3. UN RÉSEAU SOCIAL ❤
Fanny ❤ Chloé, Robin et Julia
Chloé ❤ Robin, Maéva, Angie, Matéi et Julia
Robin ❤ Fanny, Chloé et Maéti
Maéva ❤ Chloé, Angie et Julia
Angie ❤ Chloé, Maéva et Julia
Matéi ❤ Chloé et Robin
Julia ❤ Fanny, Chloé, Maéva et Angie
4. MODÉLISATION D’UN RÉSEAU
SOCIAL ❤
PAR LA THÉORIE DES GRAPHES
Fanny ❤ Chloé, Robin et Julia
Chloé ❤ Robin, Maéva, Angie, Matéi et
Julia
Robin ❤ Fanny, Chloé et Maéti
Maéva ❤ Chloé, Angie et Julia
Angie ❤ Chloé, Maéva et Julia
Matéi ❤ Chloé et Robin
Julia ❤ Fanny, Chloé, Maéva et Angie
Arrête
Sommet
5. MODÉLISATION D’UN RÉSEAU
SOCIAL ❤
PAR LA THÉORIE DES GRAPHES
La distance entre deux sommets
est le nombre d’arrêtes pour
aller de l’un à l’autre.
L'écartement d'un sommet est la
distance maximale existante
entre ce sommet et les autres
sommets du graphe.
Le centre est le sommet dont
l’écartement est minimal
11. MODÉLISATION D’UN RÉSEAU
SOCIAL ❤
PAR LA THÉORIE DES GRAPHES
Fanny ❤ Chloé, Robin et Julia
Chloé ❤ Robin, Maéva, Angie,
Matéi et Julia
Robin ❤ Fanny, Chloé et Matéi
Maéva ❤ Chloé, Angie et Julia
Angie ❤ Chloé, Maéva et Julia
Matéi ❤ Chloé et Robin
Julia ❤ Fanny, Chloé, Maéva et
Angie
Chaque personne est
représentée par un
sommet et chaque lien
❤ est représenté par
une arête↔
12. MODÉLISATION D’UN RÉSEAU
SOCIAL ❤
PAR LA THÉORIE DES GRAPHES
Chaque personne est
représentée par un
sommet et chaque lien
❤ est représenté par
une arête↔
Fanny
Chloé
Robin
Maéva
Julia
Matéi
Angie
13. MODÉLISATION D’UN RÉSEAU
SOCIAL ❤
PAR LA THÉORIE DES GRAPHES
Chaque personne est
représentée par un
sommet et chaque lien
❤ est représenté par
une arête↔
Fanny
Chloé
Robin
Maéva
Julia
Matéi
Angie
14. MODÉLISATION D’UN RÉSEAU
SOCIAL ❤
PAR LA THÉORIE DES GRAPHES
<Exercice
d’applicatio
n>
Fanny
Chloé
Robin
Maéva
Julia
Matéi
Angie
15. MODÉLISATION D’UN RÉSEAU
SOCIAL ❤
PAR LA THÉORIE DES GRAPHES
Fanny Chloé Robin Maéva Angie Matéi Julia
Fanny
Chloé
Robin
Maéva
Julia
Matéi
Angie
Compléter le
tableau ci-
dessous avec
l’écartement
L'écartement d'un sommet est la
distance maximale existante entre ce
sommet et les autres sommets du
graphe.
16. MODÉLISATION D’UN RÉSEAU
SOCIAL ❤
PAR LA THÉORIE DES GRAPHES
Fanny Chloé Robin Maéva Angie Matéi Julia
Fanny
Chloé
Robin
Maéva
Julia
Matéi
Angie
Réponse
écartement
17. QUEL EST LE CENTRE DU RÉSEAU
SOCIAL❤?
QUELLE EST LA PERSONNE LA
PLUS POPULAIRE ?
Fanny Chloé Robin Maéva Angie Matéi Julia
Fanny
Chloé
Robin
Maéva
Julia
Matéi
Angieécartement
18. QUELLE EST LA PERSONNE LA
PLUS POPULAIRE DU RÉSEAUX ?
