La notion du temps ne touche pas seulement les humains autour de la cinquantaine. Elle touche aussi les data et les données utilisées pour la publicité.

Toute information possède une valeur, et cette valeur décroît avec le temps.

Dans le monde de la publicité, les data utilisateurs ont longtemps joué un rôle important (elles restent aujourd’hui majoritairement utilisées).
Au fil des années, la gestion de la durée de vie de ces data s’est affinée. Alors que le marché de la data utilisateurs offre une prime au plus gros, la tentation était grande de converser les data sans date de péremption. Mais les acheteurs ont imposé que chaque type de data soit associé à une durée de validité spécifique :

• plusieurs mois pour des informations socio-démographiques (on change rarement de sexe, et d’âge une fois par an en moyenne, sauf certains cas : “C’est entre trente et trente et un ans que les femmes vivent les dix meilleures années de leur vie”, Sacha Guitry)
• quelques mois pour l’achat de voiture, ou d’appartement
• quelques semaines pour des intentions d’achats, déménagement, etc.

La logique est simple, on suppose qu’après un certain temps, l’internaute qui doit acheter une voiture l’a finalement achetée, et n’est donc plus intentionniste.

Qu’en est-il alors des panels ?

Les panels permettent d’analyser le comportement d’un échantillon d’une population. De cette analyse on tire des enseignements sous forme de statistiques. Par exemple, x% des personnes qui ont eu l’intention de déménager visitent un site d’assurance. On n’utilise pas ces informations sur les membres du panel. On les utilise sur d’autres individus, dont on suppose qu’ils ont à peu près le même comportement.

La durée de validité de ces informations dépasse la durée d’usage des internautes. Quand bien même un individu arrêtera de regarder des sites d’assurance au bout d’un mois, la statistique restera peu ou prou valide pendant des mois, voire des années.

Il n’y a donc aucun problème à utiliser des données de panels qui datent de plusieurs mois, voire plusieurs années.

Les data évoluent à la vitesse des individus. Les statistiques, à la vitesse de la société.

De plus, il y a parfois des périodicités de marché. Dans ce cas, il vaut mieux analyser ce qui s’est passé un an auparavant que le mois dernier.

Par exemple, Black Friday génère des comportement inhabituels. La cible des acheteurs de Black Friday n’est pas la même que celle des acheteurs en ligne habituels. Ce sont plus des chercheurs de bons plans, donc avec des revenus inférieurs, etc.

En conclusion, Chronos, le temps, dévore ses enfants. Mais parfois il prend son temps !