Tutta la presentazione dei relatori del Upgrade Big Data Academy

2. TITOLO

3. THE ULTIMATE GUIDE
TO DATA IN ADVERTIING
IN 10 QUESTIONS

4. 1. WILL DATA REALLY CHANGE
THE WORLD?

5. GLOBAL DATA VOLUME
1. DATA
2. PROGRAMMATIC
3. DATA FUNNEL
4. DIGITAL
5. DATA QUALITY
6. DATA PARTIES
7. DATA CONTROL
8. KPIS
9. DATA PLATFORMS
10. DATA FUTURE
2013
20204.4ZB
44ZB
2005
Sources: Global Data Volume by

6. DATA GRAVITY
More Data = More Applications
Attracted
1. DATA
2. PROGRAMMATIC
3. DATA FUNNEL
4. DIGITAL
5. DATA QUALITY
6. DATA PARTIES
7. DATA CONTROL
8. KPIS
9. DATA PLATFORMS
10. DATA FUTURE

7. 2. WHAT IS THE ROLE OF
PROGRAMMATIC IN
ADVERTISING?

8. PROGRAMMATIC CHANGES EVERYTHING
M 25-34
Publishers
Media-
Centric
Audience-
Centric
1. DATA
2. PROGRAMMATIC
3. DATA FUNNEL
4. DIGITAL
5. DATA QUALITY
6. DATA PARTIES
7. DATA CONTROL
8. KPIS
9. DATA PLATFORMS
10. DATA FUTURE

9. PROGRAMMATIC IS EXPLODING
28% 78%
Sources: Politecnico, IAB Italia, eMarketer
23% (2016)
1. DATA
2. PROGRAMMATIC
3. DATA FUNNEL
4. DIGITAL
5. DATA QUALITY
6. DATA PARTIES
7. DATA CONTROL
8. KPIS
9. DATA PLATFORMS
10. DATA FUTURE

10. 3. WHICH DATA IS MOST
IMPORTANT?

11. THE DATA FUNNEL
Action
Interest /
Location
Purchase
Intent
Attention
Interest
Desire
AIDA MODEL
Socio-Demo
1. DATA
2. PROGRAMMATIC
3. DATA FUNNEL
4. DIGITAL
5. DATA QUALITY
6. DATA PARTIES
7. DATA CONTROL
8. KPIS
9. DATA PLATFORMS
10. DATA FUTURE

12. 4. SHOULD I GET A LOT OF
DESKTOP DATA?

13. DIGITAL GROWTH & NOW MOBILE
1.5
0.7
1.5
1.0
201
6
201
7
+30-
40%
+0%
Revenue in €
billion
Desktop & Mobile
Sources: Politecnico, comScore
36%
64%
Time Share
Desktop & Mobile
36%
64%
1. DATA
2. PROGRAMMATIC
3. DATA FUNNEL
4. DIGITAL
5. DATA QUALITY
6. DATA PARTIES
7. DATA CONTROL
8. KPIS
9. DATA PLATFORMS
10. DATA FUTURE

14. 5. IS AVAILABLE DATA ANY
GOOD?

15. DATA QUALITY IS LACKING
84%
of users have both genders
60%
of users have wrong age
25%
on-target benchmark for
women, 25-34 in Italy
on mobile
56%
on-target benchmark broad
target groups
1. DATA
2. PROGRAMMATIC
3. DATA FUNNEL
4. DIGITAL
5. DATA QUALITY
6. DATA PARTIES
7. DATA CONTROL
8. KPIS
9. DATA PLATFORMS
10. DATA FUTURE

16. 6. SO I FOCUS ON 1ST PARTY
DATA?

17. DATA PARTIES
1st
3rd2nd
1. DATA
2. PROGRAMMATIC
3. DATA FUNNEL
4. DIGITAL
5. DATA QUALITY
6. DATA PARTIES
7. DATA CONTROL
8. KPIS
9. DATA PLATFORMS
10. DATA FUTURE

18. 7. HOW DO I KNOW 3RD PARTY
DATA IS GOOD?

