Comment les data scientists peuvent améliorer la publicité sur les réseaux sociaux

La science des données explose - ce qui est naturel, compte tenu de notre culture en constante évolution et de notre capacité à apprendre tout ce qui est à la portée de nos doigts rapides.

Considérez, par exemple, que d'ici un an environ, Internet aura atteint son 5 milliardième utilisateur. Pendant ce temps, les gens effectueront environ 1,2 billion de recherches Google par an pour accéder aux plus d'un milliard de sites Web d'Internet.

Avec chaque recherche Google (et toute autre activité Internet de ce type), une empreinte de données est créée, remplie d'informations sur les intérêts, les comportements et les données démographiques de l'utilisateur. Cela signifie que le monde nage dans les données. Par conséquent, de nombreuses entreprises de martech, y compris Strike Social, doivent s'appuyer sur l'intelligence des scientifiques des données pour trier quelles informations sont utiles et celles qui doivent être supprimées.

Repenser l'impossible avec la science des données

Les data scientists sont souvent ceux qui posent les grandes questions auxquelles il peut sembler impossible de répondre. Leur curiosité leur permet également de développer de nouveaux modèles à la pointe de la technologie. Ils y parviennent grâce à une expérimentation structurée, telle que la restructuration de paramètres ou la combinaison de divers ensembles de données.

Il n'est donc pas surprenant que de nombreux spécialistes des données viennent de milieux universitaires, avec des diplômes avancés dans des domaines comme la biologie ou la physique.

^{Les data scientists de Strike, Bing Bu, Dmitry Bandurin et Jeongku Lim, travaillent au siège de la société à Chicago.}

C'est précisément le cas du trio de scientifiques de Strike Social - Dmitry Bandurin, Bing Bu et Jeongku Lim - qui détiennent tous un doctorat en physique expérimentale ou élémentaire (c'est-à-dire l'étude des éléments de base de la matière et de leur interactions). Avant de rejoindre Strike, Bandurin, Bu et Lim étaient des chercheurs qui se concentraient sur la destruction de particules élémentaires à l'intérieur de grands collisionneurs pour donner un sens à l'univers.

Maintenant, ils s'attaquent au monde du social payant.

En tant que scientifique principal des données chez Strike, Bandurin attribue à sa formation en recherche sa capacité à repenser ce qui est possible avec les mégadonnées. Et il a l'habitude de travailler avec des données réelles et expérimentales pour produire de nouveaux résultats.

"Ce n'est jamais pareil et ça change toujours", dit-il.

Bandurin, Bu et Lim conviennent tous que les scientifiques des données ont besoin de solides compétences mathématiques et analytiques ainsi que de connaissances en programmation pour réussir à exploiter la puissance de l'IA pour les réseaux sociaux rémunérés.

Alors, à quoi ressemble exactement une journée moyenne pour eux ? Bandurin estime que les réunions occupent environ 25 à 30 % de son temps, avec 10 % supplémentaires passés à travailler avec des développeurs ou à discuter de nouvelles découvertes avec l'équipe de science des données. Le reste du temps, ces scientifiques des données se concentrent sur les tests et le développement de modèles, puis sur leur implémentation dans des codes prototypes.

Bu dit qu'il aime aussi résumer le travail de chaque jour et planifier son emploi du temps pour le lendemain, la semaine ou même le mois au cas où un projet à long terme se présente à lui.

Comment les data scientists peuvent améliorer les réseaux sociaux payants

Les clusters créés grâce à une modélisation complexe aident les data scientists à tester leurs résultats dans des campagnes publicitaires gérées. Les scientifiques des données et les équipes médias de Strike travaillent ensemble pour développer des micro-campagnes qui permettent de tester discrètement des combinaisons de données. Lorsqu'une combinaison fonctionne ou atteint les indicateurs de performance clés, les dépenses publicitaires sont réaffectées des ensembles d'annonces sous-performants à ceux plus ciblés.

Les résultats de la campagne sont ensuite réinjectés dans le mélange de données, où les scientifiques de Strike continuent d'affiner les modèles statistiques pour améliorer les performances encore et encore.

Le processus continu d'enquête, de modélisation et de test ne s'arrête jamais dans le monde de l'analyse de données - il ne peut pas non plus s'arrêter, car les données sont en constante évolution. Quand les gens grandissent, ils acquièrent des intérêts et abandonnent les vieilles habitudes. La culture évolue également, comme en témoignent les méthodes de communication améliorées.

Avec la technologie, les techniques perfectionnées au fil des ans sont désormais éclipsées en quelques mois, comme le rythme accéléré d'apprentissage disponible avec l'IA.

