DOOH et clean rooms : quels usages pour la donnée agrégée ?
Le DOOH entre dans une phase où la donnée doit prouver sa valeur sans exposer l’individu
Le DOOH, digital out-of-home, c’est-à-dire l’affichage extérieur numérique diffusé sur des écrans en rue, en gare, en centre commercial, en magasin ou dans les transports, a longtemps été acheté comme un média de contexte, de couverture et de répétition. Sa promesse reposait sur des emplacements premium, des flux piétons ou routiers, une puissance locale et une qualité créative supérieure au display classique. Mais l’achat média a changé de référentiel. Les annonceurs attendent désormais du DOOH qu’il dialogue avec les standards de l’AdTech : planification data-driven, activation programmatique, optimisation par audience, mesure post-exposition et contribution business.
Cette évolution crée une tension. Le DOOH opère dans l’espace public ou semi-public, avec une exposition collective et non loguée. Il ne peut pas être traité comme un inventaire web où l’on associe une impression à un cookie, un identifiant mobile ou un compte utilisateur. En parallèle, les contraintes réglementaires et les attentes de privacy by design limitent fortement la collecte et le partage de signaux individuels. C’est précisément dans cet écart que les clean rooms deviennent pertinentes, à condition de comprendre leur rôle réel.
Une data clean room désigne un environnement sécurisé dans lequel plusieurs acteurs peuvent rapprocher et analyser des données sans se transmettre directement les identifiants sous-jacents. Dans le DOOH, l’enjeu n’est généralement pas de reconstituer un parcours individuel complet. Il est de travailler avec de la donnée agrégée : flux de mobilité, zones de chalandise, panels, ventes par magasin, expositions estimées, segments socio-démographiques probabilistes, météo, horaires, événements, transactions consolidées ou données opérateurs anonymisées. La clean room peut alors servir à créer une couche de rapprochement entre exposition média et signaux business, sans basculer dans une logique de surveillance individuelle.
Pour les professionnels du marketing, la question n’est donc pas de savoir si le DOOH doit devenir un média one-to-one. Il ne le doit probablement pas, et il ne le peut pas toujours. La vraie question est : comment utiliser des agrégats suffisamment robustes pour améliorer la planification, l’activation et la mesure, tout en respectant la nature collective du média ? Un bon usage de la clean room en DOOH ne promet pas une attribution parfaite. Il permet de réduire l’incertitude sur trois dimensions : où diffuser, quand diffuser et quel effet incrémental peut raisonnablement être attribué à la pression DOOH.
Pourquoi la donnée agrégée est plus adaptée au DOOH que l’identifiant individuel
Le DOOH se distingue structurellement des environnements digitaux logués. Une impression DOOH est souvent une estimation fondée sur un écran, une durée de diffusion, un flux d’audience et un modèle de visibilité. Elle n’est pas nécessairement un contact individuel vérifié. Un écran dans une gare peut diffuser 10 secondes de création devant un flux de 4 000 personnes par heure ; la réalité média se mesure alors en opportunités de voir, en audience probable et en contexte, plus qu’en impression utilisateur déterministe.
Les standards de mesure évoluent, mais l’unité reste fondamentalement agrégée. Les données utilisées peuvent inclure le trafic piéton, les comptages de véhicules, les panels de mobilité, les données de géolocalisation consenties, les tickets de caisse agrégés, les données de caisse par magasin, les signaux de fréquentation ou les indices socio-démographiques par zone. Cette architecture correspond mieux au média que la recherche d’une correspondance individuelle exposition-conversion. Elle limite également les biais liés à la sous-représentation des utilisateurs identifiés dans les panels mobiles.
Un exemple simple illustre l’arbitrage. Une marque de restauration rapide veut mesurer l’effet d’une campagne DOOH autour de 120 restaurants. Une approche individuelle chercherait à identifier les personnes exposées à proximité d’un écran puis à les relier à une visite ou à un achat. Cette méthode peut paraître séduisante, mais elle dépend fortement du consentement mobile, de la précision GPS, du taux de match et de la capacité à distinguer passage, exposition réelle et intention préexistante. Une approche agrégée compare plutôt les zones exposées et non exposées, en contrôlant la météo, le jour de semaine, les promotions, l’historique de trafic et la pression concurrentielle. Elle ne sait pas qui a vu l’écran, mais elle peut mieux estimer si les magasins exposés ont surperformé un contrefactuel crédible.
