Loading
Andrea Bovarini

Idee e Pensieri

DMP: chi ha detto che serva solo per il programmatic advertising?

In queste ultime settimane ho discusso con diversi brand in merito al loro grado di interesse all’utilizzo di una DMP all’interno della loro struttura digitale. A seconda del mercato in cui operano e a seconda di come sono strutturati, le risposte sono state diverse. Chi ha un team capace di gestire i dati sicuramente trova un valore nell’adottare un sistema internamente, chi invece non ha risorse, lo farebbe gestire dalla sua agenzia media.

Ho però trovato un fattore comune che più o meno emerge nelle discussioni. Dato per assodato l’utilizzo delle DMP per fare programmatic, e anche qui ci sono pareri parecchio discordanti sull’efficacia di questa metodologia, il vero valore viene riconosciuto nella capacità dello strumento nell’essere parte di una strategia evoluta di content marketing.

A volte, non è detto che l’investimento in targeting advertising porti più risultati di campagne su audience più generaliste (ovvio, non è lo stesso per tutte le industries), mentre, quando si parla di contenuti proprietari del brand, l’effetto della targetizzazione ha un peso notevole, sempre a patto di essere in grado di raggiungere una massa critica di utenti.

Partendo dalla propria base clienti e dai dati di analisi comportamentali sulle properties digitali, si possono riconoscere delle caratteristiche comuni capaci di individuare il profilo del cliente tipo. Il problema è che la base conosciuta di utenti è sempre una percentuale minima di tutti gli utenti che riusciamo a raggiungere con le azioni di marketing. Gli utenti anonimi rimangono una maggioranza di cui poco si sa.

Una DMP capace di mettere in relazione i propri clienti (dati di CRM) con gli utenti anonimi (dati provenienti da sorgenti paid e owned media) e di poter così allargare l’audience target è sicuramente una buona partenza. È possibile includere poi la possibilità di assegnare categorie di interessi agli utenti anonimi attraverso l’analisi semantica dei contenuti da cui derivano le impression delle campagne display/retargeting, tracciare le azioni delle DEM e ovviamente qualsiasi interazione/evento che vengono proposti agli utenti.

L’intelligenza artificiale ci permette di inferire agli utenti anonimi i valori che sono di nostro interesse, come genere (maschio/femmina), fascia di età e – appunto – interessi.

Con tutti questi elementi a disposizione è possibile segmentare con granularità l’audience, in base agli attributi e al comportamento ed è possibile dargli una dimensione. Per esempio, segmento degli utenti maschi, di fascia 35-44 anni, con interesse Sport e che abbiano inserito nel carrello almeno 2 items tecnologici negli ultimi 3 mesi…, pari a nK utenti.

Le DMP ovviamente sincronizzano i cookies dei segmenti con le varie DSP/SSP per le campagne tradizionali di advertising, ma l’analisi dei segmenti e la loro attivazione sui contenuti sono la base per creare una strategia di content marketing realmente efficace.

È possibile infatti costruire una strategia di comunicazione avendo a disposizione i dati visti qui sopra, in base alla conoscenza approfondita degli utenti e alla possibilità di sincronizzarli per attivare una gestione dinamica dei contenuti, andando a questo punto ad aumentare le reach, e di conseguenza i KPI di business (vendite, marginalità, disponibilità prodotti, ecc.).

La prossima frontiera?

Mettere in relazione i dati di ascolto per utente della televisone con l’attività online e i dati di CRM. Ma di questo parleremo prossimamente.

eCommerce, non abbassare i prezzi per vincere (eCommerce – Dropping prices is not a win)

English version below

La fidelizzazione del cliente che acquista sul web è merce rara, solo pochi brands hanno questo tipo di legame con gli utenti, come per esempio Apple. Generalmente l’utente che sa cosa acquistare (un elettrodomestico, un capo di brand fashion, ecc.), guarda per prima cosa il prezzo navigando su vari siti o direttamente sui portali di comparazione, per poi acquistare da chi applica le condizioni migliori. Ovviamente non è sano intraprendere una guerra al ribasso per battere i competitors su ogni articolo.

I retailers più accorti sanno individuare le categorie e gli items di valore, che generalmente gli utenti usano per fare le comparazioni tra siti di eCommerce. Adottando una politica di prezzi aggressiva su queste categorie, si possono gestire i prezzi degli altri articoli mantenendo una marginalità maggiori.

Per esempio i retailers potrebbero fare una politica di sconti visibili in homepage per attirare i clienti che sono più sensibili a comparare articoli a prezzi scontati sui vari siti, per poi vendere gli altri items mantenendo una marginalità maggiore.

Molti si affidano al “naso” dei loro  “category managers”, altri combinano i pesi dei dati di frequenza di acquisto e percezione del brand per  definire su quali prodotti applicare la strategia.

