En poursuivant votre navigation sur l'un des sites de Mwesto Labs, vous acceptez l’utilisation de cookies ou technologies similaires pour vous proposer des services et offres adaptés à vos centres d’intérêt, vous garantir une meilleure expérience utilisateur et réaliser des statistiques de visites cliquez ici
AppiMonkey

Blog

Quels secrets se cachent derrière la publicité ciblée en ligne ?

Quels secrets se cachent derrière la publicité ciblée en ligne ?

Après avoir passé une minute à chercher sur Internet un cadeau pour votre nièce, vous êtes bombardé de publicités de poupées sur l'ensemble de vos réseaux. Cela vous semble familier ?
 
Les services de publicité ciblée sont souvent présentés comme des moteurs de recommandation, afin de brouiller les pistes entre les incitations des entreprises et celles des particuliers. C'est si courant que la plupart des gens considèrent ces services comme des plateformes publicitaires déguisées.
 
Voyons en quoi la publicité ciblée diffère d'un moteur de recommandation et ce qu'elle signifie pour vous.
 

Les recommandations VS La publicité ciblée ?
 
Tout d'abord, que sous-entend-on par recommandation ? C’est assez simple. Imaginons : vous cherchez une chanson entendue hier à la radio.
Vous allez alors utiliser Spotify, une application dans laquelle vous pouvez entrer vos préférences. Compte tenu de vos préférences, ce service va vous proposer au fur et à mesure de nouvelles chansons que vous êtes susceptible d'aimer. Vous venez d'être la cible de recommandations.

La recommandation vise à optimiser votre expérience en vous proposant les meilleurs articles en fonction de vos goûts personnels.

 
La publicité ciblée, en revanche, fait intervenir des tiers. Disons que l'annonceur A vend des chaussures et que l'annonceur B vend des voyages à forfait. Ils créent chacun leurs campagnes publicitaires et paient des courtiers en publicité, pour qu'ils diffusent leurs annonces. A utilise DoubleClick de Google et B utilise AppNexus.

Quant à vous, vous visitez un site web qui vend des créneaux publicitaires, tel que le DailyNews. Après votre passage, ces courtiers en publicité vont alors acheter l'historique de votre navigateur sur un marché de données, afin de proposer une offre pour que leur annonce soit affichée.

Si DoubleClick paye le plus, vous verrez des publicités vendant des chaussures de luxe. Si c'est AppNexus, vous aurez alors des offres pour des voyages exotiques et vous penserez à vos prochaines vacances !

La publicité vise à optimiser les bénéfices de l'annonceur, de l'éditeur et des tiers sur la base de votre historique de navigation.

 
Venons-en aux faits concrets. En termes de publicité, un "courtier en publicité" prend le nom de plate-forme de demande (DSP). Un DSP est payé lorsque vous cliquez sur la publicité. Il calcule donc les offres pour maximiser la probabilité de clic. La similarité avec la recommandation se produit lorsque le DSP utilise vos données personnelles, achetées auprès d'une plateforme de gestion de données (DMP).
 
Les plus grands DMP, comme Oracle ou Salesforce, en savent beaucoup sur vous : votre âge, les sites web que vous visitez, votre historique de recherches, vos achats, ou  encore, votre activité sur les réseaux sociaux. Ils utilisent les tristement célèbres cookies de suivi, pour collecter vos données et synchroniser l'ensemble de vos profils présents sur le web. Le DSP utilise ces données dans le but de prédire la probabilité de clic


Différents cadres techniques

La publicité ciblée diffère sensiblement de la recommandation pour trois raisons principales : les données impliquées, la simplification excessive des profils d'utilisateurs et les limites de calculs.
 
          1. Des informations implicites et explicites

Avant tout, sachez que les systèmes de recommandation sont interactifs. Vous avez le choix d'ajuster vos préférences, afin de choisir les recommandations auxquelles vous serez confronté. Ces services utilisent un retour d'information explicite.
 
Au contraire, les systèmes de publicité ne recueillent qu'un retour d'information implicite, souvent sans vous demander votre permission. Cela vous énerve de voir des publicités pour des vêtements de bébé depuis plusieurs jours, alors que vous avez simplement acheté un cadeau à votre nouvel ami parent ? C'est tout à fait normal. Les données reçues par un retour d'information implicite sont beaucoup moins précises que celles provenant d'un processus interactif.
 
En tant que musicien, seriez-vous en mesure de recommander une bonne musique à quelqu'un après une courte conversation ? Certainement. Par contre, seriez-vous capable de le faire en tenant compte uniquement de ses recherches récentes sur Google ? Nous ne parierions pas là-dessus.
 
