Qu'est-ce que les données de première partie ? Un guide pour les équipes de croissance

Les données de première partie sont toute information qu'une entreprise collecte directement auprès de son propre public, via ses propres produits, canaux et interactions, sans intermédiaire, sans courtier tiers et sans supposition inférée. Il comprend tout, du comportement de l'application et des enregistrements d'achat à l'engagement par e-mail et aux conversations de support. Lorsqu'il est collecté de manière transparente et avec un consentement approprié, il est généralement plus précis et plus facile à gouverner que les données provenant de fournisseurs externes. Pour les studios de jeux et les équipes de croissance, cela montre comment les joueurs trouvent, jouent et dépensent dans votre jeu, et cela donne aux systèmes d'optimisation les signaux dont ils apprennent.

À mesure que les réglementations sur la confidentialité évoluent et que les identifiants traditionnels deviennent moins fiables, les studios ne peuvent plus dépendre d'une seule source de vérité pour l'optimisation. L'amélioration des performances dépend de plus en plus de la construction d'une base de données solide avec des signaux de première partie de haute qualité qui réduisent les angles morts et fournissent aux systèmes d'optimisation une vue plus complète du comportement et des performances des joueurs.

Données de première partie contre données de deuxième partie contre données de troisième partie

Les trois catégories sont définies par l'origine des données, pas par ce qu'elles contiennent.

• Données de première partie sont les données que vous collectez directement auprès de vos propres utilisateurs via vos propres canaux : votre application, votre site web, votre système de gestion de la relation client (CRM) ou votre système de point de vente.
• Données de tierce partie sont les données de première partie de quelqu'un d'autre, partagées directement avec vous, généralement par le biais d'un partenariat. Un détaillant partageant des données de fidélité avec un partenaire de marque est un exemple courant.
• Données tierces sont agrégées à partir de nombreuses sources sans rapport, vendues ou licenciées par un fournisseur de données qui n'a aucun lien direct avec les personnes que les données décrivent.

Pourquoi les données de première partie comptent maintenant

L'argument en faveur des données de première partie découle directement de l'évolution de l'environnement des données.

Les exigences de confidentialité ont changé et ne reviennent pas en arrière. Les lois sur la protection des données telles que le Règlement général sur la protection des données (RGPD) de l'UE et le California Consumer Privacy Act (CCPA), ainsi que les cadres de consentement au niveau mobile comme l'App Tracking Transparency d'Apple, ont rendu plus difficile, et dans de nombreux cas impossible, de s'appuyer sur des identifiants externes sans autorisation explicite. L'expansion réglementaire ne ralentit pas : 20 États ont maintenant adopté des lois complètes sur la protection de la vie privée.

La perte de signal a de réelles conséquences sur les performances. Lorsque des identifiants tels que IDFA (l'identifiant publicitaire au niveau de l'appareil d'Apple pour iOS) ne sont pas disponibles ou que les cookies tiers sont bloqués, les modèles d'optimisation perdent les entrées sur lesquelles ils s'appuyaient.

Les données de première partie sont devenues l'actif le plus fiable par défaut. C'est lié à une relation réelle. De plus, la société de collecte le contrôle et peut recueillir le consentement directement, au lieu de dépendre d'un fournisseur. C'est pourquoi cela n'est plus traité comme une case à cocher de conformité, mais comme une infrastructure essentielle.

Types de données de première partie

Les données de première partie couvrent plusieurs catégories, chacune utile pour une partie différente de l'entonnoir de croissance.