19. FIGHTING FOR TRANSPARENCY
Sources: AIMC, Nielsen DAR EU 2016, comScore vCE EU Q1 2017
1. DATA
2. PROGRAMMATIC
3. DATA FUNNEL
4. DIGITAL
5. DATA QUALITY
6. DATA PARTIES
7. DATA CONTROL
8. KPIS
9. DATA PLATFORMS
10. DATA FUTURE

20. 8. HOW DO I MEASURE
CAMPAIGN SUCCESS?

21. KPIS ARE MORE THAN JUST CTR
1. DATA
2. PROGRAMMATIC
3. DATA FUNNEL
4. DIGITAL
5. DATA QUALITY
6. DATA PARTIES
7. DATA CONTROL
8. KPIS
9. DATA PLATFORMS
10. DATA FUTURE
Regression Analysis
A negative pattern exists between Sales Lift per
Household and Click Through Rate: as CTR
increases, sales decrease.
R2
= -0.039
SalesLift/HHin
$
Click-through
Rate
Sources: comScore

22. 9. HOW WILL THE DATA MARKET
BECOME EFFICIENT?

23. DATA CURATION & PLATFORM APPROACH
D1D1
D2D2
D3D3
D4D4
B1B1
B2B2
B3B3
B4B4
D1D1
D2D2
D3D3
D4D4
B1B1
B2B2
B3B3
B4B4
Without
Platforms &
Curation
With Platforms
& Curation
1. DATA
2. PROGRAMMATIC
3. DATA FUNNEL
4. DIGITAL
5. DATA QUALITY
6. DATA PARTIES
7. DATA CONTROL
8. KPIS
9. DATA PLATFORMS
10. DATA FUTURE

24. 10. WHAT DOES THE FUTURE
LOOK LIKE?

25. DATA CURATION & PLATFORM APPROACH
SCALE SCALE &
QUALITY
SCALE,
QUALITY &
CONNECTION
1. DATA
2. PROGRAMMATIC
3. DATA FUNNEL
4. DIGITAL
5. DATA QUALITY
6. DATA PARTIES
7. DATA CONTROL
8. KPIS
9. DATA PLATFORMS
10. DATA FUTURE

26. THE DATA STRATEGY MANIFEST

27. THE DATA STRATEGY MANIFEST
1. DATA IS HERE TO STAY
2. PROGRAMMATIC CHANGES
ADVERTISING
3. USE DATA ACROSS ADVERTISING
FUNNEL
4. FOCUS ON MOBILE
5. PAY ATTENTION TO DATA QUALITY
6. LEVERAGE 1st
, 2nd
& 3rd
PARTY DATA
7. CONTROL IS BETTER THAN TRUST
8. USE KPIs ACCORDING TO GOALS
9. PARTER WITH THE BEST DATA
PLATFORMS

30. DATA IS THE NEW OIL:
utilizzare i dati di prima,
seconda e terza parte
per aumentare le vendite
(e i profitti) del tuo
ecommerce

31. Data Revolution: New oil of the Economy

32. First, Second, Third-Party Cookies
• Cookie di prima parte:
tuoi
• Cookie di seconda
parte: di qualcun altro
• Cookie di terze parti: di
molti altri

33. Third-Party Data

35. Per stabilire in tempo reale i seguenti dati in tempo reale sono
necessari una combinazione di dati di prima e di terza parte:
•Chi sono i vostri clienti e a cosa sono interessati
•Acquisti precedenti che hanno fatto persone simili a te
•Di cosa hanno bisogno adesso
•Età, sesso e posizione geografica
•L'ora del giorno dove sono più attivi
•Quale dispositivo si utilizza per navigare e acquistare
•Se pensate che sia sufficiente raccogliere solo questi dati,
allora dovete ripensare. Man mano che la personalizzazione
acquista slancio, questo approccio sarà già vecchio.
eCommerce personalization

36. Crea nuove opportunità e
offre un vantaggio
competitivo per le
aziende.
Tocca ogni cosa - non
solo i dati, ma anche
dove, come, quando,
perché li si prende.
IOT

37. 1) Assicurare un'esperienza di shopping personale,
2) Merchandising più efficace, 3) Fedeltà della clientela,
4) Gestione dell'inventario
Dati e retail

