Data mobile et consentement : trouver le bon niveau de ciblage
Le ciblage mobile performant ne consiste plus à accumuler des signaux, mais à choisir ceux qui créent une valeur mesurable et acceptable
Le marketing mobile entre dans une phase où la donnée disponible n’est plus seulement une ressource technique, mais un actif sous contrainte. Entre RGPD, exigences de consentement, restrictions des identifiants publicitaires, politiques des systèmes d’exploitation, fragmentation des environnements applicatifs et défiance des utilisateurs, les annonceurs ne peuvent plus bâtir leurs stratégies locales sur l’idée que plus de données produit mécaniquement plus de performance. Le bon niveau de ciblage n’est pas le plus granulaire possible. C’est celui qui améliore suffisamment la pertinence, le CPA, cost per acquisition, coût nécessaire pour générer une conversion attribuée, ou le ROAS, return on ad spend, ratio entre chiffre d’affaires attribué et dépenses marketing, sans dégrader la confiance, la couverture, la mesure ni la conformité.
Cette tension est particulièrement forte dans le marketing mobile et le Drive-to-Store, stratégie visant à générer du trafic qualifié vers un point de vente physique. Un ciblage local peut s’appuyer sur la distance à un magasin, l’historique d’achat, l’usage d’une application, des signaux de navigation, une demande d’itinéraire, une exposition publicitaire, une ouverture de push, une activation de coupon ou une donnée transactionnelle. Chaque signal peut améliorer la pertinence. Mais chaque signal ajoute aussi une contrainte : consentement, fraîcheur, qualité, biais de représentativité, coût d’activation, risque de sur-segmentation et complexité d’orchestration.
Les repères de marché rappellent l’ampleur du changement. Dans les environnements iOS soumis à l’App Tracking Transparency, les taux d’opt-in au tracking publicitaire varient fortement selon les catégories, mais de nombreuses analyses de marché observent des niveaux souvent compris entre 20 % et 40 %. Sur le web mobile, les taux d’acceptation des cookies peuvent dépasser 60 % sur des marques fortes ou des parcours à forte valeur, mais tomber nettement plus bas lorsque la proposition de consentement est peu lisible ou perçue comme intrusive. Côté CRM, les bases opt-in SMS, push ou email offrent une donnée plus exploitable, mais elles ne couvrent qu’une partie des audiences et peuvent se fatiguer rapidement si la pression relationnelle augmente.
Pour les professionnels du marketing, la question n’est donc plus de savoir comment cibler plus finement. Elle est de déterminer à partir de quel niveau de granularité la performance marginale devient inférieure au coût marginal : coût média, coût data, perte de reach, complexité opérationnelle, risque juridique et coût relationnel. Trouver le bon niveau de ciblage impose une méthode : qualifier la finalité, hiérarchiser les signaux, mesurer l’incrémentalité, tester les seuils de granularité et intégrer le consentement comme une variable de performance, pas seulement comme une obligation légale.
Définir la finalité avant la donnée : tout signal mobile doit répondre à une décision marketing précise
La première erreur consiste à partir de la donnée disponible plutôt que de la décision à prendre. Un annonceur peut disposer d’un historique de géolocalisation, de segments CRM, de données applicatives, de paniers abandonnés, de visites magasin estimées et d’expositions médias. Mais si la finalité n’est pas claire, ces signaux produisent souvent des campagnes trop complexes, difficiles à mesurer et peu actionnables. La donnée mobile n’a de valeur que si elle permet de choisir une audience, un moment, un canal, un message, une pression ou une exclusion.
Un framework utile consiste à formuler chaque usage en trois éléments : décision, signal, seuil. La décision indique ce que le marketing veut arbitrer : activer un client proche, relancer un abandon de panier, exclure un acheteur récent, pousser une notification de service, ajuster une enchère programmatique, personnaliser un coupon ou limiter la pression commerciale. Le signal précise la donnée utilisée : distance, intention, fréquence d’achat, consultation produit, statut fidélité, consentement push, ouverture récente, visite estimée, stock local. Le seuil définit le niveau à partir duquel l’action devient pertinente : moins de 2 kilomètres, panier abandonné depuis moins de 24 heures, achat dans les 30 derniers jours, trois consultations d’une catégorie, stock supérieur à dix unités, absence de sollicitation depuis sept jours.
