Comment le New York Post a triplé les conversions de campagne pour son abonnement sportif premium

En septembre 2021, le New York Post—qui bénéficie d'une audience numérique étendue de près de 94 millions de visiteurs uniques chaque mois—a lancé Post Sports+, une expérience d'abonnement premium.

Pour stimuler les abonnements à Sports+, l'équipe a cherché à afficher des publicités contextuelles afin d'encourager les visiteurs à souscrire à l'offre premium. Mais avec un lectorat aussi diversifié, l'équipe savait que tous ses utilisateurs ne seraient pas intéressés par Sports+ et que présenter ces offres à l'ensemble de leur audience entraînerait des expériences client non pertinentes et un gaspillage budgétaire.

Pour affiner leur ciblage, ils avaient besoin d'un moyen d'exploiter les signaux en temps réel et les données comportementales afin d'identifier les utilisateurs les plus susceptibles de s'abonner.

Défi

Avec 93,6 millions d'utilisateurs uniques par mois, l'équipe ne pouvait pas compter de manière réaliste sur une segmentation manuelle de l'audience. En se basant exclusivement sur les comportements et les caractéristiques que l'équipe pensait pouvoir établir une corrélation avec une affinité pour l'abonnement Sports+ serait lent, biaisé et difficile à mettre à l'échelle.

Cela risquait de nuire considérablement à l'expérience globale des utilisateurs en les importunant avec des messages non pertinents. Se reposer sur des modèles historiques limiterait également l'équipe au ciblage des utilisateurs déjà connus, alors qu'elle devait aussi présenter la publicité contextuelle aux bons utilisateurs anonymes et aux nouveaux visiteurs. De plus, diffuser des publicités auprès d'utilisateurs peu susceptibles de convertir représenterait un gaspillage budgétaire.

Ils avaient plutôt besoin d'une solution prédictive capable de les aider à :

• Analyser des milliards d'activités comportementales
• Identifier les activités les plus susceptibles d'être corrélées à une conversion Sports+
• Promouvoir l'encart publicitaire non seulement auprès des utilisateurs récurrents et connus qui adoptent ce comportement, mais aussi auprès des nouveaux visiteurs et des utilisateurs anonymes en exploitant des données en temps réel

Gagner en efficacité grâce à l'IA

Le New York Post s'est associé à Cortex, le moteur d'apprentissage automatique (ML) de mParticle, pour offrir des expériences personnalisées basées sur des prédictions utilisateur permanentes, alimentées par un flux de données en temps réel.

Ils ont utilisé le SDK Cortex Decisioning pour transmettre des données comportementales en temps réel — y compris les comportements durant la session tels que les clics et les pages vues — vers Cortex.

Le SDK Decisioning a examiné divers résultats de décision possibles pour calculer la probabilité que chaque utilisateur s'abonne à Sports+, ainsi que l'impact de l'affichage de l'encart publicitaire sur cette probabilité. Il a également fourni une API permettant d'obtenir des décisions en temps réel basées sur le comportement des utilisateurs.

Grâce à cette prédiction, l'équipe a pu décider, au niveau individuel, s'il fallait afficher l'encart publicitaire (et à quel moment).

Une fois passés à l'apprentissage automatique (ML) avec Cortex, ils avaient également besoin d'un moyen de mesurer et de visualiser l'efficacité du nouveau pipeline ML par rapport à une approche traditionnelle basée sur des quotas.

Pour le test A/B, l'équipe a également fourni des données par lots à Cortex via des fichiers statiques quotidiens et a utilisé une approche basée sur des règles, ciblant les utilisateurs pour des conversions en fonction de la fréquence à laquelle ils lisaient du contenu « sport » sur les New York Post propriétés numériques.

Résultats

Le New York Post La campagne flyout de Sports+ a finalement démontré que l'approche basée sur le ML surpassait largement les moteurs basés sur des règles pour prédire qui souscrirait à un abonnement Sports+, générant une multiplication par 3 des conversions de la campagne par rapport à l'approche par paliers qu'ils ont testée.

De plus, les fonctionnalités et le ML en temps réel ont entraîné une augmentation considérable des conversions par rapport aux techniques par lots basées uniquement sur des données historiques. L'équipe a constaté une augmentation de 40 % des conversions de la campagne Sports+ avec des données en temps réel par rapport aux données par lots seules.

Conclusion

Le New York Post a clairement démontré la puissance des techniques d'apprentissage automatique en temps réel par rapport aux moteurs basés sur des règles et aux techniques par lots. Avec le succès de la campagne flyout Sports+, l'équipe était prête à exploiter la puissance de Cortex pour aider à augmenter les conversions d'abonnements sur toute la ligne.

‍