• Données comportementales couvre ce que les gens font réellement dans votre produit : vues de page, durée de session, utilisation des fonctionnalités, schémas d'engagement. Un jeu mobile pourrait suivre un joueur qui termine dix niveaux lors d'une seule première session, un signal précoce fort de probabilité de rétention.
• Données de transaction couvre l'échange d'argent ou de valeur : achats, renouvellements d'abonnement, revenus publicitaires et remboursements. Par exemple, un historique des achats dans l'application montrant quand et combien un joueur dépense est un signal direct de valeur.
• Les données de l'appareil et de diagnostic couvrent l'environnement technique dans lequel un jeu s'exécute : modèle de l'appareil, version du système d'exploitation (OS), qualité de la connexion et signaux de plantage et de performance. Ces données peuvent être collectées à l'aide de votre propre instrumentation, de votre kit de développement logiciel (SDK) ou d'un outil de diagnostic, et ce que chacun capture varie. Par exemple, un outil de rapport de crash pourrait montrer que votre jeu plante plus souvent sur les anciens téléphones.
• Données d'exécution couvre les signaux qu'un jeu génère pendant qu'il est joué : Cela peut inclure les débuts et la durée des sessions, la progression des niveaux, l'utilisation des fonctionnalités, les achats dans le jeu et d'autres événements d'engagement et de comportement propres au jeu.
• Données déclarées et de première partie couvre ce que les utilisateurs choisissent de vous dire explicitement : préférences déclarées, réponses aux enquêtes et sélections lors de l'intégration. Un joueur choisissant un genre préféré lors de la configuration donne une déclaration d'intention directe et sans ambiguïté.

La plupart des programmes de données de première partie regroupent les données comportementales, transactionnelles, relatives aux appareils et diagnostiques, de temps d'exécution et déclarées, chaque type de signal ajoutant une vue différente du client.

Individuellement, chacun de ces types de signaux répond à une question précise : comment quelqu'un est-il arrivé, qu'a-t-il fait, combien a-t-il dépensé et quelle expérience a-t-il eue ? La vraie valeur apparaît lorsqu'ils sont vus ensemble. Une équipe examinant uniquement les données comportementales pourrait constater une baisse de l'engagement sans savoir si cela est dû à un changement dans la qualité de l'acquisition, une décision de Monetization ou un problème de performance en temps d'exécution. Relier les types de signaux comble cette lacune et transforme un ensemble de métriques éparpillées en une image plus claire de ce qui génère réellement des résultats.

Élaborer une stratégie de données propriétaires

Une stratégie de données de première partie est vraiment deux disciplines connectées : collecter les données de manière responsable et les mettre à profit une fois que vous les avez. La plupart des organisations ont déjà plus de données qu'elles n'en utilisent ; le fossé réside généralement dans la structure.

Collection : recueillir des données de manière responsable

La collection commence par l'instrumentation. Par exemple, une intégration SDK pour capturer les signaux comportementaux, le suivi d'événements pour capturer les transactions et des mécanismes de consentement qui rendent l'opt-in clair et facile à gérer. Le mécanisme importe moins que le principe qui le sous-tend. La collecte doit être transparente et centrée sur le consentement, pas une réflexion après coup ajoutée à un produit existant. En pratique, cela signifie être clair avec les joueurs sur les données qui sont collectées, comment elles seront utilisées et partagées, et comment ils peuvent les contrôler. Les données des jeunes joueurs, tels que les enfants, sont soumises à des règles plus strictes et ne peuvent généralement pas être utilisées pour la publicité personnalisée.

Activation : mettre les données au travail

Les données brutes stockées dans un entrepôt ne font bouger aucune métrique par elles-mêmes. L'activation est là où la valeur apparaît. Cela signifie utiliser des données de première partie pour construire des segments d'audience, modéliser des audiences similaires, enrichir les modèles d'optimisation des signaux sur lesquels ils sont entraînés et coordonner le ciblage sur les différents canaux.

Chacune de ces méthodes d'activation fait quelque chose de distinct :

Segments d'audience: groupes d'utilisateurs définis par des caractéristiques communes, comme les gros dépensiers ou les utilisateurs qui ont déserté après le troisième jour, afin que les campagnes puissent traiter différemment les différents utilisateurs.

Audiences similaires: de nouveaux utilisateurs qui ressemblent à un groupe existant, généralement vos meilleurs clients, permettant à une plateforme publicitaire de trouver plus de personnes similaires à celles qui ont déjà prouvé leur valeur.

Enrichissement des signaux: ajouter des signaux de première partie, tels que les achats et la rétention, à ce que les modèles d'optimisation des plateformes publicitaires apprennent ; des signaux plus riches signifient des décisions d'enchères plus précises.

Ciblage multi-canal: utiliser des données provenant d'un endroit, une application ou un site web, pour éclairer des décisions sur un autre canal, comme les réseaux sociaux ou la télévision connectée, afin que le même utilisateur ne soit pas ciblé de manière incohérente, le cas échéant conformément à la législation sur la protection de la vie privée en vigueur.