La donnée agrégée répond aussi à un principe de minimisation. Si une décision média peut être améliorée par un niveau zone, magasin, écran, tranche horaire ou cohorte statistique, il n’est pas nécessaire de manipuler une donnée individuelle. Pour le DOOH, beaucoup de cas d’usage efficaces se situent précisément à ce niveau : choisir les écrans les plus affinitaires, ajuster la diffusion selon les pics de mobilité, mesurer un uplift de visites en magasin, comparer des zones géographiques ou optimiser la pression autour d’un événement.
Cela ne signifie pas que toute donnée agrégée est automatiquement fiable. Un agrégat peut masquer des biais importants : panels trop urbains, données mobiles limitées aux utilisateurs opt-in, erreurs de classification des lieux, différences de couverture entre opérateurs, saisonnalité locale ou effet de promotion. La clean room ne supprime pas ces biais. Elle fournit un cadre pour les documenter, les croiser et éviter de transférer des données sensibles entre partenaires.
Les cas d’usage prioritaires : planification, activation contextuelle et mesure géographique
Le premier usage mature d’une clean room appliquée au DOOH concerne la planification. L’annonceur peut rapprocher ses données internes, comme les ventes par magasin, la valeur client par zone ou les performances e-commerce locales, avec des données opérateurs DOOH : emplacements, typologies d’audience, flux, horaires, couverture estimée, coût, format et contexte. L’objectif n’est pas de créer une audience nominative, mais d’identifier les écrans ou clusters d’écrans dont la probabilité de contribution est la plus élevée.
Pour une enseigne retail, une planification agrégée peut consister à classer les écrans selon la proximité des magasins, la pénétration locale de la marque, l’intensité concurrentielle, le potentiel de recrutement et les moments de fréquentation. Une zone où la marque possède une faible part de marché mais un fort flux de prospects catégorie peut justifier une pression DOOH plus élevée qu’une zone déjà saturée. À l’inverse, un écran à fort trafic mais mal aligné avec la zone de chalandise peut être dépriorisé malgré un CPM apparent attractif. Le CPM, coût pour mille contacts ou impressions, devient alors insuffisant ; il faut raisonner en coût par contact utile dans une zone à potentiel.
Le deuxième usage concerne l’activation contextuelle. Le DOOH programmatique permet d’acheter des impressions ou créneaux d’affichage de manière automatisée via des DSP, demand-side platforms, plateformes utilisées par les acheteurs pour acheter des inventaires publicitaires, connectées à des SSP, supply-side platforms, plateformes utilisées par les éditeurs ou régies pour vendre leur inventaire. Lorsque l’achat s’effectue en RTB, real-time bidding, mécanisme d’enchères en temps réel, ou via des deals programmatiques garantis, les signaux agrégés peuvent déclencher ou moduler la diffusion : météo, heure, densité de flux, événement local, niveau de stock, prix carburant, affluence en centre commercial, horaires de sortie de bureau ou pics touristiques.
La clean room n’est pas toujours nécessaire pour une activation contextuelle simple. Un flux météo ou un calendrier événementiel peuvent être intégrés directement dans une DSP. Elle devient utile lorsque le déclenchement repose sur un croisement sensible ou propriétaire : ventes agrégées par magasin, scoring de zones issu du CRM, segments de valeur client par bassin de vie, données de fréquentation d’un partenaire retail ou performance historique par cluster. La clean room permet de produire des segments activables au niveau zone-écran ou zone-horaire sans exposer les tables détaillées de l’annonceur.
Le troisième usage est la mesure géographique. Le DOOH se prête bien aux geo-tests, c’est-à-dire à des protocoles comparant des zones exposées à des zones témoins comparables. La clean room peut héberger les données d’exposition agrégée, les ventes par magasin, les visites, les coûts et les variables de contrôle. L’objectif est d’estimer l’incrémentalité, c’est-à-dire la part de résultat qui n’aurait probablement pas eu lieu sans campagne. Cette approche est souvent plus crédible qu’un reporting post-view individuel fragile.
Un cas concret : une marque automobile diffuse une campagne DOOH autour de concessions dans 20 agglomérations, avec 20 zones témoins appariées sur ventes historiques, densité de population, concurrence et saisonnalité. La clean room rapproche les GRP locaux, gross rating points, indicateur de pression média cumulant couverture et répétition, les visites sur pages concession, les formulaires d’essai et les leads validés. Si les zones exposées affichent une hausse de 9 % des demandes d’essai contre 2 % dans les zones témoins, l’uplift net estimé est de 7 points, à analyser ensuite au regard du coût média et de la marge par véhicule.