Fanny Chloé Robin Maéva Angie Matéi Julia
Fanny
Chloé
Robin
Maéva
Julia
Matéi
Angie
Chloé ❤ est le centre
du réseau social, si je
veux passer un
message à tout le
groupe, je passe par
Chloé.écartement
19. MODÉLISATION D’UN RÉSEAU
SOCIAL ❤
PAR LA THÉORIE DES GRAPHES
</Exercice
d’applicatio
n>
Fanny
Chloé ❤
Robin
Maéva
Julia
Matéi
Angie
20.
21. UN RÉSEAU SOCIAL ❤ EST UNE
MATRICE
Fanny Chloé Robin Maéva Angie Matéi Julia
Fanny 0 1 1 0 0 0 1
Chloé 1 0 1 1 1 1 1
Robin 1 1 0 0 0 1 0
Maéva 0 1 0 0 1 0 1
Angie 0 1 0 1 0 0 1
Matéi 0 1 1 0 0 0 0
Julia 1 1 0 1 1 0 0
Un objet
mathématiqu
e utilisable
par les
algorithmes
*source numworks.com/modelisation-reseau-
22. MODÉLISATION D’UN RÉSEAU
SOCIAL ❤Fanny Chloé Robin Maéva Angie Matéi Julia
Fanny D D D
Chloé D D D D D D
Robin D D D
Maéva D D D
Angie D D D
Matéi D D
Julia D D D D
Fanny Chloé Robin Maéva Angie Matéi Julia
Fanny U U U
Chloé U U U U U U
Robin U U U
Maéva U U U
Angie U U U
Matéi U U
Julia U U U U
Fanny Chloé Robin Maéva Angie Matéi Julia
Fanny W W W
Chloé W W W W W W
Robin W W W
Maéva W W W
Angie W W W
Matéi W W
Julia W W W W
U : User Affinity : à quel point ils sont
proches
W : Weight : point du contenu
Like, comment, share
D : Decay : Fraicheur du contenu
27. LES DONNÉES À DISPOSITION DU DATA
MARKETEUR,
DES FICHIERS AVEC DES MILLIONS DE
LIGNES
id sexe Revenu
s
âge Centres d’intérêts Points de
contacts
préférés
Niveau
d’éducatio
n
Historiqu
e d’achat
11 F 20000€ 19 Gadget Mail Bat +5 Pull
21 M 25000€ 21 Rihana Insta Lunette
32 CAP
75 M 75 Jaguar d’occasion Clé USB
Chaque ligne représente un individu
28. 3 TYPES DE DONNÉES À
DISPOSITION
1st party Data
•Les données qui appartiennent à l’annonceur
•Les données collectées par l’annonceur
2nd party Data
•Les données acquises auprès d’un partenaire
•Le partenaire a lui-même collecté les données
3rd party Data
•Les données acquises auprès d’un data broker
29. PEUT ON ADRESSER CHAQUE
INDIVIDU, INDIVIDUELLEMENT ?
#SPOIL NON
Chaque point représente un client en
base construit à partir des données
•Sexe
•Age
•Revenu
•Centres d’intérêt
•Déplacements récents
•Points de contact préférés
•Niveau d’éducation
•Historique d’achat
•etc.
31. LA SEGMENTATION C’EST QUOI ?
découpage d’une
population en k
(k=3) sous-groupe
homogènes
Un segment est un
sous-groupe
D’un point de vue
pratique, il est plus
facile de manipuler k
(k=3) sous-groupe
que de manipuler la
population totale du
dataset
Age
Revenu
s
33. UTILISATION DU K-MOYENNES
POUR CONSTITUER K GROUPES
HOMOGÈNES
Méthode
1. Choisir en combien de groupes
homogènes je veux partitionner
mon dataset (k)
2. On choisit k points au hasard
comme centroïdes
3. On laisse l’algorithme faire des
itérations jusqu’à ce que les
centroïdes ne bougent plus
4. Chaque centroïdes est la
moyenne d’un groupe
homogène
5. Résultat : on a k valeurs
moyenne de chaque groupe.
fonctiondesmoindrescarrés
34. UTILISATION DU K-MOYENNES
POUR CONSTITUER K GROUPES
HOMOGÈNES
Méthode
1. Choisir en combien de groupes
homogènes je veux partitionner
mon dataset (k)
2. On choisit k points au hasard
comme centroïdes
3. On laisse l’algorithme faire des
itérations jusqu’à ce que les
centroïdes ne bougent plus
4. Chaque centroïdes est la
moyenne d’un groupe
homogène
5. Résultat : on a k valeurs
moyenne de chaque groupe.