          2. Un classement des profils d'utilisateurs

Une deuxième différence majeure vient du nombre de tiers impliqués dans le processus d'appel d'offres en temps réel. Étant donné que les DSP (courtiers en publicité) et les DMP (plateformes de données) sont deux entités distinctes, le traitement de vos données se retrouve matériellement séparé de la recommandation en temps réel. Le DMP ne connait pas les campagnes publicitaires en cours lorsqu'il comprime des multitudes de données dans des schémas informatifs. Ce processus aboutit malheureusement à une classification trop simplifiée des profils d'utilisateurs en catégories prédéfinies.
 
Pour un DMP, il est souvent plus rentable d'analyser les résumés de profils de milliards d'utilisateurs, plutôt que de recueillir en détail les préférences de quelques personnes. Un DMP peut vous catégoriser comme suit : "homme de 30 ans à la recherche de chaussures". Cependant, il ne saura jamais quel type de chaussures vous préférez, ni si votre ami a utilisé votre ordinateur pour cette recherche.
 
          3. Capacité de calcul

Le troisième contraste technique est la contrainte de temps, extrêmement courte, imposée aux DSP, pour enchérir sur un créneau publicitaire. En effet, ils bénéficient en général de moins de 100 ms. Cela engendre donc l'utilisation d'algorithmes trop simplifiés, par rapport à ce que les systèmes de recommandations peuvent se permettre. Un algorithme de prédiction pour les enchères en temps réel (RTB) sélectionnera généralement un sous-ensemble épars de 30 à 40 caractéristiques, alors qu'un algorithme de recommandation utiliserait des représentations complètes avec des dizaines de millions de paramètres.


Les principales différences exposées, voyons comment cela affecte l'expérience de l'utilisateur.

En raison des limites techniques mentionnées ci-dessus, on remarque qu'il est rare que les publicités proposées correspondent réellement aux goûts des utilisateurs. De fait, le nombre moyen de "clic" sur une annonce se trouve inférieur à 1/1000. Pire encore, le nombre moyen de conversions (achats, téléchargements) se trouve inférieur à 1/20 000
 
Payés au clic, les annonceurs en ligne vont alors pousser leur marketing visuel, dans le but d'attirer un maximum l'attention des utilisateurs moins ou non intéressés : animations, effets visuels, contratses, bruitages, etc. Cela nuit grandement à l'expérience en ligne. C'est pourquoi les internautes sont de plus-en-plus firands des Adblockers, ces fameux logiciels antipub.
 
Ce système d'appel d'offres a lui-même un impact sur l'expérience utilisateur. L'annonce sélectionnée finit par être celle de la DSP qui paie le plus. Ce que l'utilisateur voit est non seulement sans intérêt, mais aussi fortement biaisé en faveur des entreprises qui ont le plus de moyens. En effet, les PME ou les sociétés avec moins de budget qui se retrouvent en concurrence avec les géants du Web (par exemple, les fameux GAFA), auront plus de difficulté à toucher leurs cibles, alors que leurs produits/services seraient certainement mieux adaptés à leurs besoins.
 

Rétablir la confiance des utilisateurs
 
Les internautes sont de plus en plus méfiants vis-à-vis des suggestions publicitaires qu'ils reçoivent. Un bon moteur de recommandation se doit de se préoccuper de vous et donc, de travailler dans votre intérêt. Faites attention aux recommandations d'une plateforme qui propose des produits sponsorisés ou, pire, qui revendrait vos données personnelles à des agences tierces.

Imaginez deux avenirs : l'un où les gains publicitaires et les popups se greffent directement dans votre pupille ; l'autre où l'IA est là pour vous aider à découvrir les choses que vous aimez. 
 
Chez AppiMonkey, nous pensons à vous et votre expérience utilisateur. Nous voulons matcher vos centres d’intérêts à votre temps de jeu, le tout de façon transparente et éthique. C’est pourquoi nous sommes occupés à créer notre propre moteur de recommandation interactif pour les médias et le divertissement. Des millions de paramètres, formés par vous-même, pour votre propre profit !


Article écrit par Jaize ABDERRAHMAN



Sources : 
BOERMAN S., KRUIKEMEIER S., Online Behavioral Advertising: A Literature Review and Research, Agenda, Amsterdam, Literature Review Corner, 2017.
COUMONT E., Targeted Online Advertising: Persuasion in an era of massless communication, University of Toronto, 2000.


Retour

Blog

Quels secrets se cachent derrière la publicité ciblée en ligne ?

Quels secrets se cachent derrière la publicité ciblée en ligne ?

Après avoir passé une minute à chercher sur Internet un cadeau pour v...

voir plus de détails
Clash of Titans: AppiMonkey solves the real problems of today “Privacy issues.”

Clash of Titans: AppiMonkey solves the real problems of today “Privacy issues.”

Recently The whole Internet talk about one topic: Clash of Titans: Apple Vs Facebook, rega...

voir plus de détails
Why AppiMonkey can be your best partner ?

Why AppiMonkey can be your best partner ?

AppiMonkey is a media brand devoted to the Live Sports & Entertainment community and d...

voir plus de détails

Inscrivez vous à notre Newsletter !