38. “Usare al meglio il
Programmatic Advertising”
http://kahuna.guru

40. SMARTDATA
Dall’analisi del contesto
all’intenzionalità di acquisto
degli utenti

41. PROGRAMMATIC PARTNER
Partnership con fonti di dato
esclusive
ESPERIENZA MULTI-
SETTORE
Sia a livello nazionale che
internazionale
UN APPROCCIO MULTI
KPI
Branding/ Traffico / Vendite
DATI
ESCLUSIVI
170 ESPERTI (47%
R&D)
31 PREMI VINTI
Know how, tecnologie proprietarie ed esperienza internazionale
TECNOLOGIE
PROPRIETARIE

42. Quant i dat i
produci amo ogni
gi orno?

43. 2.5 QUINTILIONI BYTES DI DATI
PRODOTTI OGNI GIORNO
Il 90% dei dati
mondiali sono stati
creati solo negli
ultimi 2 anni
Fonte: http://www.northeastern.edu

44. Da dove arri vano i
dat i ?

45. OGNI MI NUTO
2M ricerche
su Google
72 ore
di video caricati
350 GB di dati
processati
100 milioni di mail
generate
571 571 nuovi
website
lanciati
Fonte: www.businessinsider.com

46. E da circa 60 trilioni di pagine presenti sul web…
…una media di 10.000 pagine per personaFonte: Kevin Kelly: The Inevitable: Understanding
the 12 Technological Forces That Will Shape Our
Future

47. I dat i sono i l carburant e
del programmat i c
advert i si ng

48. Noi di Tradelab raccogliamo più di
2.000.000.000.000
di
dati al giorno

49. RACCOLTA
Dati provenienti da diverse
fonti di data
TARGETING
Degli utenti sulla base delle loro
caratteristiche e customer journey
OTTIMIZZAZIONE
In tempo reale dei dati e della
campagna
SEGMENTAZIONE
Creazione di cluster di
buyer-personas
CREATIVITA’
Ah hoc multiformato e
multidevice
ANALISI
Delle performance e dell’impatto
della campagna
Il programmat i c è al i ment at o dai dat i
I dati sono il carburante di tutte le fasi chiave del programmatic buying

50. 3rd
party data
Dati di terze parti
1 2
2nd
party data
Dati di un Partner
+ Dati qualificati e intenzionali
+ Possono rispondere a
bisogni specifici
- Reach variabile seconda del Partner
2nd
party data esclusivi di un
Partner
+ Ampia reach
- Opacità più o meno forte
- Performance aleatorie
3rd
party data venduti da Data
Provider
3
1st
party data
Dati del cliente
Esi st ono di verse t i pol ogi e di dat i
I dati non sono tutti uguali ma si differenziano per qualità e reach

51. Qual i dat i è megl i o
ut i l i zzare per l e vost re
campagne?

52. NON CI SONO
INFORMAZIONI SU
COME VENGONO
RACCOLTI E DA DOVE
PROVENGONO
NON CI SONO INSIGHT
SULLA LORO RECENCY
E FRESCHEZZA
SONO POCO
COMPETITIVI
PERCHE’ APERTI A
TUTTI
Mancanza di traparenza sul
contentuto associato ai dati
La freschezza del dato è la chiave
del media buying = momento di
acquisto
Tutti hanno accesso alla stessa
data library
NON PERMETTONO
CUSTOMIZZAZIONI
Sono uguali per tutti e non si
adattano a specifiche
problematiche
I3rd
party data presentano oggi molti limiti e poca chiarezza sulla loro gestione
e quelli socio-demo da soli non bastano a targettizzare l’utente
I dat i di t erze part i non soddi st ano pi ù l e
aspet t at i ve degl i i nserzi oni st i

53. TRASPAREN
TI
DATI QUALIFICATI DATI TRASPARENTI DATI INTENZIONISTI
+ +
MASSIMIZZAZIONE DELLE PERFORMANCE
Bi sogna punt are oggi su dat i
qual i f i cat i
e i nt enzi oni st i

54. Passare da soluzioni « one-fits all »
uguali indipendentemente dalla tipologia
di mercato e dall’inserzionista
A soluzioni verticali per mercato
e che rispondono alle problematiche
degli inserzionisti
Auto Movie Gamin
g
E su sol uzi oni ad hoc che ri spondano al l e
esi genze degl i i nserzi oni st i

55. Smart Dat a
Dal l ’ ut ent e al l a sua
i nt enzi onal i t à
di acqui st o

56. Movie
Auto
Int ercet t are l ’ i nt enzi one di acqui st o del l ’ ut ent e
Grazie a partnership esclusive con fonti di dato pure e trasparenti su tre grandi verticali
Gamin
g
Movie
NEXT?