35. UTILISATION DU K-MOYENNES
POUR CONSTITUER K GROUPES
HOMOGÈNES
Méthode
1. Choisir en combien de groupes
homogènes je veux partitionner
mon dataset (k)
2. On choisit k points au hasard
comme centroïdes
3. On laisse l’algorithme faire des
itérations jusqu’à ce que les
centroïdes ne bougent plus
4. Chaque centroïdes est la
moyenne d’un groupe
homogène
5. Résultat : on a k valeurs
moyenne de chaque groupe.
36. UTILISATION DU K-MOYENNES
POUR CONSTITUER K GROUPES
HOMOGÈNES
Méthode
1. Choisir en combien de groupes
homogènes je veux partitionner
mon dataset (k)
2. On choisit k points au hasard
comme centroïdes
3. On laisse l’algorithme faire des
itérations jusqu’à ce que les
centroïdes ne bougent plus
4. Chaque centroïdes est la
moyenne d’un groupe
homogène
5. Résultat : on a k valeurs
moyenne de chaque groupe.
38. UTILISATION DU K-MOYENNES
POUR CONSTITUER K GROUPES
HOMOGÈNES
K = ?
Combien d’itération ?
Combien de groupes
homogènes ?
Quels sont les centroïdes ?
Où est la souris ?
39. UTILISATION DU K-MOYENNES
POUR CONSTITUER K GROUPES
HOMOGÈNES
K = 3
itération = 14
groupes homogènes = 3
les Centroïdes
la souris …
41. UTILISATION DU K-MOYENNES
POUR CONSTITUER K PROFILS
CLIENTS
K profils de clients
qui ont acheté nos
produits
K profils de
prospects qui sont
susceptibles
d’acheter nos
clients
49. LA PUBLICITÉ EN LIGNE
UN ÉCOSYSTÈME STRUCTURÉ PAR
L’OFFRE ET LA DEMANDE
La demande
L’annonceur a un
catalogue de produits
à faire connaitre et à
vendre
L’offre
L’éditeur offre des
espaces publicitaires
pour faire afficher les
annonces de
l’annonceur
L’éditeur fait en sorte que son contenu
éditorial soit riche et varié pour attirer de
l’audience sur son site.
50. LA PUBLICITÉ EN LIGNE
UN ÉCOSYSTÈME STRUCTURÉ PAR
L’OFFRE ET LA DEMANDE
Demande
Catalogue de service à
vendre
Offre
L’éditeur valorise son
audience
Offre espace de Pub
58. LES ÉDITEURS METTENT LEURS
ESPACES PUBLICITAIRES EN
RÉSEAU
Le journal du geek et
Femme-Actuelle
Ex : L’éditeur
garantit 1000
impressions de
l’annonce sur le
réseau
Le Journal du geek +
60. LES ÉDITEURS PROPOSENT LEUR
ESPACE PUBLICITAIRES (INVENTAIRES)
VIA UN SYSTÈME D’ENCHÈRES
LES ANNONCEURS ENCHÉRISSENT, OU
PAS, SUR L’OPPORTUNITÉ DE FAIRE
AFFICHER LEUR PUBLICITÉ
Place de marché
61. LE GAGNANT PLACE SON
ANNONCE
Place de marché
Toute l’opération se fait en moins de 200ms, en quasi temps
réel
Le Real Time Bidding
62. LA PUBLICITÉ EN LIGNE : NIVEAU III
Demande
