Avec une estimation de 1,145 trillion de Mo de données créées par jour-Compte tenu des comportements d'achat de plus en plus numériques des consommateurs d'aujourd'hui, il devrait être facile d'extraire les éléments d'information les plus importants que vous souhaitez et d'agir en conséquence. Mais ce n'est pas le cas, du moins pas si vous voulez comprendre son contexte.
Les solutions de données capables de fusionner en toute sécurité les données de vente au détail que les marques possèdent avec les données en temps réel sur le comportement des consommateurs sont rares. Mais pour l'industrie des biens de consommation emballés (CPG), c'est là que se trouve le trésor : des informations indexables et exploitables sur les tendances et les intérêts des consommateurs.
Les données comportementales en ligne qui proviennent du web ouvert et qui comportent des scores d'intérêt peuvent aider les experts de l'industrie des produits de grande consommation à distinguer les activités des consommateurs anonymes. Elles peuvent également être adaptées pour répondre à des spécifications très précises afin de satisfaire les besoins des clients.
La valeur et les limites des données des scanners de caisse et des panneaux de contrôle
On comprend pourquoi l'industrie des produits de grande consommation s'appuie globalement sur les données des scanners et des panels de caisses pour identifier les ménages cibles de leurs marques, catégories et produits. Ces données sont exclusives. Elles sont accessibles. Et elles sont contrôlables en termes de respect de la vie privée. Mais leur valeur est également limitée. Les signaux obtenus à partir de ces appareils comprennent la manière dont un consommateur a payé la marchandise, les marques qu'il a achetées, le nombre de produits qu'il a achetés et les produits qu'il a retournés ou échangés. Ces mesures peuvent être comparées dans le temps pour identifier les produits populaires, les produits qui n'ont pas été achetés au cours du dernier mois ou de la dernière année, et les marques que les consommateurs semblent avoir abandonnées.
Tous ces signaux de données proviennent de visites de magasins ou de données d'achat antérieures, ce qui limite l'actualité, le contexte et la portée de ce qui peut en être tiré. Les analyses utilisant ces données se limitent à utiliser les interactions passées pour placer les utilisateurs et leurs ménages dans des groupes de futurs clients potentiels à des fins publicitaires. Ce qui manque, c'est une visibilité sur les comportements et les considérations actuels des clients.
L'antidote, cependant, est tout aussi limité
Les détaillants, contrairement aux marques de CPG, ont tendance à "posséder" les données des consommateurs et leurs historiques d'achat. Ils détiennent des signaux propriétaires précieux - tels que le temps que les consommateurs passent sur telle ou telle page, la manière dont ils s'y rendent, où ils vont ensuite, ce qu'ils préfèrent ou n'achètent jamais, etc. En conséquence, les détaillants monétisent désormais ces signaux et les proposent aux marques de produits de grande consommation et aux fournisseurs de services pour améliorer les décisions stratégiques. Même en tenant compte de l'accès conforme à la confidentialité que ces signaux peuvent fournir, il reste des limites importantes. En bref, les signaux spécifiques aux détaillants ou aux marques sont généralement limités aux propriétés numériques et aux magasins qu'ils possèdent, et reposent encore largement sur des achats et des actions antérieurs.
Que manque-t-il ? L'activité des consommateurs en ligne sur le web ouvert
Considérez ceci : selon Statista, En janvier 2021, le monde comptait 4,66 milliards d'internautes actifs, soit 59,5 % de la population mondiale. Sur ce total, 92,6 % (4,32 milliards) ont accédé à l'internet via des appareils mobiles.
Comment les consommateurs passent-ils leur temps en ligne? Outre réseaux sociaux, où Facebook l'emporte avec 44,6 milliards d'heures qui y sont passées par an, c'est Google, où les consommateurs passent 213,1 milliards d'heures par an à chercher, lire et regarder. YouTube, qui appartient à Google, recueille 142,6 milliards d'heures supplémentaires par an auprès des internautes. Pour information, il n'y a que 9 050 heures dans une seule année-personne. Cela fait beaucoup de données à laisser inexplorées pour la prise de décision.
