dataMesh Podcast

Le piattaforme di advertising hanno introdotto metodologie di targeting basate sui dati dei clienti di un'azienda a partire da Meta nel 2013, con la feature delle Custom Audience chiamata Customer Match. Successivamente, anche Google e altre piattaforme hanno adottato funzionalità simili, come TikTok (Customer File) e LinkedIn (Matched Audience). Questo tipo di funzionalità è stato introdotto prima dell'entrata in vigore del GDPR nel 2018 e, ancora oggi, molti clienti mostrano confusione su come trarre vantaggio da questi strumenti rispettando le norme sulla privacy. Insieme a Giovanni Di Stefano, esperto legale e DPO per grandi aziende, esploreremo sia le implicazioni tecniche e di business, sia quelle legali di questi strumenti.

Che cos'è il Customer Match?

Il Customer Match permette di creare una audience o segmento di targeting a partire da una lista di clienti. Gli advertiser caricano un documento (di solito in formato CSV) utilizzando le email dei propri clienti, criptate tramite un algoritmo di hashing (solitamente SHA256). Le piattaforme di advertising come Meta Ads, Google Ads e TikTok Ads utilizzano questi dati per identificare i clienti registrati sulle proprie piattaforme e calcolare il cosiddetto match rate, ossia la percentuale di utenti identificati con successo.

Per far funzionare correttamente il Customer Match, l'utente deve essersi registrato sia sui network delle piattaforme pubblicitarie che sul sito dell'azienda utilizzando la stessa email. È importante sottolineare che l'email è considerata un dato personale, anche se criptata, e per utilizzarla è necessario raccoglierla in modo conforme alle leggi sulla privacy.

Come utilizzare il Customer Match nel rispetto del GDPR

Le operazioni di Customer Match implicano l'uso di dati personali, anche quando questi sono crittografati. Infatti, l'hashing non rende i dati totalmente anonimi, ma semplicemente complica la loro re-identificazione, rientrando quindi nella pseudonimizzazione. Per considerare il trattamento conforme al GDPR, è fondamentale che i dati personali siano raccolti legalmente, sia da parte dell'advertiser sia dalla piattaforma di advertising. 

Sia l'advertiser che la piattaforma pubblicitaria devono ottenere il consenso degli utenti per utilizzare i loro dati per finalità di marketing e profilazione. Pertanto, l'utilizzo del Customer Match risulta conforme quando tutti gli interessati hanno raccolto il consenso sia al marketing che alla profilazione.

Customer Match e Intelligenza Artificiale

Una delle domande più frequenti riguarda l'uso di personali (come lo sono a tutti gli effetti i dati utilizzati dal customer match) per allenare modelli di Intelligenza Artificiale (IA). È possibile allenare un modello di IA con dati anonimizzati, a patto che gli utenti siano informati in modo chiaro riguardo al processo di anonimizzazione e all'utilizzo dei dati per questi scopi (art. 13 GDPR). Inoltre, è fondamentale che sia prevista un'opzione di opt-out per gli utenti che non desiderano che i propri dati vengano usati per addestrare algoritmi di IA.

In questo contesto, la base giuridica potrebbe essere il legittimo interesse dell'advertiser (art. 6(1)(f) GDPR),  validato recentemente per il marketing diretto dalla Corte di giustizia (4 ottobre 2024 n. C-621/22).

Tuttavia, è essenziale effettuare una Legitimate Interest Assessment (LIA) per valutare la legittimità del trattamento e rispettare i requisiti del regolamento europeo sull'IA, specialmente nei settori critici.

Strategie per utilizzare il Customer Match

Le piattaforme di advertising offrono tre funzionalità principali per l'utilizzo delle liste di clienti:

* Targeting: Mostrare annunci pubblicitari ai clienti presenti nella lista.

* Esclusione: Escludere determinati utenti dal vedere specifici annunci. Questo funziona solo se la piattaforma riconosce l'utente.

* Lookalike: Trovare utenti con comportamenti ed interessi simili a quelli dei clienti forniti.

Queste funzionalità aprono molte possibilità per attivazioni strategiche, ottimizzazione del bidding e personalizzazione del messaggio pubblicitario.

Esempi di strategie pratiche

* Base:

* Escludere i clienti già acquisiti per evitare di spendere budget su utenti che hanno già convertito.

* Utilizzare Lookalike Audience per trovare nuovi potenziali clienti simili a quelli già acquisiti.