Catalogue d’annonces à valoriser
Offre
Inventaire à valoriser
Annonceurs Editeur
DSP SSP
Ad Server
Editeur
Ad Exchange
Ad Server
annonceur
63. Ad Server
Editeur
LA PUBLICITÉ EN LIGNE :
NIVEAU III
La SSP
permet à
l’éditeur de
valoriser son
inventaire
Offre
Inventaire à valoriser
Editeur
SSP
Ad Exchange
Demande
Catalogue d’annonces à valoriser pour faire la
promotion des produits
64. Ad Server
annonceur
LA DSP PERMET À L’ÉDITEUR DE
VALORISER SON CATALOGUE
Demande
Catalogue d’annonces à valoriser pour faire la promotion des
produits
La DSP permet à
l’annonceur de faire
des enchères sur les
impressions mises à
disposition par
l’éditeur en ciblant les
bons
clients/prospects
grâce au cookies
laissés par les
visiteurs
Annonceurs
Ad Exchange
DSP
65. SSP
Ad Server
Editeur
Ad Server
annonceur
LA DSP PERMET À L’ANNONCEUR DE CIBLER
DES SEGMENTS COOKIES GRÂCE À UNE DMP
(OU PAR MAIL)
Demande
Catalogue d’annonces à valoriser pour faire la promotion des
produits
Offre
Inventaire à valoriser
Annonceurs Editeur
DSP
Ad Exchange
66. LA BID REQUEST
La bid request envoie
des informations sur
l’emplacement de
l’espace publicitaire,
l’appareil utilisé,
l’application mobile, le
segment de cookie et
surtout l’identifiant du
cookie
Les bid request sont
SSP
Ad Server
Editeur
SSP
69. LA PUBLICITÉ EN LIGNE : QUIZ
Qu’est qu’une impression ?
Qu’est qu’un inventaire ?
Qu’est ce qu’une DSP ?
Qu’est qu’une SSP ?
Qu’est qu’une DMP ?
Donnez un exemple
d’annonceur ?
Donnez un exemple
d’éditeur ?
Qu’est ce qu’un segment ?
Qu’est ce que le RTB ?
En combien de secondes se
fait le RTB ?
Qu’est ce qu’une bid
request ?
71. EN RÉSUMÉ
Les éditeurs mettent leur espaces publicitaires
(inventaires) au plus offrant des annonceurs
Lorsque l’annonceur affiche sa publicité sur le
site de l’éditeur, il doit le faire au bon moment
avec le bon produit pour la bonne personne de
façon à maximiser la probabilité de clic sur la
bannière.
L’annonceur utilise des techniques pour
connaitre le client qui visite le site de l’éditeur
72. LES TYPES (NON EXHAUSTIF) DE
DONNÉES DU DATA MARKETING
•Une bannière
s’est affichée
Impression
•Le visiteur a cliqué
sur la bannière
Clicks
•Le visiteur a acheté le
produit
Conversion
74. ATELIER DE CRÉATION DE
COOKIES
installation du
plugin
1. sous Firefox
« Cookie
Quick
Manager »
2. « Awesome
Cookie
Manager »
75. ATELIER DE CRÉATION DE
COOKIES
À votre avis,
combien de
cookies
avez-vous
sur votre
ordinateur ?
