Il était autrefois beaucoup plus facile de connaître vos clients. Ils ont fait la queue pour passer la commande dans votre magasin et ont échangé des plaisanteries en s'approchant de la caisse pour payer leurs marchandises. Au fur et à mesure que vous établissiez des relations avec des clients fidèles, vous pouviez les informer lorsqu'un nouveau produit était en stock ou lorsqu'un produit était en solde.
Aujourd'hui, notre façon de faire des affaires n'est pas si simple. La majorité des interactions avec les clients ont été déplacées des magasins vers les sites Web et les applications, et les paiements en magasin sont remplacés par des systèmes de point de vente numériques.
Malgré cette transition, les marques et les clients souhaitent conserver certains aspects de l'expérience client traditionnelle. Les clients apprécient le sentiment que les marques démontrent une compréhension de base de leurs préférences et de leurs intérêts, en particulier en matière de prévention des fraudes et de service client. Les marques souhaitent informer leurs clients lorsqu'un nouveau produit pertinent est disponible et aspirent à personnaliser l'expérience utilisateur en fonction des intérêts de chaque client. Ils doivent également suivre l'identité des clients afin de répondre aux demandes des personnes concernées et de pratiquer une gouvernance responsable des données.
Le défi réside toutefois dans le fait que l'identification de vos clients dans le monde multi-appareils d'aujourd'hui, où le numérique est la priorité, est plus complexe qu'elle ne l'était dans un magasin physique. Les clients interagissent via de multiples points de contact tout au long de leur parcours client, et ils ne sont pas toujours connectés sur tous les appareils. Pour comprendre qui interagit avec votre marque et proposer des expériences pertinentes sur la base de ces informations, vous devez être en mesure de transformer les données multi-appareils en profils clients unifiés.
Deux méthodes de résolution d'identité ont vu le jour pour aider les marques à y parvenir : la modélisation probabiliste et l'appariement déterministe.
Qu'est-ce qu'un modèle probabiliste ?
La modélisation probabiliste associe les engagements pris par un seul utilisateur sur plusieurs appareils à un profil client unifié en utilisant des algorithmes prédictifs pour relier des informations telles que l'adresse IP, le système d'exploitation, la localisation, le réseau wifi et les données comportementales à un individu à un niveau de confiance donné.
Par exemple, si un client anonyme consulte un produit spécifique sur deux appareils distincts connectés au même réseau wifi, un algorithme de modélisation probabiliste peut associer ces données d'engagement à un seul profil utilisateur. Si, toutefois, un troisième appareil devient actif sur le même réseau wifi et commence à parcourir une catégorie de produits complètement différente, ces données d'engagement peuvent être liées à un profil utilisateur distinct.
L'avantage de la modélisation probabiliste est qu'elle vous permet de créer des profils clients sans collecter d'informations personnelles identifiables (PII) telles que l'e-mail, le nom et le numéro de téléphone du client. Cela vous permet d'augmenter plus facilement la taille de votre base de données, de créer des profils pour les clients potentiels les plus performants et d'étendre la portée de vos campagnes.
L'inconvénient de la modélisation probabiliste est qu'il existe une marge d'erreur. Les algorithmes prédictifs ne seront jamais précis à 100 %, et une base de données truffée de profils clients inexacts peut entraîner une gestion manuelle des identités pour vos développeurs, un gaspillage des dépenses liées aux médias payants pour votre équipe marketing et une mauvaise expérience pour vos clients.
Qu'est-ce qu'un modèle déterministe ?
La correspondance déterministe, quant à elle, exploite les données de première partie fournies par les clients pour unifier les données au niveau de l'appareil en fonction de profils clients uniques avec une confiance totale. L'engagement au niveau de l'appareil n'est lié que lorsque des informations personnelles communes ont été partagées, ce qui donne la priorité à la précision de vos profils clients.
Par exemple, si un client interagit avec votre marque sur son téléphone mobile et sa tablette, et qu'il se connecte à son compte sur les deux appareils à l'aide d'une adresse e-mail commune, les données d'engagement au niveau de l'appareil provenant des deux plateformes seront liées à un profil client commun. Toutefois, si la même cliente continue à naviguer sur son ordinateur portable et ne se connecte pas avec des informations identifiables, les données d'engagement de ce canal ne seront pas unifiées dans le profil, même si elle navigue dans la même catégorie de produits.
