Ciblage dans un monde sans cookie : comment Dailymotion a pris une longueur d’avance

Par la Réclame le 28/01/2021

Temps de lecture : 11 min

La revanche du contexte !

Article sponsorisé par Dailymotion

2021 représentera à n’en pas douter une grande année de mutation pour le marché de la publicité en ligne. Il s’agit de la dernière année pleine pendant laquelle les cookies de tierce partie pourront être utilisés par le marché de l’ad tech. 2022 marquant l’entrée dans l’ère du “cookie-less”.

Or, Dailymotion n’a pas attendu 2021 pour se pencher sur la question du ciblage sans cookie tiers. La plateforme vidéo aux 250 millions de visiteurs mensuels a beaucoup investi en R&D pour développer ses propres solutions mêlant ciblage contextuel et ciblage par audience. Bichoï Bastha, Chief Revenue and Business Officer de Dailymotion, nous détaille dans cette interview les clés de l’évolution de l’offre publicitaire de ce fleuron français de la vidéo en ligne.
 

À quand remonte votre volonté d’opter pour un ciblage contextuel plutôt que pour le micro-ciblage via la data, utilisé par les autres plateformes ?

Bichoï Bastha : Il ne s’agit pas pour nous de faire un choix trivial entre les options de ciblage.

Nous considérons ainsi les deux grandes familles de ciblage, contextuel et audience, comme des leviers complémentaires, voire interdépendants. C’est bien de la compréhension fine et précise des contenus consommés par les audiences que se nourrissent les ciblages d’audiences basés sur les intérêts ou les intentions utilisateurs.

Nous n’opposons donc pas ces stratégies car la vidéo sur Internet est très souvent utilisée par les annonceurs pour étendre la portée de leurs campagnes TV et comme celles-ci s’achètent encore majoritairement sur des critères démographiques c’est bien sur cette capacité à adresser une démographie précise que nous sommes alors jugés.

Ainsi, à l’exception des ventes RTB pures dont les ciblages se font côté acheteurs, chaque campagne ou deal programmatique fait chez nous l’objet d’une réflexion spécifique débouchant sur une recommandation media ad hoc, mixant ou non les deux axes, en fonction des objectifs et des paramètres de la campagne…

Cependant il est vrai que le marché, en recherche d’alternatives de ciblage « sans cookie », opère actuellement (en particulier depuis les annonces de Chrome) un recentrage stratégique autour de méthodes plus respectueuses et durables, moins dépendantes de données tierces (on parle « d’healthy data »).
 

À quoi est due cette tendance ?

B.B. : Cette tendance de fond, mais pas de rupture, est ainsi le fruit d’une convergence de facteurs, notamment :

– Sociétaux : niveau de maturité élevé des audiences et leur prise de conscience vs données personnelles ;

– Réglementaires : GDPR et CCPA ;

– Technologiques : avancées en ML (machine learning) et AI (intelligence artificielle) => NLP (traitement automatique des langues) et sémantique, reconnaissance image, audio, etc. ;

– Prises de position des navigateurs contre l’usage des cookies tiers.

Elle fait aussi sans doute écho aux promesses, souvent très alléchantes, parfois idéalisées, mais pas toujours tenues des stratégies média dites “audience ou people based”. Stratégies qui ont émergé avec l’avènement du programmatique et qui ont pu s’épanouir grâce à l’accès simplifié à la donnée personnelle.

Ainsi cet usage massif de donnés 3rd party montre ses limites parmi lesquelles on peut souligner ici les enjeux de :

– Qualité de la donnée d’audience disponible sur le marché (cf performance moyenne on target).

– Incapacité pour les annonceurs de faire vérifier par des tiers la véracité de ces ciblages : à part les critères démographiques (via Nielsen DAR), l’efficacité des autres formes de ciblages d’audience (type intérêt ou moment de vie) ne peut être pleinement appréciée qu’au travers de modèles assez complexes à mettre en place.

– Complexité opérationnelle de ce type de campagne et potentiels écueils comme par exemple un possible manque de portée ou des problèmes de livraison sur les campagnes disons trop ciblées.

– Et enfin des sujets plus techniques, liés à l’imperfection “originelle” du cookie, sa volatilité, son interopérabilité complexe et peu efficace, encore accentuée par les limitations récentes de leur usage au sein de la plupart des grands navigateurs. Et c’est sans doute à lui seul le changement le plus structurant pour notre industrie de ces 10 dernières années.

C’est pourquoi dans ce contexte les ciblages first party regagnent de l’intérêt et c’est une bonne chose pour les éditeurs en général, qui reprennent ainsi un peu plus le contrôle de leurs données et offres de ciblages.

En miroir de cela on assiste depuis deux ans environ à une accélération logique de la concentration des acteurs de la donnée 3rd party. Mais il faudrait quand même qu’il en subsiste quelques-uns sur le marché face au duopole américain !

