Voici comme promis un retour sur la seconde partie de notre workshop co-animé avec Google le 20 Juin dernier ! Après un tour d’horizon qui a permis de définir les contours de l’intelligence artificielle et du machine learning, Google nous a présenté l’usage fait dans ses différents domaines d’activité pour améliorer ses produits et services.

L’Intelligence Artificielle, un composant indispensable pour des campagnes locales performantes

Les dernières années ont vu se démultiplier les formats de publicités digitales disponibles. Si les plus traditionnelles restent les campagnes Search et Display, vous pouvez désormais communiquer au choix sur un ensemble de canaux en local en fonction de vos objectifs : Search, Google Maps, Google My Business, YouTube ou encore réseau Display. Ceci permet aux points de vente d’être potentiellement présents à tous les instants d’un parcours d’achat. Pour les commerces physiques, les campagnes locales lancées l’année dernière par Google permettent, grâce au machine learning, de diffuser des campagnes qui s’optimisent automatiquement sur l’ensemble de ces canaux à partir des éléments mis à disposition (titre, description, visuels).

Les algorithmes puissants que nous avons déjà évoqués sont en capacité d’analyser des millions de données (localisation donc, mais aussi degré d’avancement dans la réflexion, âge, centres d’intérêts, contexte de vie, historique de navigation, achats effectués…) afin de proposer à l’internaute la réponse à la question qu’il n’a peut-être pas encore posé !

La plateforme Inlead pour le pilotage par les têtes de réseau de campagnes digitales performantes

Philippe Juredieu a ensuite abordé avec les interlocuteurs présents à la Station F une problématique qui leur est spécifique en tant que Directeur Marketing ou Directeur du Digital : comment piloter finement des campagnes digitales en local. L’objectif étant notamment, tout en conservant une maîtrise de la communication sur l’ensemble des points de vente de permettre à chacun d’activer des campagnes personnalisées ET performantes sur chaque zone de chalandise.

C’est la réponse qu’Inlead apporte depuis plus de 3 ans, en utilisant notamment le machine learning pour garantir une optimisation constante, du paramétrage aux performances de ses campagnes.

Parmi les cas concrets qui ont ainsi illustré son propos :

• Les audiences sur le marché

Les audiences sur le marché ciblent, dans les résultats de recherche, les internautes dans la dernière étape d’achat de leur réflexion; pertinent pour les annonceurs dont l’objectif principal est la conversion. Google analyse des milliards de requêtes et d’activités de recherche pour déterminer le moment auquel les internautes sont proches de l’acte d’achat et à ce moment précis leur proposer la publicité la plus pertinente.

Exemple de mise en œuvre avec Comera Cuisines, un réseau de 50 points de vente

Avec le déploiement des audiences sur le marché :

Un résultat qui se passe de commentaires !

• Campagnes Intelligentes sur le réseau Display: il s’agit de campagnes auto-apprenantes tenant compte de multiples variables. Leur optimisation se base sur :
  • La création d’annonces automatiques à partir d’éléments fournis (titres, descriptions, logo, images) qui s’adaptent à tous les espaces publicitaires du réseau Display
  • L’optimisation automatique du ciblage en privilégiant progressivement les emplacements les plus performants grâce à la prospection dynamique
  • Des enchères automatiques en fonction d’un coût par conversion cible.

Exemple de mise en œuvre avec Générale Des Services, un réseau de 60 points de vente spécialisé dans les services à la personne.

• Utilisation des données Google My Business pour le ciblage géographique

Google My Business, au-delà de son caractère incontournable pour la visibilité locale, est devenu également un outil de recueil de données très puissant.

Des informations intéressantes sont remontées, qui permettent d’évaluer la visibilité d’un point de vente : affichage dans les résultats de recherche, demandes d’itinéraires, appels générés, visite de la page locale…

Parmi ces informations, donc, les zones géographiques à partir desquelles les internautes ont demandé l’itinéraire pour accéder à un point de vente. Ces informations permettent d’affiner le ciblage géographique des campagnes publicitaires et toucher les clients potentiels plus finement qu’avec un « simple » ciblage par code postal par exemple.

Exemple d’utilisation avec Guy Hoquet, réseau immobilier de 550 agences

Dans un contexte ultra concurrentiel, l’enjeu d’un ciblage au plus fin des campagnes digitales est crucial.

Demain, une plateforme tirant encore un peu plus bénéfice du machine learning

Nous ne vous dévoilerons pas ici le détail des projets d’Inlead, sur lesquels nous avons déjà un peu partagé à l’occasion de notre levée de fonds en Mars dernier 😉

Vous l’avez compris, au-delà du « buzz word » que vous retrouvez aujourd’hui sur toutes les publications liées au marketing digital, l’utilisation technologique des possibilités du machine learning est une formidable opportunité pour développer des outils qui permettent déjà aux marketeurs de gagner en temps et en finesse dans leurs campagnes, mais aussi et surtout aux responsables de magasin d’adresser de manière toujours plus adaptée leur clientèle potentielle et de générer du trafic vers leurs points de vente.

Si vous souhaitez en savoir plus, vous l’avez compris, il ne reste qu’à nous contacter pour une démo de l’outil !