57. Part ners Tradel ab pure pl ayer ent ert ai nment
e aut omot i ve
Tra i più grandi
publisher
italiani per il
settore gaming,
movie e
automotive

58. E’ i mport ant e avere dat i escl usi vi , uni ci
e speci f i ci sul t arget
ANALISI A 360° E MULTI-CHANNEL E MULTI- DEVICE DELL’UTENTE :
NAVIGAZIONE, RICERCA, COMPORTAMENTO CONTESTUALE E
TRANSAZIONALE IN TEMPO REALE
CANAL
I• Motor1
• MoviePlayer
• Multiplayer
DATI
CONTESTUALI
• Film, Serie TV
• Tipo di macchina
• Nome del distributore
• Listino…
INTERAZION
I• Commenti
• Condivisioni
• Tempo speso
FREQUENZ
A
• Numero di contenuti
consultati
INTENZIONALITA
’
DI ACQUISTO
DELL’UTENTE

59. TOOL DI
COMPARAZIONE
Analisi comparativa dell‘audience
per identificare quale altro vostro
prodotto durante una campagna sta
attirando loro attenzione in quel
questo momento
Conoscere anche qual i sono i prodot t i
di i nt eresse af f i ni
Indicediconcentrazione

60. Serie simili Identificazione di serie TV che contengono audice simili
SEGMENTAZIONE PROCESSO
Identificazione di videogiochi che contengono audience
simili
Videogiochi simili
Adventure
audience
Casting visitors
audience
Look-alike
Dati qualificati con minore reach ma un alto tasso di
conversione
1
2
3
4
5
Per allargare la reach, le tecnologie di Tradelab identificano
gli internauti con lo stesso percorso
Targeting di audience specifiche ( es: giovani, donne) a
più alta probabilità di conversione
POSSIBILITA’ UNICA DI ALLARGARE LA REACH
GRAZIE A SEGMENTAZIONI GRANULARI
ATTIVABILI SU YOUTUBE
skip
Target t i zzare l ’ audi ence anche su YouTube

61. Come avvi ene i l
pr ocesso di r accol t a
dei dat i ?

62. Moviergoer
s
Cooking
fans
Hardcore
gamers
Tradelab Data Optimization
Platform (DOP)
Creazione di cluster di
buyer-personas specifici e su misura
Segmentazione granulare
in tempo reale
dell’audience
I tag vengono implementati sul sito
per raccogliere i dati e analizzare la customer
journey degli utenti

63. Cal col are l a probabi l i t à di i nt eresse del l ’ ut ent e
ETA’
GENER
E
GEO
PLAYER ONLINE
MOVIERGOERS
HEALTHY ADDICTED
CONNESSIONE
MOMENTO DEL
GIORNO
DEVICE
Probabilità di interesse
+30%
vs media degli utenti
internet
Asta
Probabilità di interesse
+60%
vs media degli utenti
internet
Asta
+60%
VS asta base
DATI
SOCIO-DEMO
DATI
ESCLUSIVI
LEARNING
ALGORITMICO
Tutti dati raccolti sono alla base della creazione di un algoritmo di acquisto su misura del
cliente
+30%
VS asta base
Asta

64. v
Trailer 2
Broadcast
Teaser 1
Modelling di
audience simile
Fans del film
Spiderman
Trailer 2
Display IAB
Display IAB
Retargeting
Good job !
NO
CLICK
-80%
NO
CLICK
SI
CLICK
NO
CLICK
SI
CLICK
SI
CLICK
NO
CLICK
SI
CLICK
SI
CLICK
NO
CLICK
NO
CLICK
SI
CLICK
Display IAB
Display IAB
Retargeting
Good job !
Esposizione allo
stesso trailer
Creare una brand experi ence personal i zzat a
sul l ’ ut ent e
Esempio di customer journey scenarizzato su diversi formati e con capping controllato