1.10 cookies
2.100 cookies
3.1000 cookies
4.> 1000 cookies
82. ATELIER DE CRÉATION DE
COOKIES
1. Cliquer sur
l’extension cookie
quick manager
2. Le cookie
‘username’ a été
crée
3. Le navigateur via le
server du domain
www.w3schools.co
m a déposé un
cookie ‘username’
sur votre navigateur
83. ATELIER DE CRÉATION DE
COOKIES
Nom du
cookie
Valeur du
cookie
Domaine
du cookie
Date
d’expiration
du cookie
Chemin du
cookie
84. ATELIER DE CRÉATION DE
COOKIES
1. Cliquez sur
Run
2. Le
navigateur
vous
reconnait
85. ATELIER DE CRÉATION DE
COOKIES
1. Modifiez le
cookie
2. Observez
et
commente
z le
86. ATELIER DE CRÉATION DE
COOKIES
À RETENIR
1. Le nom du cookie
2. La valeur du
cookie
3. Le domaine du
cookie
4. Un cookie est
valable que pour
un domaine (ie
w3schools.com
dans notre cas)
89. LE TRAITEMENT DE LA DONNÉES
1. Sur un dataset type,
chaque ligne
représente un
individu
2. Chaque colonne
contient les actions
effectuées par le
visiteur, son
exposition à une
campagne
publicitaire, etc.Dataset
90. UN DATASET D’UNE BASE DE
DONNÉES RELATIONNELLES DE 18GO
AVITO ~LEBONCOIN RUSSE
94. LE TRAITEMENT DE LA DATA
Dataset Nettoyage des données
Analyse statistique
DataMining
Machine Learning
Création de modèlesConnaissance
95. L’analyse
descriptive
•Mes visiteurs ont
cliqué sur la bannière
de mon site
L’analyse
prédictive
•Mes visiteurs
cliqueront sur ma
bannière
L’analyse
prescriptive
•Ce que je dois faire
pour que les
visiteurs cliquent sur
la bannière
L’ANALYSE DE LA DATA
3 NIVEAUX DE VALEUR DE L’ANALYSE
DE LA DONNÉE
97. 80/20 PRINCIPE DE PARETO ET LE
TABLEAU DES FRÉQUENCES
CUMULÉES80% du
trafic
apporté par
les réseaux
sociaux, le
blog, le
Search
20% par le
reste
1201
898
500
343
122 89 76
80%
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
0
200
400
600
800
1000
1200
1400
Les…
Leblog
Search
Publicité…
Compara…
Email…
Mobile
Diagramme de Pareto
102. ANALYSE LONGITUDINALE
1. Exportez les données
2. Ouvrez le ficher .csv avec
Excel
3. Sélectionnez la colonne A
4. Calculez le coefficient de
Corrélation
1. =COEFFICIENT.CORRELATION(C4:C
263;B4:B263)
5. (Option) tracez les
courbes
104. ANALYSE LONGITUDINALE
CONSTATER ET DÉCRIRE
2/8/2015 2/8/2016 2/8/2017 2/8/2018 2/8/2019
raclette: (France)
maillot de bain: (France)
L’objectif de l’analyse
descriptive est de constater
et de décrire
Que constatez-vous ?
Que pouvez décrire ?
Quelle est la saisonnalité ?
105. ANALYSE LONGITUDINALE
CONSTATER ET DÉCRIRE
raclette: (France) maillot de bain: (France)
Mettre crème solaire
en
surpression quelques
jours avant les
vacances scolaires
106. ANALYSE LONGITUDINALE
CORRÉLATION ET CAUSALITÉ
2/8/2015 2/8/2016 2/8/2017 2/8/2018 2/8/2019
raclette: (France)
maillot de bain: (France)
En première analyse, lorsque
les recherches sur les raclettes
baissent, celles sur les maillots
de bain augmentent. Il y a
corrélation proche de 1 (-
0,697), mais négative,
Les recherches sur les raclettes
font baisser les recherches sur
les maillots de bain (10
recherches sur raclette font
baisser les recherches de
12,703 sur les maillots de
107. ANALYSE LONGITUDINALE
CORRÉLATION ET CAUSALITÉ
2/8/2015 2/8/2016 2/8/2017 2/8/2018 2/8/2019
raclette: (France)
maillot de bain: (France)
En première analyse, lorsque
les recherches sur les raclettes
baissent, celles sur les maillots
de bain augmentent. Il y a
corrélation proche de 1 (-
0,697), mais négative,
Les recherches sur les raclettes
font baisser les recherches sur
les maillots de bain (10
recherches sur raclette font
baisser les recherches de
12,703 sur les maillots de
108. ANALYSE LONGITUDINALE
CORRÉLATION ET CAUSALITÉ
2/8/2015 2/8/2016 2/8/2017 2/8/2018 2/8/2019
raclette: (France)
maillot de bain: (France)
En data marketing (et
ailleurs) corrélation ne
vaut pas causalité.
Dans notre cas, il existe
une troisième variable
qui explique les
variations des deux
premières.
