🕗 5 min lecture ・ Les revenus publicitaires du Retail Media ne sont pas seulement définis par le budget disponible de vos annonceurs. C'est aussi la vitesse à laquelle il peut être dépensé. C'est là où data science et automatisation font la différence.
Comment la data science booste le marché du Retail Media
Les revenus publicitaires du Retail Media ne sont pas seulement définis par le budget disponible de vos annonceurs. C'est aussi la vitesse à laquelle il peut être dépensé. C'est là où data science et automatisation font la différence.
5 min lecture
Amazon Advertising a construit un des business les plus rentables au monde. Sa profitabilité est due, en partie, à une plateforme technologique extrêmement avancée. Amazon utilise avec succès des algorithmes d'intelligence artificielle pour combiner l'automatisation et l'optimisation des campagnes afin de proposer aux annonceurs les taux de conversion les plus élevés du marché.
Certains retailers et marketplaces ont tenté d'imiter ce succès avec des plateformes de Retail Media génériques et en marque blanche. Cependant, ces technologies disposent rarement de capacités d'automatisation comparables. La rentabilité est perdue en raison du besoin d'expertise humaine coûteuse pour la gestion et l'optimisation des campagnes lancées.
Heureusement pour les autres retailers et marketplaces, l'intelligence artificielle de pointe ne se limite pas à Amazon. Grâce à des plateformes telles que relevanC, propulsées par des algorithmes d'apprentissage automatique, l'accès au marché du Retail Media, évalué à plus de 100 milliards de dollars, est possible. Jetons un coup d'œil dans les coulisses pour comprendre comment la data science et l'apprentissage automatique sont utilisés pour relever le défi du Retail Media.
Retail Media : L'équation de la rentabilité
Les revenus publicitaires du Retail Media ne sont pas seulement définis par le budget disponible de vos annonceurs. C'est aussi la vitesse à laquelle il peut être dépensé. Si une publicité n'arrive pas à attirer les clics nécessaires, le retailer gaspille son espace publicitaire et et perd un profit potentiel immédiat. En fin de compte, ce que ne dépense pas un annonceur sur son inventaire sera utilisé pour faire de la publicité sur le site web d'un concurrent. Une plateforme Retail Media doit être en mesure de placer des publicités sur le site web du retailer de manière à maximiser le niveau d'engagement client, et donc de dépense annonceur. C'est là où la data science fait la différence.
Augmenter l'engagement client et la dépense annonceur
D'un point de vue de la data science, augmenter le niveau de dépense de la part de ses annonceur signifie s'attaquer à un problème aux réponses multiples, pas nécessairement compatibles les unes avec les autres. Les mathématiciens appellent cela "l'optimisation multi-objectif".
Pour atteindre notre objectif d'obtenir le niveau de dépense le plus élevé possible, nous avons besoin d'un algorithme capable de maximiser à la fois le taux de conversion ainsi que le "fill rate" tout en maintenant le temps de calcul aussi bas que possible, c'est-à-dire moins de 50 millisecondes. Nous parlerons plus tard du temps de calcul.
Prenons un exemple dans lequel nous diffusons des publicités pour les iPhones d'Apple. Associer l'annonce au mot clé "smartphone" entraînerait un taux de conversion élevé pour les recherches contenant ce mot clé. Mais certaines ventes potentielles aux acheteurs utilisant le mot clé "iPhone" pourraient être manquées. D'un autre côté, une interprétation trop large pourrait entraîner l'apparition d'annonces pour les iPhones dans les résultats de recherche de jus de pomme (apple)!
Définir la pertinence d'une annonce
Une annonce qui équilibre le taux de conversion avec le fill rate est "pertinente". Pertinente pour le consommateur car elle correspond à sa recherche, et pertinente pour le retailer car elle génère également des retours financiers adéquats.
Les annonces non pertinentes agacent les clients et diminuent leur fidélité. Cela réduit les revenus organiques et diminue le taux de dépenses en consommant un précieux espace web avec des annonces qui ne convertissent pas. En termes simples, une annonce de produit sponsorisé pertinente est celle qui se comporte mieux financièrement que le résultat organique qu'elle remplace. Et en termes légèrement moins simples :
Chiffred'AffaireProduitsSponsorisés + RevenusPublicitairesSponsorisés >Chiffred'AffaireProduitsOrganiquesRemplacés
Définir la pertinence pour une annonce de produit sponsorisé qui a déjà été diffusée est facile. Le défi du machine learning, cependant, consiste à faire la même chose en temps réel en calculant la probabilité de clics et la probabilité d'achat au moment où le consommateur appuie sur le bouton de recherche. Et ce problème ressemble à quelque chose comme ce qui suit :
ProbaAchatSponsorisé * MargeSponsorisée + ProbaClicSponsorisé * CPCSponsorisé > ProbaAchatOrganique * MargeOrganique
Utiliser le Machine Learning pour prédire la pertinence
C'est pour résoudre efficacement ces équations à plusieurs paramètres inconnus, comme celle-ci, qu'existent les algorithmes de machine learning. Leur entraînement nécessite de vastes volumes de données transactionnelles et comportementales (first-party data), disponibles sur les sites de e-commerce et les marketplaces.
Les attentes des consommateurs exigent que les résultats de recherche - payants ou organiques - apparaissent presque instantanément. Ainsi, une plateforme de Retail Media doit être suffisamment robuste pour ingérer en temps réel des données organiques et évaluer la pertinence des produits sans affecter l'expérience des consommateurs. La plateforme Sponsored Product et Sponsored Display de relevanC fait cela pour la marketplace Cdiscount, traitant plus de 10 milliards de pages vues par an.
Le traitement du langage naturel met tout le monde sur un pied d'égalité
En plus d'avoir la capacité à calculer instantanément la pertinence d'une annonce sur l'inventaire publicitaire d'un retailer, les algorithmes des retail media doivent également garantir une concurrence loyale entre les annonceurs pour les positions d'affichage les plus élevées. Une marketplace doit aider tous ses vendeurs tiers (3P) à développer rapidement leur activité afin de maintenir leur engagement et, bien sûr, d'encourager l'augmentation des dépenses publicitaires de ses partenaires annonceurs directs (1P). Pour ce faire, les plateformes avancées de retail media intègrent des algorithmes de traitement du langage naturel qui utilisent les informations du catalogue de produits pour attribuer une pertinence aux produits similaires lorsque les données sur l'historique des ventes sont limitées ou inexistantes.
L'objectif ultime est l'automatisation
Un vendeur tiers et un annonceur se soucient uniquement de développer leur activité et d'obtenir un retour sur investissement publicitaire (ROAS) élevé avec un minimum d'efforts. Une plateforme Retail Media, lorsqu'elle est bien faite, comme tout logiciel bien conçu, cache sa complexité et sa puissance derrière une expérience utilisateur intuitive.
En s'appuyant sur les techniques évoquées ci-dessus, relevanC a créé une interface avancée pour les annonceurs qui automatise la création de campagnes. L'outil de campagne intégré, alimenté par l'IA, choisit automatiquement la meilleure combinaison de produits, de mots-clés et de stratégies d'enchères en temps réel, surpassant systématiquement les performances d'un professionnel de la publicité expérimenté qui souhaiterait lancer une campagne similaire manuellement.
William Brown
Leave a Comment