* Medio:

* Segmentare i clienti in base al Customer Lifetime Value (CLV) e applicare strategie di bidding differenti in base al valore del cliente.

* Sfruttare gli interessi dei clienti per creare campagne mirate, sia in remarketing che in lookalike.

* Avanzato:

* Utilizzare un modello predittivo per stimare il CLV futuro dei nuovi clienti e creare segmenti di lookalike per trovare utenti simili a quelli con alto valore.

Considerazioni finali

Il Customer Match è uno strumento potente per ottimizzare le campagne pubblicitarie, ma il suo utilizzo deve essere in linea con la normativa vigente, rispettando i diritti degli utenti e adottando misure adeguate di sicurezza dei dati. La collaborazione tra team tecnici e legali è essenziale per massimizzare i benefici di queste strategie, garantendo al contempo la conformità al GDPR e al regolamento sull'IA.

Dove sarò nelle prossime settimane

29 Ottobre 2024 webinar Makingscience: Black Friday e Peak Season. Come massimizzare i risultati grazie alla misurazione: incrementality, attribution e MMM.

11-12 Dicembre 2024 Search Marketing Connect

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

Le Data Clean Room sono diventate argomento main stream l’11 Ottobre 2022 quando Google ha presentato la soluzione Publisher Advertiser Identity Reconciliation (PAIR) per Display & Video 360 annunciando il supporto per le Data Clean Room.Un mese dopo il 29 Novembre 2022 Amazon lancia AWS Clean Rooms facendo risuonare questo nuovo prodotto sempre più forte nel mondo del Advertising.Scopriamo di cosa si tratta.

Che cos’é una Data Clean Room?

Per capire una Data Clean Room dobbiamo fare un passo indietro. 3rdParty Cookie e Mobile Advertising Id (MAID) sono identificativi univoci dell’utente. Attraverso di essi il mondo dell’advertising è riuscito a:

Grazie per leggere DataMesh. Iscriviti se vuoi rimanere aggiornato

* Capire/calcolare gli interessi utente

* Misurare le conversioni

* Collezionare una grande quantità di dati

Il mondo del AdTech si basa principalmente sulle funzionalità sopra elencate.

Quando i 3rdParty cookie e i MAID non possono essere raccolti, le fondamenta del digital advertising vengono a mancareUna Data Clean Room permette ad un’azienda di raccogliere informazioni relative ai propri utenti e renderle disponibili ad una terza parte senza condividere con essa alcune dato personale e rispettando la privacy dell’utente. In altre parole, una Data Clean permette di unire dati da fonti diverse al fine di creare un Identity Graph (l’identificazione di un singolo utente in modo univoco) e condividerlo con aziende terze senza mai dare accesso ai dati personali dei propri utenti.

Possono diventare un sostituto di 3rdParty Cookie e MAID nel pieno rispetto della privacy, ripristinando in parte le fondamenta del Digital Advertising, ma ridando potere a chi quei dati li raccoglie direttamente: publisher ed advertiser.

Come utilizzare una Data Clean Room

Le Data Clean room più famose in questo momento sono:

* Google Ads Data Hub (ADH) è la prima Data Clean Room presentata sul mercato.Al suo interno troviamo Google raccoglie i dati sulle sue proprietà digitali come: Google Search, Google Maps, YouTube, ecc. Per potervi accedere è necessario fare advertising con uno di questi prodotti: Search Ads360, Display & Video 360 e Campaign 360

* Amazon Marketing Cloud permette di accedere ai dati raccolti su tutte le aziende del gruppo Amazon, come lo shop, Whole Food e Twitch. A differenza di ADH non è necessario avere un account di advertising su Amazon per utilizzarlo

Entrambe permettono ad una azienda di potenziare le proprie capacità di misurazione e di targeting sulle piattaforme di Google e Amazon rendendo possibile unire i dati di prima parte raccolti dall’azienda con i dati di prima parte di Amazon o Google.