65. Per concl udere

66. Tradelab: una piattaforma programmatica che guarda già al futuro dell’advertising
Approccio verticale
per settore
Segmentazione
customizzata
La vert i cal i zzazi one sarà i l f ut uro
del programmat i c?
Bidder
personalizzato

67. Domande?

68. Gr azi e!
www. t r adel ab. com

71. DMP E DSP
NELL’ERA DELLA
DIGITAL
TRANFORMATION:
UNA VISIONE PRATICA

72. PARLIAMO DI TRASFORMAZIONE DIGITALE
Con il termine digital transformation si indica un
insieme di cambiamenti prevalentemente tecnologici,
culturali, organizzativi, sociali, creativi e manageriali.
Wikipedia

73. COME CE LA IMMAGINIAMO

74. NELLA REALTÀ

75. GESTIRE I DATI
Le aziende che investono in pubblicità possono fruire
di un gran numero di dati (big data) e utilizzarli per
efficientare l’acquisto di spazi pubblicitari e gestire
al meglio i processi di marketing.
Quali sono gli strumenti?

76. AD TECH MAR TECH
LE TECNOLOGIE PER I MARKETERS

77. AD TECH MAR TECH
LE TECNOLOGIE PER I MARKETERS
CRM
Raccoglie informazioni sui
consumatori/clienti e ne
agevola la gestione.

78. AD TECH MAR TECH
LE TECNOLOGIE PER I
MARKETERS
Web Analytics / Tag Manager
Raccoglie, registra e analizza le attività
le operazioni sul sito internet e proprietà
digitali dell’azienda
CRM
Raccoglie informazioni sui
consumatori/clienti e ne
agevola la gestione.

79. AD TECH MAR TECH
CRM
Raccoglie informazioni sui
consumatori/clienti e ne
agevola la gestione.
Web Analytics / Tag Manager
Raccoglie, registra e analizza le attività
le operazioni sul sito internet e proprietà
digitali dell’azienda
DMP
Raccoglie, segmenta arricchisce
audience e lo rende azionabile per
essere comprato in pubblicità con ad
server/DSP
Ad Server e DSP
Erogano annunci pubblicitari
LE TECNOLOGIE PER I MARKETERS

80. DMP: GESTIRE I DATI

81. LA DATA MANAGEMENT PLATFORM
La DMP colleziona, segmenta e rende azionabili i dati utili
per l’erogazione di campagne pubblicitarie rilevanti
per un target audience.
» Segmento 1
» Segmento 2
» Segmento 3
» Etc..

82. CREARE SEGMENTI
datI, DATI, DATI datI, DATI,
DATI
datI, DATI, DATI datI, DATI,
DATI
datI, DATI, DATI datI, DATI,
DATI
datI, DATO, DATI datI, DATI,
DATI

83. CREARE SEGMENTI
datI, DATI, DATI datI, DATI,
DATI
datI, DATI, DATI datI, DATI,
DATI
datI, DATI, DATI datI, DATI,
DATI
datI, DATO, DATI datI, DATI,
DATI

84. CHE INFORMAZIONI
CONTENGONO I SEGMENTI
Socio-Demografici
Interesse
Intento

85. DA DOVE POSSONO ARRIVARE
Dati di prima parte
di proprietà dell’azienda,
utilizzabili per le campagne
di comunicazione.
•CRM
•Web analytics di azioni
specifiche sul sito/app
•Lead generate da un form
•Dati Offline (es. call center)
Dati di terza parte
di proprietà di terzi e
utilizzabili per le tue
campagne.
•Raccolti e anonimizzati
•Forniti da data providers
exchanges
•Forniti per lead generation

86. COME POSSONO ESSERE
COLLEZIONATI
Cookie Device IDAdvertiser ID
Validità media 30 giorni
Browser
Su mobile device,
efficace anche su App
L’identificativo del
dispositivo
User ID

87. COOKIE MATCHING

88. DEVICE GRAPH ID

89. Carl vive a Milano, ha 31 anni.
Gli piace il running e il ciclismo.
Ogni sua azione è un touch
point, ed è tracciabile attraverso
appositi strumenti di gestione di dati.
VI PRESENTO CARL
Tutti i giorni utilizza PC, smartphone e
legge gli articoli su smartphone prima
di andare a dormire. Non ha un tablet.

