Sixième et dernier article qui compare les panels et les data. Jusqu’à ce que je trouve d’autres idées…

La taille des panels constitue leur principale limitation. A l’inverse, les data se caractérisent par des volumes importants qui offrent des possibilités infinies.

Bigger is better?

Même si la taille n’est pas tout, comme le montrent le destin des dinosaures, et l’histoire de Gallup et des sondages politiques (dont j’ai précédemment parlé).
La qualité importe aussi. Et la conséquence de cette qualité, c’est le coût. Et ce coût limite le recrutement des panélistes. Donc la taille. Ce cercle vicieux impose un équilibre instable au business des panels.

Pire encore, les taux d’attrition des panels sont importants. Les panélistes mesurés (à la différence des access panels qui sont interrogés) doivent installer un logiciel (pour Internet), ou un boitier (pour la télévision). Et là, toutes les raisons sont bonnes pour quitter le panel :

• on change d’ordinateur, on ne réinstalle pas le logiciel
• on a un problème sur l’ordinateur, on désinstalle tout ce qui n’est pas indispensable
• on en a marre tout simplement, on quitte le panel

Bref, garder un panel constant requiert d’énormes efforts, à la fois technologiques, et à bichonner ses panélistes.

Le même type de problème existe aussi pour les data.

Les recueillir coûte cher, les renouveler aussi. Il faut souvent payer les fournisseurs, ou partager les revenus que l’on génère avec ces data.

Malgré ces contraintes, les data se comptent en millions, alors que les panels se comptent en dizaines de milliers. Avec les data, on peut cibler des comportements très pointus, comme la mise en panier d’un article particulier (Criteo), ou la visite d’une rubrique du site de l’annonceur, ou l’appartenance à un segment de clients de l’annonceur (CRM).

La plupart de ces comportements ne sont pas ciblables avec des panels.

Mais les data se heurtent aussi à un problème qui influe sur leur taille utile. Avec les data, on cible des individus (enfin,des appareils) qui ont eu un comportement donné. Le temps joue contre nous dans ce cas. La data se périme très vite.

Par exemple, tout le monde sait que le retargeting perd de son efficacité en quelques minutes. Les taux de clic décroissent très vite, c’est pour ça que les retargeters négocient avec les sites un droit de first look (être appelés les premiers).

Les intentionnistes (voiture, déménagement…) sont sur des projets de plus long terme. Les data qui leur sont associées ont une durée de vite supérieure (de quelques semaines à quelques mois).

Quoi qu’il en soit, les data réellement utilisables à un instant t ne représentent qu’une fraction des data collectées dans le passé.

Les panels se périment aussi, mais la situation est différente. On ne cherche pas à toucher un panéliste qui a eu un comportement, mais à créer des modèles qui permettront de toucher ceux qui ont eu le même comportement.

Par exemple, quelqu’un qui veut changer de voiture va visiter des sites de comparateurs ou de petites annonces. Et même si cette info (je n’ai pas dit “data”) date de plusieurs mois, le comportement va rester plus ou moins le même.

Les panels évoluent à la vitesse de la société, pas à la vitesse des individus.

Il est donc possible de créer des modèles d’analyse des panels qui intègrent des données passées. Ainsi, des comportements plus fins peuvent être pris en compte. Un peu comme si on disposait d’un panel de taille plus importante.

En conclusion, les panels ne permettront jamais de réaliser le même micro-ciblage que réalisent les data. Mais, comme le micro-ciblage est honni de tous, je ne vais pas me plaindre de sa disparition !