Ma al giorno d’oggi i retailers hanno a disposizione tantissimi dati per individuare i prodotti e le categorie su cui agire. Dati transazionali, carte fedeltà, ricerche online. Il vero problema è come unire le sorgenti di dati differenti e di avere la capacità di analizzare questa mole di BigData per capire la percezione dei prezzi e poter incrementare i margini per rimanere competitivi sul mercato.

Una soluzione di BigData può tracciare il comportamento degli utenti sui siti dei retailer o esposti a campagne display, le DEM, le transazioni a livello di singolo item nel carrello e può importare dati del CRM e delle carte fedeltà, con la possibilità di ricongiungere i comportamenti online e offline.

Non solo il retailer ha la possibilità di segmentare gli utenti in base al loro canale di acquisto preferito, verificare eventuali correlazioni tra la tipologia di prodotto acquistato e il canale prescelto, la sorgente da cui arriva  e tutti i dati tracciabili. Il valore più importante è dato dalla possibilità di utilizzare le informazioni acquisite sugli utenti conosciuti per alimentare gli algoritmi di intelligenza artificiale che, individuando comportamenti di navigazione similari tra gli utenti anonimi, possono associare a questi ultimi caratteristiche di profilazione (genere, età, interessi) già acquisite per gli utenti registrati.

Il retailer avrà a disposizione tutti gli attributi per poter creare dei cluster di utenti su cui  poter targettizzare le proprie strategie, e comprendere per esempio che articoli mostrare ai segmenti di utenti per farli acquistare sul proprio sito sia i prodotti a basso prezzo che gli articoli a più alta marginalità.

L’adozione di una soluzione BigData di Data Management non deve essere vista solo come funzionale all’analisi del traffico o al targeting per l’advertising, come le tradizionali DMP, ma deve essere capace di integrare algoritmi di analisi concepiti, sviluppati e testati per individuare ed attivare i segmenti di maggiore profittabilità, oltre che per l’advertising, soprattutto per l’esposizione a contenuti e, in caso di ecommerce, ai prodotti su cui sono state applicate strategie capaci di creare fidelizzazione con i clienti.

Per approfondire:

Articolo da McKinsey

exaudi DMP

eCommerce – Dropping prices is not a win

Italian version above

Only few brands (Apple overall) can count on a large loyal customer base. Normally users who already know what to buy look it up on the internet searching for the best purchasing options.

Entering a price dropping war with your competitors is a very unhealthy choice for your business.

The smarter retailers know that they have to find the value categories and value items that usually are taken as benchmark by users to understand which sites provide the best conditions. The retailer can adopt an aggressive price policy on those items or categories and can maintain higher margins on other items/categories.

For instance, retailers could set a discount policy in homepage to attract t price-sensitive users and keep full margins on other items.

Many retailers count on the intuition of their “category managers” in order to define the value items or categories; others try to weight the purchase frequency and brand perception data to identify the items to include into their aggressive pricing strategy. Today retailers have large amounts of data at their disposal to find the value items, such as transactional data, loyalty programs, online search. The real problem is managing the different data sources and analyzing the huge amount of data to understand price perception and have the possibility to increase margins and be competitive on in the market.

A BigData solution can track users’ behavior on digital properties, identifying those who have been exposed to adv campaigns or email marketing and those who have made a transaction. It can also import data from CRM and loyalty programs, allowing reconciliation of online and offline behavior.

Retailers can create user segments based on their preferred purchase channel, verify correlations between products bought and purchase channels, find out where those users came from and enrich their profiles with all trackable data..

The most important value is the possibility to use available data of known users to feed Artificial Intelligence algorithms by comparing navigation behavior of known and unknown users, unknown profiles can be enriched with inferred information, such as gender, age, interests.

The Data Management solution should not only be used for advertising targeting or for traffic analysis. It should rather integrate analytics algorithms that have been designed, developed and tested to identify and activate the most profitable segments. Applications should not only include advertising, but also content management, pricing strategies and customer loyalty programmes.

Learn more:

Articolo da McKinsey

exaudi DMP

“Movida”, piattaforma programmatic video, made in Italy (“Movida”, programmatic video platform, made in Italy)

English version below

Un’innovativa piattaforma di programmatic che analizza i contenuti video e incrocia i dati relativi al target di utente/spettatore al contenuto che questi sta guardando

“Movida”, tag semantici che descrivono i video

Horizon 2020 – Progetto “catanese”

