La segmentation des visiteurs d’un site optimise la valeur des revenus publicitaires, pour peu de travail !
Dans le monde de l’édition digitale, on est toujours à la recherche de solutions sans effort, avec une forte valeur ajoutée.
Le secteur est saturé de témoignages d’éditeurs ayant modifié un élément simple, comme l’emplacement d’un menu ou son apparence par exemple, augmentant ainsi leurs revenus et améliorant par la même occasion l’expérience des visiteurs.
Et s’il existait une solution permettant d’apporter plus de valeur ajoutée que n’importe quelle autre solution connue ?
C’est précisément le sujet qu’Iggy Chen, directeur de la division de la Business Intelligence chez Ezoic, a abordé dans sa récente étude de cas chez Google à New York lors du Pubtelligence.
Iggy a souligné la valeur considérable que la segmentation des visiteurs d’un site apporte à l’édition digitale. Il a montré comment de simples différences dans le traitement des visiteurs peut avoir un impact énorme sur les augmentations des revenus sur le long terme.
Ci-dessous, je publierai les résultats de ses recherches et des exemples ainsi que la marche à suivre pour mettre en place cela sur vos sites.
Comprendre les différences des visiteurs d’un site
Tous les visiteurs d’un site se comportent différemment. Leur comportement et leur volonté de parcourir le contenu d’un site influencent directement les revenus rapportés par le site.
Même sans un accord direct avec l’annonceur, les revenus de l’éditeur sont affectés par le comportement de son audience. Au sein des échanges programmatiques, l’engagement du visiteur est directement lié au montant que les annonceurs sont prêts à enchérir (ou non) pour l’inventaire de l’éditeur.
De plus, la façon dont le visiteur parcourt les pages du site d’un éditeur affecte directement le nombre de publicités affichées par page , ce qui affecte également l’EPMV (revenus pour mille visiteurs ou revenus par session).
Nous avons abordé cela dans une étude disponible ici.
Nous n’allons cependant baisser les bras, car le comportement ou l’engagement de l’audience n’est pas impossible à modifier et à prévoir.
Nous savons tous que les changements apportés aux pages d’un site peuvent directement affecter le nombre de pages visitées par un utilisateur, le temps qu’il passe sur le site, sa volonté de revenir, etc.
Iggy a indiqué que c’était comme comparer des groupes de ligue fantasy de football au sein de l’entreprise. Les fans de football ont rejoint la ligue fantasy contrairement aux autres qui ont créé leur propre ligue.
Les deux ligues ont eu un comportement très différent dans la façon dont elles ont suivi la saison.
L’étude de cas d’Iggy a pour objectif de déterminer comment il est possible de catégoriser le comportement du visiteur d’un site de façon similaire.
Ce qu’elle montre est que l’essentiel n’est pas de trouver un changement important et unique pour tous, mais plutôt d’identifier les changements mineurs qui pourraient correspondre à chaque type de visiteur et donc améliorer certains paramètres comme le nombre de consultations de page par visite, la durée d’engagement ainsi que les taux de rebond.
Découvrez ici l’intégralité de la présentation d’Iggy.
Étude de cas sur l’analyse et l’optimisation des visiteurs d’un site
L’étude de cas présentée chez Google provient de l’éditeur TigerNet.
Tigernet est une communauté en ligne dédiée aux supporters de l’université de Clemson. Cette communauté dispose d’un large contingent de lecteurs fidèles, mais également de très nombreux lecteurs plus occasionnels provenant du milieu du sport universitaire.
Tout comme Iggy a pu comparer les différents comportements des participants à une ligue fantasy de football entre collègues, il nous explique que les segments que sont les Superfans et les Utilisateurs occasionnels sont présents sur tous les sites, Tigernet inclus.
Il a bien sûr reconnu que les segments se comptent plutôt par milliers, mais il a expliqué qu’il était préférable, dans le cadre de la présente étude, de s’intéresser à deux groupes d’utilisateurs fondamentalement différents pour découvrir les avantages financiers conséquents d’un traitement spécifique de chacun d’entre eux.
Les résultats liés à la différence de traitement des visiteurs de TigerNet
Tout d’abord, penchons-nous sur la façon dont l’étude de cas a été réalisée.
TigerNet utilise la plateforme d’apprentissage machine d’Ezoic pour en savoir plus sur ses visiteurs. La plateforme intègre des machines qui mémorisent le comportement du visiteur dans le temps et définit certains éléments comme l’emplacement, le type et la densité des publicités afin de maximiser l’engagement et la durée de la session.
Dans cet exemple, nous analyserons deux types de visiteurs spécifiques qu’Ezoic a identifiés au fil des années. Iggy utilise les termes auxquels il s’est précédemment référé, Superfans et Utilisateurs occasionnels.
Nous pouvons consulter certains des attributs des Superfans ci-dessus. Ils proviennent souvent de l’État dans lequel Clemson se trouve, ne visitent souvent pas le site pour la première fois, le visitent souvent sur mobile et y passent fréquemment.
L’étude se penche sur la façon dont les machines ont traité ces utilisateurs de façon différente en se basant sur leurs réactions précédentes et de nombreuses variables.