110. L’ANALYSE PRÉDICTIVE
Utiliser la data marketing
pour prédire le
comportement futur en
utilisant les données du
passé
Prédire le click sur la
bannière
Prédire l’achat ou
l’abonnement
111. L’ANALYSE PRÉDICTIVE : PRÉDIRE
LE CLIC SUR UNE BANNIÈRE
Quelle est la probabilité que le
visiteur clique sur la bannière ?
La fonction de modélisation de
la probabilité qu’un visiteur
clique sur une bannière prend
deux valeurs, 0 et 1
1 le visiteur a cliqué
0 le visiteurs n’a pas cliqué
On prédit un évènement
binaire,
113. QUELLE EST LA PROBABILITÉ QUE
LE VISITEUR CLIQUE SUR LA
BANNIÈRE ?
114. L’ANALYSE PRÉDICTIVE
On veut prédire P(click | display) = f(taille du display, emplacement,
device, fréquence, historique de navigation, exposition à la
campagne, météo, lieux, xk, … xn)
Taille du display emplacement Device … Click
600x300 en haut Laptop Oui
100x100 à droite iPad Non
…. Id Non
115. L’ANALYSE PRÉDICTIVE
LA RÉGRESSION LOGISTIQUE
MULTIVARIÉE
On veut prédire P(click | display) = f(taille du display, emplacement, device, fréquence,
historique de navigation, exposition à la campagne, météo, lieux, 𝑋1, … 𝑋 𝑛)
Il y a potentiellement des milliers de paramètres possible.
log
𝑃(𝑐𝑙𝑖𝑐𝑘)
1−𝑃(𝑐𝑙𝑖𝑐𝑘)
= β0 + β1. 𝑋1 + ⋯ + β 𝑘. 𝑋 𝑘 + ⋯ + β 𝑛. 𝑋 𝑛
β 𝑘. 𝑋 𝑘 sont les variables explicatives du modèle
Avec les données historiques, on détermine les coefficients de pondération β 𝑘
Plus la valeur du coefficient est élevé, plus l’impact de la variable est important.
116.
117. LA PROGRAMMATIQUE
•Le visiteur navigue sur le site
•La SSP qui gère les espaces pub pose un cookie
•Le SSP informe la DSP de l’existence de deux
emplacement pubs avec une bid request
•<bid request>cookies, emplacement espace
pub, device, etc.</bid request>
•La DSP fait l’enchère pour afficher la pub
•La SSP retient l’enchère gagnante
•La pub s’affiche
118. LA PROGRAMMATIQUE
•Le visiteur navigue sur le site
•La SSP qui gère les espaces pub pose un cookie
•Le SSP informe la DSP de l’existence de deux emplacement
pubs avec une bid request
•<bid request>cookies, emplacement espace pub,
device, etc.</bid request>
•La DSP fait l’enchère pour afficher la pub
•La SSP retient l’enchère gagnante
•La pub s’affiche
{
"id": "1234534625254",
"at": 2,
"tmax": 120,
"imp": [
{
"id": "1",
"banner": {
"w": 320,
"h": 50,
"pos": 1,
"battr": [
13
]
}
}
],
"badv": [
"company1.com",
"company2.com"
],
"app": {
"id": "234563",
"bundle": "com.rovio.angrybirds",
"cat": [
"IAB2-1",
"IAB2-2"
],
"publisher": {
"id": "pub12345"
}
},
"device": {
"ip": "64.124.253.1",
"ua": "Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10.6; en-US; rv:1.9.2.16)
Gecko/20110319 Firefox/3.6.16",
"os": "OS X"
},
"user": {
"id": "45asdf987656789adfad4678rew656789"
},
"ext": {
"udi": {
"idfa": "44E9AF56-9ED1-47AE-A3F4-719D050641F9"