L'avantage de l'apparence déterministe réside dans la précision des profils créés. En liant l'activité au niveau de l'appareil uniquement lorsqu'un identifiant commun est partagé, la résolution déterministe vous aide à jeter les bases d'une base de données clients de haute qualité. En outre, les principaux outils de résolution d'identité vous permettront de contrôler comment et quand les profils sont fusionnés en fonction des nuances de votre parcours client. Les profils déterministes peuvent être utilisés pour envoyer des e-mails personnalisés, des messages d'application et des campagnes de retargeting en toute confiance.
L'inconvénient de la correspondance déterministe est qu'elle ne fusionnera l'activité au niveau de l'appareil que lorsqu'un identifiant commun est partagé, et non lorsqu'il probable provient du même client. C'est pourquoi la correspondance déterministe n'offre pas la même évolutivité que la modélisation probabiliste et peut s'avérer moins efficace pour créer des profils pour les clients potentiels en haut de l'entonnoir, auprès desquels vous avez collecté des informations moins identifiables.
Quelle méthode devriez-vous utiliser aujourd'hui ?
La manière dont vous créez les profils clients dépendra en fin de compte de vos cas d'utilisation et de votre politique de gouvernance des données. La modélisation probabiliste vous permet de créer des profils pour les clients auprès desquels vous avez collecté peu de données zéro et de première partie, mais elle comporte une marge d'erreur. Pour cette raison, les profils probabilistes ont souvent été utilisés pour 1 : Dans de nombreux cas d'utilisation, lorsque vous souhaitez proposer une expérience unique à un large public et que les mauvaises correspondances ont relativement peu de conséquences. Au contraire, en utilisant des profils probable précis pour alimenter les communications individuelles avec les clients, telles que les e-mails, peut rapidement entraîner une mauvaise expérience client.
Pour ces cas d'utilisation 1:1, les profils déterministes sont très utiles. Parce qu'ils sont conçus sur la base d'informations personnelles liées, les profils déterministes vous permettent de communiquer directement avec les clients avec une confiance et une efficacité accrues.
Au cours des dernières années, la manière dont les marques peuvent collecter les données clients a évolué. Qu'il s'agit de l'introduction du RGPD et du CCPA, de la limitation du suivi des cookies tiers ou de l'introduction du cadre de transparence du suivi des applications (ATT) d'Apple, les consommateurs ont obtenu un meilleur contrôle sur la manière dont leurs données sont collectées et utilisées par les marques avec lesquelles ils font affaire.
Pour que les marques puissent contrôler leur propre destin, elles doivent mettre fin à leur addiction aux cookies tiers et développer leur propre base de données interne.
De nombreux identifiants sur lesquels reposent les systèmes probabilistes, tels que les identifiants des appareils et les cookies tiers, sont de plus en plus difficiles à collecter pour les marques, car Google et Apple donnent aux consommateurs le droit de décider de la manière dont ces informations sont partagées. L'efficacité d'un modèle probabiliste dépend de la qualité et de l'étendue des données qu'il fournit. Sans accès à une source diversifiée de données au niveau de l'appareil pouvant être ajoutées à un graphique d'identité, la précision des profils clients probabilistes est remise en question.
Alors que les marques sont obligées de renoncer à une base de données tierce, elles doivent jeter les bases d'une stratégie de données de première partie et donner la priorité à l'établissement d'un climat de confiance avec leurs clients. L'adoption d'une approche déterministe au cœur de votre stratégie d'identité vous permettra de créer des profils clients de haute qualité sur la base des informations que vos clients vous fournissent directement afin que vous puissiez proposer des expériences personnelles. Une fois que vous avez mis en place votre base déterministe, il est toujours possible de tirer partie de la modélisation probabiliste à la périphérie de votre infrastructure pour optimiser certains cas d'utilisation.
L'IDSync de mParticle vous permet de créer des profils clients déterministes à partir de données unifiées provenant de tous les appareils. Ces profils peuvent être activés par programmation sur l'ensemble de vos propriétés numériques grâce à l'API Profile de mParticle, connectés à vos outils d'automatisation du marketing, d'analyse et d'expérimentation préférés, et exportés vers votre entrepôt de données pour un stockage à long terme via les plus de 300 intégrations de mParticle.
.jpg)
.jpeg)