Construire un modèle de donnée agrégée : du point d’écran au cluster business
Un framework opérationnel commence par la définition de la granularité. Trop fine, elle viole les règles de confidentialité ou produit des cellules statistiquement faibles. Trop large, elle dilue l’effet média. En DOOH, les niveaux les plus utiles sont généralement l’écran, le groupe d’écrans, la zone de chalandise, le magasin, la commune, l’IRIS ou équivalent local, la tranche horaire et la période de campagne. Le bon niveau dépend de la densité d’écrans, du volume de ventes et du délai attendu entre exposition et action.
Une structure de données robuste peut suivre une cascade en six couches. Premièrement, l’inventaire : écran, régie, format, emplacement, visibilité, boucle de diffusion, durée du spot et coût. Deuxièmement, l’audience estimée : flux, profil probabiliste, taux de répétition, dwell time, c’est-à-dire temps de présence dans la zone d’exposition, et opportunités de voir. Troisièmement, le contexte : météo, événement, jour, heure, vacances, concurrence locale, promotion. Quatrièmement, les signaux annonceur : ventes, marge, stock, visites magasin, leads, demandes de devis, recherches de marque par zone. Cinquièmement, les règles de confidentialité : seuil minimal d’agrégation, k-anonymity, principe selon lequel une sortie statistique n’est autorisée que si chaque cellule contient un nombre suffisant d’individus ou d’événements. Sixièmement, les sorties actionnables : score d’écran, cluster de zones, recommandation d’enchère, plan de pression ou rapport d’uplift.
Le passage de l’écran au cluster business est essentiel. Un écran isolé peut générer trop peu de signaux pour mesurer un effet fiable. Regrouper des écrans par typologie, par proximité magasin, par densité de flux ou par profil d’audience augmente la stabilité statistique. Par exemple, un réseau de 600 écrans peut être découpé en 12 clusters : gares urbaines, centres commerciaux premium, axes routiers suburbains, quartiers de bureaux, zones étudiantes, proximité hypermarchés, etc. Chaque cluster peut ensuite être évalué sur son coût par visite incrémentale ou son impact sur la recherche de marque.
Cette logique implique de distinguer les métriques média et les métriques business. Les métriques média incluent la couverture estimée, la répétition, le coût par contact, la part de diffusion aux heures utiles, la visibilité physique et la qualité d’emplacement. Les métriques business incluent le CPA, coût par acquisition, soit le coût nécessaire pour générer une conversion attribuée ou incrémentale, le ROAS, return on ad spend, ratio entre chiffre d’affaires attribué et dépenses publicitaires, la marge incrémentale, le coût par visite magasin, le coût par lead qualifié ou la progression des recherches de marque. La clean room doit organiser la relation entre ces deux familles sans les confondre.
Un piège fréquent consiste à surpondérer les écrans à très fort trafic. Un écran dans un hub transport peut produire beaucoup d’opportunités de voir mais toucher une audience trop large ou peu pertinente pour un objectif local. À l’inverse, un réseau plus modeste autour de points de vente peut générer moins de contacts mais une meilleure efficacité marginale. La donnée agrégée sert précisément à déplacer l’arbitrage du volume brut vers la valeur attendue par contexte.
Mesurer l’impact : attribution agrégée, geo-tests et modèles de contribution
L’attribution désigne la méthode qui assigne une conversion ou un résultat à un ou plusieurs points de contact marketing. Dans le DOOH, l’attribution individuelle est rarement le bon standard de vérité. Le média fonctionne souvent en amont du funnel, parcours allant de la notoriété à la considération puis à la conversion, et influence des comportements différés : recherche de marque, visite magasin, trafic direct, préférence, rappel publicitaire ou intention d’achat. La mesure doit donc combiner plusieurs méthodes plutôt que chercher un identifiant miracle.
Le geo-test est souvent la méthode la plus lisible. Il consiste à définir des zones exposées et des zones de contrôle, puis à comparer l’évolution de KPI avant, pendant et après campagne. Pour être robuste, le test doit contrôler les facteurs exogènes : promotions, météo, jours fériés, actions concurrentes, disponibilité produit, pression média digitale et tendances historiques. La méthode difference-in-differences, ou double différence, compare l’écart d’évolution entre zones exposées et témoins plutôt que le niveau absolu. Elle réduit le risque de confondre effet média et dynamique locale.