90. ORGANIZZARE I SEGMENTI CUSTOM
GEOGEO
AGEAGE
INTERESTINTEREST
DEVICEDEVICE
MilanMilan
25-3425-34
SportSport
TabletTablet
SEGMENTO: GIOVANE SPORTIVO
Tutti i giorni utilizza PC, smartphone e
legge gli articoli su smartphone prima
di andare a dormire. Non ha un tablet.
Carl vive a Milano, ha 31 anni.
Gli piace il running e il ciclismo.
or
not
and

91. COME ORGANIZZARSI IN AZIENDA?

92. » Responsabile
tassonomia
» Project owner
» Data scientist
» Ad operation
COME ORGANIZZARSI IN AZIENDA?

93. CAMBIAMENTI IN CORSO
SUL TRATTAMENTO DATI

94. DSP: EROGARE CAMPAGNE

95. LA DEMAND SIDE PLATFORM
La DSP permette di erogare campagne pubblicitarie in
programmatic, abilitando le connessioni con gli ad exchange.

96. La DSP permette di erogare campagne pubblicitarie in
programmatic, abilitando le connessioni con gli ad exchange.
Bid request
Specifications
LA DEMAND SIDE PLATFORM

97. La DSP permette di erogare campagne pubblicitarie in
programmatic, abilitando le connessioni con gli ad exchange.
Bid request
Specifications
Bid response
DSP
bidder
Specifications
LA DEMAND SIDE PLATFORM

98. La DSP permette di erogare campagne pubblicitarie in
programmatic, abilitando le connessioni con gli ad exchange.
Bid request
Specifications
Bid response
DSP
bidder
Specifications
Winning ad
LA DEMAND SIDE PLATFORM

99. Che dati si intercambiano?
Bid requests Bid response
Object model bid request SSP to DSP
• Impression (describes an ad placement or impression being auctioned
• Banner, Video, Audio, Native
• Format
• Site
• App
• Publisher
• Content
• Producer
• Device
• Geo
• Key value Segment (optional)
• Regs (stands for regulation, This object contains any legal,
governmental, or industry regulations that apply to the request)
• Deal type
• Rule specifications (floor prices, block list, expanding directions, etc.)
Object model bid response DSP (bidder) to SSP
• Seat ID
• Objects match with the bid requests
• Bid price
• Url of the landing page
• Creativity
• Sizes of the banner
• Any relevant information if it deals with an expandable banner, and many
other specs.
• Key value Segment (optional)
Updated according to the last IAB openRTB 2.4 specs

100. Dati di audience tramite key value
Bid requests Bid response
Object model bid request SSP to DSP
• Impression (describes an ad placement or impression being auctioned
• Banner, Video, Audio, Native
• Format
• Site
• App
• Publisher
• Content
• Producer
• Device
• Geo
• Key value Segment (optional)
• Regs (stands for regulation, This object contains any legal,
governmental, or industry regulations that apply to the request)
• Deal type
• Rule specifications (floor prices, block list, expanding directions, etc.)
Object model bid response DSP (bidder) to SSP
• Seat ID
• Objects match with the bid requests
• Bid price
• Url of the landing page
• Creativity
• Sizes of the banner
• Any relevant information if it deals with an expandable banner, and many
other specs.
• Key value Segment (optional)
Updated according to the last IAB openRTB 2.4 specs
I Key Values sono le definizioni di segmenti
generati nella DMP e resi attivabili una volta che
c’è un matching nella bid response.