Les anciens articles se trouvent en bas de page car il s’agit de la page d’accueil de TigerNet. Les machines ont choisi de placer deux publicités autour du point d’intérêt principal des Superfans, soit le haut de page.
On peut supposer que les machines ont déterminé que les Superfans connaissent bien les anciennes actualités diffusées sur Clemson, et que les publicités intégrées à cet emplacement bénéficient donc d’un meilleur taux de réussite.
Comme cela a déjà été dit précédemment, le fait de placer les publicités aux emplacements où l’engagement des visiteurs est le plus élevé permet bien souvent de mieux rentabiliser les publicités… Cela doit tout de même être mis en relation avec d’autres éléments tels que la capacité de ces publicités à augmenter le taux de rebond et raccourcir la durée des sessions.
Lorsque le Superfan passe de la page d’accueil à la page suivante, la machine affiche seulement deux publicités supplémentaires pour un total de quatre sur la session.
Les données précédentes semblaient indiquer que le seuil maximal pour obtenir un nombre de consultations de page plus important avec ce type de visiteur est d’environ deux publicités. Les machines ont conservé une densité de publicités inférieure à ce seuil afin de s’assurer que la session ne se termine pas plus tôt que d’habitude.
Enfin, vous remarquerez que cette dernière annonce se trouve à la toute fin de l’article. Les données précédentes ayant montré que l’utilisateur voudra sans doute lire l’intégralité de l’article, les machines placent ainsi l’article à haute valeur à la toute fin du contenu au lieu de le mettre en plein milieu au risque d’interrompre sa lecture, d’autant plus qu’il est peu probable qu’il le fasse pour cliquer sur une publicité.
Moins d’articles sont ignorés ou considérés comme non-consultables, ce qui permet de conserver une forte valeur publicitaire sur le site. Cela aide à maintenir une concurrence plus élevée sur le site quant à l’espace publicitaire de cette page tout en maximisant la valeur de cette session individuelle.
Le fait de comprendre le comportement de cet utilisateur a permis aux machines de répartir de façon équitable les publicités sur toute la session, ce qui a augmenté les revenus et amélioré l’expérience de l’utilisateur.
Cela a également permis de conserver les publicités au sein d’emplacements permettant d’éviter leur dilution.
Traiter les « utilisateurs occasionnels » différemment
Maintenant, penchons-nous sur la façon dont les machines ont utilisé les informations antérieures à propos du comportement des visiteurs pour traiter un autre segment de visiteurs de façon différente.
Dans ce cas, nous parlons de l’ Utilisateur occasionnel. Les machines ont appris que les visiteurs possédant ces attributs (ne provenant pas de l’État où se trouve Clemson, provenant d’un réseau social ou surfant le soir) passent généralement moins de temps par session.
Etant donné qu’il est rare que ces visiteurs consultent plus d’une ou deux pages, le contenu est monétisé différemment.
Puisque ces visiteurs parcourent généralement le site de façon globale et ne descendent que rarement en bas de la page, les machines placent donc les publicités à haute valeur en haut des pages de l’article, là où elles sont le plus susceptibles d’être vues.
Cette approche permet aux machines de conserver un EPMV (total des revenus par session) plus élevé qu’il n’aurait été avec les emplacements de publicités statiques présentés aux Superfans.
En traitant différemment ces deux utilisateurs, les machines ont pu conserver un EPMV total pour les deux sessions des utilisateurs environ 45 % plus élevé qu’il n’aurait été si les deux utilisateurs avaient visionné la même densité et les mêmes emplacements de publicités.
Les machines peuvent-elles nous en apprendre davantage sur le comportement des visiteurs d’un site ?
Dans ce cas, l’une des façons dont l’apprentissage machine fonctionne consiste à ce que les machines elles-mêmes commencent à déterminer les facteurs les plus importants pour la valeur publicitaire et l’expérience utilisateur sur chaque site.
Dans ce cas, nous avons déterminé plusieurs facteurs intéressants.
Ces deux visiteurs sont très différents et les machines ont appris à reconnaître les attributs permettant de les catégoriser.
Cela implique le suivi et la compréhension de ces indicateurs pour différents visiteurs :
- Consultations de page avec engagement par visite
- Durée d’engagement
- Rebonds de navigation
- DOM Interactive et DOM Complete
- Taux de retour des visiteurs
- Nombre de copier-coller par visite
- Niveau d’interaction de partage
- Pourcentage de défilement sur la page
- RPM par longueur de page
- EPMV par nombre de mots de la page de destination
- et bien d’autres…
Ces indicateurs offrent un niveau de données plus granulaire quant à l’engagement des visiteurs par rapport au contenu du site.
Cela permet aux éditeurs d’obtenir une vision à long terme de la monétisation et de maximiser le retour sur investissement.
Cela permet d’éviter le problème extrêmement commun de la « surmonétisation » provoquant la chute des revenus publicitaires de nombreux éditeurs.
Vous pouvez retrouver ces informations gratuitement dans la nouvelle suite Ezoic Big Data Analytics à laquelle les éditeurs peuvent accéder sans frais.