Exemple : une enseigne de bricolage active 80 écrans DOOH autour de 35 magasins pendant quatre semaines. Les magasins exposés avaient historiquement 1,2 million d’euros de ventes hebdomadaires, les magasins témoins 1,1 million. Pendant la campagne, les exposés progressent de 6 %, les témoins de 2 %. L’effet brut pourrait être lu comme 6 %, mais la double différence suggère plutôt un uplift incrémental de 4 points. Si la marge brute moyenne est de 32 % et que l’incrément de chiffre d’affaires estimé est de 192 000 euros, la marge incrémentale atteint environ 61 000 euros. Pour un budget média de 50 000 euros, le ROAS incrémental en chiffre d’affaires est de 3,84, mais le ratio marge sur dépense est de 1,22. Cette lecture est beaucoup plus utile pour arbitrer qu’un simple volume d’impressions estimées.
Les modèles de contribution agrégés peuvent compléter les geo-tests, notamment lorsque les campagnes sont continues ou nationales. Le MMM, marketing mix modeling, modélisation statistique sur séries temporelles agrégées, estime la contribution des canaux marketing en tenant compte de la saisonnalité, des prix, des promotions et d’autres leviers. Le DOOH peut y être intégré avec des variables de pression par zone ou semaine : dépenses, GRP, contacts estimés, durée de spot ou indice de visibilité. L’avantage est de mesurer des effets diffus et retardés. La limite est le besoin de séries longues, souvent 18 à 36 mois de données, et une granularité suffisante pour isoler le signal DOOH.
La clean room peut aussi servir à calculer des proxys intermédiaires : uplift de requêtes marque dans les zones exposées, hausse des visites de store locator, augmentation des scans QR lorsque le format s’y prête, progression de trafic en point de vente ou différentiel d’appels. Ces KPI ne remplacent pas la vente, mais ils sont précieux pour les campagnes haut et milieu de funnel. Un annonceur ne doit pas exiger d’un dispositif DOOH de notoriété la même lecture qu’un retargeting e-commerce bas de funnel.
Le point critique est la fenêtre d’effet. Une campagne drive-to-store peut produire un impact dans les 24 à 72 heures. Une campagne automobile ou assurance peut influencer des recherches sur plusieurs semaines. La clean room doit donc permettre d’analyser différentes fenêtres : jour même, J+1 à J+3, semaine de campagne, post-campagne. Sans hypothèse temporelle explicite, l’attribution agrégée risque de surestimer ou de sous-estimer la contribution.
Les limites : représentativité, causalité et risque de précision illusoire
La clean room donne une impression de rigueur technique, mais elle ne garantit pas la validité analytique. Le premier risque est la représentativité. Les données de mobilité issues d’applications opt-in ne couvrent pas uniformément la population. Certains profils sont surreprésentés : urbains, utilisateurs intensifs de smartphone, audiences jeunes ou technophiles. D’autres sont sous-représentés. Si ces données servent à estimer la fréquentation autour d’écrans DOOH, le modèle doit être calibré avec des sources externes : comptages physiques, données transport, panels, études d’audience ou référentiels régie.
Le deuxième risque est la confusion entre proximité et exposition. Une personne présente dans un périmètre géographique autour d’un écran n’a pas nécessairement vu la création. L’angle de vision, la luminosité, la durée du spot, l’encombrement visuel, la vitesse de déplacement et la position dans la boucle publicitaire influencent l’opportunité réelle de voir. En DOOH, une donnée de présence ne doit jamais être interprétée comme une impression certaine. Les modèles les plus sérieux pondèrent les contacts par un coefficient d’opportunité de voir, voire par des indices d’attention lorsque des études le permettent.
Le troisième risque est la causalité. Une zone exposée peut surperformer parce qu’elle était déjà plus favorable : meilleure dynamique commerciale, concurrence plus faible, clientèle plus aisée, stock disponible ou opérations locales. Les geo-tests doivent donc être conçus avant la campagne, avec des zones témoins comparables et des règles de pression définies. Ajuster les zones de contrôle après observation des résultats introduit un biais majeur. Une clean room peut rendre le calcul plus sécurisé, mais elle ne transforme pas une mauvaise expérimentation en preuve causale.