Cette discipline évite deux dérives fréquentes. La première est la sur-personnalisation décorative. Mentionner le magasin le plus proche ou afficher une catégorie consultée peut améliorer l’expérience, mais seulement si cela réduit une friction réelle. La deuxième est la segmentation sans volume. Une audience composée de clients opt-in, proches d’un magasin, ayant consulté un produit, non acheteurs récents, à forte valeur et disponibles dans une fenêtre horaire précise peut être très pertinente sur le papier, mais trop petite pour soutenir une campagne rentable. En RTB, real-time bidding, mécanisme d’enchères en temps réel permettant d’acheter une impression publicitaire lorsqu’elle devient disponible, une audience trop étroite peut augmenter fortement les CPM et dégrader le volume.
La finalité doit aussi être alignée avec le funnel, parcours allant de l’exposition à la considération, puis à la conversion et à la fidélisation. En haut de funnel, un ciblage trop fin peut limiter l’apprentissage et réduire la couverture utile. Des segments contextuels ou géographiques agrégés peuvent suffire : zone de chalandise, moment de consommation, météo, événement local, catégorie d’intérêt large. En bas de funnel, la précision devient plus rentable : abandon de panier, stock disponible, client proche, statut fidélité, coupon expirant. En fidélisation, le ciblage doit privilégier la valeur relationnelle : éviter de solliciter inutilement les clients récents, moduler les messages selon la récurrence d’achat et protéger les clients à forte valeur de la pression excessive.
Une règle de pilotage simple consiste à associer le niveau de précision au niveau d’intention. Plus l’intention observée est forte, plus la personnalisation peut être fine et actionnable. Plus l’intention est faible, plus le ciblage doit rester robuste, lisible et peu intrusif. Cette logique protège à la fois la performance et la perception client.
Consentement et valeur perçue : l’utilisateur accepte mieux la donnée lorsqu’il comprend le bénéfice immédiat
Le consentement n’est pas uniquement une case juridique. C’est un échange de valeur. Un utilisateur accepte plus facilement de partager une localisation, de recevoir des notifications ou d’être identifié dans une application lorsqu’il perçoit un bénéfice clair : disponibilité produit, itinéraire, retrait plus rapide, offre personnalisée, suivi de commande, alerte utile, service local. À l’inverse, il refuse ou révoque plus vite son accord lorsque la donnée semble utilisée pour augmenter la pression publicitaire sans amélioration tangible de l’expérience.
Le RGPD impose des principes structurants : finalité déterminée, minimisation, transparence, base légale, durée de conservation proportionnée, droits des personnes et sécurité. Pour le marketing mobile, la minimisation est souvent le principe le plus opérationnel. Elle oblige à se demander si un signal est réellement nécessaire à la finalité poursuivie. A-t-on besoin d’une localisation précise en continu pour envoyer une offre hebdomadaire, ou une zone de chalandise déclarée suffit-elle ? Faut-il conserver un historique de visites sur douze mois pour activer une campagne locale, ou une intention observée sur sept jours est-elle plus pertinente ? Faut-il personnaliser au produit exact, ou la catégorie consultée offre-t-elle un meilleur compromis entre valeur et robustesse ?
La qualité du consentement dépend aussi du moment de la demande. Demander l’accès à la localisation dès l’ouverture d’une application retail, sans bénéfice immédiat, produit généralement de faibles taux d’acceptation. Le demander après une recherche de magasin, une consultation de stock ou une demande de retrait a plus de sens. De même, le push commercial est mieux accepté si l’application a d’abord démontré une utilité de service : suivi de commande, disponibilité, rappel de rendez-vous, avantage fidélité. Le moment de permission doit donc être scénarisé comme un point de conversion à part entière.
