Cookies zijn over de datum: hoe ga jij cross-device tracking inzetten?

Big data, hyperpersonalisatie, cross-device tracking; het zijn allemaal trending termen in de marketingwereld. Maar wat betekenen ze nu precies? Hoe staan ze in relatie tot elkaar? En de belangrijkste vraag: hoe kan ik er als marketeer iets mee?

Wereldwijd zijn er ruim 3 miljard internetgebruikers, waarvan er zo’n 2 miljard actief zijn op 1 of meerdere social media-platformen. Dagelijks worden er zo’n 4,5 miljard likes gegeven, 500 miljoen tweets de wereld ingestuurd en 70 miljoen foto’s gepost op Instagram. Daarnaast wordt er enorm geïnvesteerd in ‘dingen’ die via het internet kunnen communiceren (Internet of Things, IoT), waardoor de hoeveelheid beschikbare data alleen nog maar explosiever zal stijgen. De verwachting is dat het aantal verbonden apparaten rond 2020 30 miljard zal bedragen.

Het is ons intussen wel duidelijk dat er heel veel waarde schuilt in deze enorme hoeveelheden data en dat we daar ‘iets mee moeten’. Maar hoe je die waarde precies kunt ontsluiten, is voor velen nog een groot vraagteken.

Hyperpersonalisatie

Het ultieme doel voor elke marketeer is ‘hyperpersonalisatie’: de juiste persoon op het juiste moment de juiste content op het juiste apparaat tonen. Met name het laatste criterium is de afgelopen jaren complexer geworden. Waar gebruikers aan het einde van vorig decennium veelal nog slechts internetten vanaf hun desktopcomputer, schakelen ze vandaag de dag zonder moeite over van hun mobiel in de trein naar de laptop op het werk en zitten ze ’s avonds met hun tablet op de bank.

De standaard tracking methode met cookies is hierdoor niet meer toereikend. Cookies zijn namelijk geen multitaskers die je kunt inzetten voor cross-device tracking. Ze werken niet op mobiele apps, worden steeds minder nauwkeurig in demografische targeting en kunnen niet makkelijk of accuraat de customer purchase funnel tussen browsers en devices meten.

Deterministic & Probabilistic modelling

Cross-device tracking door enkel gebruik te maken van cookies is dus een hele uitdaging. Momenteel zijn er grofweg twee verschillende methoden die een uitkomst lijken te bieden: ‘deterministic modelling’ en ‘probabilistic modelling’.

De deterministic methode is de meeste exacte van de twee. Door ingelogde gebruikers een unique identifier (=ID) mee te geven, kun je ze op elk apparaat ‘volgen’. Deze methode is effectief op de bekende platformen, waar veel ingelogde gebruikers actief zijn (Facebook, Google, Twitter, Amazon, et cetera).

De probabilistic methode matcht gebruikers die op verschillende apparaten actief zijn op basis van complexe algoritmes. Door honderdduizenden datapunten te analyseren, kunnen zij uiteindelijk met een bepaalde mate van zekerheid aangeven dat het om eenzelfde gebruiker gaat. Een voorbeeld hiervan: wanneer iemand met een smartphone en laptop wekelijks op ongeveer vergelijkbare tijdstippen inlogt op hetzelfde WiFi-netwerk, dan wordt ervan uitgegaan dat het om dezelfde gebruiker gaat.

Hieronder een overzicht van de belangrijkste verschillen tussen de twee methoden:

	Deterministic	Probabilistic
Data Match:	Matcht identificeerbare persoonsgegevens	Matcht op basis van algoritmisch honderdduizenden datapunten te analyseren
Match Criteria:	User ID/ e-mail adres/ naam/ etc.	Apparaattype/ OS/ Locatiedata/ etc.
Betrouwbaarheid:	Bijna 100%	Tussen de 70-90%
Privacygevoeligheid:	Privacygevoelig	Minder privacygevoelig
Partijen:	Facebook/ Google/ Twitter/ Amazon/ etc.	Diverse partijen met een DMP

Datamanagement-platform (DMP)

De deterministic methode is relatief makkelijk te begrijpen en redelijk overzichtelijk qua partijen. De probabilistic manier is daarentegen een stuk complexer. Bij deze methode is een datamanagement-platform (DMP) van cruciaal belang, een systeem dat in 2009 zijn intrede deed. Hieronder een definitie van een DMP:

‘A Data Management Platform (DMP) is a data warehouse. It is a piece of software that sucks up, sorts and houses information, and spits it out in a way that is useful for marketers, publishers and other businesses.’ (Gartner, 2015)

Digital marketing hub

Het doel van een DMP is om alle campagneactiviteiten (social, search, e-mail, display, etc.) en overige interessante (klant)data te koppelen op een centrale plek, om een zo goed mogelijk beeld te krijgen van de (toekomstige) klant. Op basis daarvan worden de media-uitgaven geoptimaliseerd. Daarom noemen experts een DMP ook wel het toekomstige hart van de digital marketing hub. In de onderstaande tabel een overzicht van het proces en de functies van een DMP:

Stap in het Proces	Toelichting
1. Data importeren	a. Gestructureerde informatie van verschillende systemen verzamelen en organiseren b. Nieuwe data verzamelen
2. Segmenten bepalen	Bijvoorbeeld: mannen in Amsterdam boven de 50 die een iPad gebruiken
3. Importeren & matchen van data	Data verrijken met data van data vendors: op basis van cookie synchronisatie i.c.m. het algoritme de lookalikes bepalen
4. Instructies versturen (naar bijvoorbeeld een DSP)	Instructies over: a. Wie te targeten b. Met welke boodschap c. Op welk apparaat

Zoals uit de tabel blijkt, vervult een DMP verschillende functies. Het proces houdt echter niet op bij stap 4. Gewoonlijk stuurt het DMP instructies naar een Demand side platform (DSP). Een DSP koopt, kort gezegd, op een geautomatiseerde manier de advertenties in.

Black box

Er zijn verschillende partijen die een datamanagement-platform hebben gebouwd en zeggen de ultieme manier te hebben gevonden om alle cross-device- en platformdata te kunnen koppelen. Het is echter moeilijk om inzicht te krijgen in de manier waarop zij dit exact doen en of de nauwkeurigheid van targeting daadwerkelijk zo goed is als alle beloftes. Dit komt met name door de complexe algoritmes die in de black box worden uitgevoerd.

Nauwkeuriger targeten

Met dit artikel wilde ik je inzicht geven hoe je als marketeer met behulp van (big) data het effect van je advertenties kunt optimaliseren door ze nauwkeuriger te targeten. Je hebt hierbij de deterministic methode (gebaseerd op data van ingelogde gebruikers) en de probabilistic methode (waarbij gebruik wordt gemaakt van een datamanagement-platform) tot je beschikking. In een volgend artikel ga ik dieper in op het proces dat plaatsvindt nadat het DMP zijn instructies heeft gestuurd naar het DSP (Demand Side Platform).