Predictive Audiences permet de classer une audience inconnue en différentes personnes, en temps réel, à l’aide de techniques avancées de science des données.
Cet article contient la documentation du produit destinée à vous guider tout au long de la configuration et de l’utilisation de cette fonction. Rien dans ce document n'est un conseil juridique. Veuillez consulter votre propre conseiller juridique pour obtenir des conseils juridiques.
Dans un contexte marketing, une persona est un segment d’audience défini par des visiteurs, des utilisateurs ou des acheteurs potentiels qui partagent un ensemble spécifique de caractéristiques comme des données démographiques, des habitudes de navigation, un historique des achats, etc.
Les modèles de Predictive Audiences approfondissent encore ce concept en vous permettant d’utiliser les capacités d’apprentissage automatique d’Audience Manager pour classer les audiences inconnues en différentes personas. Pour ce faire, Audience Manager calcule la propension de votre audience propriétaire inconnue pour un ensemble d’audiences propriétaires connues.
Lorsque vous créez un modèle Predictive Audiences, la première étape consiste à choisir les caractéristiques ou segments de base par lesquels votre audience de cible doit être classée. Ces caractéristiques ou segments définissent vos personnages.
Au cours de la phase d’évaluation, le modèle crée un nouveau segment Predictive Audiences pour chaque caractéristique ou segment que vous avez défini comme ligne de base. La prochaine fois que l'Audience Manager voit un visiteur de votre audience de cible qui n'est pas classé pour une personne (ne correspond à aucun de vos traits ou segments de base), le modèle Predictive Audiences détermine à quels segments de prévision le visiteur doit appartenir et ajoute le visiteur à ce segment.
Vous pouvez identifier les segments prédictifs créés par le modèle, dans la page Segments. Chaque modèle Predictive Audiences possède son propre dossier sous le dossier Predictive Audiences et vous pouvez afficher les segments de chaque modèle en cliquant sur le dossier du modèle.
Pour vous aider à mieux comprendre comment et quand utiliser Predictive Audiences, voici quelques cas d'utilisation que les clients d'Audience Manager peuvent résoudre en utilisant cette fonctionnalité.
En tant que spécialiste du marketing dans une société de commerce électronique, je souhaite classer tous mes visiteurs Web et mobiles en différentes catégories d'affinité de marque, afin de pouvoir personnaliser leur expérience utilisateur.
En tant que spécialiste du marketing dans une société multimédia, je souhaite classer mes visiteurs non authentifiés du web et des mobiles par genres favoris, afin de leur suggérer un contenu personnalisé sur tous les canaux.
En tant qu'annonceur d'une société aérienne, je veux m'assurer que je classe mon audience en fonction de leur intérêt pour les destinations de voyage, afin de pouvoir leur faire de la publicité en temps réel, dans une courte fenêtre de reciblage.
En tant qu'annonceur, je veux classer mon audience propriétaire en temps réel, afin de pouvoir réagir rapidement aux informations de tendance.
En tant que spécialiste du marketing, je veux prédire dans quelle phase de voyage des clients se trouvent mes visiteurs de site Web, tels que la découverte, l'engagement, l'achat ou la rétention, afin que je puisse les cible en conséquence.
En tant que société des médias, je veux classer mon audience par catégorie, afin de pouvoir vendre mon espace publicitaire à des prix très élevés, tout en offrant à mes visiteurs des annonces pertinentes.
Lorsque vous créez un modèle Predictive Audiences, vous effectuez trois étapes :
Vous pouvez choisir l’une de vos caractéristiques ou segments propriétaires pour définir vos personnalités. Cependant, pour des résultats optimaux, voici un ensemble de bonnes pratiques recommandées :
Selon votre cas d’utilisation, que vous souhaitiez classer les utilisateurs en temps réel, par lot ou les deux, choisissez une audience de cible (trait ou segment) qui possède une population importante en temps réel et/ou totale. Comme pour la sélection de personnes, nous vous recommandons de faire en sorte que votre audience de cible trait ou segment contienne des utilisateurs avec des profils riches (ensembles riches de traits).
Lors de la sélection de l’audience de cible, analysez votre cas d’utilisation et décidez quels types d’ID vous souhaitez classer : device IDs ou cross-device IDs. Le Profile Merge Rule que vous sélectionnez lors de la création du modèle définit les données qui seront utilisées pour placer chaque utilisateur dans le segments prédictif.
En règle générale, il est recommandé de choisir un Profile Merge Rule qui possède la même configuration que votre audience de cible Profile Merge Rule, ou qui inclut le type de profil (profil de périphérique ou profil authentifié) de votre audience de cible.
Avant que l’algorithme puisse classifier votre audience propriétaire en personnes appropriées, il doit s’entraîner sur vos données.
Pour chaque personne que vous définissez, l’algorithme analyse son audience respective et évalue toute activité de caractéristiques en temps réel et/ou intégrée pour ses utilisateurs au cours des 30 derniers jours.
Cette étape a lieu une fois toutes les 24 heures, afin de tenir compte des modifications apportées à votre audience propriétaire.
Pour la classification des audiences en temps réel et par lot, le modèle vérifie d’abord si un utilisateur appartient à l’audience de cible. Si l'utilisateur est admissible pour l'audience de cible et n'appartient à aucune des personnes, le modèle lui attribue un score de qualification personnelle.
Lors de l’évaluation des audiences propriétaires et de l’attribution de scores, le modèle utilise le Profile Merge Rule par défaut défini dans votre compte. Enfin, le visiteur est classé dans la personne pour laquelle il a obtenu le score le plus élevé.
Lisez attentivement cette section avant de passer à la phase de mise en oeuvre.
Lors de la configuration de vos modèles Predictive Audiences, gardez à l’esprit les considérations et limitations suivantes :
Les segments prédictifs créés par les modèles Predictive Audiences héritent des contrôles d’exportation de données des sources de données propriétaires suivantes :
Les traits et segments prédictifs nouvellement créés auront les mêmes restrictions de confidentialité que l’union des sources de données propriétaires décrites ci-dessus.
Les caractéristiques qui comportent des restrictions supplémentaires qui ne font pas partie des restrictions de confidentialité des segments Predictive Audiences seront exclues de la phase de formation et n’auront pas d’influence sur le modèle.
Tous les segments prédictifs se verront attribuer le Profile Merge Rule que vous avez sélectionné lors de la création du modèle. Le Profile Merge Rule que vous choisissez est important pour les raisons suivantes :
La sélection d'un Profile Merge Rule qui utilise à la fois les données de périphérique et les données inter-périphériques permet d'augmenter le nombre de traits qui pourraient être utilisés pour la formation du modèle et la classification des utilisateurs dans le segments prédictif.
Les caractéristiques et les segments que vous choisissez pour les personnages et la classification des audiences sont sujets à l'Audience Manager Contrôles d'accès basés sur le rôle.
Les utilisateurs d'Audience Manager ne peuvent sélectionner que des caractéristiques ou des segments pour les personnes et les audiences de cible, qu'ils ont l'autorisation de vue.