Data Clean Room & publicité en ligne dans un monde sans cookies [Guide du débutant]

Montrer Cacher le sommaire

• Qu’est-ce qu’une data clean room ?
• Une définition pragmatique
• Une data clean room permet de respecter à 100% la confidentialité des données
• Les data clean room se destinent surtout aux grands annonceurs, vu la complexité d’implémentation
• Quels sont les cas d’usage d’une data clean room pour un annonceur ?
• Analyse de la portée et de la fréquence d’exposition publicitaire
• Mesure & Attribution
• Insights consommateurs
• Retail media
• Activation Media
• Historique de la data clean room : comprendre la problématique avec le lancement de Ads Data Hub
• Avant, les annonceurs collectaient des données via des tags tiers (appelés « Pixels »)
• Limiter la collecte de données par des tiers au niveau utilisateur, pour plus de sécurité et de confidentialité
• L’usage de data clean room se développe aujourd’hui dans toute l’industrie
• Conclusion
• FAQ Data Clean Room

Si vous travaillez dans le marketing digital, vous avez certainement entendu parler des « Data Clean Room ».

En général, le concept est évoqué lorsque la conversation s’oriente sur les données propriétaires (first party), les normes RGPD, la disparition imminente des cookies, etc.

• Mais qu’est-ce qu’une Data Clean Room ?
• En quoi est-ce une technologie respectueuse de la confidentialité des données ?
• A quoi cela sert concrètement ?
• Pourquoi Google s’est décidé en 2017 à lancer la première offre de data clean room avec Ads Data Hub ?

Suivez le guide !

Qu’est-ce qu’une data clean room ?

Une définition pragmatique

Une data clean room est un environnement qui permet à deux parties de partager des données sur leurs utilisateurs, de manière sécurisée & anonyme. Le but est de réaliser des analyses destinées à améliorer la stratégie marketing et publicitaire d’un annonceur.

En d’autres termes, une data clean room permet à un annonceur de « mixer » sa donnée de première main (first party) avec les données ultra-sensibles d’un autre partenaire, (comme Google, Facebook ou Amazon) pour porter un éclairage nouveau sur l’efficacité de ses campagnes et le profil de ses audiences cibles.

En combinant des ensembles de données anonymisées avec celles de leurs partenaires, les marketeurs peuvent casser les silos et obtenir une vue plus globale du parcours client, une meilleure compréhension de leur attribution média, et réaliser une segmentation plus pertinente de leurs audiences…

Une data clean room permet de respecter à 100% la confidentialité des données

Une data clean room agit comme un « territoire neutre » entre deux parties qui veulent combiner leur données, de manière sécurisée et confidentielle. Pour utiliser une analogie, une data clean room est un peu la « Suisse » des données.

À aucun moment, aucune des parties n’a besoin de manipuler les données de l’autre. De plus, de telles infrastructures technologiques permettent de prévenir toute fuite de données confidentielles (data leakage).

Et pour éviter toute fausse note, la data room va filtrer en amont toutes les données sensibles et appliquer un certains nombre de règles pour s’assurer que la confidentialité des utilisateurs est respectée à 100%.

Si on prend l’exemple de ce que fait Google avec sa data clean room Ads Data Hub, on voit que sont mis en place 3 principes quigarantissent la confidentialité des données :

1. Les requêtes SQL faites par les data scientists qui sont susceptibles d’extraire de la donnée confidentielle sont identifiées et bloquées en amont.
2. Avant de renvoyer la moindre donnée, Google s’assure que la population étudiée est suffisamment grande pour garantir que la donnée restera anonymisée.
3. Enfin, si en combinant certains jeux de données avec d’autres il est possible de redescendre au niveau user (c’est à dire être capable d’analyser les chiffres d’un seul et même utilisateur), alors Google retirera automatiquement les données des rapports.

Les data clean room se destinent surtout aux grands annonceurs, vu la complexité d’implémentation

Depuis le début, les data clean room (proposées d’abord par les GAFAM), se destinent surtout aux grand annonceurs. En effet, l’implémentation reste encore quelque peu « pénible ».

Il suffit de regarder l’écosystème nécessaire pour utiliser la solution ADH de Google pour comprendre que ce n’est pas à la portée du commun des mortels.

Il est donc impensable de pouvoir utiliser ces data clean rooms sans une solide équipe d’analystes et de data scientists, rompus à la business intelligence et les requêtes SQL… Le regard d’un spécialiste média / marketing est aussi recommandé, afin de pouvoir donner le sens commercial nécessaire à l’utilisation de la donnée.

Quels sont les cas d’usage d’une data clean room pour un annonceur ?

Voici plusieurs exemples de ce que permet de faire une data clean room pour un annonceur.

Analyse de la portée et de la fréquence d’exposition publicitaire

• Un annonceur fait de la publicité sur YouTube, et sur des inventaires premium (ex : l’espace publicitaire disponible sur la page d’accueil du site Le Monde) et souhaite savoir combien de fois les internautes ciblés ont été exposés à sa publicité, au total.
• Un annonceur qui utilise tous les réseaux publicitaires de Facebook (Facebook, Instagram, Audience Network et Messenger) peut savoir comment se distribue son audience dédupliquée au sein des 4 environnements.
• Un annonceur qui fait de la publicité display sur plusieurs inventaires peut utiliser une data clean room pour savoir s’il peut générer autant de conversions, tout en baissant sa répétition globale (le nombre de fois où un internaute est exposé à la même publicité) et ainsi dépenser moins de budget média.