Un esempio aiuterà a comprendere meglio le potenzialità.CocaCola attraverso un concorso ha raccolto i lead di numerosi utenti, ma per semplificare ed avere un funnel di conversione semplice e veloce non ha chiesto il sesso e la data di nascita dell’utente. Attraverso Google Ads Data Hub CocaCola potrà per tutti i canali media tracciati con le soluzioni Google:

* estrarre i dati di conversione aggregati per sesso ed età degli utenti sfruttando la capacità di Google di estrarre di dati socio/demo

* Potrà comparare tali dati di conversione con gli utenti che hanno solo visualizzato le creatività CocaCola

* gli stessi dati sono analizzabili per gli utenti che hanno cliccato un annuncio, ma non hanno convertito

Segmentare queste informazioni per creatività permette di analizzare le performance al fine di individuare quale combinazione di creatività, landing page, call to action performi meglio per ogni segmento socio/demografico.

Inoltre da entrambe le piattaforme è possibile creare audience mixando i dati di prima parte dell’azienda con i dati dell’AdTech per creare segmenti utilizzabili nelle piattaforme di advertising.

Il potenziale di questa tecnologia è molto alto, ma fosse limitato solo a Google e Amazon, non permetterebbe di raggiungere quella massa critica di utenti identificabili che ha reso 3rdParty Cookie e MAID così importanti per l’advertising.

Una Data Clean Room può essere creata da qualunque azienda: SnowFlake e Amazon mettono a disposizione la tecnologia per portare i propri dati di prima parte all’interno di una clean room basata sulle loro tecnologie cloud, lasciando molto della progettazione all’azienda stessa.Ma sul mercato si affacciano soluzioni SAAS come:

* InfoSum fornisce una soluzione completa, di facile attivazione ed una metodologia unica di matching del utente privacy oriented.

* Habu CleanML si concentra sulle capacità di misurazione con machine learning per individuare insights nei dati raccolti

* LiveRamp SafeHeaven il cui punto di forza è la capacità di arricchire il dato grazie alle numerose partnership sviluppate dall’azienda

Un possibile futuro delle data Clean Room

Queste piattaforme permettono di rendere disponibili gli identity graph di ogni azienda a terzi senza condividere dati personali del cliente avvicinandosi alla scalabilità di cookie e MAID. le Data Clean Room potrebbero rendere l’affermazione “data are the new oil” più democratica.

Ad oggi nel mondo del advertising i dati sono stati una miniera infinita soprattutto per le BigTech, lasciando a publisher ed advertiser le briciole. Con la scomparsa dei 3dParty cookie e la limitazione ai MAID il potere infinito delle BigTech relativo alla raccolta dati potrebbe diminuire. Le Data Clean Room potrebbero porsi come base della data collaboration tra aziende, creando un’economia del dato più olistica in cui ogni azienda che contribuisce viene ripagata per lo sforzo fatto.Ma siamo ancora distanti da questa visione ideale, non esiste ad oggi una metodologia di comunicazione chiara tra Data Clean Room di fornitori diversi e questo ha portato al proliferare di market place privati alla stregua degli AppStore di iOS e Android.

La tecnologia è relativamente giovane, la prima Data Clean Room è stata presentata da Google nel 2017 con Ads Data Hub. Se questa tecnologia manterrà le promesse prevedo un futuro dove l’interoperabilità tra piattaforme sarà una feature strettamente necessaria: potrebbe nascere un consorzio alla stregua del W3C che garantisca che il dato sia utilizzabile da tutti gli attori sul mercato.

Oggi la tecnologia è utilizzata principalmente per fini di advertising e marketing, ma potrebbe rivelarsi in futuro utile in altri ambiti dove è necessario accedere a dataset che contengono informazioni personali, ad esempio l’ambito medicale, oppure dataset che contengono informazioni importanti per un’azienda e devono essere criptati per non condividere informazioni sensibili.

Lo sforzo di Google nell’ambito della privacy per l’advertising sta generando framework e pubblicazioni che testano in modo nuovo modelli privacy oriented utilizzabili anche in altri ambiti. Google sta lavorando molto sul concetto di differential privacy all’interno della privacy sandbox: “la privacy differenziale aiuta le organizzazioni a ricavare informazioni dai dati, garantendo allo stesso tempo che tali risultati non consentano di distinguere o ridentificare i dati di nessun individuo.” Altre tecnologie utilizzate da Google all’interno della privacy sandbox stanno diventando opensource per essere utilizzate in diversi ambiti.

* Deep Learning with label Differential Privacy

* Private Ads Prediction with DP-SGD

* Fully Homomorphic Encryption (FHE)

I Link della settimana

Why should I use Marketing Mix Modelling when I have Google Analytics Chris Kervinen spiega molto bene perché oggi i MMM sono sempre più necessari

Progress in spite of chaos: Cookie-less advertising marches ahead i segnali sono sempre più chiari: a sostituire i 3rdparty Cookie e i MAID non sarà una sola tecnologia, ma avremo sul mercato diverse opzioni.

