WEBORAMA, UN BRAND GLOBALE

Transcript

1 DA BIG A SMART DATA

2

3 WEBORAMA, UN BRAND GLOBALE 17 ANNI 17 MERCATI 7 UFFICI 240 IMPIEGATI

4

5 ADAP Audience Driven Advertising Platform Audience & Data Management (DMP) Adserving & Tracking Data Exchange Trading Desk Data Consultants

6 Uh?!

7 RACCOGLIERE DATI

8 IMMAGAZZINARE ELABORARE DATI

9 ATTIVARE DATI

10 BIG DATA IN PAROLE POVERE Puoi scrivere il tuo nome e la tua età? Sono sicuro che puoi farlo. Puoi scriverlo per tutti i tuoi compagni di classe? O per tutti nella tua scuola? O tutti nella tua città? Tutti nel tuo Stato? Tutti nel mondo? E poi aggiungere anche la loro età, il loro colore preferito, il loro animale preferito, i loro programmi TV preferiti, più tutto ciò che ti viene in mente... Il tutto per milioni e milioni di persone. Questo è davvero troppo, non credi? Non puoi farlo tu e nemmeno io posso farlo. Ma alcuni computer possono farlo, ed è ciò che chiamiamo 'big data'. "Data" sono tutte queste cose che stiamo scrivendo e puoi immaginare che per milioni, miliardi, milioni di miliardi di persone, siano davvero "Big". Cosa possiamo fare con tutti questi dati? Siamo in grado di trovare modelli. Ad esempio, le persone che fanno i programmi televisivi possono scoprire che ai bambini che amano la musica piace molto anche disegnare, e potranno decidere di fare un nuovo programma di musica e arte. Oppure gli ospedali potrebbero scoprire che le malattie degli anziani sono correlate a ciò che le persone amano mangiare. Questo potrebbe aiutare le famiglie e i medici a prendersi cura meglio dei nostri nonni. Donald Farmer, Qlik s VP of product management

11

12 BIG DATA PER... Predire i vincitori degli Oscar Capire e Ottimizzare i Processi Aziendali Analisi personale e ottimizzazione delle prestazioni personali Migliorare la Salute pubblica e la ricerca medica Migliorare le prestazioni Sportive Migliorare Scienza e Ricerca Scientifica Ottimizzare le prestazioni di macchinari e dispositivi elettronici Migliorare la sicurezza nazionale e il lavoro della polizia Migliorare e ottimizzare le Città e gli Stati Capire e targettizzare meglio i Clienti

13 BIG DATA PER... Predire i vincitori degli Oscar Capire e Ottimizzare i Processi Aziendali Analisi personale e ottimizzazione delle prestazioni personali Migliorare la Salute pubblica e la ricerca medica Migliorare le prestazioni Sportive Migliorare Capire e targettizzare Scienza e Ricerca meglio Scientifica i Clienti Ottimizzare le prestazioni di macchinari e dispositivi elettronici Migliorare la sicurezza nazionale e il lavoro della polizia Migliorare e ottimizzare le Città e gli Stati Capire e targettizzare meglio i Clienti

14

15 SCARSITA DI DATI

16 RICERCHE ELABORATISSIME Abitudini mediatiche Profilo socio-demografico Panel Composizione famigliare Abitudini d acquisto Reddito Attitudini Profilo psicografico

17 ATTIVAZIONE ELEMENTARE Uomo/Donna Fascia d eta...forse DISPERSIONE, MISURAZIONE A CAMPIONE, INCERTEZZA

18 TARGETING APPROSSIMATIVO

19 CONTENUTI E PUBBLICITA GENERALISTI

20 ERA DIGITALE

21 Accesso (quasi) illimitato all informazione Digitalizzazione dei contenuti Atomizzazione dei contenuti UGC Fruizione individuale Tracciamento degli utenti Capacità di archiviazione (quasi) illimitata Contenuti fluidi

22

23 CANALE DI RITORNO = LASCIARE TRACCE Dove navigano? Cosa fanno? Cosa comprano? Cosa interessa loro? Quali percorsi?

24 BIG DATA NELL ONLINE MARKETING CRM Data dell inserzionista Website Data dell inserzionista Media Data Customer Segment Customer Online Path Media Exposure Data Next Best Action Transaction data Click Through Data Customer Geo Area Referrer data Fonte: CRM Fonte: analytics Fonte: adserver (Weborama) Customer Portraits Fonte: DB interni (first party) Non Customers Demographics Attitude & Interests Shopping Propensities Geography Life Events Fonte: DB esterni (third party)

25 DATI ELABORATI IN UNA DMP

26 ATTIVAZIONE Il tipo di attivazione dei dati elaborati da una DMP più diffuso è quello in ambito «programmatic»: i segmenti creati vengono utilizzati come criterio di targeting o come «filtro» a monte (lato Demand Side Platform, ovvero advertiser) o a valle (lato Supply Side Platform, ovvero publisher) del processo di buying automatizzato. L utilizzo dei dati è comunque possibile laddove vi sia una «macchina» in grado di prendere decisioni sulla base di vari criteri, dove il target (segmento) è uno di essi.

27 BIG DATA: QUANTO BIG? Weborama, in un paese come la Francia, raccoglie dati su 7 MILIONI di URL da SITI. Che porta a: 40 MILIONI DI HIT al giorno, per 10 MILIONI DI UTENTI UNICI. 1.5 MILIARDI DI DATA EVENTS sono processati tutti i mesi per costruire il Database.