Les équipes marketing doivent distinguer plusieurs niveaux de consentement plutôt que traiter l’opt-in comme une variable binaire. Un client peut accepter les emails mais refuser les SMS. Il peut autoriser les notifications de service mais pas les notifications promotionnelles. Il peut utiliser l’application sans accepter le tracking publicitaire inter-applications. Il peut partager sa localisation uniquement pendant l’usage de l’application. Ces nuances imposent une orchestration fine des canaux. Elles limitent certaines activations, mais elles créent aussi une opportunité : envoyer moins de messages, mieux contextualisés, sur les canaux réellement légitimes.
Un indicateur avancé consiste à suivre le taux de maintien du consentement. Obtenir un opt-in initial est moins important que le conserver. Si une campagne locale augmente les désactivations push de 0,5 point sur une base de 1 million d’utilisateurs, elle fait perdre 5 000 permissions futures. Cette perte doit être mise en regard des ventes générées. Une opération peut afficher un ROAS court terme positif tout en détruisant un actif relationnel coûteux à reconstruire.
Choisir le bon niveau de granularité : individu, cohorte, contexte ou zone locale
Le ciblage mobile peut être piloté à plusieurs niveaux. Le niveau individuel permet d’utiliser des signaux précis : historique d’achat, panier abandonné, comportement applicatif, statut fidélité, consentement, magasin favori. Il est puissant lorsque l’utilisateur est connu, opt-in et que l’action attendue est claire. Mais il est coûteux en gouvernance, sensible au consentement et limité par la couverture. Il ne doit pas être utilisé par défaut.
Le niveau cohorte regroupe des utilisateurs présentant des caractéristiques communes : clients actifs à forte valeur, acheteurs récents d’une catégorie, prospects ayant interagi avec une campagne, visiteurs fréquents d’une zone, utilisateurs proches d’un magasin. Cette approche réduit le risque de sur-personnalisation et améliore la stabilité statistique. Elle est souvent plus adaptée au pilotage média, notamment dans une DSP, demand-side platform, plateforme permettant aux annonceurs d’acheter des impressions publicitaires de manière automatisée. Une cohorte suffisamment large permet aux algorithmes d’enchères d’apprendre, d’optimiser la diffusion et de maintenir des coûts raisonnables.
Le niveau contextuel cible une situation plutôt qu’une personne : météo, heure, jour, événement local, type de contenu, proximité d’un magasin, période de soldes, trafic en zone commerciale. Il redevient stratégique à mesure que les identifiants individuels se raréfient. Dans le Drive-to-Store, un ciblage contextuel peut être très performant. Une enseigne de bricolage peut activer une campagne jardinage avant un week-end ensoleillé dans les zones où les stocks sont élevés. Une chaîne de restauration peut cibler les créneaux de déjeuner autour de points de vente ouverts. Un retailer sportif peut soutenir une opération running lors d’un événement local. Le ciblage est moins personnel, mais souvent plus robuste et mieux accepté.
Le niveau géographique enfin peut fonctionner à l’échelle d’un rayon, d’un isochrone, d’une zone de chalandise ou d’un magasin. Le choix du périmètre doit être empirique. Un rayon de 500 mètres peut être efficace en centre-ville dense, mais trop restrictif en périphérie. Un isochrone de 10 minutes peut mieux représenter la réalité d’accès qu’une distance à vol d’oiseau. Une zone de chalandise historique peut être pertinente pour les clients fidèles, mais insuffisante pour une conquête locale. La granularité géographique doit donc être testée par magasin, densité, catégorie et objectif.
