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.

IAB HowTo Programmatic - Audience Data (PL)

881 views

Published on

Sources, types and quality of audience data used in programmatic. Presentation form IAB conference, 2.10.2017

Published in: Marketing
  • DOWNLOAD FULL BOOKS, INTO AVAILABLE FORMAT ......................................................................................................................... ......................................................................................................................... 1.DOWNLOAD FULL. PDF EBOOK here { https://tinyurl.com/y6a5rkg5 } ......................................................................................................................... 1.DOWNLOAD FULL. EPUB Ebook here { https://tinyurl.com/y6a5rkg5 } ......................................................................................................................... 1.DOWNLOAD FULL. doc Ebook here { https://tinyurl.com/y6a5rkg5 } ......................................................................................................................... 1.DOWNLOAD FULL. PDF EBOOK here { https://tinyurl.com/y6a5rkg5 } ......................................................................................................................... 1.DOWNLOAD FULL. EPUB Ebook here { https://tinyurl.com/y6a5rkg5 } ......................................................................................................................... 1.DOWNLOAD FULL. doc Ebook here { https://tinyurl.com/y6a5rkg5 } ......................................................................................................................... ......................................................................................................................... ......................................................................................................................... .............. Browse by Genre Available eBooks ......................................................................................................................... Art, Biography, Business, Chick Lit, Children's, Christian, Classics, Comics, Contemporary, Cookbooks, Crime, Ebooks, Fantasy, Fiction, Graphic Novels, Historical Fiction, History, Horror, Humor And Comedy, Manga, Memoir, Music, Mystery, Non Fiction, Paranormal, Philosophy, Poetry, Psychology, Religion, Romance, Science, Science Fiction, Self Help, Suspense, Spirituality, Sports, Thriller, Travel, Young Adult,
       Reply 
    Are you sure you want to  Yes  No
    Your message goes here

IAB HowTo Programmatic - Audience Data (PL)

