Pouvez-vous nous dire de quelle problématique est né DeepReach ?

Jean-Pierre Remy : Au départ, DeepReach, c’est une raison d’être, celle de promouvoir des liens locaux entre les entreprises, les marques et les clients. Notre motivation, c’est le développement de relations locales. Il y a quelques années encore, la communication locale demandait des stratégies difficiles à exécuter, très chronophages, et les retours sur investissement étaient assez incertains.

L’opportunité business est apparue avec le développement de l'intelligence artificielle. Il y avait beaucoup de données à accumuler à la main, de petites campagnes à activer et piloter au local, et le machine learning rend la tâche beaucoup plus facile.

Le machine learning analyse les données de campagne, les médias qu’on utilise, la manière dont on les utilise, les positions géographiques… Et nous informe de ce qui marche et de ce qui ne marche pas. À travers le machine learning, on va progressivement accumuler de grandes quantités de données et de l'expérience pour une communication locale performante.

C’est là l'avantage de cette approche géolocalisée.

J-P. R : Oui, l’intérêt de cette approche, c’est vraiment la performance, en termes de contact établi entre la marque et le consommateur. Nous essayons de cibler le “voisinage”, et ça demande une approche très géolocalisée. Le challenge, c'est que la géolocalisation est complètement différente d’un média à un autre (Google Ads, Facebook, Instagram, Waze, display…). Elle demande d’avoir construit des algorithmes pour être capable de gérer des zones géographiques de manière différente à travers ces différents médias.

Si vous avez réussi à toucher quelqu’un qui vit dans la zone de chalandise, vous avez beaucoup plus de chances qu’il ou elle se rende dans votre point de vente et engage une relation que si vous avez touché quelqu’un qui se trouve à 50, 100 ou 300 kilomètres de là.

DeepReach obtient en moyenne 2 fois plus de contacts par cette approche, mais c’est un chiffre qui peut monter à 3, 4 fois plus au bout d’un an et demi. Le machine learning permet à nos algorithmes d'apprendre de la campagne et petit à petit, après un processus d’apprentissage, on voit comment utiliser au mieux les différents paramètres.

La plateforme de DeepReach est assez exhaustive. Quelles sont les autres options qui s’offrent aux marques annonceurs ?

J-P. R : Un autre aspect important de notre plateforme, c’est la capacité à mixer différents médias en même temps sur une seule campagne et à trouver le bon équilibre entre les différents médias. En effet, au niveau local, que ce soit les réseaux sociaux, les moteurs de recherche, le display, etc. aucun média à lui seul ne va réussir à toucher l’ensemble de la population. Le mix d’approches dépendra de l’objectif de la publicité, de la cible ou encore de la zone.

C’est aussi quelque chose qui évolue avec le machine learning d’une campagne à une autre et d’un lieu à un autre. Pour vous donner une idée, nous avons déjà plus de 40 000 campagnes sur notre plateforme.

À qui s’adresse cette plateforme ?

J-P. R : Il peut s'agir d'une direction centrale, ou marketing, ou de marque. Mais de fait il s’agit souvent du responsable d’un magasin ou d’une enseigne, qui va avoir des objectifs ne sont pas des objectifs médias. Il ou elle peut vouloir se faire connaître dans leur quartier, village ou zone d’activité, ou lancer un nouveau produit, répondre à un concurrent qui lance une initiative sur le secteur, etc.

DeepReach permet ensuite de faire gagner du temps aux directeurs de magasin en réalisant leurs stratégies médias. Ces clients-là s'intéressent moins au CPM, au CPC ou au reach, et souhaitent plutôt connaître des KPI plus concrets, tels que le nombre de personnes qui se sont rendues en magasin après avoir vu la campagne. En s’affranchissant du jargon technique, nous redonnons la main au patron local pour qu’il puisse complètement activer sa campagne.