Mesure & Attribution

• Un e-commerçant qui vend ses produits sur Amazon et en fait la promotion via les solutions programmatiques de Amazon peut analyser l’impact de ses campagnes avec sa propre fenêtre d’attribution (comprendre combien de ventes sont générées par la campagne à différents intervalles de temps).
• Grâce aux fonctionnalités de la data clean room d’Amazon (Amazon Marketing Cloud), un annonceur peut analyser les relations de causes à effet et les corrélations entre différents facteurs marketing afin de générer des apprentissages susceptibles d’améliorer son retour sur investissement publicitaire.

Insights consommateurs

• Deux marques entremêlent leurs données clients 1P (first party) pour mesurer le chevauchement entre les deux audiences (X% acheteurs de la marque 1 sont aussi acheteurs de la marque 2)
• Un annonceur brick & mortar peut dresser un profil de ses meilleurs clients omnichannel avec les intérêts des internautes que connaissent les GAFAM (à quoi une personne s’intéresse, le type de sites consultés, ce qu’ils s’apprêtent à acheter, etc.)

Retail media

• Un fabriquant peut combiner ses données avec celles d’un distributeur pour savoir si certaines de ses campagnes de pub ont amené des ventes en magasin
• Une enseigne peut utiliser une data room pour combiner sa donnée liée à ses cartes de fidélité avec plusieurs publishers, et ainsi savoir quels sites / contenus sont consultés par ses clients.

Activation Media

• Un e-commerçant pourrait demander à Amazon, via une clean data room, de fournir un segment d’utilisateurs qui sont acheteurs, à la fois, dans la catégorie X et Y, pour les toucher via la publicité programmatique, en utilisant le DSP Amazon.
• Une agence peut utiliser la clean data room d’un GAFA pour analyser les types d’audiences qui ont la meilleure prédisposition à acheter le produit de leurs clients.

Historique de la data clean room : comprendre la problématique avec le lancement de Ads Data Hub

Avant, les annonceurs collectaient des données via des tags tiers (appelés « Pixels »)

C’est Google qui a initié le mouvement des « data clean room » en 2017, avec le lancement de ADH (Ads Data Hub).

Avant ADH, les annonceurs et leurs agences demandaient à ce que des pixels soit implémentés dans leurs campagnes. Ces snippets de code collectaient directement de la donnée, à des fins de mesure (combien de fois ma publicité a été vue ? Combien de fois a-t-elle était vu à 100% ? Combien de clics ont été réalisés ? etc.)

Cette pratique, qui permet finalement à des tiers de collecter des données directement depuis la plateforme, peut représenter un risque de sécurité :

• Qui est vraiment derrière la collecte de cette donnée ?
• Comment ces données vont-elles être vraiment utilisées ensuite ?
• Les insights qui en découleront sont-ils respectueux de la vie privée ?

D’autant que le « piggybacking » était légion ; c’est à dire qu’un pixel pouvait en « embarquer » d’autres, rendant ainsi la collecte d’informations très opaque, même pour YouTube lui même.

Limiter la collecte de données par des tiers au niveau utilisateur, pour plus de sécurité et de confidentialité

Par conséquent, Google a décider d’interdire tout simplement l’utilisation de pixels de tracking tiers sur sa plateforme YouTube.

Dans la même lancée, Google a également retiré les User ID de son ad server, Campaign Manager, ce qui empêche les annonceurs d’analyser chaque utilisateur individuellement, s’ils le souhaitent.

Avec tous ces changements, la publicité digitale s’est retrouvée « déshabillée » d’un grand pouvoir : celui de livrer une mesure granulaire de l’efficacité publicitaire et du profil d’audience touchée.

Il a donc fallu fournir aux annonceurs un autre moyen de mesurer leurs campagnes, avec plus de granularité, sans pour autant prendre le risque d’exposer de la donnée confidentielle.

C’est ainsi que Ads Data Hub, première Data Clean Room dédiée à la publicité digitale, a vu le jour.

L’usage de data clean room se développe aujourd’hui dans toute l’industrie

Aujourd’hui, les clean data room ne sont plus l’apanage des GAFAM.

Les grandes enseignes de la distribution, comme Carrefour, Target aux Etats-Unis, voire des acteurs comme Disney proposent eux aussi des clean data rooms aux marques qui les payent pour utiliser leurs données pour faire de la publicité (retail media).

Certaines entreprises comme Habu, InfoSum et Snowflake proposent des plateformes de clean data room, utilisées par ces acteurs hors GAFAM, qui permettent alors à deux entités de partager leurs données, tout en respectant la confidentialité des données.

Conclusion

Pour les annonceurs, le véritable enjeu derrière le concept de data clean room : celui de combiner leurs données avec celles d’autres partenaires pour collecter plus d’insights, en vue d’optimiser leurs investissements média.

Les annonceurs peuvent ainsi mieux préparer, activer et mesurer leurs campagnes publicitaires en utilisant des signaux riches.

Pour voir un cas d’usage de A à Z d’une data clean room, je vous invite à visionner la vidéo suivante de MightyHive, qui relate l’étude de cas d’un annonceur ayant utilisé Ads Data Hub pour mieux mesurer et optimiser son budget publicitaire.

FAQ Data Clean Room

Une data clean room est un environnement qui permet à deux parties de partager des données sur leurs utilisateurs, de manière sécurisée & anonyme.

Le but d’une data clean room est de réaliser des analyses destinées à améliorer la stratégie marketing et publicitaire d’un annonceur.

Parmi les data clean romm existantes, on peut citer :

• Ads Data Hub (Google)
• Amazon Marketing Cloud
• Snowflake
• Habu
• InfoSum