  1. 1. 9 października 2017, Warszawa, Centrum Konferencyjne Adgar Plaza IAB HowTo: use the full power of programmatic
  2. 2. Dane w programmatic Marcin Barciński, Allegro IAB HowTo: use the full power of programmatic
  3. 3. Programmatic ma pomóc zrozumieć, które 50% budżetu reklamowego zostało zmarnowane
  4. 4. programmatic automatyzacja + dane
  5. 5. programmatic automatyzacja + dane będzie o: - jakie? - skąd? - i do czego?
  6. 6. Dane nie są nowym konceptem, ale istotnie zmienia się podejście
  7. 7. tradycyjne dane silosy
  8. 8. SOCJO I DEMOGRAFIA MULTICHANNEL ZAKUPY AKTYWNOŚĆ SOCJO I DEMOGRAFIA MULTICHANNER ZAKUPY AKTYWNOŚĆ NA WWW
  9. 9. Czy na pewno wokół „osób”
  10. 10. I tak, i nie… • cookie to nie osoba • id konta, e-mail też nie zawsze
  11. 11. cookie device ID ID konta adres e-mail
  12. 12. cookie device ID ID konta adres e-mail
  13. 13. cookie device ID ID konta adres e-mail ID Graph
  14. 14. 44% korzysta z 2+ urządzeń źródło:
  15. 15. Typologia danych
  16. 16. Różne perspektywy na dane: • źródło • własność • taksonomia
  17. 17. (czyli takie, które można zbierać “w internecie”) • nawigacja (generalnie aktywność na stronach www i w aplikacjach) • e-mailing (otwarcie / kliknięcie) • kontakt z reklamą display czy video Online (inne bazy, w wersji elektronicznej lub nie) • bazy klienta (CRM) • ogólnodostępne zbiory danych, np. CEIDG czy dane pogodowe • kasy fiskalne Offline
  18. 18. Dane 1st party Dane własne, pochodzące najczęściej z analizy aktywności na stronie www lub z CRM są unikalne i precyzyjne ale… nie zwiększają zasięgu i dotyczą tylko niektórych aspektów
  19. 19. ODSŁONY uCTR CR 5x 124x Konwersja post-view: 30x wyższa dla segmentu = 3 000 % więcej odsłon konieczne do jednej transakcji poza segmentem Efektywność danych 1st party źródło:
  20. 20. Dane 2nd party Dane partnera, czyli dane 1st party innej firmy lub wydawcy, zwykle komplementarne. unikalne, precyzyjne, inkrementalne do 1st party ale… mniejsza kontrola, trudne w pozyskaniu i wymianie
  21. 21. Dane 3rd party Ogólnodostępne dane zbierane, przetwarzane i udostępniane przez wyspecjalizowane firmy duży zasięg, bardzo wiele typów i segmentów ale… nie są unikalne i trudno weryfikować jakość
  22. 22. 86%kampanii programmatic w Europie wykorzystuje dane behawioralne Źródło: THE ECONOMICVALUE OFBEHAVIOURALTARGETINGIN DIGITALADVERTISING, HIS Markit
  23. 23. Źródło: THE ECONOMICVALUE OFBEHAVIOURALTARGETINGIN DIGITALADVERTISING, HIS Markit Średni wskaźnik konwersji reklamy display 0,7 3,8 6,9 RON dane behawioralne retargeting
  24. 24. tylko 33%marketerów wykorzystujących dane (audience insight) “ufa im całkowicie” Źródło:Advertiser Perceptions, za Adexchanger.com
  25. 25. Weryfikacja jakości danych – demografia źródło: Nielsen, Digital Ad Ratings dla danych 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% 18+ 25-44 M 25-34 F 25+ Allegro benchmark
  26. 26. Jak posegregować dane, czyli taksonomia FUNKCJONALNE DEMOGRAFIA ZAINTERESOWANIA INTENCJE ZAKUPOWE TECHNICZNE GEO
  27. 27. Jak posegregować dane, czyli taksonomia FUNKCJONALNE DEMOGRAFIA ZAINTERESOWANIA INTENCJE ZAKUPOWE TECHNICZNE GEO PODMIOTOWE KTO CO KIEDY
  28. 28. Jak posegregować dane, czyli taksonomia FUNKCJONALNE DEMOGRAFIA ZAINTERESOWANIA INTENCJE ZAKUPOWE TECHNICZNE GEO PODMIOTOWE KTO CO KIEDY CHRONOLOGIA ROBIŁ / SZUKAŁ ROBI / SZUKA ZROBI
  29. 29. Do czego i jak wykorzystujemy dane?
  30. 30. Analiza danych historycznych Analiza danych pozwala na wyciąganie wniosków dotyczących użytkowników, ich cech, zachowań. Przewidywanie zachowań Tworzenie segmentów użytkowników, którzy mają wspólne cechy albo zachowują się w określony sposób.
  31. 31. Analiza danych historycznych Analiza danych pozwala na wyciąganie wniosków dotyczących użytkowników, ich cech, zachowań. Przewidywanie zachowań Tworzenie segmentów użytkowników, którzy mają wspólne cechy albo zachowują się w określony sposób.
  32. 32. Analizy i raporty Data Mining (przykład) źródło: 0% 5% 10% 15% 20% 25% 0 100 200 300 400 500 600 700 800 900 13-17 18-24 25-29 30-34 35-39 40-44 45-49 50-54 55-59 60-64 udział transakcji średnia cena
  33. 33. Analizy i raporty Data Mining (przykład) źródło: 500 550 600 650 700 750 800 850 900 13-17 18-24 25-29 30-34 35-39 40-44 45-49 50-54 55-59 60-64 F M
  34. 34. Marka Które z marek są kobiece a które męskie? źródło:
  35. 35. Które z marek są kobiece a które męskie? źródło: Marka
  36. 36. Model Które z marek są kobiece a które męskie? źródło: Marka
  37. 37. Analiza danych historycznych Analiza danych pozwala na wyciąganie wniosków dotyczących użytkowników, ich cech, zachowań. Przewidywanie zachowań Tworzenie segmentów użytkowników, którzy mają wspólne cechy albo zachowują się w określony sposób.
  38. 38. Targetowanie proste, jedna cecha (np. retargeting) 1 eksperckie (operatory logiczne) 2 algorytmy 3
  39. 39. Przykładowa konstrukcja segmentów POTENCJALNI KLIENCI <przeglądali strony produktów 2x w ciągu tygodnia> i nie <dokonali zakupu w tym czasie> i <demografia: kobiety (dane 3rd party)> PONOWNY ZAKUP <dokonali zakupu w okresie 3- 6 tygodni temu> i nie <dokonali zakupu w ostatnim tygodniu> i <weszli na stronę w ostatni tygodniu)> NOWI KLIENCI <czytali recenzję produktu na stronie partnera (dane 2nd party)> i nie <byli na stronie reklamodawcy> i <demografia: wiek 25+ (dane 3rd party)>
  40. 40. Modelowanie look-alike CECHA 1 CECHA 2 CECHA 3 CECHA 4 CECHA 5
  41. 41. Modelowanie look-alike CECHA 1 CECHA 2 CECHA 3 CECHA 4 CECHA 5
  42. 42. Modelowanie look-alike CECHA 1 CECHA 2 CECHA 3 CECHA 4 CECHA 5
  43. 43. R3 the right people, at the right time, in the right mindset
  44. 44. Uwaga na overtargeting! Za mała grupa nie zapewni skali
  45. 45. Gdzie i jak zbieramy i przetwarzamy dane do programmatic?
  46. 46. programmatic ? Online Offline
  47. 47. DSP (Demand Side Platform) Wykorzystanie kodów DSP do oznaczania wybranych użytkowników i targetowanie w programmatic. Ograniczenie: niewielkie możliwości analizy danych i tylko jedno DSP
  48. 48. Jeżeli to za mało…
  49. 49. DMP (Data Management Platform)
  50. 50. DMP – Data Management Platform Tylko dane nieosobowe Zbieranie z różnych źródeł Łączenie identyfikatorów Segmentacja różne metody Analiza segment overlap Aktywacja udostępnienie
  51. 51. Jeżeli to(nadal) za mało…
  52. 52. Consumer Data Platform DANE 1ST PARTY DANE 2ND I 3RD PARTY CONSUMER DATA PLATFORM ANALITYKA DMP ADSERVER PROGRAMMATIC
  53. 53. Od czego zacząć pracę z danymi?
  54. 54. 1 2 3 4 określenie celów wykorzystania danych audyt danych 1st party taksonomia czyli segregacja danych identyfikacja źródeł danych 2nd and 3rd party plan działań 5
  55. 55. A następnie testowanie, testowanie, testowanie…
  56. 56. With great power comes great responsibility
  57. 57. With great power comes great responsibility

×