Nota a margine: oggi inauguro le illustrazioni della newsletter realizzate con OpenAI DALL-E

Grazie per aver letto DataMesh! Iscriviti se vuoi rimanere aggiornato

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

Apple si è auto nominata paladina della privacy presentando tecnologie per difendere i dati personali dell’utente (App Tracking Prevention e Intelligent Tracking prevention) ma è stata criticata: da un lato blocca l’advertising di terze parti con le sue tecnologie e dall’altro entra nel mondo dell’advertising, dove il rispetto della privacy non è il faro guida. È veramente questa la situazione, oppure possiamo trarre ispirazione dalla strategia di Cupertino?

Breve Cronistoria

Apple entra nel mondo dell’advertising nel 2010 presentando iAd dopo aver acquistato all’inizio dello stesso anno Quattro Wirelless per 275 milioni di dollari.L’esperienza di iAd fu disastrosa e il progetto fu chiuso in soli 6 anni, per spostare l’esperienza fatta su Apple Search Ads.Nel Agosto 2022 viene aperta la ricerca di personale per la creazione di “the most privacy-forward, sophisticated demand side platform possible”, e nello stesso mese viene registrata un presenza straordinaria di Apple a Cannes l’evento più importante dell’advertising. Infine ad Ottobre 2022 l’azienda aumenta di numero le posizioni pubblicitarie all’interno del App Store.

Le attività di Apple hanno generato titoli da click baiting Cupertino entra nel mondo del advertising.

Apple è nel mondo del advertising da 12 anni.

L’ecosistema Apple

Sono passati 6 anni da quando Apple ha stabilizzato la sua piattaforma di advertising: per il mondo della tecnologia un’era geologica. Nel mentre l’ecosistema dell’azienda si è ampliato:

* TV+ presentato a fine 2019,

* Fitness+ presentato a fine 2021,

* iTunes confluito nella app Apple Music nel 2021

* App Store è un lontano parente della prima versione lanciata nel 2008, ora è organizzato con tematiche ed esteso a Mac OS X

* Apple Arcade disponibile per iOS, iPadOS, Apple TV.

* In questi mesi l’azienda ha annunciato che trasmetterà in streaming le partite di Baseball e di Soccer

Apple deve rivoluzionare la sua piattaforma di advertising se vuole competere con NetFlix, Amazon PriveVideo, Disney+, Paramount+, ecc. perché tutte stanno proponendo o pianificando abbonamenti scontati grazie alla pubblicità. Perché stupirsi se Apple assume talenti per creare la sua DSP?La risposta più veloce a questa domanda: l’advertising non rispetta la privacy.

Apple è famosa per essere disruptive quando entra in un mercato e difficilmente sbaglia due volte un progetto, ma può una piattaforma di advertising preservare la privacy dell’utente? Per capirlo dobbiamo prima di tutto capire cosa sia la privacy.

Che cos’é la privacy?

Spesso diamo per scontato che la privacy sia un concetto universale, ma, semplificando, oggi possiamo parlare di due visioni codificate di privacy:

* La visione legale prevede nelle varie legislazioni la possibilità da parte dell’utente di scegliere se i sui dati personali vengano o meno raccolti, archiviati e analizzati dalle aziende con cui entra in contatto

* Lato Tech la privacy è l’impossibilità da parte di qualsiasi azienda di poter incrociare i dati comportamentali dell’utente tra le proprie proprietà digitali e quelle di terzi. Tradotta in modo più semplice: l’impossibilità che esista un identificativo univoco che permetta di raccogliere le azioni di un singolo utente come i 3rdparty cookie e i Mobile Advertising IDentifier (MAID)

Sono due visioni diametralmente opposte, vivono vite parallele ed entrano in contatto solo per il consenso utente, ma appaiono simili a molti perché raccolte sotto il cappello “Privacy utente”.

