La naissance de l'Internet a secoué la fondation de nombreux marchés, en particulier notre propre industrie des médias. Au cours de la dernière décennie et demie, la publicité en ligne a fleuri dans le génie alternative potentielle aux médias plus traditionnels - courtiser les acheteurs de médias avec la promesse de "mesures en temps réel» et de la technologie qui permet de meilleures capacités de ciblage. Ce sont tous ces promesses de capacités de marketing qui a propulsé les médias en ligne en assurer une plus grande part des budgets globaux - voler dollars de seau de médias traditionnels. Cependant, pour que les médias en ligne de dépasser les budgets des médias traditionnels, l'industrie doit encore innover en termes d'échelle et de ciblage. Cela impliquera offrir de la valeur au-delà de ce que les annonceurs sont actuellement capturent de la télévision.
L'un des éléments essentiels qui permettront le changement dans l'allocation budgétaire est dans la seule chose qui rend la publicité en ligne si unique: la puissance sous-jacente de données ad-ciblage. À l'heure actuelle, l'industrie du numérique est envahie par les données: "Data, données partout dans le monde, mais personne n'a les moyens de tirer parti vraiment." L'industrie de la publicité numérique est encore un des moyens hors de pouvoir tirer parti de «potentiel de données" à partir du contexte de l'annonce et le comportement des consommateurs.
Reid Hoffman, co-fondateur de LinkedIn, a souvent dit que "Web 3.0" sera axé sur les données. Toutefois, si la prochaine ère de l'amélioration de médias numériques implique "données", puis il va y avoir quelques phases différentes au sein de cette époque pour nous de tester et d'affiner. Nous avons jeté un œil dans la boîte de Pandore et nous avons tout juste commencé à gratter la surface de ce que les données intelligents peuvent fournir, mais nous avons encore à comprendre vraiment les capacités. ciblage de la pub a beaucoup de grandir à faire en prévision des prochaines phases du web, et je l'ai souligné quelques étapes de la vie-potentielles de données ci-dessous.
Je ne doute pas que nous sommes en flèche grâce à la phase deux, compte tenu de la prolifération des solutions de cloud computing. En cas de points, le nombre de sociétés de publicité intégrée sur le dessus de la plate-forme AWS d'Amazon est incroyable. Autrement dit, la capacité d'accéder à des données à des vitesses rapides est en train de devenir une marchandise. Cependant, si nous regardons plus loin à la phase trois, nous voyons les choses tombent d'une falaise; le simple fait est que les données manque actuellement un moyen de mesurer la qualité.
Comme nous le savons de l'industrie de reciblage Google et respectivement, la vitesse et la récence sont la clé. Cependant, compte tenu de toutes les différentes sources à partir de laquelle nous recueillons des données publicitaires de ciblage, qui est le suivi de la qualité? Une énorme opportunité existe dans la notation de la qualité des données provenant des différentes sources qui ont créé les données d'intention. Par exemple, comment allons-nous répondre à des questions comme: «Combien de fois les données changé de mains si je ne reçois pas ces données à partir de la source?" Je vais admettre que certains de la qualité des données sous-jacentes se révélera dans les performances des annonces associées, mais il ya un énorme gaspillage entre les deux. Cependant, si nous ne pouvons pas résoudre immédiatement des solutions de données évolutives notation, alors la prochaine meilleure mise au point devrait être centré sur le comportement des consommateurs.
Nous avons résolu les annonces contextuelles avec "échelle contondant" grâce à des produits comme AdSense de Google, mais nous ne sommes pas pour la résolution de données comportementales incroyable que les éditeurs détiennent. Un autre cas en point, il ya une raison pourquoi AdSense ne fonctionne pas aussi bien que AdWords pour les commerçants (en plus de la qualité des éditeurs). L'aspect de contexte n'a pas encore été compris. Google peut connaître les mots qui sont les plus représentés sur une page, mais cela ne signifie pas qu'il comprenne le contexte comportemental. Prenez par exemple les comportements spécifiques exposées au sein de chacune des catégories d'édition uniques ci-dessous. Chacun de ces marchés verticaux a des comportements tout à fait unique à son type de site Web. Ces actions ne sont pas exposés, ni mis à profit pour leur potentiel, nulle part ailleurs sur le web.