101. Eroghiamo annunci a Carl
tramite il programmatic

102. AUDIENCE BUYING IN PIATTAFORMA
Esempio di arricchimento di dati durante la generazione di una campagna su AdForm

103. Audience buying di terze parti
in piattaforma attraverso
data providers
I data providers raccolgono
le informazioni, le
segmentano e le rendono
disponibili a terzi per
arricchire l’audience durante
l’erogazione della
campagna.
Esempio di arricchimento di dati di terza parte su AdForm per
una campagna
Acquistare audience di terze
parti rappresenta un costo
aggiuntivo

104. Tipologia di
campagna
Obiettivo di
campagna
Audience
Branding Awareness Esteso
Strumenti, Dati e
Programmatic
Reach &
Quantità
Scalabiltà
I dati secondo gli obiettivi di campagna

105. Tipologia di
campagna
Obiettivo di
campagna
Audience
Branding
Consideration
Awareness
Up sell &
cross sell
Esteso
Strumenti, Dati e
Programmatic
Selezionato
Reach &
Quantità
Scalabiltà
Profilazione
look-alike
Targeting navigazione /
comportamento utente
Qualità /
frequenza
I dati secondo gli obiettivi di campagna

106. Tipologia di
campagna
Obiettivo di
campagna
Audience
Branding
Consideration
Performance
Awareness
Far compiere
una azione
Up sell &
cross sell
Esteso
Strumenti, Dati e
Programmatic
Selezionato
Selezionato
ulteriormente
Reach &
Quantità
Scalabiltà
Profilazione
look-alike
Targeting navigazione /
comportamento utente
Retargeting
Targeting
intento
Granularità MTA
(multi toch attribution)
DCO
(dynamic creative optimization)
Qualità /
frequenza
I dati secondo gli obiettivi di campagna

108. TREND

109. 1) DSP = AD SERVER?
Possiamo affermare che la DSP è un ad server evoluto.
C’è inoltre la tendenza sul mercato ad tech di unificare i due
servizi di erogazione.
https://techcrunch.com/2017/07/18/sizmek-acquires-rocket-fuel/

110. 2) SPO: SUPPLY PATH OPTIMIZATION
In risposta all’header bidding e alle diverse auction dynamics
degli ad exchanges (talvolta non trasparenti) le DSP si attrezzano
per ottimizzare le bid.
https://digiday.com/media/what-is-supply-path-optimization/

111. 3) FIRST PRICE AUCTION
Quasi tutti i principali ad exchange stanno sperimentando il first
price auction come conseguenza dell’header bidding.
Tutti tranne Google AdEx per il momento.
https://adexchanger.com/platforms/big-changes-coming-auctions-exchanges-roll-dice-first-price/

112. RICCARDO GUGGIOLA
Dailynet
Thedrum:
Ad exchanger
Mediapost
Digiday
Exchange wire
Ad ops monsters O’reilly:
Search engine land
Clickz:
Testi consigliati per aggiornarsi e approfondire

114. OLTRE IL RETARGETING
Tecnologia, algoritmi e dati di terza
parte per arricchire la conoscenza
dei propri clienti e lavorare
in prospecting

115. LUOGHI (O PRATICHE) COMUNI
« Una DMP deve anzitutto essere in grado di gestire in
maniera ottimale i dati di prima parte »
« Ho utilizzato i dati di prima parte per ottimizzare le mie
campagne. Ho provato anche i dati di terza parte ma
non li uso più perché non funzionano altrettanto bene »
« Non uso dati di terza parte perché sono costosi e
portano a inefficienze »

117. DEFINIZIONI
-Dati di prima parte: sono le informazioni ricavate da
strumenti di vostra proprietà come siti web, CRM e strumenti
di analisi di business [Paolo Serra, Dailyonline, «La qualità dei
dati nel Programmatic Advertising», 26/10/2016]
-Dati di terza parte: sono dati che vengono comprati e
scambiati dai data provider ed exchange per poi rivenderli a
tecnologie e buyer [Riccardo Guggiola, Blog.adkaora.com,
«Mobile programmatic buying: gestire i dati»]

118. DATI DI PRIMA PARTE:
RETARGETING
Il “retargeting” è un meccanismo pubblicitario basato
sugli interessi degli utenti. Permette di raggiungere gli
utenti che hanno già visitato il tuo sito, a cui è possibile
far visualizzare un messaggio ad hoc su siti di terze
parti, grazie ad un cookie assegnato ad ogni visitatore
che ne traccia l’identificazione. [Programmatic-rtb.com]