Apple non vuole impedire di raccogliere informazioni relative al comportamento utenti fatte sulle proprietà digitali dell’azienda (i famosi First Party Data), ma combatte la possibilità di unire quei dati con elementi esterni all’insaputa dell’utente stesso. Cookie di Terza parte e Mobile Advertising ID sono identificativi utente molto facili da ottenere e archiviare. Essi permettono di ricostruire la storia online e parte della sua storia offline in modo estremamente semplice. Apple spiega nel dettaglio in A Day in the life of your Data come sono utilizzati i dati dell’utente dal mondo AdTech (e non solo)

Perché Apple viene attaccata? Proprio a causa di questa dicotomia su cosa sia la privacy. Tutti i sistemi di misurazione e di analisi dell’utente usati da Apple si basano su dati di prima parte. Un utente è sempre registrato su AppStore per poter utilizzare il suo iPhone, il suo iPad, la sua Apple TV oppure all’interno di Apple Music o Tv+, Fitness+, Apple Pay. Quando fa una ricerca, quando scarica una app, quando acquista un prodotto all’interno delle app, quando sottoscrive un abbonamento utilizza sempre piattaforme della mela morsicata. Apple ID permette di ricostruire tutte le attività fatte dall’utente all’interno del suo ecosistema, ma no può collegare tali attività con app non di proprietà di Apple o con quello che l’utente ha fatto su siti non di proprietà di Apple.

Facciamo un esempio pratico: Apple può definire gli interessi di un utente semplicemente analizzando cosa l’utente fa all’interno delle sue proprietà, inoltre può determinare anche se l’utente ha convertito, se ha interagito con un banner ecc. ecc. tutto rimanendo all’interno dei dati di prima parte che essa raccoglie e senza dover scomodare Mobile Advertising ID e 3rdParty Cookie.

Apple è in una situazione simile a Google essendo quest’ultimo proprietario di molti portali come Google.com (e le varie declinazioni in lingua) YouTube, Google Discover, Google Maps, Android Store, Google App, Google Pay, Android, Google Hotel Ads, Google Shopping, Google Chrome, ecc e può raccogliere il comportamento utente senza mai scomodare dati esterni e probabilmente ha creato un’infrastruttura che trae vantaggio da questi dati.

Meta al contrario è proprietaria di 3 grandi social network: Facebook, Instagram e WhatsApp. Gli utenti spendono molto tempo sulle piattaforme di Meta, ma difficilmente compiono azioni di acquisto o conversione all’interno di questi mondi, devono uscirne e per poter tracciare con attenzione queste attività Meta ha necessità di dati di terza parte come 3rdParty cookie e Mobile Advertising ID. Questo la pone in una situazione di svantaggio in un mondo dove si cercherà di impedire sempre di più la possibilità di tracciare in modo preciso le attività degli utenti.

Apple nella sua visione di privacy legata al mondo tech sta facendo attività del tutto in linea con la quella vision. Dovremmo trarre ispirazione:

* raccogliere le interazioni utente con le property sia digitali che fisiche

* raccogliere le interazioni con il nostro brand

* invitare l’utente ad identificarsi in modo univoco

* pensare una strategia affinché l’utente ritorni

sono alla base di una strategia di marketing che esalti i First Party Data. La raccolta dati inoltre aiuterà lo sviluppo prodotto permettendo di analizzare come l’utente interagisce con le diverse features.

Troppo spesso sento dirigenti di azienda e consulenti lamentarsi che le restrizioni tecnologiche e legali connesse alla privacy stanno limitando le loro capacità di migliorare ed analizzare business. Serve uno switch mentale dove oltre a pensare alle attività di marketing è necessario pensare a come raccogliere i dati di tale attività, a come creare una relazione di trust con l’utente affinché ci permetta di raccogliere dati.

Ma è così diverso da prima? A mio parere no, ma la raccolta dati era affidata a terzi. Le BigTech si occupavano di tutto in modo tentacolare e gratuitamente: noi dormivamo il sonno degli stolti cullandoci nella certezza che nulla sarebbe cambiato, lasciando ad altri raccogliere i nostri dati di business.

Voglio ripetere questa frase: lasciando ad altri raccogliere i nostri dati di business. Suona anche a voi stupido?

Partite dalla Data Strategy: identificate business case specifici ed iniziate a raccogliere i dati

Link della settimana

How Google and YouTube are investing in fact-checking Google descrive le varie attività per identificare le fake news, ma soprattutto promuove International Fact-Checking Network perché la lotta alle notizie false non può essere demandata alle bigTech (Google ha donato 13.2 milioni di dollari)

Casper, Netflix seek to soothe holiday stress with in-store screenings interessante attività promozionale di casper che invita gli utenti ad vedere il Film di Net Slumberland direttamente nel suo store a New-York Soho, consigliando di presentarsi in pigiama.

