Vivre dans un monde sans cookies: ce que les autres industries peuvent apprendre des spécialistes du marketing pharmaceutique

« Pensée axée sur les données»Est rédigé par des membres de la communauté des médias et contient de nouvelles idées sur la révolution numérique dans les médias.

La chronique d’aujourd’hui est rédigée par Mark Sturino, vice-président des données et de l’analyse chez Good Apple.

La «mort du cookie» offre à toutes les marques l’occasion d’apprendre des spécialistes du marketing pharmaceutique et d’exploiter de nouveaux logiciels d’intelligence artificielle et de statistiques, créant des modèles qui résolvent certains des plus gros problèmes de suivi – cookies, suivi inter-appareils et jardins clos.

Des solutions de remplacement de cookies connectant des données de première partie à des publicités individuelles via des identifiants universels sont à venir, mais plutôt que de rechercher une version remaniée d’une solution historiquement maladroite, les spécialistes du marketing devraient créer de nouveaux cadres de données qui utilisent la modélisation statistique et l’IA pour illustrer un parcours médiatique probabiliste.

L’industrie pharmaceutique peut servir de point de référence pour ce nouveau cadre – bien qu’elle accuse généralement des années de retard par rapport aux autres industries en matière d’adoption technologique en raison de sa forte réglementation. Ces entreprises doivent travailler dans le respect des directives respectueuses de la vie privée depuis des années.

Il y a longtemps, les lois strictes sur la confidentialité ont bloqué le cookie à des fins de mesure simples, laissant les spécialistes du marketing se tourner vers des sociétés tierces conformes à la HIPAA qui fournissaient des solutions efficaces, bien que coûteuses, pour lier les expositions médiatiques aux prescriptions et mesurer le retour sur investissement.

Les spécialistes du marketing pharmaceutique à l’avant-garde savaient comment utiliser ces données lorsqu’elles étaient disponibles. Ils ont également passé du temps à examiner des modèles de médias mixtes de la vieille école, des technologies ajoutées et une tonne de données pour élaborer des processus de modélisation segmentés démographiquement, géographiquement et comportementalement pour résoudre le retour sur investissement. Cette stratégie peut être combinée avec des résultats de cheminement tiers pour optimiser efficacement les tactiques et les mélanges médiatiques. En intégrant ces modèles dans le reporting permettent à l’ensemble du système d’être automatisé et utilisé sur une base hebdomadaire pour l’optimisation.

Les détails sur la façon dont cela peut être fait varieront selon le secteur et les principaux indicateurs de performance clés; La création de plans qui prennent en compte les mélanges de médias au niveau DMA avec des changements ciblés dans les budgets, la combinaison de canaux et la messagerie dans les marchés précédemment identifiés fournira aux scientifiques des données la variance nécessaire des données sur des marchés similaires pour effectuer de meilleures analyses.

Considérez ces analyses comme des tests de marché appariés élaborés et continus dans lesquels les publics sont segmentés par DMA, puis des segments similaires sont exposés à différents plans médiatiques pour permettre une modélisation probabiliste. Cela aide les équipes médias à mieux différencier ce qui est réellement le moteur du succès. Les changements planifiés par DMA peuvent aider à tester de nouveaux médias, des messages mis à jour, etc.

Disons que vous êtes un spécialiste du marketing CPG. En intégrant un data scientist avec une expertise dans ces types de mix média dans votre processus de planification média, vous optimiserez et vous mesurerez mieux par rapport à vos objectifs commerciaux spécifiques. Cependant, dans le cadre de ce processus, vous devrez également prendre des décisions de planification média, à des fins de mesure, qui peuvent aller à l’encontre des meilleures pratiques en matière de planification média.

À titre d’exemple simplifié, lorsque vous avez deux DMA similaires, prévoyez un DMA comme marché de test pour permettre aux différences d’impact d’apparaître afin de mieux comprendre la causalité des médias. Cette stratégie peut aller à l’encontre de l’instinct de la plupart des spécialistes du marketing de marque pour savoir comment gérer des audiences similaires, mais elle vous donnera les informations dont vous avez besoin pour mieux interagir avec l’ensemble du segment des acheteurs partageant les mêmes idées à l’avenir.

Un avantage supplémentaire d’une approche probabiliste qui examine les données de segments de population plutôt que d’individus est qu’elle peut être plus directement liée à des tactiques clés de retour sur investissement. Le suivi des cookies a priorisé des métriques de proxy faciles à obtenir par rapport aux résultats réels qui comptent. La perte de cookies obligera tous les spécialistes du marketing à devenir plus stratégiques sur la façon dont nous utilisons les données, tout comme elle a déjà obligé les spécialistes du marketing pharmaceutique à continuer à faire évoluer une méthodologie de mesure plus ancienne. Une meilleure connexion des données multimédias aux ventes permettra de meilleures conversations sur le retour sur investissement avec les clients de la marque, et la connexion des efforts de marketing au retour sur investissement est clairement essentielle au succès.

Comme on le voit dans le marketing pharmaceutique, cette nouvelle façon de travailler offre également des avantages pour la réputation de la marque en incitant davantage le spécialiste du marketing prudent à payer des coûts initiaux plus élevés pour un inventaire de qualité, la surveillance des publicités et la détection des fraudes, car au final, le retour sur investissement, et non les CPM, stimulera les décisions. Une marque de détergents adaptée aux familles ne veut pas d’inventaire à côté de matériel politique bouleversant. Les annonces et les environnements publicitaires de mauvaise qualité peuvent être très utiles pour générer des impressions et du trafic, mais ils ne conduisent pas à des achats et peuvent nuire aux marques. Mettre plus d’efforts et de budget dans des combinaisons de données de qualité permet de bâtir une réputation tout en optimisant une campagne.

Cela peut être un changement structurel majeur pour de nombreuses marques, mais les méthodes de suivi couramment utilisées devaient changer. Cette évolution crée une opportunité de reconsidérer le problème des données dans son ensemble et d’explorer de nouvelles voies pour réussir les mesures. Les opinions déterministes joueront un rôle, mais cela ne devrait pas être la seule solution.

Bien que la création de flux de données et l’intégration de nouvelles technologies ne soient pas faciles, ce ne sera pas plus difficile que de construire la voie déterministe vers laquelle l’industrie cherche actuellement à s’orienter.

Suivez AdExchanger (@adexchanger) sur Twitter.