Ce mouvement est global et son arrivée est plutôt attendue. C’est pourquoi nous investissons massivement depuis plusieurs années en ingénierie data afin d’être en mesure de proposer aujourd’hui aux marques une palette de solutions de ciblage 1st party parmi les plus avancées et complètes du marché, sur l’axe contextuel bien sûr, mais pas que.
 

Le ciblage contextuel, pratiqué depuis des décennies par les médias traditionnels, pourrait donner l’impression aux annonceurs de régresser…

B.B. : L’usage de données personnelles se complexifiant, le ciblage plus traditionnel lié au contexte connaît, c’est certain, un regain d’intérêt auprès des marketers et des médias spécialisés.

Cependant, il faut rappeler que le ciblage contextuel a toujours été, et restera la base du médiaplanning et c’est d’ailleurs encore la stratégie la plus couramment mise en place. Une récente étude de la plateforme programmatique GumGum nous apprend qu’un marketer sur deux considère le ciblage contextuel comme le plus important, suivi de près par le démographique.

Et ce n’est pas parce que les feux de la rampe étaient tournés ces dernières années vers l’audience planning que les capacités de ciblage contextuel ont cessé d’évoluer et de se renforcer. Ainsi, le mouvement inexorable de l’innovation, porté par les évolutions spectaculaires dans l’intelligence artificielle (les sciences cognitives en général intégrant notamment l’analyse sémantique ou la reconnaissance d’image par exemple) ont permis de lui apporter davantage de sophistication en termes de fiabilité et de profondeur en allant beaucoup plus loin que les mots clés.
 

Justement, comment modernisez-vous le ciblage contextuel grâce à la technologie ?

B.B. : En ce qui nous concerne, si nous nous attelons depuis toujours à catégoriser au mieux nos vidéos nous avons su profiter de ces avancées récentes pour repenser et accroître notre capacité d’analyse.

Sachant que pour nous le challenge autour du ciblage contextuel était moins de parvenir à appréhender la dimension “page / mot clé” sur laquelle notre player est embarqué, comme par exemple sur Le Monde ou L’Équipe en France, que la dimension “vidéo” et “contenu”.

Le défi pour rendre performante cette catégorisation automatisée de vidéo, et à l’échelle, est de taille, sans doute même plus complexe que ce fut le cas pour l’indexation des pages web, savoir-faire dans lequel Google excelle depuis toujours.

Les modèles sémantiques sont aujourd’hui très matures et l’accès à ces technologies s’est aujourd’hui largement démocratisé, a contrario de l’indexation des contenus vidéo où beaucoup restait à faire et qui est l’apanage de quelques acteurs spécialisés comme nous.

Mais nous y sommes finalement arrivés, notamment en venant renforcer nos modèles d’analyse sémantique par de l’analyse d’image. Cette combinaison de techniques permet aujourd’hui à nos algorithmes d’indexation d’être fiables à plus de 91 % et de couvrir 95 % de notre catalogue vidéo multilingue de plus de 100 milliards de vidéos.

Et nous n’allons pas nous arrêter là ! Nous prévoyons d’ailleurs de nous attaquer cette année à la piste audio de nos vidéos car c’est certainement là encore un formidable vivier d’indices permettant d’encore mieux les analyser et les comprendre.

On pourra alors par exemple cumuler pour la même vidéo, des informations textuelles venant du titre et de sa description pour comprendre que c’est par exemple du football. Les images pour déterminer l’équipe (par la couleur du maillot par exemple ou via la reconnaissance des visages) et enfin le son pourrait aider à comprendre en fonction des cris, acclamations et autres bruits de sifflets, s’il s’agit là d’une action à succès ou d’un échec…

Il est intéressant de signaler que cette catégorisation granulaire et précise des vidéos, que l’on exploite bien étendu dans les ciblages contextuels de nos campagnes, sert aussi plus largement l’entreprise et surtout l’utilisateur. Par exemple, quand celui-ci fait une requête sur notre moteur de recherche ou quand nos outils de recommandation lui proposent une autre vidéo.

Se doter de ces capacités n’aurait cependant été possible sans le savoir-faire de notre équipe d’une quarantaine d’ingénieurs pluridisciplinaires basés à New York et Paris, et qui développent et affinent sans cesse nos propres modèles de machine learning. Algorithmes qui se nourrissent d’un patrimoine de data propriétaires très conséquent, construit au fil du temps (Dailymotion existe depuis plus de 15 ans) mais sans cesse actualisé et issu de nos deux principales sources de données que sont la compréhension fine des contenus et l’analyse de la consommation utilisateur.
 

Le ciblage contextuel est-il plus efficace pour les marques ?

B.B. : Je ne pense pas que l’on puisse le dire ainsi mais il est certain que les ciblages contextuels ont de nombreux bénéfices à la fois sur le court terme, sur les performances média sur le long terme, et sur la perception utilisateur.

