Fin des cookies tiers : il est temps pour les détaillants d'adopter les données propriétaires

Alors que les cookies tiers disparaissent, voici comment les détaillants peuvent continuer à cibler efficacement les clients avec des données de première partie.

Impossible d'y échapper : la fin est proche pour les cookies tiers.

Alors que les acheteurs en ligne soucieux de leur vie privée peuvent se réjouir à l'idée, les détaillants de commerce électronique sont certainement moins enthousiastes à l'idée de perdre des informations précieuses sur les habitudes d'achat potentielles de leurs clients. Que peuvent faire les détaillants pour s'assurer que leurs conversions ne souffrent pas de la disparition des cookies ? Et à quel point les cookies tiers ont-ils été efficaces pour stimuler l'engagement et les ventes, de toute façon ?

Pourquoi les cookies tiers font-ils partie intégrante de la personnalisation et où vont-ils ?

Afin de cibler les clients le plus efficacement possible, les spécialistes du marketing se sont fortement appuyés sur les cookies tiers pour parfaire la personnalisation.

Les cookies tiers permettent aux courtiers de données de fournir des ensembles agrégés d'informations démographiques sur les consommateurs telles que l'âge, le sexe et l'emplacement. Ils ont longtemps été considérés comme l'outil le plus efficace pour les entreprises de commerce électronique pour offrir une personnalisation et, par conséquent, des ventes.

Cependant, les préoccupations des consommateurs et des gouvernements concernant la confidentialité ont qualifié cette méthode d'indésirable, entraînant l'abandon des navigateurs et des logiciels, et même des lois sur la confidentialité limitant la pratique.

Google, dont le navigateur Chrome représente près des deux tiers de l'utilisation mondiale d'Internet, prévoit de supprimer complètement les cookies en 2024, alors que Mozilla Firefox et Apple Safari l'ont déjà fait. Cela pose une réelle préoccupation pour les détaillants qui doivent se préparer rapidement à la disparition des cookies tout en étant en mesure de recommander efficacement des articles aux clients. Les spécialistes du marketing qui se trompent de personnalisation peuvent en payer le prix. Selon une enquête Gartner ^{[ 1 ]} , plus de la moitié déclarent qu'ils se désabonneront des communications d'une entreprise et 38 % cesseront de faire affaire avec une entreprise s'ils trouvent que les efforts de personnalisation sont « effrayants ».

L'essor des données propriétaires comme solution de personnalisation

Alors que les données tierces sont progressivement supprimées en raison de leurs problèmes de confidentialité, il existe encore des moyens de tirer parti des signaux précieux des clients afin de stimuler les ventes. Les données de première partie font référence aux informations qu'une entreprise recueille auprès d'un utilisateur par le biais d'interactions directes avec son propre site Web ou catalogue. Ces informations sont recueillies en informant l'utilisateur qu'elles sont collectées et dans quel but, ce que 84 % des consommateurs indiquent qu'ils sont prêts à faire.

Pour les détaillants, les données de première partie présentent des avantages inhérents par rapport aux cookies tiers. Premièrement, l'information est obtenue grâce à un échange ouvert avec le consommateur, ce qui donne au client un sentiment de sécurité et de confiance dans la marque.

Deuxièmement et plus important encore pour l'entreprise, les données de première partie reflètent les goûts et les préférences d'un utilisateur dans le contexte d'un magasin de commerce électronique donné, par opposition à une agglomération d'autres magasins similaires.

Application d'un scénario de brique et de mortier à la personnalisation du commerce électronique

Bien que les données tierces aient été les principales données client utilisées pour faire des recommandations de commerce électronique aux clients, elles n'ont jamais été le moyen le plus efficace d'obtenir une véritable personnalisation. C'est parce qu'il est trop préoccupé par qui est une personne par rapport à ce qu'elle veut ou ce qui l'intéresse.

Considérez le scénario de magasin de détail physique suivant. Imaginez que vous, en tant que vendeur dans le magasin, ayez l'une des deux options lorsqu'un client entre. Vous pouvez lui demander de divulguer des informations personnelles telles que son âge, son sexe et son lieu de résidence. Ou, vous pouvez autoriser le client à naviguer de manière indépendante et à observer les articles avec lesquels il interagit au cours de ses premières minutes dans le magasin.