28 70 milioni di cookie unici profilati in Italia 160 cluster comportamentali Cluster raggruppati in 23 segmenti 13 segmenti socio-demo 480 milioni di profili italiani

29 VECCHIE E NUOVE OPZIONI 2/3 variabili (genere, età,...) 1 creatività per tutti Risultati inferiti 4 milioni di persone -> 1 profilo Centinaia/migliaia di variabili Creatività dinamiche Risultati misurati in tempo reale 4 milioni di persone -> 4 milioni di profili

30 IL PARADOSSO DEI BIG DATA TROPPO BIG!

31 SEMPLIFICAZIONE

32 VARIABILI NUOVE LOGICHE VECCHIE Target costruito offline Target di marketing: 10 variabili Target di comunicazione: 5 variabili Target media: 2 variabili* Variabili disponibili online: migliaia *Variabili utilizzate: 2

33 MEMENTO... Puoi scrivere il tuo nome e la tua età? Sono sicuro che puoi farlo. Puoi scriverlo per tutti i tuoi compagni di classe? O per tutti nella tua scuola? O tutti nella tua città? Tutti nel tuo Stato? Tutti nel mondo? E poi aggiungere anche la loro età, il loro colore preferito, il loro animale preferito, i loro programmi TV preferiti, più tutto ciò che ti viene in mente... Il tutto per milioni e milioni di persone. Questo è davvero troppo, non credi? Non puoi farlo tu e nemmeno io posso farlo. Ma alcuni computer possono farlo, ed è ciò che chiamiamo 'big data'. "Data" sono tutte queste cose che stiamo scrivendo e puoi immaginare che per milioni, miliardi, milioni di miliardi di persone, siano davvero "Big". Cosa possiamo fare con tutti questi dati? Siamo in grado di trovare modelli. Ad esempio, le persone che fanno i programmi televisivi possono scoprire che ai bambini che amano la musica piace molto anche disegnare, e potranno decidere di fare un nuovo programma di musica e arte. Oppure gli ospedali potrebbero scoprire che le malattie degli anziani sono correlate a ciò che le persone amano mangiare. Questo potrebbe aiutare le famiglie e i medici a prendersi cura meglio dei nostri nonni. Donald Farmer, Qlik s VP of product management

34 DA BIG A SMART: CORRELAZIONI Rapporto causale Correlazione Rapporto causale

35 Una correlazione è una constatazione fine a se stessa Una correlazione ripetuta due volte è un caso Una correlazione ripetuta dieci volte è sospetta Una correlazione ripetuta un milione di volte è STATISTICA

36 I NUOVI MODELLI DI TARGET Abbiamo enormi quantità di informazioni sui già clienti/prospect Abbiamo enormi quantità di informazioni su chi cliente ancora non è Abbiamo straordinarie capacità di trovare correlazioni PARTIAMO DAL PROFILO REALE DEI TUOI CLIENTI Costruiamo un modello statistico dei tuoi clienti, usando TUTTI i dati Applichiamo il modello al resto della popolazione per trovare i simili

37 PRENOTA UN TEST DRIVE MIGLIORE AUDIENCE, MIGLIORI PERFORMANCE C-CLONES

38 AUDIENCE EXTENSION DB utenti dal profilo conosciuto DMP Espansione del target su look-alikes Ambiente media Profilo utente a target C-Clones

39 CASE HISTORY 1: PERFORMANCE Campagna Lead generation Settore Finance/Insurance Dopo una prima fase di raccolta e analisi dei dati, in seguito al tracciamento di attività display, sono stati creati 4 segmenti sulla DMP Weborama e 5 linee di campagna: STRUTTURA DELLA CAMPAGNA Segmento C-Clones TYP (look-alike dei converter sulla TYP) Linea di campagna C-Clones TYP Segmento C-Clones Step3Funnel (look-alike degli utenti arrivati allo step 3 del funnel di conversione) Linea di campagna C-Clones Step3Funnel Cluster generici (cluster Weborama) Linea di campagna Cluster Segmento Retargeting Linea di campagna Retargeting (Retargeting nelle 24 ore dei clicker di campagna) - Linea open, senza targeting su cluster/segmenti per poter alimentare di nuovi utenti i C-Clones

40 CAMPAGNA WEBORAMA Campaigns Impressions Clicks CTR% CPC Costo Post-click conversion Thankyou Page - Weborama Migliore efficienza in termini di click (CPC) dalla linea C-Clones TYP Migliore efficienza in termini di lead attribuite post-click dalla linea C-Clones Step3 Funnel CPL post click C-Clones Step3Funnel ,16% 0, , ,43 C-Clones TYP ,18% 0,30 856, ,83 Clusters ,12% 0, , ,52 Open NoTGT ,07% 0, , ,68 Retargeting ,22% 0,23 314, ,76 Total ,12% 0, ,09 GLI UTENTI INDIVIDUATI CON I C-CLONES HANNO UNA MAGGIORE PROPENSIONE GENERALE AL CLICK E ALLA CONVERSIONE

41 CASE HISTORY 2: PERFORMANCE Campagna Lead generation e Qualifica del Traffico Settore automotive Obiettivo campagna: download brochure Tipo campagna: Display + DEM Durata campagna: 2+2 settimane Concessionarie coinvolte: 16 Totale brochure scaricate: Download attribuiti a Weborama: (13%) Media piano costo per download: 115,81 Costo per download Weborama: 18,80

42 BIG E SMART: LA RIVOLUZIONE Target costruiti su campioni statistici Target costruiti su tutti i dati disponibili Dati scelti per adattarsi a modelli Modelli modelli costruiti coi dati Target media Target di prodotto Proiezioni statistiche Statistiche e algoritmi

43

44 I BIG DATA SONO NULLA SENZA DATA SCIENCE

45 ROBERTO CARNAZZA ITALY COUNTRY MANAGER