Si chiama “Movida” e sarà un’innovativa piattaforma “programmatic” per orientare il mercato pubblicitario tenendo conto di due aspetti: il cliente e il contenuto video, sulla base dell’analisi semantica di quest’ultimo. L’innovazione parte proprio da Catania, visto che il progetto – presentato a un bando di Horizon 2020, i cui esiti si sapranno a gennaio 2017 – è stato ideato e presentato dalla catanese Neodata con Videobeet e con il contributo determinante dell’IPLab (Image Processing Laboratory) del Dipartimento di Matematica e Informatica dell’Università di Catania. L’IPLab, che ha per logo un vulcano che spara pixel, è nato una decina di anni fa su spinta del professore Sebastiano Battiato. “Il nostro gruppo si occupa di analisi di immagini video in termini semantici – spiega Battiato -. All’interno del progetto Movida il nostro compito sarà quello di estrarre dei “tag” semantici da flussi video di cui non si sa nulla. I tag ci dicono che tipo di scena c’è in quel momento, quante persone, che tipo di azione si svolge… Questo è possibile perché la tecnologia in questi ultimi anni ha fatto passi da gigante grazie all’evoluzione degli algoritmi di analisi. È quasi incredibile, perchè partendo dai pixel si riesce ad estrapolare la descrizione di una scena. Questa disciplina, la computer vision, “negli anni 80’ 90’ era solo teorica – aggiunge Battiato – mentre oggi è esplosa grazie alle tecnologie di cui disponiamo  e ci permette di fare una cosa che nessuna piattaforma “programmatic” fa ancora: riusciamo a incrociare i dati relativi al target di utente/spettatore al contenuto che questi sta guardando e, dunque, ad offrire all’inserzionista pubblicitario informazioni sempre più specifiche. Si potranno vendere spazi pubblicitari super targettizzati  su utente e contenuto. È questa una nuova frontiera. Nell’ambito di Movida partiamo dall’esperienza di Neodata su internet e noi aggiungiamo l’analisi semantica del contenuto video”.

Naturalmente, dipenderà dalle strategia di marketing dell’editore decidere come introdurre il messaggio, con la classica interruzione o in overlay e certamente ci sono tanti scenari verso i quali questa soluzione tecnologica può sfociare . “Per esempio – aggiunge Battiato – non è detto che il messaggio pubblicitario arrivi sullo stesso schermo su cui è trasmesso il contenuto, l’utente potrebbe interagire con la tv tramite un social network come Twitter dallo smartphone e magari il messaggio pubblicitario gli arriva proprio li”.

Il progetto prevede un investimento di circa un milione e mezzo di euro, poi una volta assemblata la “macchina” con tutti i pezzi di cui ciascuno degli attori coinvolti dispone, si dovrà affrontare il mercato. Mission impossible? No, secondo Battiato: “Neodata ha già dei partner importanti e l’innovazione che proponiamo è di peso”. Gli ingredienti per il successo ci sono tutti.

(Riproduzione: La Sicilia – Gianluca Reale)

________

Italian version above

An innovative programmatic platform that can combine target users/audience data with the content they’re watching

“Movida”, semantic tags describing video

Horizon 2020 – Project from Catania

Its name is “Movida” and it’ll be an innovative programmatic platform that will influence the video advertising market through the analysis of user behavior combined with the semantic analysis of video content.

Innovation begins in Catania: the project – presented in response to the Horizon 2020European tender, whose outcome is expected in January 2017 – was designed by the Catania-based Neodata together with Videobeet, with the contribution of IPLab(Image Processing Laboratory), a research laboratory operating by the IT and Mathematics Department of the University of Catania.

IPLab, whose logo is a volcano shooting up pixels, was born a decade ago through the support of Professor Sebastiano Battiato. “Our group specializes in the semantic analysis of video images – explains Battiato -. Our task will be to extract semantic tags from videos we know nothing of upfront. Tags tell us the type of scene we’re observing, how many actors are playing, the type of action which is taking place…This is now possible because technology has made giant strides thanks to the evolution of analysis algorithms. It’s almost incredible: starting from pixels you can extract the description of a scene. Computer vision was only theoretic in the 80’s-90’s. Now it’s become reality thanks to the technologies we have at our disposal and it allows us to do something no other programmatic platform does yet: we can combine target users/audience data with the content they’re watching, so we can offer increasingly detailed information to advertisers. It will be possible to sell super targeted advertising spaces. This is a new frontier. Within Movida project, we start from Neodataexperience on internet and we add the semantic analysis on video content”

Naturally, it will be up to the publisher to decide how to introduce advertising messages, so multiple scenarios will open up in conjunction with the adoption of this technology solution. “For example – adds Prof. Battiato – the advertising message might reach the user on a device which is not the same he’s using to watch the video content. Actually, the user might interact with a TV programme by posting on Twitter through his smartphone, so the advertising message might be delivered on a smartphone rather than on TV.”

Investments for this project amount to 1.5 million euros. Once the solution is assembled, partner companies will have to face the challenge to market the product. Mission impossible? Not at all, according to Prof. Battiato “Neodata can already count upon some key commercial partnerships with major players and the innovation we’re developing is certainly interesting for all of them.” Apparently, ingredients for success are already there.

(Source: La Sicilia – Gianluca Reale)

Utilizzando il sito, continuando la navigazione o facendo scroll accetti l'utilizzo dei cookie per fornire la migliore esperienza di navigazione possibile maggiori informazioni

Questo sito utilizza i cookie per fornire la migliore esperienza di navigazione possibile. Continuando a utilizzare questo sito senza modificare le impostazioni dei cookie o cliccando su "Accetta" permetti il loro utilizzo.

Chiudi