux canaux, formats et données, ce qui complique encore plus la tâche des acheteurs média. Bien que les équipes média soient habituées à concevoir et à exécuter des plans ingénieux, elles passent encore une grande partie de leur temps à saisir les données des campagnes, à les modifier et à les peaufiner. Le machine learning intégré aux échanges publicitaires traite à présent une multitude de données qui changent en permanence, afin d’évaluer les opportunités en temps réel. Pour les équipes prêtes à céder le contrôle de certains éléments, la liquidité automatisée (un système grâce auquel chaque euro investi peut converger vers l’impression la plus utile) peut représenter un grand avantage.

Le machine learning appliqué au marketing et à la publicité n’en est encore qu’à ses débuts. De nombreux marketeurs ne comprennent pas tout à fait cette technologie et son fonctionnement, et se demandent si celui-ci est destiné à les remplacer. En résumé, le machine learning dans l’achat média utilise des algorithmes de série et des analyses prédictives pour trouver la bonne audience au bon moment et au meilleur prix. Et non, il ne va remplacer personne.

Intégré aux systèmes automatisés, le machine learning traite rapidement d’innombrables points de données afin de prédire les groupes de personnes qui réagiront à une publicité, puis transmet ces informations aux systèmes automatisés qui placent les publicités. Les équipes média qui adoptent cette technologie pourront augmenter leur efficacité et accéder à des statistiques inédites, tout en passant plus de temps sur les projets à plus grande échelle.

Le machine learning permet d’optimiser les systèmes automatisés.

Pendant près de dix ans, les marketeurs ont utilisé les échanges publicitaires traditionnels pour enchérir sur un inventaire spécifique, pour une audience prédéterminée. Les équipes se sont habituées au travail manuel associé à ces mécanismes : choix des unités publicitaires, identification des clients potentiels, définition des limites de prix, etc. Mais il n’est pas toujours facile de comprendre ce qui a permis à une publicité d’obtenir de bonnes performances. En suivant le schéma classique, chaque équipe aurait besoin de réaliser des dizaines de tests pour découvrir des indices sur comment optimiser une campagne pour générer une valeur encore plus élevée.

Le machine learning facilite à présent grandement ce processus, car il apporte son soutien aux systèmes qui automatisent le processus de détermination du meilleur achat. Grâce à cette technologie, les acheteurs peuvent définir un objectif de campagne vers lequel le machine learning doit s’orienter, puis les paramètres de campagne permettant de travailler avec l’ensemble de données le plus large possible. Les modèles et algorithmes du machine learning prédisent ensuite les opportunités qui auront le plus de valeur en fonction des données ajoutées en temps réel, au fur et à mesure de la diffusion des publicités. La technologie réalise les ajustements nécessaires pour que votre campagne atteigne ses objectifs au meilleur prix possible.

Pour atteindre vos objectifs, vous devez laisser les machines faire leur travail

Les planificateurs et les acheteurs média habitués à mener des campagnes avec des méthodes d’échange traditionnelles peuvent parfois hésiter à confier leur travail à des machines. Mais les systèmes automatisés renforcés par le machine learning sont plus performants avec des paramètres plus généraux.

Nous conseillons aux équipes travaillant avec ces systèmes d’essayer de définir le moins possible les placements, les plates-formes et même les audiences. Les systèmes pourront ainsi prendre en compte plus de possibilités lors de leur évaluation, ce qui permet d’obtenir de meilleures performances. Les planificateurs qui adoptent cette approche par l’inconnu pourront découvrir des insights d’audiences insoupçonnés, et les acheteurs média pourront passer plus de temps sur les analyses plus globales.

Bien sûr, les acheteurs et planificateurs doivent définir des objectifs de campagne adaptés à leurs campagnes pour pouvoir optimiser les liquidités. Les systèmes utilisent ces objectifs comme des signaux à suivre dans le cadre de leurs calculs. Ils doivent donc être correctement alignés sur des résultats commerciaux réels. Les marketeurs optimisant pour les objectifs de performance trouveront toute une gamme de signaux performants dans le système : ventes, téléchargements et autres conversions, par exemple. Dans un contexte d’optimisation pour des objectifs de marque, il est possible que les marketeurs doivent tester les signaux pour déterminer les plus performants lors du développement des campagnes pour la couverture, la sensibilisation ou le sentiment.

Ce que cela signifie pour le marketing

Boostez la liquidité en intégrant le machine learning.
Lorsqu’il s’agit de traiter des ensembles de données complexes en temps réel, même les équipes média les plus chevronnées ne peuvent égaler ce duo surpuissant. Pour que chaque euro soit dépensé de la manière la plus efficace possible, tirez parti de la liquidité offerte par ces systèmes.
Pour encore plus de liquidité, sachez lâcher prise.
Les paramètres généraux fonctionnent mieux avec cette technologie. En laissant certains éléments d’un achat ouverts, les équipes s’assurent que le système puisse accéder à un maximum de possibilités, pour sélectionner les plus adaptées à vos objectifs de campagne.
Choisissez des objectifs alignés sur des résultats commerciaux réels.
Les systèmes œuvrent pour atteindre ces objectifs, tels des navires suivant un signal de navigation. Choisissez le bon signal, et vous bénéficierez d’une campagne plus efficace ; choisissez le mauvais signal, et vous ferez fausse route.