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

In questi giorni mi sono imbattuto in un interessante business case di TA3 SWIM, azienda americana di costumi da bagno da donna che ha introdotto sul proprio ecommerce un sistema di Virtual TryOn denominato YouFit: scelto lo stile del costume la piattaforma consiglia all’utente la taglia da acquistare dopo aver inserito le seguenti informazioni:

* Altezza

* Peso

* Fotografia frontale del utente

* Fotografia laterale del utente

L’obiettivo principale del progetto era ridurre il numero di resi dovuti a taglie errate o all’abitudine da parte degli utenti di acquistare diverse taglie dello stesso prodotto per poi restituire quelle non adatte.

I dati condivisi sono interessanti:

* Il 46% degli utenti che hanno utilizzano l’applicazione hanno poi acquistato

* Quando viene acquistata la taglia consigliata solo il 10% viene restituito per problemi di indossabilità (l’azienda dichiara che il dato sia molto più basso della media del sito)

* Solo il 2% delle restituzioni sono oggi riconducibili all’acquisto di più taglie dello stesso prodotto

* Quando NON viene acquistata la taglia consigliata il 45% delle transazioni si concluderà con una restituzione del prodotto per problemi relativi all’indossabilità

Alla base della tecnologia di YouFit troviamo le soluzioni di 3DLook, la quale naturalmente vanta integrazioni avanzate di Machine Learning, ma l’elemento che più mi ha colpito è questo schema di integrazione con Shopify e Magento

L’infrastruttura esalta i first party data dell’azienda in un semplicissimo schema di integrazione:

* Visualizzazione pagine prodotto

* Conversioni

* Sku data

* Immagini prodotto

* Prodotti restituiti

L’ultimo è secondo me l’elemento più importante: i dati relativi ai prodotti restituiti. Restituire un prodotto comunica chiaramente all’azienda l’insoddisfazione del cliente: troppo spesso quell’informazione (questo dato) è ignorata. 3DLook probabilmente la utilizza per addestrare i suoi modelli e potrebbe utilizzare widget per chiedere al cliente perché restituisce un prodotto al fine di verificare la bontà del modello di selezione.

Probabilmente il sistema di 3DLook è molto più complicato e non di facile integrazione come lo schema qua sopra vuole far apparire, ma evidenziare il dato di reso è molto importante perché sottolinea la necessità di aver quel dato per attivare il sistema.

Questa è l’applicazione del vero potenziale dei dati di Prima Parte, ed è importante in ogni progetto partire dal Business case che si vuole raggiungere per poter individuare con attenzione quali dati raccogliere. I dati di prima parte non sono solo dati per il marketing.

Questo dimostra come la Data Strategy deve essere sempre alla base di ogni progetto ben riuscito

Il concetto di virtual TryOn sta prendendo piede tanto che Google ha annunciato il 17 novembre due nuovi integrazioni all’interno di Search:

* Trova il tuo fondotinta permette di vedere come uno specifico fondotinta apparirà su una modella con una pelle simile alla nostra

* Acquistare le sneaker in realtà aumentata: la possibilità di vedere alcuni modelli di sneaker come si integrano nel mondo reale

Amazon, invece, ha introdotto il virtual TryOn per le sneaker dopo quello per gli occhiali da sole

Sono esempi più semplici rispetto business case di TA3 SWIM, ed a mio parere meno ‘utili’ per l’utente perché non danno consigli, ma sono chiaramente un forte segnale del trend che sta prendendo piede sul mercato.

Il concetto di dato di prodotto si sta estendendo, i contenuti non vanno pensati solo come un asset creativo, ma sono dati da ottimizzare per le diverse esperienze utente e per i diversi canali di distribuzione.

I link della settimana

* Nestlé Purina’s Strategy Fur (Had To Do It) Measuring Ad Effectiveness come Purina utilizza in modo alternativo un Panel di Utenti per indirizzare le sue strategie

* For Attribution, Retailers Test If Incrementality Can Be A New Truth Set un’introduzione su cosa siano gli incrementality testing e come possono supportare il business

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

Prima di tutto vorrei provare a spiegare che cosa sia il Livestream Shopping. Avete presente l’esperienza di vendita di Wanna Marchi negli anni 90 nelle Tv private con creme di bellezza prima e la fortuna poi? Ecco trasportate la stessa “esperienza” all’interno di una piattaforma come TikTok live o YouTube live e intuirete immediatamente cosa sia il Livestream shopping, con la differenza di poter rivedere il video on demand.Per chi invece è più giovane rimando al documentario Wanna di Netflix.

