Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Valtech Days-2011

514 views

Published on

  • Be the first to comment

  • Be the first to like this

Valtech Days-2011

  1. 1. Comment maximiser le ROI des données?Acquisition, Conversion, RétentionAurélie Hornoy Antoine LevenDigital Performance Lead Consultant Solutions SeniorValtech Adobe – Division Omniture Placer votre logo si besoin © Valtech 2011
  2. 2. Positionnement AdobeSimplifier Engager Optimiserla création de contenu l’accès multicanal l’impact de la communication © Valtech 2011
  3. 3. Suite de marketing en ligne Adobe Solutions Modèles E-Commerce Génération commerciaux Publication de lead en ligne Notoriété Acquisition Conversion Rétention OptimisationDonnées en Données deligne lentreprise Analyse • CRM• Bannières • Centres• Recherche dappels• Médias Plate-forme • POS sociaux • Bornes• Mobile • Analyse en• Vidéos veille stratégique © Valtech 2011
  4. 4. Valtech : Digital Performance center création ou refonte Acquisition Inception Diagnostic/Audit Web intelligence Plug and measure Digital Conversion Performance Center Real time analytics STRATEGIE INTEGRATION Tableaux de bord PLATEFORME personnalisés OPTIMISATION Rétention Formation © Valtech 2011
  5. 5. Le défi du marketing. . . Réfléchir à une véritable stratégie digitale orientée R.O.I. © Valtech 2011
  6. 6. Agenda Les enjeux Collecter des données Segmenter les cibles Optimiser en continu Démonstration#6 © Valtech 2011
  7. 7. Les enjeux du marketing. . . De l’acquisition d’audience à l’acquisition de clients 45 millions dutilisateurs Internet en France % dutilisateurs en Influence ligne Une campagne classique peut atteindre Budget, durée et 70,0 % 70 % des utilisateurs = 31 millions plan média Taux de clics de 1 % = Ciblage, message 0,7 % et éléments 0,31 millions créatifs Expérience sur page datterrissage 30 % de rebond 0,5 % correspondant avec le = 0,22 million message publicitaire Taux Conversion de 2 % Pertinence, offre, expér- 0,01 % = 4 400 ience 7#7 © Valtech 2011
  8. 8. Exemple de campagne de référencement payant(SEM) Variables de la campagne Variables de le-marchand• Coût par clic (CPC) • Taux de conversion• Taux de clics (CTR) • Panier moyen• Classement des mots-clés = • Bénéfice ou retour sur Impressions publicitaires investissementLimpact sur les variables affecte considérablement le retour sur investissement CPC Clics Coût Taux de Commandes Revenu Retour sur acquisition conversion (en €) investis- sement1er 0,25 € 4 000 000 1 M€ 2% 80 000 8 000 000 -20 %scénario2nd 0,25 € 4 000 000 1M€ 3% 120 000 12 000 000 20 %scénarioLes informations et les outils assurent les performances• Réduire le coût par clic et augmenter le taux de clics pour optimiser le volume du site• Obtenir des clics plus pertinents pour augmenter le taux de conversion et le volume moyen de la commande 8
  9. 9. Mais encore…des ressources et du temps Collecte des données: 90% Action sur les données 10%*Internal VT&B Data 9#9 © Valtech 2011
  10. 10. Des technologies et services alignés sur des besoins Collecter et automatiser Organiser et classifier Comprendre et analyser 10#10 © Valtech 2011
  11. 11. La démultiplication des canaux Online Offline SEO Presse Consolider les données SEM Branding & Acquisition Branding & EmailingAcquisition TV Réseaux sociaux Segmenter Considération Segmentation Internet Appli/Mobile Optimiser Bornes Conversion Rétention#11 © Valtech 2011
  12. 12. Avoir une vision complète Image courtesy of CelebrationPackages.com © Valtech 2011
  13. 13. Avoir une vision complète Image courtesy of CelebrationPackages.com © Valtech 2011
  14. 14. Avoir une vision complète Image courtesy of CelebrationPackages.com © Valtech 2011
  15. 15. Un ROI mesurable à chaque instant Taux ClientCanal Côut Visiteur Lead CA de ROI Conv. SEM €50,000 106,345 24,228 €415,500 545 0,02% 7,31 CRM €20,000 35,098 4,386 €153,650 180 0,04% 6,68 Données Données Données Tiers + Online + Offline = Une vision complète © Valtech 2011
  16. 16. Segmenter : comprendre la diversité des profils et des comportements Online Offline SEO Presse Consolider les données SEM Branding & Acquisition Branding & EmailingAcquisition TV Réseaux sociaux Segmenter Considération Segmentation Internet Appli/Mobile Optimiser Bornes Conversion Rétention#16 © Valtech 2011
  17. 17. Qui sont-ils? D’où viennent-ils? Que font-ils? Web Email Courrier PDV Autre Call Centers Television Mobile Magasin Kiosk GAB#17 © Valtech 2011