Par exemple, on peut citer une campagne récente avec Deezer ciblant les 18-34 ans amateurs de rap. En combinant les ciblages audiences et contextes ultra granulaires autour de topics liés au rap, et avec notre format in content Vertical Vue, nous avons atteint des performances bien supérieures aux benchmarks marché avec une complétion de 96 % et 6 % d’interactions. Cela confirme d’un intérêt beaucoup plus fort des exposés dès lors qu’un lien est créé entre le contenu et la publicité.

Et en comparant les performances sur des échantillons de campagnes, en fonction de combinaisons de ciblages, nous avons d’ailleurs observé de réels écarts d’engagement en faveur des campagnes disposant d’un ciblage contextuel avancé (vs rotation aléatoire) :
+ 10 points sur les taux de complétion (tests internes, Q3 2020, taux de 80 %) ;
+0,4 points pour l’engagement (CTR de 1,3 %).

Par ailleurs au travers de ces options de ciblage contextuel nous recherchons également à adresser les intérêts et s’intégrer dans des moments propices. En effet, une personne regardant une vidéo de Mbappé aura une probabilité assez élevée de s’intéresser au football et, a contrario du ciblage d’audience qui se base généralement sur des données basées sur un historique, des signaux captés en amont de leur activation, le ciblage contextuel lui se concentre vraiment sur le moment, sur ce que l’internaute lit ou regarde à un instant T…

Nos capacités d’indexation automatisée des contenus vidéo nous permettent aussi d’optimiser les critères de viewability, nous avons à cet effet développé un modèle capable de prédire dynamiquement les performances de visibilité d’un emplacement.
Avec la reconnaissance d’objet il serait aussi envisageable d’ajouter par exemple des call to action en overlay afin de rendre les vidéos  » shoppable  » = proposer aux internautes d’acheter les objets identifiés dans la vidéo (shoppable moments avec UMG) mais nous n’en sommes qu’au début.

Enfin l’analyse de la consommation de contenus de nos +314M de vidéonautes nous informe des centres d’intérêt de ces audiences et peut dans certaines conditions aussi préciser l’état d’esprit de l’individu au moment où il regarde la vidéo…

A noter que la performance de ce type de ciblage ne se mesure pas uniquement au travers de ces uplift sur les KPI média. C’est d’ailleurs pourquoi chez DM nous proposons aux marques une gamme complète d’études post test couvrant l’ensemble de la fameuse Customer journey.

Donc pour résumer les bénéfices du ciblage contextuel :

– Des bénéfices de pertinence liés à la perception et la considération de la marque qui s’intègre mieux dans le contenu ;

– Des bénéfices sur les KPIs média, notamment viewability et engagement ;

– Enfin des bénéfices qui s’inscrivent dans le temps, puisque le ciblage contextuel constitue une véritable alternative pérenne vis-à-vis de la réglementation et des limites grandissantes imposées par les grands acteurs du marché.
 

Comment votre offre publicitaire profite-t-elle de ce ciblage contextuel amélioré ?

B.B. : Nous proposons ainsi aujourd’hui aux marques une gamme très complète et innovante de ciblages contextuels issus de nos actifs 1st party.

Le premier niveau est le plus classique et consiste en listes de blanches de domaines et chaînes affinitaires.

Puis l’on descend au niveau des contenus et notre catégorisation couvre les deux principaux niveaux disponibles dans la taxonomie de référence sur le marché fournie par l’IAB. Ainsi on aura par exemple la catégorie « sport », mais aussi ses sous-catégories comme « football” ou “tennis ». Il y en a des centaines pour satisfaire un maximum de problématiques.

Mais nous allons encore plus loin avec la création d’une entité encore plus granulaire, apparentée à l’idée de « sujets » et que l’on appelle chez nous « Topics ». Nous en proposons à date plus de 500 000, ce pourrait être, pour rester dans l’exemple footballistique, « PSG » ou « Mbappé ». Les annonceurs adorent cette option permettant d’associer leur marque, de sponsoriser même une sélection si précise de contenus.

L’ensemble de ces options de ciblage contextuel sont disponibles en achat direct et en deal programmatique.

Mais notre offre de ciblage 1st party ne s’arrête pas là, et nous travaillons aussi depuis 2019 sur le ciblage par centre d’intérêt et sur des modèles. Ce ciblage sera disponible début 2021. Il sera capable de prédire avec précision et en temps réel, la démographie de l’internaute visitant une page, sans usage d’aucun cookie tiers. Pour y parvenir, nous avons construit des modèles prédictifs reposant sur l’analyse de notre base d’utilisateurs logués. Cela permet d’extrapoler au reste de nos audiences une démographie en fonction de patterns de consommation identifiés.

Proposer ce type de ciblage sans cookie fait partie des enjeux auxquels l’industrie doit faire face et si nous n’avons pas de boule de cristal pour prédire ce que sera exactement le monde post-cookie, nous avons mis en place les conditions pour le préparer.
 


Article sponsorisé par Dailymotion

News Scan Book

Un collectif renforcé pour Dagobert !

1

2

3

4

5

Précédent Suivant