Si l'industrie de la publicité peut trouver une façon évolutive pour nourrir ces comportements verticaux de nouveau dans l'annonce écosystème, il nous faudrait bien au-delà juste pertinence contextuelle. Toutefois, heureusement, il ya un comportement qui est cohérent à travers verticaux éditeurs ... recherche! Il est l'un des outils de navigation de base que nous utilisons à travers presque tout numériques (téléphones, PC, ordinateurs portables, téléviseurs, etc.). L'occasion pour tirer parti des données de recherche dans le ciblage ne fait que commencer, et je crois qu'il est l'une des premières étapes vers l'extraction de comportement afin d'améliorer la publicité numérique. Cela ne signifie pas que nous allons résoudre pour chaque " 
. "En fait, ces types de déraillements de trains numériques peuvent augmenter à mesure que nous essayons d'améliorer la pertinence des annonces.
Pour améliorer les données publicitaires de ciblage numériques, non seulement avons-nous besoin pour capturer les événements spécifiques à la catégorie et à nourrir ces nouveau dans l'annonce écosystème, mais nous avons aussi besoin de fournir plus de boucles de rétroaction du consommateur. Le comportement nous de données levier plus de faire des annonces pertinentes pour le consommateur, plus nous aurons besoin de leur donner des outils où ils peuvent contrôler les entrées. Facebook a commencé à construire des outils, mais n'a pas encore mobilisé l'ensemble de données.
Le premier exemple de couche de base de cette sur Facebook est l'endroit où un utilisateur a la capacité de «comme» ou «X» d'un écran ou d'un texte ad. Ceci est une forme simple d'une boucle de rétroaction des utilisateurs. Cependant, même si ces données peuvent ou ne peuvent pas être mis à profit pour améliorer les annonces au sein de l'industrie des médias de Facebook, il est finalement tenue dans un jardin clos sur Facebook. Aucune autre technologie de publicité a accès à tirer parti de ces données pour mieux ciblage ailleurs sur le web. Par exemple, si vous "aimé" une annonce sur Facebook Nike, Nike voudrait certainement de vous cibler que vous surfez sur le web, mais à la place il a surenchéri par la dame de l'hypothèque de la danse parce que Nike ne sait pas qu'il est vous.
Par souci de simplicité, nous allons simplement appeler cette spécifiques à l'utilisateur les méta-données du «consommateur d'informations ad feedback." Si cet outil ont été créés pour améliorer la personnalisation des annonces sur le Web, ce serait méta-données que les utilisateurs peuvent emporter avec eux pour améliorer leur expérience dans tous les sites des éditeurs. Par exemple, un bon exemple serait si un utilisateur désigné une marque est «pertinent» (aka, "aimé"), alors que la marque serait montré plus souvent et la liste blanche à travers des échanges d'annonces. Inversement, si une marque ou un annonceur ont été marqués comme «non pertinente» ou «jamais plus afficher ce message", puis la marque serait sur la liste noire pour ce consommateur. Cela peut ne pas résoudre le scénario pour les consommateurs qui aiment pas toutes les annonces qu'ils voient, mais ce serait un début d'amélioration de la pertinence des annonces sur le Web.
En bref, l'industrie de la publicité numérique tombe encore malheureusement que très peu de l'endroit où il doit être dans le but de recueillir plus les budgets des annonceurs (le bon contexte, exploitant les données de comportement, ou de fournir des outils de rétroaction). Heureusement, les consommateurs aident nudge beaucoup de ces budgets en ligne, juste par le volume de leur activité numérique.