Le deep learning appliqué à la publicité, Cedric Stucki, RTB House

Comment le deep learning permet à une société spécialiste du retargeting de se différencier et d'améliorer les performances de ses campagnes de display.

Qu’y a-t-il de plus simple que de proposer du retargeting ? Il suffit de poser des tags de tracking sur un site, qui pose des cookies sur l’ordinateur du cient, d’aspirer la base de données produits et d’envoyer des bannières de publicité avec la photo du produit lorsque l’on retrouve l’internaute à l’autre bout d’internet.

C’est presqu’aussi simple que cela.

Mais pas tout à fait :

• Les internautes qui ont visualisé une fiche produit ne sont pas tous des clients potentiels
• Certains internautes n’ont pas tous envie d’être retrouvé à l’autre bout d’internet
• L’achat d’espace publicitaire qui doit être réalisé coûte cher
• Les sites sur lesquels s’affichent les bannières n’affichent pas les bannières dans les mêmes conditions
• Au bout d’un moment, il est inutile de continuer à diffuser des bannières de retargeting
• Il faut repérer le moment où l’internaute achète pour cesser de l’importuner

Il existe différentes approches pour optimiser la diffusion des campagnes et éviter de retargeter tous les internautes ayant visité le site sur n’importe quel site partenaire avec le même approche :

• Diffusion optimisée avec des moteurs de règles
• Diffusion optimisée avec des méthodes statistiques simples
• Diffusion optimisée avec des méthode de machine learning
• Diffusion optimisée avec des méthodes de deep learning

24pm academy a interviewé Cedric Stucki, directeur commercial de RTB House France depuis quelques mois et vétéran des campagnes d’acquisition online, nous a donné des détails sur les algorithmes de deep learning  de RTB House qui, comme son nom l’indique diffuse des campagnes de RTB de retargeting.

Quels sont les services proposés par RTB House ?

Cédric Stucki

RTB est une société forte de 600 collaborateurs qui propose des campagnes de retargeting en RTB dans 70 pays. C’est donc un concurrent frontal de Critéo, concurrent plus connu en France.

La technologie est différente de celle de Critéo, dont les algorithmes reposent sur du machine learning, car RTB house a fait le pari dès 2017 de placer des algorithmes de deep learning au cœur de ses algorithmes, par exemple, pour identifier les visiteurs des sites de ses annonceurs qui avaient le plus de chance de se transformer en client clients potentiels.

L’approche est totalement différente non seulement parce que le deep learning utilise plus de données, que les modèles (ie, les règles qui définissent qui doit être retargeté et avec quels messages) sont différents d’une technologie à l’autre.

Pour rappel, le deep learning est une forme de machine learning où les modèles d’IA sont entraînés et créés avec d’autres algorithmes différents de ceux du machine learning classique et qui débouchent sur des critères de ciblage différents. Par ailleurs, la partie auto apprenante des algorithmes de deep learning est beaucoup plus important que dans le machine learning.

Au-delà de ces aspects techniques, l’avantage du recours au deep learning est que ces campagnes de retargeting

Comment le deep learning permet-il d’améliorer les performances d’une campagne de publicité en retargeting ?

Cédric Stucky

Il n’existe pas un mais plusieurs modèles de deep learning intégrés dans l’algorithme de RTB House.

Chaque modèle de deep learning permet d’optimiser une partie différente des campagnes de publicité gérées par RTB House :

Certains modèles sont entraînés pour estimer au plus juste la probabilité du taux de conversion et de la valeur des conversions pour améliorer l’estimation de la valeur de l’utilisateur

Un mécanisme de recommandation permet de déterminer les contenus (le produit, les produits) les plus susceptibles de déclencher un clic auprès d’un utilisateur donné (en analysant les données de navigation et de transaction collectées par les 5 trackers RTB House installé sur le site de l’annonceur,

Un modèle permet de déterminer au plus juste la probabilité d’un utilisateur donné, exposé à une bannière donnée, sur un site donné clique sur un bannière

Enfin, un autre modèle permet d’optimiser la stratégie d’achat (opportunité d’acheter une bannière s’affichant sur un site donné auprès d’un utilisateur donné, estimation du prix d’achat le plus juste…)

Grâce à des campagnes de publicité, géré par un algorithme recourant à plusieurs niveaux au deep learning, RTB Hous estime que la société est en mesure de déterminer des combinaisons utilisateurs-bannière-site éditeur que d’autres acteur du retargeting n’aurait pas identifié ou auraient sous-estimé. Cela permet à RTB House d’être le meilleur surenchérisseur sur une bannière que les autres acteurs n’auraient pas identifiée et, donc, de permettre à ses annonceurs de générer du chiffre d’affaires additionnel.

Comment RTB House collecte-il les données utilisées pour alimenter ses algorithmes ?

Cédric Stucky

RTB House collecte exclusivement de la donnée first party, c’est dire générée par le site de l’annonceur lui-même, c’est-à-dire que RTB House n’espionne pas les internautes sur ce qu’ils font à l’extérieur du site de l’annonceur (en dehors de leurs réactions aux bannières diffusées) pour des contraintes législatives (traduisez GDPR/RGPD en Europe ou la California Consumer Privacy Act pour les Etats-Unis). Ces données first party sont récupérées via cinq tags (Home Page, Catégories, Fiche produit, Panier, Transaction). Des cookies sont déposés par RTB House au nom du site de l’annonceur et via l’annonceur lui-même afin de permettre un tracking via les navigateurs qui limitent/interdise le tracking par cookie tiers.

Même avec ce dispositif, RTB House ne permet pas de retargeter sous IOS.

Le tracking cross device (desktop/mobile) est, partiellement, assuré.

Il est possible que dans un avenir indéterminé, RTB House rejoignent des écoystèmes comme celui d’ID5, un acteur spécialisé dans la réconciliation/synchronisation de cookies  (c'est àdire la mise en correspondance entre les cookies des différents acteurs du tracking pour permettre un tracking d’un même utilisateur, se voyant donc attribuer un ID utilisateur unique), ce qui permettrait de gérer les restrictions prévisibles du tracking par cookies imposés par les éditeurs de navigateurs (Apple, Google, Mozilla…)

A partir de quelle audience, RTB house est-il opérant ?

Cédric Stucky

L’audience est une donnée importante, mais ce n’est pas le seul, mais peuvent travailler avec

En général, le système fonctionne à partir de 150 000/200 000 de visiteurs. En deçà, le machine learning est plus efficace que la technologie de deep learning de RTB House.

 

RTB House

Intégration de l’intelligence artificielle

Cœur de la technologie

Secteur

Publicité en ligne

Application

Optimisation des campagnes de retargeting en RTB

Maturité

En production à grande échelle depuis 2017