Inchieste

NC. Nel 2019 Teads cresce del 35% sul 2018. Cackel: "Lavoriamo per contribuire a una pubblicità più sostenibile per l’esperienza degli utenti, la grande risorsa di questa partita mediatica"

Quali sono i risvolti della crescente diffusione di strategie cookieless? Quale contributo può dare l’Intelligenza Artificiale alla semplificazione dell'analisi dei big data? Quali dati sono davvero utili ai fini dello studio delle performance di una campagna? Qual è il futuro dei KPI e come è possibile ‘guidare’ le aziende nella giusta direzione? Ad aiutarci a rispondere a queste domande è Remi Cackel (in foto), global head of data Teads. L'intervista è tratta dall'ultimo numero di NC-Nuova Comunicazione di ottobre/novembre.

Il 2019 di Teads è stato segnato da importanti accordi (brand ed editor, ndr), da release di prodotto che hanno dato una importante sterzata al posizionamento e alla missione d’innovazione della società. “Abbiamo annunciato una crescita del 35% sull’anno precedente – ha spiegato - Remi Cackel, global head of data Teads - e quest’anno possiamo vantare il posizionamento sul mercato di tanti nuovi uffici che stanno contribuendo allo sviluppo del business in ogni parte del globo per rendere sempre più scalabile la nostra offerta”. Oggi,Teads può rappresentare una valida e qualitativa alternativa complementare a Google e Facebook, grazie alla collaborazione con i più prestigiosi publisher mondiali che consente alla società di distribuire le pubblicità dei più prestigiosi advertiser mondiali all’interno di inventory di qualità, dove non vi sono presenti contenuti generati dagli utenti, ma prodotti professionalmente. “Lavoriamo per contribuire a una pubblicità più sostenibile - precisa Cackel - per l’esperienza degli utenti, la grande risorsa di questa partita mediatica. Il prossimo anno avremo tante novità a riguardo”.

 

Parlando di dati e profilazione degli utenti, come si sta evolvendo lo scenario considerando la sempre crescente diffusione di strategie cookieless?

La diffusione di strategie per l’identificazione e il tracciamento degli utenti al di fuori dei cookie è un trend in crescita e si può applicare attraverso la collection di informazioni reperibili dai dati d’accesso web o inApp o grazie all’ausilio di algoritmi alternativi. Questo consente di targettizzare, misurare e creare dei report sulle audience in maniera più continuativa rispetto al semplice utilizzo delle info che possiamo tracciare tramite i cookie. Il target contestuale è un altro approccio molto interessante perché si possono targettizzare in maniera ottimale gli utenti per device e le informazioni fruite dagli utenti. Questo consente di fare delle previsioni più qualitative sulle audience.

 

Come l'utilizzo dell'intelligenza artificiale può semplificare l'analisi dei big data e quali tra questi sono davvero utili ai fini dell'analisi delle performance di una campagna?

Questo è un argomento ampio. Tutto dipende dalla definizione di performance della campagna’ che dovrebbe essere la prima cosa da definire (vedere la risposta alla domanda successiva, ndr). La strategia ‘Big Data’ aiuta sicuramente ad esplorare più metriche per valorizzare le prestazioni della campagna. Viene, inoltre, utilizzata ‘dietro le quinte’, dai provider tecnologici per ottimizzare i KPI (ad esempio: VTR, Ctr, ecc., ndr). Si tratta di uno scenario molto ampio, viziato ancora da molti pregiudizi e sfide, come ad esempio:

- Targeting applicato/algoritmo utilizzato per la distribuzione della campagna: Analisi basate sulle impression erogate. Questo non è rappresentativo di tutte le opportunità pubblicitarie e l'analisi delle prestazioni a maggior ragionenon è oggettiva del targeting applicato/della strategia di offerta/ecc. Le conclusioni sui ‘big data’ dovrebbero quindi essere: "utilizzando questa strategia di targeting e di offerta, in questo periodo dell'anno, con questo livello di campagne in competizione (...) vedo che il mio annuncio ha registrato una performance superiore agli standard".