De toute évidence, cette dernière option vous permettrait de faire une recommandation plus précise en fonction des goûts et des préférences réels du client, au lieu de faire des hypothèses sur ce qu'il pourrait vouloir en fonction de la façon dont il s'identifie en tant que personne.

Les progrès de l'IA rendent les données de première partie particulièrement précieuses

Le scénario de la brique et du mortier s'applique également aux clients en ligne. Le problème est qu'il peut être difficile d'interpréter avec précision les intérêts des visiteurs du site Web dans les paramètres de commerce électronique de manière suffisamment opportune pour les empêcher de rebondir sur votre site Web. Cependant, les progrès récents de l'intelligence artificielle (IA) et de l'apprentissage automatique (ML) ont fait des recommandations basées sur le comportement en ligne une réalité.

En tirant parti des techniques d'IA et de ML de pointe, les entreprises peuvent adopter une approche qui se concentre sur le comportement des clients (ajouts de panier, likes, défilement de page, etc.) en quelques clics, le tout sans se soucier des données personnelles.

Cela signifie que non seulement les cookies tiers sont moins pertinents que les données de première partie lorsqu'il s'agit d'une personnalisation efficace, mais également que des recommandations favorisant la conversion peuvent être obtenues même en l'absence d'historique de navigation préalable. Ceci est particulièrement important en raison du nombre élevé de visiteurs du site Web qui sont nouveaux ou anonymes.

Recommandations basées sur le comportement comme moyen de booster l'engagement et les conversions

Des méthodes telles que la recommandation de "meilleurs vendeurs" ou de "précédemment consultés" sont des moyens standard mais médiocres d'aborder la personnalisation, car elles limitent la découverte aux données d'achat à l'échelle du magasin qui peuvent ne pas être pertinentes, ou à l'historique de navigation. Ceci est particulièrement limitant pour les utilisateurs nouveaux et anonymes.

En utilisant des recommandations basées sur le comportement ^{[ 2 ]} pour offrir des expériences hautement personnalisées aux consommateurs, les détaillants sont en mesure de proposer des articles qu'un consommateur aime en un temps plus court. Cela augmente à la fois la probabilité d'une conversion et la fidélité à la marque, car le consommateur sentira que l'entreprise le comprend et fera rapidement apparaître les articles qui l'intéressent vraiment.

De plus, les données de première partie qui permettent des recommandations basées sur le comportement lors de la navigation peuvent être utilisées pour améliorer l'expérience de paiement. Les opportunités de regroupement d'articles ou de vente incitative peuvent être présentées plus efficacement aux clients en fonction de leurs habitudes.

Ce n'est qu'en exploitant les données de première partie avec la bonne plateforme de recommandation que les détaillants peuvent tirer pleinement parti de ces méthodes. Les cookies tiers et les systèmes de recommandation moins avancés sont mal équipés pour offrir une expérience de navigation aussi riche aux clients.

Utilisez les données de première partie pour rencontrer les clients là où ils se trouvent

Les données de première partie sur le temps passé par un client sur un site de commerce électronique sont extrêmement précieuses, même après que le consommateur a quitté le site. Il est essentiel de pouvoir renouer avec les clients là où ils se trouvent au sein de l'écosystème plus large de votre marque. Une approche omnicanale efficace peut faire la différence entre un panier abandonné et une vente, et tirer parti du comportement sur site pour les e-mails, les SMS, les interactions dans l'application ou en magasin vous y conduira.

Les méthodes omnicanales traditionnelles incluent la recommandation de ce qui a été laissé dans un panier, des achats précédents ou des articles nouveaux et populaires. Bien que ceux-ci puissent tous être quelque peu efficaces en termes de réengagement, être en mesure de se concentrer sur le comportement des utilisateurs pour faire des recommandations est plus susceptible de susciter l'intérêt et de ramener le client dans un état d'esprit d'achat.