Les données obtenues selon des méthodes de collecte déterministes engendrent de meilleurs résultats que celles issues d’approches probabilistes, selon une enquête (payante) réalisée par The Relevancy Group (TRG), bureau de recherche et de conseil en marketing, et dont les résultats ont été dévoilés par adexchanger. Ces données sont également plus souvent utilisées par les marketeurs.
Ce n’est pas nouveau que les données de type déterministe sont généralement considérées beaucoup plus fiables car elles sont issues d’informations réelles en amont (et non déduites). Mais leur limite est leur quantité : en dehors de Facebook ou de Google, qui constituent des environnements fermés, il est très difficile de rassembler des quantités considérables de données de ce type.
Pour cette raison, et bien que les marketeurs préfèrent acheter des données obtenues selon des méthodes déterministes, censées apporter beaucoup plus de résultats que celles de type probabiliste, le marché s’oriente de plus en plus vers une pratique combinant les deux approches. Elle se développe en parallèle à l’attitude qui consiste à tout simplement augmenter ses budgets sur Facebook ou Google.
Une autre option sont les coopératives de données, où des annonceurs partagent entre eux des informations (anonymes) permettant à chacun d’avoir une vue plus riche sur leurs propre cibles à des fins de personnalisation du marketing en général, et des campagnes publicitaires en particulier.
La gestion des identités est la clé de voûte du marketing personnalisée ou du « people based marketing », rappellent les auteurs de l’étude. C’est le processus selon lequel les annonceurs et les marques déterminent et exploitent des bases d’identités d’utilisateurs à travers différents canaux et appareils, en ligne ou offline, que ce soit à partir de données personnelles identifiables ou anonymes.
Ces identités permettent aux marques ensuite d’adresser à ces individus des messages et des campagnes bâties et calibrées sur mesure, tout comme aux audiences disposant de caractéristiques semblables (algorithmes de type lookalike). Elles fournissent également des informations précieuses pour la définition de l’attribution des campagnes.
LUL