- Statistical-confidence e actionability in un'analisi multidimensionale: Più metriche granulari vengono unite, meno osservazioni si otterranno. Ma soprattutto non sarà più possibile utilizzare gli insight. Un esempio semplice potrebbe essere: “vedo che il mio KPI è più performante in termini di impression che sono: 'alle 3 del mattino, su un dispositivo mobile, con un iPhone, su un publisher che è espn.com, quando l'argomento della pagina è "calcio", quando l'utente è "maschio", "fashion intent", "alto reddito" allora viene utilizzato l’asset creativo 3". Questo non è puramente utilizzabile su larga scala. Quindi i "big data" nel complesso aiutano sicuramente - ma come strumento e non come risposta automatica. Tutto questo funziona se l’erogazione della campagna non contiene pregiudizi e se chi analizza i dati trova la giusta granularità, traendo le giuste conclusioni e, infine, determinando una strategia che è attuabile per la campagna successiva.

 

Come stanno cambiando i KPI?

I KPI stanno cambiando progressivamente e la nostra missione è quella di fornire supporto ai nostri partner per indicare la giusta direzione. L’utilizzo dei KPI corretti dovrebbe essere il punto di partenza di qualsiasi percorso pubblicitario e spesso vi sono forti pregiudizi in merito.

Esempi di seguito:

- Upper Funnel (branding/awareness) - Spesso ci si affida alla viewability per formati display ed alla completion rate per i formati video. Prendere solamente questi KPI come riferimenti strategici per analizzare le performance di una campagna non basta e dovremmo guardare in maniera più approfondita a: 1) Accuratezza del target audience (alias ‘in-target’, ndr). Semplicemente perché un ad visualizzato/completato su un target sbagliato non ha lo stesso valore. 2) Inventario utilizzato: le completedview sull'inventario di terzo livello non avranno lo stesso impatto a  medio/lungo termine. 3) Il tipo di media: il video è skippabile? Quali sono le condizioni per la riproduzione del video/per la visualizzazione dell'annuncio? Che tipo di contenuto è presente intorno al video? (inventario utilizzato, ndr). Oltre all'utilizzo di queste nuove metriche, i test Brand Pulse (ad esempio: ad recall, brand awareness, ecc., ndr) possono completare un corretto approccio all’upperfunnel.

-  Mid Funnel (consideration/engagement) - Spesso si basa sulla click-through-rate o sulle visite allo shop (footfall/drive-to-store, ndr). Il Ctr è un click che porta a un traffico di scarsa qualità e non dovrebbe essere considerato una metrica attendibile. Oltre il 50% dei click della industry non sono qualitativi (ad esempio: click eseguiti per errore - effetto ‘fat-finger’, potenziali bot per alcuni player ad-tech, ecc., ndr). La rilevazione delle visite allo shop spesso si basa sul passaggio che viene effettuato tramite geolocalizzazione. Ciò è estremamente poco affidabile in ambienti web ed il gruppo di controllo utilizzato per misurare l’uplift è difficile da creare in modo oggettivo. L’evoluzione si è trasformata dai click alle visite di qualità e dalla geolocalizzazione al drive to store.

- Lower Funnel (conversion) - Il Cpa è il Kpi principale in cui molti player ancora fanno affidamento sull'attribuzione dell'ultimo click (last-touch attribution, ndr). Questo metodo è parzialmente a favore dei player che eseguono il re-targeting. Prende in scarsa considerazione l’impatto che hanno avuto i player del brand/del midfunnel. È come pensare che una squadra di calcio sia composta solo dal giocatore che segna il goal. Lo step successivo è l’utilizzo degli algoritmi di attribuzione smart multi-touch.

 

Teads: ecco le novità

L’offerta di datiTeads risulta efficiente sia attraverso una rilevazione mediante l’utilizzo di cookies sia senza di essi in ambienti per l’appunto definibili ‘cookieless’. L’azienda ha sviluppato la propria offerta di dati di prima parte in base a interessi o ai dati demografici degli utenti. L'idea alla base è semplice: "ciò che decidi di leggere determina chi sei". Alla base di tutto ciò vi è un algoritmo matematico, sviluppato da talentuosi data scientist, altamente qualitativo nelle analisi come confermato da Nielsen (ad esempio loro riportano che: i nostri dati sono + 30% più precisi rispetto al mercato, ndr) ed efficiente (doppio digituplift per ad recall, brand awareness o le metriche di  purchaseintent). Gli algoritmi di profilazione in tempo reale consentono a Teads di intercettare pattern relativi a un pubblico specifico. Viene utilizzato quando la cronologia dell'utente non è accessibile, ad esempio, cookieless. L’algoritmo dell’AI utilizzerà funzionalità come il contenuto della pagina o il dispositivo dell'utente per determinare evidenze socio-demo.

Francesca Fiorentino