Trois types de modélisation que les éditeurs et les marques explorent pour augmenter le volume des données et du reach
Alors que les régulateurs et les navigateurs se concentrent de plus en plus sur les pratiques de confidentialité dans la publicité digitale, les annonceurs ne peuvent appliquer le ciblage d’audience que sur 30 % de l’open web. Équipés des bons outils et d’une expertise en modélisation basée sur le machine learning, les éditeurs peuvent combler le manque croissant de données et s’assurer que les annonceurs ne passent pas à côté d’audiences précieuses tout en augmentant leurs revenus publicitaires.
Les éditeurs deviennent la nouvelle génération de fournisseurs de données pour le ciblage de l’audience. Cette reconnaissance va au-delà de la capacité des éditeurs à collecter des données dans le respect de la vie privée et à reconnaître tous les utilisateurs pour créer des audiences endémiques et non endémiques. Il s’agit de leur capacité à modéliser des ensembles de données de niche et difficiles à mettre à l’échelle, y compris des ensembles de données déclarées de haute qualité.
Dans un nouvel article publié sur son blog, Permutive explore trois types de modélisation que les éditeurs peuvent exploiter pour construire une offre de données à grande échelle.
Les éditeurs et les marques explorent trois types de modélisation pour faire évoluer les données et augmenter l’audience :
- le lookalike modeling
- le classification Modeling
- les prédictions d’événements
