Le machine learning révolutionne la publicité digitale. Grâce à de puissants algorithmes décisionnels, il permet en effet aux annonceurs de réaliser des campagnes ultra-performantes sur les meilleurs emplacements afin de générer un maximum de ROI. Néanmoins, ceci dépend de la qualité des données utilisées par ces technologies.
Comme l’indique Adexchanger, les discrepancies (divergences) entre la data utilisée par les DSP et celle utilisée par les annonceurs pour mesurer la performance sont révélateurs.
Les pixels de conversion qui jalonnent le parcours d’achat des internautes sur les sites fournissent des informations variables selon la technologie. Le pixel de suivi d’un DSP aura par exemple une vue sur sa propre activité digitale tandis qu’un ad server aura une vue holistique de toute l’activité digitale incluant le search, les autres acheteurs et DSP, permettant ainsi de gérer l’attribution. Il est donc préférable pour les marketeurs de ne pas s’appuyer sur les données du DSP seules.
Une fois sur deux les données ne concordent pas entre ad server et DSP ce qui signifie que les plateformes côté achat peuvent faire des optimisations en fonction de résultats pouvant être jusqu’à cinq fois différents du volume de conversions qu’un annonceur peut enregistrer.
Cependant, impossible pour les marketeurs de prévoir les écarts ou d’anticiper les incohérences puisqu’ils varient d’une campagne à l’autre. La meilleure approche consiste à examiner les différences sur une base individuelle pour déterminer la meilleure façon d’utiliser les informations fournies.
Plus il y aura d’exactitude dans les données, plus le machine learning sera performant. Les spécialistes du marketing doivent tenir compte de ce principe pour augmenter l’efficacité de leurs campagnes sans quoi ils passeront à côté des opportunités exceptionnelles que peut offrir le machine learning.
Stéphanie Silo