  18. 18. Combien de segments? Comment les définir? Variables du référent Variables denvironnement  Domaine de  Adresse IP référence Variables de comportement de site  Pays dorigine  ID de campagne  Fuseau horaire  Société affiliée  Client/prospect  Système  Paiement au clic  Nouveau visiteur/visiteur dexploitation  Recherche naturelle récurrent  Type de navigateur  Type de comportement lors  Direct/signet  Résolution décran d’une visite précédente  Produits dintérêt précédents – niveau supérieur Variables temporelles  Produits dintérêt précédents – niveau inférieur  Heure du jour  Recherches  Jour de la semaine  Achats en ligne précédents  Récence  Exposition de la campagne  Fréquence précédente  Réponses à la campagne précédente Variables Hautement prédictif hors Profil anonyme ligne © Valtech 2011
  19. 19. Découverte : Une plus grande résolution d’écran montre un taux de conversion de 45% supérieur Insight : Les notations et les revues des clients augmentent les taux de conversion© Valtech 2011
  20. 20. Segmentation par nombre de visite
  21. 21. Segmenter pour une expérience pertinente Visiteurs Nouveaux Récurrent Prospect Client x2 Quel type de Quel contenu va promotion va impacter la fidélité augmenter le panier d’un client existant? moyen d’un nouveau visiteur?
  22. 22. Segments multi-dimensionels
  23. 23. Optimiser : pertinences des messages et des expériences Online Offline SEO Presse Consolider les données SEM Branding & Acquisition Branding & EmailingAcquisition TV Réseaux sociaux Segmenter Considération Segmentation Internet Appli/Mobile Optimiser Bornes Conversion Rétention#23 © Valtech 2011
  24. 24. Les bénéfices de la segmentation de l’optimisation { MultiplicationRevenu de la valeur Cumul avec Non-Segmenté Segment A Segment B Segment C Segment D segmentation 24 © Valtech 2011
  25. 25. Tester et cibler RÉITÉRER#25 25 © Valtech 2011
  26. 26. Tester – test A/B Baseline +25% +43% +9% © Valtech 2011
  27. 27. Tester – test MVT +8% de demande de dossier du dimanche au jeudi Version « 3 steps » Meilleur performance le vendredi et le samedi Version Version « 1 step » « 2 step » © Valtech 2011
  28. 28. Refonte de la page d’accueilMise en avant du lien de partage de l’articleDefault Content Diagnostic: •Les données de web analyse montrent lasous-utilisation du lien de partage de l’article de homme •Les réseaux sociaux sont une source importante de trafic Impact: •Tester des alternatives afin de donner une meilleure visibilité au lien de partage © Valtech 2011
  29. 29. Refonte de la page d’accueilMise en avant du lien de partage de l’article Recipe BExpose the sharing links but keep them in the toolbox. © Valtech 2011
  30. 30. Refonte de la page d’accueilMise en avant du lien de partage de l’article Recipe CExpose top sharing links within the article flow. Link to the complete list. © Valtech 2011
  31. 31. Refonte de la page d’accueilMise en avant du lien de partage de l’articleLift = increased clicks to share Recipe A Recipe B Recipe C 80% lift 135% lift Recipe D Recipe E Recipe F 162% lift 188% lift 139% lift © Valtech 2011
  32. 32. L’optimisation via du ciblage Variables du référent Variables denvironnement  Domaine de  Adresse IP référenceVariables de comportement desite  Pays dorigine  ID de campagne  Fuseau horaire  Société affiliée Client/prospect  Système  Paiement au clic Nouveau visiteur/visiteur dexploitation  Recherche naturelle récurrent  Type de navigateur Type de comportement lors  Direct/signet  Résolution décran d’une visite précédente Produits dintérêt précédents – niveau supérieur Variables temporelles Produits dintérêt précédents – niveau inférieur  Heure du jour Recherches  Jour de la semaine Achats en ligne précédents  Récence Exposition de la campagne  Fréquence précédente Réponses à la campagne précédente Variables Hautement prédictif hors Profil anonyme ligne © Valtech 2011
  33. 33. Ciblage de contenu sur la base du profilWhat is the best content for the homepage? © Valtech 2011
  34. 34. Ciblage de contenu sur la base du profil Tools Hero © Valtech 2011
  35. 35. Ciblage de contenu sur la base du profil Tools Hero © Valtech 2011
  36. 36. Adobe Online Marketing Suite Modules CMO DASHBOARDS ONLINE CHANNEL Search CONVERSION CRM ACQUISITION ANALYTICS ANALYTICSAd Networks KiosksAd Exchange Call Center Mobile POS OPEN BUSINESS ANALYTICS PLATFORM Video Teller ONLINE MARKETING SUITE © Valtech 2011
  37. 37. Démonstration 37 © Valtech 2011 Footer Text
  38. 38. Une alliance unique d’un éditeur et d’une agence digitaleleader avec des références mondiales © Valtech 2011

×