},
"appnexus": {
"seller_member_id": 2066
}
}
}
119. C’EST QUOI UNE DMP?
« La DMP est une plateforme qui permet de
créer des audiences ciblées à partir de données
issues de 1st et 3rd party pour mener des
campagnes ciblées à travers des réseaux Ad
Exchange et Ad Network
La DMP permet de mesurer les performances
des meilleurs segments et canaux et d’affiner
l’achat média et la création de bannière »
121. Constitution des Segments dans la DMPDMPDonnées
CONSTITUTION DES PERSONAS
1st Party Data
3rd Party Data
122. Constitution des
Segments dans la
DMP
Annonce
ur
CONSTITUTION DES PERSONAS
LES SEGMENTS DE LA DSP SE
RETROUVENT DANS LA DSP
DSP
Ad Exchange
123. LA DMP ORANGE – L’OUTIL DE GESTION DES COOKIES POUR
LES CAMPAGNES DIGITALE
• portails xxxx.fr et xxxx
• campagnes Web
• MD (email, SMS)
• CRM onboarding
• 2nd party
• 3rd party
Catégories pour classer les
cookies (vaste arborescence
appelée taxonomie)
• prospects Internet éligibles Fibre
• intentionnistes déménagement
• familles avec enfants détentrices
d’une offre Large
• etc.
+ 1300
+ 880 audience créées
Source : Bluekai le 22/09/2016
100% des campagnes Search
90% des campagnes d’acquisition
40% des campagnes branding
82M de cookies collectés
1. Collecte les cookies 2. Classe les cookies
3. Génère des audiences 4. Transforme les audience en
campagnes
et les envoie aux ad exchanges
124. DMP ANNONCEUR
LA TAXONOMIE DE LA DMP
La taxonomie de la
DMP, c'est-à-dire
l’arborescence des
catégories classées par
thèmes (navigation
portails, attributs
clients CRM). L’écran
principal à droite sert
à construire les
audiences
127. DMP ANNONCEUR
ÉCRAN CAMPAGNES
La page qui
répertorie les
campagnes. Les
campagnes sont
des audiences qui
sont envoyées aux
outils et
plateformes de
campagnes
131. REMERCIEMENTS
Mes remerciements vont dans le
désordre à Blaise Vignon, Le MBA MCI,
François Pierre, Elodie Gacon, Louis
Duroulle et j’en oublie beaucoup.
132. RÉFÉRENCES BIBLIOGRAPHIQUES
Bonjour PPC Le digital pour tous #BonjourPPC
ebg Digital Marketing 2020
Modélisation d’un réseau social Claire Savinas,
La publicité à l’heure de la data Jean Allary et Vincent Balusseau
Le guide de la transformation digitale Emmanuel Vivier, Vincent Ducrey
Display Lumascape by Luma Partners
giphy.com pour les gifs animés
learnbymarketing.com K-Means Clustering – What it is and How it
Works
w3schools.com HTML The language for building web pages
https://www.numworks.com/fr/ressources/snt/modelisation-reseau-social/
Note pour le lecteur de note de bas de slide ;-) oui vous avez bien lu, c’est un exercice de seconde générale, ce qui montre à quel point les réseaux sociaux influencent notre vie.
Les données sont lacunaires, et plusieurs paramètres sont estimés grâce à des données 3rd Party. C’est le cas de la colonne Revenus dans l’exemple ci-dessus.
La 1st party data sont les données dont l’acteur (annonceur ou éditeur) est propriétaire, les données proviennent de ses sites, de ses applications, dans une moindre mesure de sa page facebook, de son compte Instagram, Twitter, de sa chaine Youtube.
Les 3rd party data sont achetées à des sources externes comme Lotame Data Exchange. La 3rd party data est utilisée pour enrichir la 1st party data et la 2nd party data. Les données 1st party data et 2nd party data sont relativement similaires, pour faire un raccourci sémantique, ma 2nd party data est la 1st party data d’un acteur de mon écosystème.
Un vendeur d’assurance sera intéressé pour acquérir de la 1st party data d’un vendeur de vélos électriques. Du point de vue du vendeur d’assurance, la 1st party data du vendeur de vélos est la 2nd party data du vendeur d’assurance. Pour la 1st et la 2nd party data, tout est question de points de vue. Ma first party data est toujours la 2nd party data de l’autre acteur sur la chaine de valeur de mon secteur d’activité.
comment constituer k groupes homogènes ?
Dans le cas d’un dataset de n points, on décompose le dataset en k (k=<n) sous-groupe homogènes.
Si k=n vous avez n sous-groupe homogènes, soit exactement la taille du dataset, ce qui reste d’un intérêt limité ;-)