La modélisation lookalike permet aux marketers d’identifier les personnes qui ressemblent à leur audience cible et agissent comme elle. Les modèles lookalike évaluent une cohorte de personnes à l’aide de du machine learning pour trouver un nouvel ensemble de personnes qui se comporteront de manière similaire à l’audience de la cohorte. Par exemple, si une cohorte d’utilisateurs a cliqué sur une publicité, un modèle lookalike tentera de trouver d’autres utilisateurs susceptibles de cliquer également.
Trouver une audience cible peut s’avérer difficile pour les professionnels du marketing qui consacrent du temps, des efforts et de l’argent à des campagnes marketing visant à attirer les utilisateurs et à les inciter à acheter. Les modèles lookalike peuvent être utilisés pour trouver de nouveaux membres d’audience qui ressemblent à des clients existants. Les modèles lookalike recherchent des audiences aux comportements similaires, que les marques peuvent cibler pour les convertir en clients.
Comment fonctionnent les modèles lookalike ?
La modélisation lookalike commence par une petite audience de départ qui se joint à une audience plus large, connue sous le nom de de jeu de données référence. Un jeu de données référence peut être fourni par un fournisseur de données. Il peut également être intégré à une data management platform(DMP) ou à une Demand Side Platform (DSP).
Les modèles de machine learning analysent les attributs du jeu de données référence pour déterminer ceux qui prédisent le mieux la similarité avec l’audience de départ. La modélisation lookalike peut fournir aux marketers des segments d’audience plus ciblés et plus précis par rapport à des classifications d’audience plus larges basées sur l’âge, le sexe, le revenu et la géographie. En raison de leur similitude avec des segments d’audience connus, les audiences lookalike affichent un taux d’engagement et de conversion plus élevé.
Modélisation lookalike avec une Customer Data Platform
Une Customer Data Platform vous permet d’intégrer diverses sources de données clients dans un référentiel, où elles peuvent être consultées en un seul endroit. Un jeu complet de données sur les clients est essentiel pour un modèle lookalike efficace. Les données stockées dans la CDP peuvent inclure l’engagement en ligne et hors ligne et capturer les points de contact avec les clients, tels que les visites de sites Web, l’engagement par e-mail, les achats, les tickets d’assistance client et les avis sur les produits.
Une fois les données clients stockées de manière centralisée dans la CDP, la modélisation lookalike commence par l’identification des personnes qui ressemblent à votre public cible et agissent comme lui. La CDP peut analyser votre public de départ, identifier ses principales caractéristiques, puis rechercher des clients similaires. Une CDP vous permet de tirer parti du machine learning (ML) et de l’intelligence artificielle (IA) pour analyser toutes ces données.
L’étape suivante consiste à tester les segments cibles sur les plateformes en ligne et à évaluer si vous avez trouvé les bons profils. Une CDP vous permet de télécharger votre liste ciblée vers des services intégrés et des plateformes marketing.
La modélisation lookalike crée une meilleure segmentation et un meilleur ciblage pour les campagnes marketing, ce qui permet d’améliorer l’efficacité de la publicité et le ROI. Les programmes marketing lookalike peuvent être très rentables, entraînant une amélioration des taux de conversion et des opportunités marketing plus ciblées.