Certo spiegare il fenomeno senza un esempio reale sarebbe poco corretto, dovreste fidarvi delle mie sensazioni, così inserisco un breve documentario

Fatte tutte le premesse del caso, la vera domanda: il trend prenderà piede anche in occidente? A mio parere non in questa forma, ma con modalità diverse in realtà è già tra noi. Ecco gli indicatori che ritengo importanti per analizzare questo fenomeno.

TikTok ha provato ad esportare quell’esperienza in occidente, ma per ora ha bloccato il progetto dopo aver fallito in UK.Per questo Black Friday Pinterest lancia Pinterest TV: la nuova features permette agli utenti di comprare prodotti attraverso lo shopable content.

Wallmart il gigante del retail americano sembra puntare molto sullo shopable content e sta testando tanti formati arrivando ad aprire una nuova Content Creator Platform per poter collaborare direttamente con i creator, il tutto in collaborazione con Impact.

Le BigTech stanno a guardare? Nemmeno per sognoYouTube sicuramente è la più attiva, dopo aver lanciato Shopping links per il mondo del beauty il 10 novembre ha lanciato un evento di 10 giorni From YouTube to You in cui i Top YouTube Creators promuovo vari prodotti in vista del Natale: l’attenzione di YouTube è tutta concentrata sui shopable video content disponibili come standard video, live streaming e shorts.Meta non sta alla finestra ed Instagram shopping permette di comprare consultando le immagini ed i video senza uscire dalla piattaforma.

Negli Stati Uniti si stanno affermando due aziende che concentrano i loro sforzi sui Video Shopable: Talkshop e Firework quest’ultima ha ricevuto finanziamenti da American Express.

L’attenzione per i contenuti shoppable ha attirato l’attenzione anche delle fintech: Klarna ha rilasciato un motore di ricerca per i prezzi che lavora sui shoppable video.

I video sono diventati la nuova terra di conquista per gli ecommerce, per avere successo in questo ambito il controllo dei dati è importante: non parlo solo dei dati di performance, intuitivamente essenziali, ma parlo della gestione del prodotto come dato (titolo, descrizione, immagini, video, prezzi, categorie di appartenza, ecc. ecc.). I product feed diventano un elemento essenziale nelle strategia a performance, saperli ottimizzare e porre attenzione al contenuto gestito come dato e non solo come asset creativo diventa sempre più essenziale.

Un nuovo mondo si è aperto per gli ecommerce, saper gestire i dati di prodotto è la chiave del successo. Lo schema riportato qua sotto riassume dove Google utilizza le informazioni dei feed di prodotto: un’ecosistema gigantesco

Dallo schema però è chiaro come il feed di prodotto sia pervasivo all'interno dei canali di Google. Vi lascio con due citazioni di Giorgio Taverniti:

* Google è Liquido

* Google è l'ecommerce del mondo

Esse ben riassumono le sfide da affrontare ma non è esiste solo Google, i feed di prodotto sono usanti, da Facebook, Instagram, TikTok, Criteo, ecc.

Link della settimana

Google, Apple, Meta, Amazon & Microsoft Join To Improve Voice Recognition Le 5 big tech uniscono le forze per creare un dataset che permetta di creare modelli NLP che riconoscano la voce di  persone con disabilità

Will Walmart's RFID mandate drive wider industry adoption? Walmart ampia il catalogo di prodotti per cui richiede ai propri fornitori di utilizzare RFID come “etichette”. Questo potrebbe portare all’adozione di RFID in modo massivo trasformando completamente la gestione di magazzino e logistica del retail

Expiration cap removed from javascript cookies in webkit browser Simo Ahava evidenzia come nelle ultime release di webkit (il motore di Apple Safari) sia stato rimosso il cap di 7 giorni ai cookies di javascript: ma contrariamente a quanto sembra dal titolo questo non vuol dire che Apple abbia fatto un passo indietro, in realtà ha uniformato il comportamento del framework utilizzando una diversa modalità per limitare la durata dei cookie a 7 giorni di inattività.

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com