Un exemple concret illustre l’arbitrage. Une enseigne d’optique souhaite promouvoir la prise de rendez-vous. Un ciblage individuel sur clients dont l’ordonnance approche de trois ans peut produire un très bon taux de conversion, mais un volume limité. Un ciblage cohorte sur porteurs de lunettes identifiés dans la base fidélité élargit le potentiel. Un ciblage contextuel sur recherches locales et zones proches des magasins capte des prospects intentionnistes. Un ciblage géographique large autour des magasins développe la considération. Le bon dispositif peut combiner ces niveaux, mais avec des messages et des caps différents : relance directe pour les clients à forte intention, preuve de service pour les cohortes, visibilité locale pour les audiences froides.
Mesurer l’arbitrage performance-privacy : l’incrémentalité compte plus que le taux de clic
La décision sur le niveau de ciblage ne peut pas être fondée uniquement sur le CTR, click-through rate, taux de clic entre impressions et clics, ou sur le taux d’ouverture. Un segment très ciblé obtient souvent de meilleurs indicateurs d’engagement parce qu’il concentre des utilisateurs déjà plus intentionnistes. Cela ne prouve pas que le ciblage a créé une valeur additionnelle. Il peut simplement avoir mieux identifié des personnes qui auraient acheté de toute façon.
L’attribution, méthode qui assigne une conversion à un ou plusieurs points de contact marketing, est particulièrement sensible à ce biais. Le last click, modèle attribuant toute la conversion au dernier point de contact, favorise les signaux proches de l’achat et peut survaloriser les campagnes très ciblées. Une audience CRM ayant récemment consulté un produit affichera mécaniquement un meilleur CPA qu’une audience de prospection locale. Mais l’écart de CPA ne dit rien de l’incrémentalité. La vraie question est : combien de ventes, de visites ou de rendez-vous supplémentaires le ciblage a-t-il générés par rapport à une approche moins précise ?
Pour répondre, les annonceurs doivent tester plusieurs niveaux de ciblage avec des groupes de contrôle. Par exemple, une enseigne alimentaire peut comparer trois approches autour de 150 magasins : ciblage large par zone de chalandise, ciblage cohorte sur clients actifs, ciblage individuel sur acheteurs récents de catégories promues. Les ventes attribuées seront probablement plus élevées en taux sur le troisième groupe. Mais si le holdout révèle que ces clients auraient majoritairement acheté sans campagne, le ciblage individuel peut présenter un uplift faible. À l’inverse, une cohorte moins précise mais plus large peut générer davantage de ventes incrémentales nettes.
Un protocole simple consiste à calculer quatre indicateurs par niveau de ciblage : reach éligible, coût média, conversion attribuée et conversion incrémentale. Supposons une campagne locale à 40 000 euros. Le ciblage individuel touche 80 000 clients, génère 6 000 achats attribués et 900 achats incrémentaux. Le ciblage cohorte touche 250 000 clients, génère 11 000 achats attribués et 2 100 achats incrémentaux. Le ciblage contextuel touche 600 000 personnes, génère 14 000 achats attribués et 1 600 achats incrémentaux. Le meilleur taux de conversion appartient au ciblage individuel, mais le meilleur volume incrémental peut venir de la cohorte. Si la marge moyenne diffère selon les segments, l’arbitrage peut encore changer.
La mesure doit également intégrer les signaux négatifs : opt-out SMS, désactivation push, baisse du taux d’ouverture après campagne, hausse des masquages publicitaires, plaintes, baisse de fréquence d’usage de l’application. Ces signaux sont rarement intégrés dans les tableaux de bord de performance, alors qu’ils sont essentiels pour évaluer le coût relationnel d’un ciblage trop intrusif. Une segmentation très précise peut convertir à court terme mais dégrader la confiance si l’utilisateur perçoit une surveillance excessive.
L’objectif n’est donc pas de choisir entre performance et privacy, mais de construire une courbe de rendement. À chaque niveau de granularité, il faut mesurer le gain incrémental, le coût de collecte, le coût d’activation, la perte de couverture et le risque relationnel. Le bon niveau est celui où la valeur marginale reste positive.