119. STATISTICHE
-Mediamente, solo il 2% di tutto il traffico web di un sito
converte alla prima visita
Fonte: Retargeter.com

120. STATISTICHE
-Il CTR medio di campagne display è 0,07%
-I visitatori del vostro sito che vengono ri-targetizzati da
campagne display hanno il 70% di probabilità in più di
convertire
Fonte: Cmo.com

121. OK, FUNZIONA MEGLIO MA…
In che contesto?
Con quali obiettivi?
Secondo quali KPI?

122. TENDENZIALMENTE…
In che contesto? MEDIA
Con quali obiettivi? PERFORMANCE
Secondo quali KPI? CTR, CR ET SIMILIA

123. LA RISPOSTA E’ NELL’ABC DEL
MARKETING

124. RETENTION VS ACQUISITION
Fonte: Khalid Saleh, Invespcro.com

125. UP-SELL E CROSS-SELL
Fonte: Khalid Saleh, Invespcro.com

126. UP-SELL E CROSS-SELL
Fonte: Khalid Saleh, Invespcro.com

127. MARKETING… E VENDITE
TECNICA DEL PIEDE NELLA PORTA
DEFINIZIONE: ci si assicura l'adesione
ad una richiesta impegnativa,
chiedendo prima qualcosa di meno
impegnativo
Perché questa persuasione abbia
luogo l'esecuzione della richiesta
iniziale deve essere un atto
significativo e sembrare del tutto
volontario.

128. IN ALTRI TERMINI
Il retargeting e in generale i dati di prima parte lavorano
su persone che conosco già ma soprattutto che
conoscono già me.

129. FUORI DAL MONDO DEL BRAND

130. COME MI COMPORTO CON GLI
SCONOSCIUTI?
1)Sarà una delle persone giuste a cui rivolgersi?
2)Come mi devo rivolgere a questa persona?
3)Cosa gli offro se si presenta a casa mia?

131. COME MI COMPORTO CON GLI
SCONOSCIUTI?
1)Su cosa baso il mio targeting?
2)Che creatività devo usare?
3)Che prodotti/contenuti proporrò loro quando arrivano
sul mio sito?

132. BISOGNO DI INFORMAZIONE
CHI L’HA VISTO?
- Su quali altri siti è passato?
-Che ricerche ha fatto?
-Ha comparato prodotti?
-Fa parte di qualche community?
-Ha dato le sue generalità a
qualcun altro?

133. DATI DI TERZA PARTE
- Segmenti comportamentali
- Segmenti socio-demografici
- Segmenti di intenzione d’acquisto
- Segmenti «off the shelf»
- Segmenti composti
- Dichiarativi
- Deterministici
- Probabilistici/Inferiti/Aggregati
- Look-alike

134. ARRICCHIMENTO
- Profilo più ricco di
ciascun cliente
- Maggiori opzioni per
azioni di CRM
- Più variabili per decisioni
di evoluzione prodotto
- Maggiori insight per
promozioni e co-
marketing

135. MODELLI E AFFINITA’
- Ricerca di correlazioni
- Correlazioni tra dati di
prima parte
- Correlazioni tra dati di
prima e terza parte
- Correlazione tra dati di
terza parte
- Costruzione di modelli e
posizionamento

136. DATA SCIENCE E CORRELAZIONI

137. CORRELAZIONI E BIG DATA
-Una correlazione è una constatazione fine a se’ stessa
-Una correlazione ripetuta due volte è un caso
-Una correlazione ripetuta dieci volte è un sospetta
-Una correlazione ripetuta un milione di volte è statistica

138. DAL TARGET AL TUO TARGET
LOOK-ALIKE E AUDIENCE EXTENSION
Ricerca di correlazioni tra segmenti di
prima e terza parte

139. 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

140. TORNANDO AL MARKETING

141. AD OGNI FASE IL SUO DATO
Dati di terza parte/look-alike
Dati di prima parte
ADVERTISINGCRM
RETARGETING

142. Roberto Carnazza – Italy Country Manager
roberto@weborama.com
Info-it@weborama.com