En collectant les bons signaux, vous obtenez de meilleures données d'entrée pour le modèle, ce qui peut affiner les décisions d'enchères, de ciblage et de budget. Ces décisions plus précises peuvent apparaître au fil du temps sous forme de retour sur les dépenses publicitaires (ROAS), de valeur vie client (LTV) et de rétention améliorés.

Données de première partie dans le jeu

Les jeux génèrent un vaste flux de données propriétaires. Une seule session peut produire des douzaines de tels signaux, tels que les schémas de session, le comportement de l'Economy en jeu, les interactions sociales et l'engagement publicitaire. Lorsqu'il est collecté via le jeu et les outils propres à un studio, il est de première partie pour ce studio.

Les signaux qui méritent d'être remarqués se répartissent en quelques catégories. Les données sur le comportement des joueurs couvrent les courbes de rétention, la profondeur d'engagement et les schémas de Monetization tout au long du cycle de vie d'un joueur. Les signaux de diagnostic couvrent les performances de l'appareil, les données de crash et les temps de chargement : des signaux techniques qui sont importants pour la qualité du produit, les métriques de rétention et la précision du ciblage. Les données de l'Economy du jeu couvrent les taux de gain et de dépense de la monnaie ainsi que les schémas d In-app Purchase (IAP), qui prédisent souvent le comportement de dépenses bien avant qu'un joueur n'effectue sa première transaction. Parce que les jeux capturent cela à haute fréquence et en continu, l'ensemble de signaux résultant est généralement plus riche que ce qu'un paramétrage standard d'Analytics de site web produit.

Le bénéfice vient de la connexion de ces signaux plutôt que de les laisser cloisonnés. Lorsque les données comportementales, la télémétrie d'exécution et les données d'attribution convergent vers le même système, les modèles d'optimisation ont simplement plus à apprendre, et plus de signaux tendent à produire de meilleures prédictions et un meilleur retour sur investissement publicitaire. C'est là qu'un cadre de données consenti, des Analytics liées aux données d'acquisition et des signaux d'exécution au niveau du SDK fonctionnent ensemble plutôt que comme des outils séparés.

Le consentement joue un rôle plus important dans ceci qu'il n'y paraît au premier abord. Des expériences de consentement claires aident à bâtir la confiance des joueurs, et les signaux consentis donnent aux modèles d'optimisation tels que Unity Vector plus à apprendre.

Données de première partie pour la publicité et l'optimisation

Le retour commercial le plus clair des données de première partie se manifeste dans la performance publicitaire, les métriques sur lesquelles les équipes UA et de croissance sont directement évaluées. Sous chacun des avantages ci-dessous se trouve la même mécanique de base. Les modèles d'optimisation ont tendance à prendre de meilleures décisions d'enchères et de budget lorsqu'ils disposent de signaux plus complets et connectés pour apprendre, et ils peuvent continuer à s'affiner à mesure que des signaux supplémentaires deviennent disponibles plutôt que de stagner après une seule intégration. Des données plus complètes n'ajoutent pas seulement des informations ; elles réduisent les suppositions que les modèles doivent combler avec des proxys.

Le ciblage devient plus précis. Les segments d'audience construits à partir de comportements observés réels, et non de catégories d'intérêts inférées, signifient moins de dépenses gaspillées sur des personnes peu susceptibles de convertir, ce qui se traduit directement par des coûts d'acquisition plus efficaces.

La boucle d'optimisation se resserre. Lorsque les modèles d'enchères et d'optimisation reçoivent des signaux de première partie, tels que les événements post-installation, les données de revenus et les jalons d'engagement, ils ont des résultats concrets sur lesquels apprendre au lieu de proxys. Des entrées plus riches tendent à soutenir de meilleures prédictions, ce qui est l'un des mécanismes fondamentaux derrière la plupart des gains de ROAS attribués à l'adoption des données de première partie.

Les signaux voyagent à travers les canaux. Là où la loi l'autorise, les données collectées dans un environnement, comme l'engagement dans l'application, peuvent informer les décisions de ciblage sur un canal entièrement différent, qu'il s'agisse de publicité programmatique, de télévision connectée ou de réseaux sociaux. La valeur se compose parce que le même signal sous-jacent est réutilisé au lieu d'être reconstruit pour chaque canal séparément.