Industrialiser une gouvernance data mobile : minimisation, fraîcheur, pression et exclusions
Une stratégie de ciblage mobile mature repose moins sur une accumulation de segments que sur une gouvernance opérationnelle. Quatre règles doivent être industrialisées : minimisation, fraîcheur, pression et exclusions. La minimisation consiste à limiter les données aux finalités utiles. La fraîcheur vérifie que le signal utilisé reste prédictif. La pression contrôle le nombre de sollicitations. Les exclusions évitent d’activer des clients qui ne doivent plus l’être.
La fraîcheur des signaux est souvent sous-estimée. Une localisation observée il y a trois mois ne dit pas grand-chose d’une intention actuelle. Une consultation produit datant de 48 heures peut être très prédictive dans la mode ou la restauration, mais moins dans l’ameublement où le cycle de décision est plus long. Une visite magasin récente peut justifier un message post-visite, mais pas nécessairement une relance promotionnelle immédiate. Chaque signal doit avoir une durée de vie définie. Une matrice simple peut classer les signaux en temps réel, récents, persistants et structurels. La proximité actuelle, le stock et l’ouverture magasin sont des signaux temps réel. Un abandon de panier ou une consultation de fiche magasin sont récents. La catégorie d’intérêt ou le statut fidélité sont persistants. La zone de résidence estimée ou le magasin préféré sont plus structurels.
La pression doit être gouvernée au niveau client, pas seulement au niveau canal. Un utilisateur peut recevoir une campagne programmatique, un email, un SMS, un push et une notification in-app pour la même opération. Si chaque canal optimise isolément, la pression totale devient rapidement excessive. Le capping, limitation de la fréquence d’exposition ou de sollicitation sur une période donnée, doit intégrer la valeur du message, la récence de contact, l’intention et le canal. Un push de service peut être accepté plusieurs fois dans une semaine s’il informe réellement. Un SMS promotionnel local doit être beaucoup plus rare.
Les exclusions sont un levier de performance autant qu’un levier de respect. Exclure les acheteurs récents d’une campagne d’acquisition évite de payer pour des conversions déjà réalisées. Exclure les clients ayant refusé un canal protège la conformité et la relation. Exclure les utilisateurs sans réaction après plusieurs expositions évite la saturation. Exclure les magasins en rupture ou incapables d’honorer une promesse évite de dégrader l’expérience. Dans beaucoup de campagnes locales, les gains de ROAS viennent autant des exclusions que de l’ajout de nouveaux critères de ciblage.
La gouvernance doit enfin définir qui peut créer un segment, selon quelles règles et avec quelle documentation. Un segment marketing mobile devrait inclure sa finalité, sa source de données, sa base légale, sa fenêtre de validité, sa taille, ses exclusions, son canal d’activation, ses indicateurs de performance et ses contraintes de pression. Sans catalogue de segments, les organisations multiplient les audiences proches, réutilisent des signaux périmés et rendent la mesure impossible.
Cas d’usage : ajuster le ciblage selon la valeur de l’action locale
Prenons le cas d’une enseigne de sport disposant d’une application, d’un programme de fidélité et de 90 magasins. Elle souhaite promouvoir un week-end de tests running en point de vente. Trois niveaux de ciblage sont envisageables. Le premier cible tous les utilisateurs opt-in push situés dans la zone de chalandise d’un magasin. Le deuxième cible les clients ayant acheté ou consulté une catégorie running dans les douze derniers mois. Le troisième cible les clients ayant consulté récemment une chaussure running disponible dans leur magasin proche.
Le troisième niveau semble le plus pertinent. Il permet de personnaliser le message : produit consulté, disponibilité locale, créneau de test, itinéraire. Mais il ne représente que 35 000 personnes. Le deuxième niveau couvre 180 000 clients et permet un message de preuve : test gratuit, conseil expert, modèles disponibles, magasin proche. Le premier niveau couvre 900 000 utilisateurs, mais l’intention est faible ; une pression forte serait injustifiée. Une stratégie équilibrée peut donc articuler les trois niveaux plutôt que les opposer.