ShareThis Réunir tout cela
ShareThis comble le vide avec des données d'intérêt en temps réel - des données qui ne sont pas limitées à un côté du pare-feu ou à une transaction. Mettez la puissance d'Internet à votre service avec dix-huit milliards d'événements mensuels - y compris les clics, les partages et les recherches - générés par 1,5 milliard d'internautes sur 3 millions de sites Web mondiaux.
Identifier le sentiment des consommateurs pour obtenir un avantage concurrentiel
En complétant les données exclusives par des données comportementales en ligne, les marques, les détaillants en ligne et les magasins de bric et de broc peuvent identifier des groupes de consommateurs qui répondent aux critères de la campagne, tout comme les données des caisses. Par exemple, un épicier pourrait acquérir un avantage concurrentiel sur des marchés clés en identifiant le sentiment des consommateurs à l'égard de certaines marques de produits de boulangerie au cours des 30 derniers jours, et en ajustant les commandes, les offres spéciales et les coupons en conséquence.
Sentiment des consommateurs à l'égard de différentes marques de produits de boulangerie au cours des 30 derniers jours
Les scores de sentiment sont échelonnés entre -1 (complètement négatif) et 1 (complètement positif).
Identifier les intérêts croisés pour optimiser la personnalisation et les performances.
Les marques et les détaillants peuvent utiliser les solutions de données ShareThis pour stimuler l'engagement des consommateurs et dépasser les objectifs des campagnes, tout cela grâce à une plus grande spécificité de la catégorie de produit, du lieu et du moment de l'engagement.
Par exemple, un détaillant de spécialités alimentaires pourrait optimiser les expériences d'achat personnalisées pour des emplacements spécifiques avec des possibilités de vente croisée ou de vente incitative, en identifiant d'autres catégories de produits auxquelles les consommateurs se sont intéressés au cours des 30 derniers jours, ce qui se traduirait par une meilleure performance de la campagne et une relation plus profonde entre le consommateur et la marque.
Les autres catégories de produits qui intéressent les utilisateurs en fonction du contenu en ligne qu'ils consomment actuellement.
Le score moyen est toujours égal à 1. Une valeur d'indice supérieure à 1 indique qu'un utilisateur a un intérêt x fois supérieur à la moyenne pour cette catégorie.
Découvrez des résultats exploitables qui peuvent aider à affiner les stratégies, les tactiques, etc.
Parce que les données d'intérêt en temps réel peuvent analyser les données au-delà de l'historique d'achat et des préférences de marque en magasin, elles peuvent produire des informations nouvelles et inattendues qui conduisent à des stratégies et des tactiques plus efficaces.
Par exemple, une marque de produits alimentaires pour le petit-déjeuner pourrait identifier les tendances d'intérêt parmi ses clients existants et ciblés et affiner la stratégie de campagne pour obtenir un meilleur engagement et une meilleure réponse.
Les consommateurs américains qui s'intéressent aux produits de boulangerie sont plus susceptibles de s'intéresser également à ces sujets.
Intérêts qui ont tendance à se développer aux États-Unis parmi ces utilisateurs
Alors que l'analyse traditionnelle des données de l'industrie des produits de grande consommation repose en grande partie sur les données des scanners de caisse et des panels, la montée en puissance des achats en ligne amène les détaillants à ajouter des données en ligne sur les consommateurs. Cependant, ces deux ensembles de données ne permettent pas d'obtenir des informations opportunes. Le chaînon manquant, ce sont les données comportementales en temps réel, à l'échelle. Heureusement, ShareThis Curated Data Feed peut prendre en charge l'analyse prédictive qui permet aux détaillants, aux marques et aux fournisseurs de services de CPG d'optimiser les résultats avec plus de confiance grâce à des données qui fournissent plus de contexte et, par conséquent, plus d'informations.
