En Arena Innoweek 2015 contamos con la presencia de Diego. Nos expuso cómo una marca ha conseguido revolucionar su negocio gracias a un claro enfoque de Big Data sin perderse en la maraña. Una clara adaptación al consumidor con presencia en todos los dispositivos y canales donde el consumidor quieres interactuar con la marca. Abrazando el diseño, la funcionalidad y usabilidad de sus plataformas y contenidos para ofrecer la mejor experiencia del consumidor.Un ejemplo de integración de las nuevas disciplinas digital como corazón del crecimiento y adaptabilidad de las empresas a la nueva realidad en la que el cliente no solo ya manda, sino que es comunicador y prescriptor a golpe de Click.

2. Lo que está por venir
O ya ha llegado…..
INTRO

5. Explosión del
Branded Content
Todo se dirige al
Video Online | Interactivo
Generación de Marca
Calidad frente a Cantidad
Consolidación de la
Publicidad Nativa

6. Crecimiento del
RTB - +20% SOS
Consolidación de las
Private Market Places
Pasos en firme del RTB
Mobile, Video, Rich Media

7. Menos decir, Más hacer.
Más Branding, Cuidar la Marca.
Explorar la Eco.Colaborativa.
Arriesgar un 5% del Budget.
Ganar Velocidad de Respuesta.
Aumentar Visibilidad Personal.

8. VELOCIDAD
ADAPTACIÓN
TECNOLOGÍA
NUEVOS PERFILES
Diego Duchowney
Schibsted Classified Media
Advertising Technology Manager
User-centric data &
Omnichannel presence

9. • 29 países, 36 sites, 1500 empleados, mas de 200M de UU
• En España: 110M Visitas/mes
• Contenido local, user-generated
Red Global, en el Top10 en España

10. WEB
WEB MÓVIL
APP
• Acceso multicanal: web, móvil y app
• La mitad del tráfico desde móviles y tablets
• Capa de datos unificada 50%

11. • Big Data -> Ecosystem data
• Global + Local -> Data models
• Plataforma Digital para el mundo real
Web server
Analytics
AdServer
AppServer
Marketplace
/Media
platform SPiD:
• Sistema de pago
Data Analytics:
• B2C
• Adhoc
• Targeted
Tech Development:
• Innovación
• Plataforma común
Common
Data Layer SSP
Foundation Platforms
Digital
Transformation
Transformación Digital
Databases
Automation

12. Third-party Data
Customer Journey Model = Reach Model per Profile
Contextual
Data
Profiles
Interaction
Data
Placement
KCTTaxonomies
Awareness
Consideration
Loyalty
Purchase
Clicks Impressions
Leads Dwellling
Delay to Sale... etc
Ej: Copy data
Desde la visión del anunciante: en
búsqueda de clientes en diferentes
canales, a partir del conocimiento que
tiene de éstos.
...cuando sigues a alguien desde un mapa, tienes
que saber exactamente donde está, y el contexto
del lugar para interpretar los datos

13. User-centric Model = Direct Segment Model
Desde el publisher: en búsqueda del
conocimiento de sus propios usuarios, a
partir de la información que tiene de
éstos, y de las necesidades de los
anunciantes.
...cuando sigues a alguien a 3 metros,
tienes que saber exactamente como es,
para interpretar sus acciones de acuerdo
al contexto, que compartes con el. No
importa donde está
SCM
User
Intereses
Clicks
Pageviews
Compras
SociodemoShare ratio
Return
ratio
Segment
ratio (QS)
Time on
site

14. Me he comprado
un coche!
Me he comprado
una mascota!
Me he comprado
una bici!
Me he comprado
una casa!
He conseguido un
trabajo!
Nuestra Data: sobre todo actitudinal (quiero un coche, un
trabajo, una casa, una mascota…) y demográfica (tengo mas de
34 años, tengo permiso para conducir, soy hombre, etc..:) y muy
cerca de la decisión de compra de algo o de un cambio de estilo
de vida -> Segmentos Behavioural y Adhoc

15. Desde el punto de vista del usuario, en su "Jornada",
atraviesa distintos contextos, muchas veces con la
misma intención.
Por ejemplo: buscar un piso donde mudarse.
El contenido debe ser multiplataforma, y contener
una capa de datos consistente. Esto es aún más
importante en contenidos user-generated (UGC)
...
Multichannel Customer Journey

16. User-centric Model = Direct Segment Model
Un ejemplo de modelo de Datos basado en inteligencia "local" +
Atribución "global" = Big Data
SCM
User
Intereses
Clicks
Pageviews
Compras
SociodemoShare ratio
Return
ratio
Segment
ratio (QS)
Time on
site
Partnership
Awareness
Consideration
Loyalty
Purchase
Attribution
Modelling

17. VS.
Data points
comparison
Demographics
Interests
Social
Intention
Status/wealth
User data: en nuestro ecosistema, tenemos elementos
diferenciadores como "intención" (vs. "interés")

18. Aplicaciones del Big Data para Advertising

19. Conversion Propensity

20. Audience Targeting

21. Cross-device mapping

22. Experimentation and A/B Testing

23. Yield optimization

24. Impactar al usuario con
contenidos relevantes
para éste
En resumen: para
mejorar la calidad de
los impactos
publicitarios, mejorar el
contexto de contenidos
del usuario, mejorar la
performance general
Acompañar al usuario
en su navegación
multidispositivo y
multiportal
Adaptar creatividades
al contexto del usuario
Alcanzar los targets
solicitados por los
anunciantes
Finalmente, usamos Data para:

25. GRACIAS!!