Le dispositif pourrait être structuré ainsi. Pour le segment à forte intention, un push personnalisé ou un message in-app déclenché sur disponibilité produit, avec un cap strict et une exclusion après réservation ou visite. Pour la cohorte running, une combinaison email et notification légère, centrée sur le bénéfice du test et la proximité magasin. Pour l’audience large, un ciblage média local moins intrusif, éventuellement contextuel autour des zones proches, avec une création de notoriété locale. La donnée la plus précise est réservée à l’action la plus utile. La donnée moins précise soutient la couverture et la considération.
La mesure doit comparer les niveaux. Si le segment à forte intention affiche un taux de réservation de 8 % mais seulement 600 réservations incrémentales, tandis que la cohorte running affiche 3 % mais 2 500 réservations incrémentales, le budget ne doit pas être alloué uniquement au meilleur taux. Si l’audience large génère peu de réservations immédiates mais améliore les visites magasin sur les zones sous-fréquentées, elle peut rester utile avec une pression modérée. La décision doit intégrer l’objectif : remplir les créneaux de test, recruter de nouveaux clients, soutenir des magasins ou vendre des produits spécifiques.
Ce cas montre que le bon niveau de ciblage dépend de la valeur de l’action. Pour une action à forte intention et faible friction, comme réserver un créneau, la granularité est rentable. Pour une action plus exploratoire, comme découvrir une animation magasin, un ciblage trop individuel peut réduire inutilement la portée. Pour une campagne de fidélisation, la personnalisation doit être plus forte, mais la pression plus faible. Pour une campagne de recrutement, le contexte et la zone peuvent compter davantage que l’historique individuel.
Conclusion : construire une échelle de ciblage, pas une doctrine unique
Trouver le bon niveau de ciblage en data mobile revient à construire une échelle, pas à choisir une doctrine. Le ciblage individuel n’est ni supérieur ni inférieur au ciblage contextuel. Il est adapté à certains usages, certaines bases consenties, certains moments du funnel et certains niveaux d’intention. Le ciblage agrégé n’est pas un ciblage dégradé ; il peut être plus robuste, plus scalable et plus acceptable lorsque l’objectif est la couverture locale ou la considération. Le ciblage géographique n’est pas suffisant en soi ; il doit être enrichi par l’intention, la disponibilité magasin et le contexte.
Une feuille de route actionnable peut se structurer en huit étapes. Premièrement, inventorier les finalités marketing : acquisition, activation locale, relance, fidélisation, service, exclusion, mesure. Deuxièmement, cartographier les données disponibles avec leur base légale, leur fraîcheur, leur couverture et leur fiabilité. Troisièmement, associer chaque signal à une décision précise, en éliminant les données qui n’améliorent pas l’action. Quatrièmement, définir plusieurs niveaux de granularité : individuel, cohorte, contexte, zone. Cinquièmement, tester ces niveaux avec groupes de contrôle pour mesurer l’incrémentalité réelle. Sixièmement, intégrer les coûts complets : média, data, production, conformité, pression relationnelle et perte de consentement. Septièmement, industrialiser les caps, exclusions et durées de validité des signaux. Huitièmement, arbitrer sur la contribution marge et la valeur client, pas seulement sur le clic ou la conversion attribuée.
Le point critique est culturel. Les organisations les plus performantes ne considèrent pas le consentement comme un frein externe, mais comme un indicateur de qualité relationnelle. Elles ne cherchent pas à compenser la perte de signal par une pression plus forte. Elles apprennent à utiliser moins de données, mais mieux choisies, mieux expliquées et mieux mesurées. Dans un environnement mobile où la confiance devient rare, le ciblage gagnant sera celui qui sait être précis lorsque la précision crée un service, et volontairement moins intrusif lorsque la granularité n’ajoute pas de valeur. C’est cette discipline qui permet de concilier performance locale, conformité et durabilité de la relation client.