Les données de première partie sont le fondement plus durable sur lequel convergent les stratégies de croissance, dans le jeu et bien au-delà.

Votre ensemble de données est-il configuré pour le succès ?

Questions les plus fréquentes

Quelles sont les données de première partie?

Les données de première partie sont les informations qu'une entreprise collecte directement auprès de ses propres utilisateurs par le biais de canaux qu'elle possède : applications, sites web, systèmes CRM, systèmes de point de vente. Parce qu'il provient directement de la source, il est généralement plus précis que les données de fournisseurs ou de courtiers externes, et plus facile à gérer lorsqu'il est collecté de manière transparente.

Qu'est-ce qu'un exemple de données de première partie?

Un jeu mobile qui suit la durée de la première session d'un joueur, les articles intégrés qu'il achète et sur quel appareil il joue sont toutes des données propriétaires. Donc, est-ce l'historique d'achat d'un client sur un site de vente au détail ou ses réponses à un sondage d'intégration.

Quelle est la différence entre les données de première partie, de deuxième partie et de troisième partie?

Les données de première partie proviennent directement de vos propres utilisateurs via vos propres canaux. Les données de tierce partie sont les données de première partie de quelqu'un d'autre, partagées directement avec vous. Les données tierces sont agrégées par un fournisseur externe à partir de nombreuses sources sans rapport et sont vendues ou licenciées à vous, sans lien direct entre vous et les personnes qu'elles décrivent.

Quelles sont les données de première partie?

Les données de première partie sont des informations qu'un utilisateur partage intentionnellement et de manière proactive avec vous, telles que les préférences déclarées, les réponses aux sondages ou les sélections lors de l'intégration. C'est un type de données de première partie, mais l'utilisateur vous l'a donné directement et intentionnellement au lieu que vous le déduisiez de son comportement. Dans un jeu, le choix d'un genre préféré par un joueur lors de la configuration est un exemple courant.

Pourquoi les données de première partie sont-elles importantes pour la publicité?

Alors que les identifiants mobiles et les cookies de navigateur deviennent moins disponibles, les données de première partie sont devenues l'une des rares sources fiables restantes pour le ciblage et l'optimisation. Cela peut améliorer la précision de l'audience et alimenter des signaux plus riches dans les modèles d'optimisation.

Comment collecter des données de première partie à partir d'une application mobile?

La collection combine généralement l'intégration de SDK pour les signaux comportementaux, le suivi d'événements pour les achats et autres transactions, et un mécanisme de consentement clair afin que les utilisateurs comprennent et contrôlent ce qui est collecté. La qualité du consentement et la qualité des données sont directement liées : une collecte transparente produit des données plus propres et plus utilisables.

Qu'est-ce que l'activation des données de première partie ?

L'activation des données est le processus qui consiste à rendre les données de première partie utilisables. Cela signifie collecter les bons signaux, les connecter aux bonnes plateformes et s'assurer qu'ils sont disponibles pour la mesure, l'optimisation et la prise de décision. L'activation comprend la construction d'audiences, l'entraînement de modèles d'apprentissage automatique, l'enrichissement des signaux d'optimisation et la coordination des campagnes sur différents canaux. Collecter des données n'est que la première étape. La valeur commerciale provient de l'utilisation de ces données.

Comment les données de première partie améliorent-elles le ROAS?

Les systèmes d'optimisation ne peuvent optimiser que ce qu'ils peuvent voir. Lorsqu'ils ont accès à des signaux propriétaires plus riches, tels que les achats, l'engagement et la rétention, ils apprennent quels utilisateurs sont les plus précieux au lieu de se fier à des proxys inférés.

Imaginez deux campagnes avec le même budget. Seul celui qui a installé l'application le sait. L'autre sait également qui a terminé le tutoriel, effectué un achat, est resté engagé et est devenu un joueur de grande valeur. La deuxième campagne contient beaucoup plus d'informations à tirer, permettant aux systèmes d'optimisation de trouver plus d'utilisateurs similaires à vos meilleurs clients et de réduire les dépenses inutiles.