Le pouvoir de s’adapter en temps réel aux données des visiteurs d’un site
Au-delà de la possibilité de segmenter les visiteurs et de les traiter différemment, l’étude de cas d’Iggy montre également des données concrètes sur le bénéfice de le faire en temps réel.
Dans un exemple, il a montré la façon dont les machines peuvent rapidement s’adapter à un nouvel afflux de visiteurs.
Cette augmentation du nombre de visiteurs fut directement liée à la blessure du buteur star de Clemson, Greg Huegel.
Lors de l’analyse des données, les machines ont pu se rendre compte du changement de comportement des utilisateurs lors de cet événement hors norme.
De nombreux utilisateurs provenant des réseaux sociaux ont afflué suite au partage des actualités sur Facebook, Twitter et Reddit.
Ces utilisateurs n’ont jamais visité le site auparavant ou ne le visitent pas souvent.
Si nous nous penchons à nouveau sur les Superfans et les Utilisateurs occasionnels, nous pouvons observer qu’il existe de grandes différences dans la façon dont sont traités ces visiteurs pour ce scénario et que certains scénarios sont plus optimaux que d’autres.
Dans le cas du SuperFan, les machines ont appris qu’il était probable qu’il continue à parcourir le site ; elles ont donc disséminé des publicités tout au long du parcours de l’utilisateur, ce qui permet d’atteindre des taux de CPM homogènes au niveau de la page.
Pour ce qui est de l’Utilisateur occasionnel, les machines ont choisi d’afficher davantage de publicités sur la page car elles ont déterminé qu’il était plus susceptible d’uniquement consulter cette page et de partir.
Si l’on observe de plus près le cas du Superfan qui parcourt la page d’accueil plutôt que la page de l’article, les machines choisiront d’afficher quelques publicités car elles savent qu’il connait l’agencement du site et que le fait de devoir visionner des publicités pour trouver le contenu qu’il cherche ne le dérange pas.
Lorsque nous comparons ces deux types d’utilisateurs, nous constatons qu’ils présentent des EPMV optimaux très différents. L’éditeur ne doit pas seulement deviner de quel type de visiteur il s’agit mais également afficher les pages optimales pour maximiser son EPMV afin que l’éditeur ne perde pas d’argent.
C’est la raison pour laquelle il est essentiel de posséder des machines capables d’apprendre et de filtrer ces données.
Le comportement de l’utilisateur ne peut pas se résumer à deux seules catégories.
Iggy Chen déclare que chaque site a sa propre version de ces deux types de segments de visiteurs. Il indique également qu’il existe probablement des milliers d’autres segments de visiteurs.
Il a abordé la façon dont les visiteurs peuvent être regroupés en deux différents types de données.
Les éléments sur lesquels les éditeurs peuvent avoir un impact :
- Options de navigation présentes (barre latérale, menu, liens)
- Vitesse de chargement de page – détermination du chemin critique
- Positionnement du contenu
- Types de publicité (affichage, native, lien, vidéo)
- Emplacement des publicités (emplacement sur la page)
- Tailles des publicités
- Présence d’autres publicités et leur emplacement
Éléments que les éditeurs ne peuvent contrôler mais qu’ils doivent prendre en compte :
- Type de système d’exploitation ou de périphérique
- Type de navigateur
- Heure de la journée / jour de la semaine
- Vitesse de connexion de l’utilisateur
- Localisation géographique
- Source de trafic en amont
- Indicateurs d’expérience utilisateur d’autres visiteurs de la page
- Abonné ou non-abonné (éventuellement)
- Historique de l’utilisateur réel
- et bien plus encore
Combiner ces données vous permettra de commencer à séparer les différents segments de visiteurs. Selon Chen, chacun d’entre eux se comportera différemment.
Quelle est la valeur de cette action en termes de revenus publicitaires ?
Si l’on reste sur notre étude de cas TigerNet, nous pouvons remarquer une augmentation significative des revenus, une amélioration des indicateurs d’expérience utilisateur ainsi que davantage de consultations de page.
Grâce à l’identification et au suivi du comportement de l’utilisateur, l’étude de cas a montré que les éditeurs peuvent utiliser cette technologie pour optimiser la prise de décision afin d’améliorer les expériences des utilisateurs et augmenter la valeur totale de l’utilisateur.
Il s’agit d’un nouvel élément pour les éditeurs ; tout comme le « hand-tuning », ces variables seraient excellentes mais ne peuvent pas être mises à l’échelle. Cela a pour effet de fournir une approche optimale et similaire aux éditeurs et aux professionnels d’opérations publicitaires.
En fin de compte, le fait de traiter de façon appropriée les utilisateurs les rend heureux sur le long terme, et des utilisateurs heureux impliquent des éditeurs heureux.
Pour conclure
Vous souhaitez essayer sur votre site ce qui a été mis en place sur TigerNet ? Ezoic est une plateforme gratuite permettant aux éditeurs d’essayer ce genre de choses eux-mêmes.
Des questions ou des commentaires sur cette étude de cas ? Laissez-les ci-dessous. Iggy et moi-même vous répondrons au plus vite !
