Après cookie : qui sont les acteurs positionnés sur le ciblage contextuel ?

Dans un contexte de disparition progressive des cookies tiers dans les navigateurs, et avec une réglementation de plus en plus contraignante, le ciblage contextuel est souvent avancé comme une alternative au ciblage basé sur les cookies. S’il a parfois été présenté comme le parent pauvre du ciblage comportemental, des sociétés se sont positionnées pour proposer des solutions utilisables en complément. 

Il y a quelques années, Grapeshot (racheté par Oracle en 2019) a fait son apparition sur le marché français. Il propose une technologie de ciblage pré-bid par segments contextuels qui séduit alors beaucoup d’annonceurs – pour l’orientation de leurs campagnes en promettant un contexte sécurisé pour la marque -, et d’éditeurs pour la catégorisation de leurs contenus. Depuis, les éditeurs ont largement développé leurs offres contextuelles. Certains, à l’image du Washington Post, développent leurs propres outils, et d’autres s’équipent de plus en plus de technologies spécialisées pour catégoriser et qualifier leurs inventaires.  

Du ciblage de mots clés à l’analyse sémantique par la compréhension du langage naturel

Longtemps cantonné à la simple analyse par mots clés et par URL du contexte de diffusion, le ciblage contextuel est devenu de plus en plus précis grâce aux technologies d’analyse sémantique, et notamment les algorithmes de deep learning avec NLP (natural language processing ou traitement automatique du langage naturel).

“Il faut distinguer trois catégories que sont le contextuel de site à site ; le contextuel par mot clé qui ne fait pas de nuance sur la tonalité ; et le ciblage contextuel sémantique, qui revient à comprendre le langage naturel sur une page, voire le sentiment sur le sujet”, explique Baptiste Berger, le directeur commercial de Mediasquare.

Tous les acteurs interrogés revendiquent aujourd’hui l’utilisation d’algorithmes de NLP pour l’analyse et la compréhension de l’ensemble du contexte de diffusion. Reste encore à définir ce qu’est un algorithme de NLP performant. “Cela passe avant tout par la précision de celui-ci, notamment sur la catégorisation des pages : est-ce que 90 % des personnes visitant une page qualifiée “beauté” par un algorithme, la catégoriseraient dans la catégorie “beauté”. Mais aussi par la granularité du ciblage proposé”, constate Rémi Cackel, global VP data de Teads.