"Compte tenu de l'augmentation exponentielle de l'utilisation du smartphone, de la télévision intelligente et d'autres appareils électroniques avancés, la collecte d'informations individualisées est réalisable, ce qui permettra la diffusion dédiée d'annonces individualisées", a déclaré Bu. "À l'avenir, le réseau sera moins cher et la couverture de l'utilisation s'élargira, de sorte que l'audience des publicités vidéo augmentera rapidement."

Sans l'esprit curieux des scientifiques des données de Strike - et leur engagement intrépide dans l'expérimentation des données - les avancées technologiques de l'IA ne seraient pas possibles.

Voici comment leur travail change la publicité sur les réseaux sociaux.

^{Les scientifiques des données de Strike, Jeongku Lim, Dmitry Bandurin et Bing Bu, sont tous titulaires d'un doctorat en physique expérimentale ou élémentaire.}

La science des données pour une meilleure gestion des audiences

Avec les quantités massives de données créées chaque seconde, les spécialistes du marketing doivent contrôler les résultats erronés dus à des biais inhérents, à des ensembles de données incomplets ou à des échantillons trop petits.

Un scientifique des données comprend que les audiences ne sont pas construites uniquement sur la démographie, mais sont composées de personnes ayant des comportements, des points faibles et des intérêts différents.

L'analyse des données de qualité intègre des indices comportementaux provenant des cookies, des analyses Web, du contenu généré par les utilisateurs et d'autres sources de mégadonnées. Pour créer des audiences détaillées et utiles, les scientifiques des données fusionnent de grands ensembles de données pour permettre aux mégadonnées de former des segments qui offrent un véritable aperçu des comportements de leurs clients.

Les audiences de qualité sont vérifiées par des tests dans les campagnes publicitaires et dépendent de la récence, de la fréquence et de la profondeur des données.

N'oubliez pas que la création d'audience commence par une hypothèse basée sur des variables et des objectifs connus. Par exemple, l'hypothèse initiale d'une compagnie d'assurance pourrait être : les personnes à la recherche d'une assurance automobile en ligne, âgées de 18 à 50 ans, qui possèdent au moins une voiture. Une hypothèse bien formulée restreint suffisamment votre analyse tout en produisant suffisamment de résultats pour découvrir des informations comportementales et motivationnelles.

La science des données pour une modélisation d'attribution appropriée

Une attribution marketing appropriée, ou la science permettant de déterminer quel message a motivé un achat, repose sur les données des convertisseurs et des non-convertisseurs. Comme ces données peuvent être très volumineuses, une modélisation avancée est nécessaire pour identifier et créditer correctement l'événement qui a conduit à la conversion de l'utilisateur.

Grâce à une technologie améliorée, telle que l'IA, les marques comprennent désormais mieux le parcours d'achat du consommateur. Avec suffisamment de données, les scientifiques peuvent examiner les canaux et les appareils marketing pour améliorer les points de contact et améliorer la messagerie.

La science des données pour de meilleures enchères en temps réel

Les progrès de la segmentation de l'audience et une meilleure compréhension des événements de conversion ont conduit à la pratique du RTB, une méthode d'achat et de vente d'annonces. Le RTB permet d'acheter une impression d'annonce individuelle simultanément avec la visite d'un utilisateur sur un site Web.

Si vous avez déjà regardé un produit sur un site Web, puis que vous avez consulté votre flux de médias sociaux, pour voir une publicité pour le même produit, vous avez probablement fait l'expérience du RTB via une publicité ciblée.

Ou, disons que vous avez acheté votre première maison et que vous en avez assez de manger dans des assiettes en plastique. Vous décidez de visiter Macy's en ligne pour rechercher de nouveaux couverts. Pas encore prêt à acheter, vous décidez de visiter Facebook pour voir ce qui se passe avec votre famille et vos amis. En faisant défiler votre flux, vous repérez une annonce avec l'image exacte de l'assiette que vous venez de voir.

Le RTB intensifie le processus d'achat et permet de cibler directement les utilisateurs individuels. Pour participer au processus, les scientifiques des données doivent avoir accès à de grandes quantités de données et posséder l'expertise nécessaire pour trier et récupérer des informations utiles afin d'obtenir des informations exploitables.

Où va la science des données

Parfois, le domaine de la science des données semble se développer aussi rapidement que l'univers que Bandurin, Bu et Lim ont passé tant d'années à explorer.

"La science des données continuera d'aider différentes entreprises à résoudre des problèmes, rendant les choses plus automatisées", déclare Bandurin. "Le développement de voitures autonomes en est un exemple, mais aussi l'automatisation d'autres véhicules, y compris les avions, les jeux d'échecs, l'aide aux personnes handicapées et les véritables androïdes dans toutes les sphères de la vie humaine."

Le résultat sera un monde entièrement nouveau tel que nous le connaissons.