Interview de Jonathan Métillon (Adthink), au sujet de BIG, leur user data exchange

juillet 2, 2014

BIG_logoSite_NoirComment vos données sont-elles collectées ? Quels types de données sont négociés au sein de BIG ?

Il suffit de déclarer des sources de données dans BIG. Par exemple des sites, des apps ou des extensions de navigateur. Pour chacune on obtiendra un script à copier-coller qui collectera immédiatement toutes les données comportementales, telles que des URLs visitées ou mots clés recherchés. Afin de fournir des données déclaratives, telles qu’âge, sexe et intérêts, il suffira de préparer une variable contenant un tableau de données qui sera passé par le script à BIG. Nous proposons déjà un SDK en PHP et avons eu des implémentations très variées. Notre support et nos ingénieurs sont disponibles pour les besoins spécifiques.

Il existe 4 types d’audiences : Search Retargeting, Site Retargeting, Segment Targeting et DMP. Une audience Search se construit comme une campagne AdWords en définissant des mots clés et en plaçant des enchères pour chacun. Une audience Site fonctionne de la même manière mais on enchérit sur des noms de domaines au lieu de mots clés. Cela peut être n’importe quel site, pas forcément le vôtre. Pour ces deux types d’audiences, les cookies de votre plateforme d’achat sont déposés en temps réel. C’est-à-dire qu’à la seconde où l’internaute visite tel site ou recherche tel terme, vous êtes capable de le retoucher n’importe où avec vos DSP.

Une audience ciblant un segment nécessitera au préalable d’utiliser le Segment Builder pour définir les conditions qui définissent votre audience cible, ou bien d’utiliser un segment déjà défini et partagé par un autre compte BIG. Le Builder est extrêmement puissant et c’est notre réponse aux black boxes proposées actuellement. Il permet d’accéder directement et en toute transparence aux données du plus bas niveau que nous ayons en base, sans aucune manipulation ni aucune algorithmie prédictive visant à gonfler les volumes disponibles.

Enfin, une audience DMP fonctionne exactement comme un Segment Targeting mais n’exploitera que les données collectées par vos sources propriétaires. Gratuitement, donc sans aucune enchère à placer.

anonymous-userL’un des principes de BIG est justement celui des enchères des données. Y a-t-il des prix planchers ? Comment sont-ils calculés ?

Nous n’avons pas encore intégré de floors pour les fournisseurs, mais nous y songeons. Pour le moment l’enchère minimum pour n’importe quel type de donnée est de $0,01 CPM (coût pour 1 000 pixels appelés), soit $0,00001 par cookie ! Nous comptons sur la compétition entre acheteurs pour que les prix évoluent et n’hésiterons pas à publier ces fluctuations. N’oublions pas qu’un jour il a été possible d’acheter des clics sur des recherches de crédit ou d’assurance pour quelques centimes ; aujourd’hui cela coûte plus de $50. Le clic ! Peut-être pourra-t-on bientôt suivre sur BFM Business le cours du cookie CSP+ ou de la ménagère de moins de 50 ans ?

Comment vous faites-vous rémunérer ?

Nous partageons les revenus avec nos fournisseurs. Il n’y a aucun frais fixe ni engagement financier pour nos clients. Le reversement des revenus est une partie de notre code dont nous sommes très fiers. Un seul cookie déposé peut déclencher un reversement à des milliers de sources !

BIG_screen

Il est désormais plus qu’admis que le marketing de contenu personnalisé est un pari gagnant. Sur un certain nombre de stratégies, il est possible d’augmenter les taux de conversions grâce au fait d’adapter le message à l’échelle de l’individu, ce qui n’est possible qu’avec des données qui nous enseignent sur lui. BIG est ainsi un outil que l’on peut mettre en interface avec tous les ad exchanges (pour le RTB), y compris mobiles ? Quoi d’autre ?

Nous proposons la segmentation des internautes et la constitution de paniers de cookies (cookies pools) grâce à la technique universelle de distribution de pixels, et cela est compatible avec toutes les plateformes d’achat, mobiles ou pas, sans avoir recours au cookie-matching.

Mais effectivement, il est très intéressant de pouvoir accéder aussi aux données d’un individu précis, et ce, en temps réel. Surtout en RTB ou emailing. Nous offrons pour cela une API temps réel où l’utilisateur est identifié soit par synchronisation de nos ID internes respectifs, soit par des clés indécryptables (hashes) basées sur des informations nominatives telles que l’adresse email. Cela permet de recevoir l’historique de recherche ou de navigation d’un internaute pour adapter le message. Ou des informations sociodémographiques, telles que l’âge et le revenu pour augmenter une base avant l’envoi d’un emailing. Tout ceci est bien sûr totalement en ligne avec notre politique extrêmement stricte de respect de la vie privée puisqu’à aucun moment notre base ne contient d’information personnellement identifiable (PII).

Dans le même esprit, nous avons une forte demande de la part des data brokers historiques, qui opèrent offline depuis des décennies et qui souhaitent exploiter BIG uniquement pour effectuer du cookie-matching. C’est-à-dire associer par exemple un email à des navigateurs et des apps, desktop et mobile, leur permettant de toucher online des profils très qualifiés dans des fichiers offline. Imaginez ces bases extrêmement détaillées qui n’ont été exploitées que par courrier ou email, enfin adressables par display, vidéo et mobile.

Notre gamme de services va s’étendre d’ici la fin de l’année. Cela est facilité par notre interface déjà totalement accessible programmatiquement, c’est-à-dire par des machines, permettant donc l’automatisation de la gestion des audiences. Toutes les fonctions de BIG sont exposées en REST. C’est une aubaine pour les grands réseaux et régies à qui nous proposons des fonctionnalités spécifiques pour gérer un portefeuille d’éditeurs et garder la main sur les revenus issus de la data. Il s’agit de BFN, Big for Networks, qui évoluera bientôt pour permettre des Private Data Networks (PDN) offrant par exemple des private deals et des floors.

Nous avons également des travaux en cours sur l’apprentissage machine afin d’intégrer nativement la génération d’audiences look-alike. C’est-à-dire étendre en quelques clics le reach d’un segment grâce à des prédictions. Dans l’esprit de BIG, cette fonctionnalité sera bien sûr totalement transparente et l’utilisateur placera le curseur de l’incertitude où il le souhaite. Mais big data et machine learning combinés représentent une barrière technologique que peu d’entreprises peuvent se vanter d’avoir franchi.

Cliquez ici pour trouver la première partie de cette interview.

Propos recueillis par LUL.