Le quatrième risque est l’excès de granularité. Les équipes marketing veulent souvent lire les résultats par écran, par jour, par création, par tranche horaire et par magasin. Or chaque découpe réduit les volumes et augmente la variance. Un uplift de 18 % sur trois magasins peut être statistiquement moins fiable qu’un uplift de 4 % sur 80 magasins. Les règles de k-anonymity et les seuils minimaux de conversion ne sont pas des contraintes bureaucratiques ; elles protègent contre les conclusions instables.
Le cinquième risque est le mauvais benchmark. Comparer le DOOH à un canal search marque ou à du retargeting display sur le CPA attribué est méthodologiquement faible. Le search capte une intention déjà formulée ; le retargeting touche souvent des audiences chaudes ; le DOOH peut créer de la disponibilité mentale et stimuler une demande non immédiate. L’évaluation doit tenir compte du rôle dans le funnel. Le bon arbitrage n’est pas de demander au DOOH d’avoir le CPA le plus bas, mais de mesurer son coût par effet incrémental pertinent : visite nouvelle, recherche de marque additionnelle, lift de notoriété, trafic magasin ou marge locale.
Gouvernance et conditions de réussite : partir de la décision média, pas de la technologie
Une clean room DOOH doit être activée à partir d’une décision explicite. Si le résultat de l’analyse ne modifie ni la planification, ni les enchères, ni les zones, ni la pression, ni le budget, le projet restera un exercice de reporting. Une phrase-test utile est : si la clean room montre X, alors nous ferons Y. Par exemple : si les clusters gare génèrent un coût par visite incrémentale inférieur de 20 % aux clusters centre commercial, alors nous réallouerons 15 % du budget au prochain burst. Ou : si l’uplift n’apparaît qu’au-delà de trois contacts hebdomadaires estimés, alors nous augmenterons la pression sur moins de zones plutôt que d’étendre la couverture.
La gouvernance doit réunir au minimum quatre familles d’acteurs. Les équipes média définissent les objectifs, les plans et les arbitrages. Les équipes data structurent les tables, les modèles et les règles d’agrégation. Les équipes juridiques et privacy valident les bases légales, les finalités, les durées de conservation et les sorties autorisées. Les partenaires DOOH et mesure fournissent les logs de diffusion, les référentiels d’audience, les coûts et les variables de qualité. Sans alignement entre ces acteurs, la clean room devient une couche technique isolée.
Les données doivent être normalisées avant tout rapprochement. Côté média : identifiants d’écrans stables, coordonnées, réseau, format, boucle, créa, timestamp, coût, durée, deal, régie, SSP. Côté annonceur : magasin, zone de chalandise, ventes nettes, marge, promotions, stock, trafic, leads, annulations, calendrier commercial. Côté contexte : météo, événements, vacances, trafic transport, concurrence. La qualité de la taxonomie conditionne la qualité de la mesure. Un mapping écran-magasin approximatif peut fausser tout le modèle.
Il faut également distinguer les sorties stratégiques et opérationnelles. Une clean room peut produire une analyse mensuelle ou post-campagne pour calibrer les investissements. Elle peut aussi alimenter des segments activables pour le programmatique DOOH : zones à fort potentiel, horaires à forte conversion, clusters météo-sensibles, écrans autour de magasins sous-performants. Mais toutes les clean rooms ne permettent pas des exports opérationnels fluides vers les DSP. Cette contrainte doit être vérifiée dès le cadrage.
Enfin, le succès se mesure par l’apprentissage réinjecté. Une campagne DOOH évaluée en clean room doit enrichir le prochain plan : exclusion de zones inefficaces, hausse de pression sur des contextes performants, adaptation créative par moment, ajustement des deals programmatiques, meilleure définition de la fenêtre d’effet, ou arbitrage entre couverture et répétition. La valeur n’est pas dans le rapport final, mais dans la boucle d’optimisation.
Conclusion : faire de la clean room un outil de décision agrégée, pas une promesse d’attribution totale
Le rapprochement entre DOOH et clean rooms est pertinent lorsqu’il respecte la nature du média. Le DOOH n’a pas besoin de se transformer en canal individualisé pour devenir mesurable. Sa valeur peut être mieux démontrée par des agrégats bien construits : zones exposées, clusters d’écrans, flux probabilistes, ventes par magasin, signaux de recherche, visites, contexte local et modèles d’incrémentalité. La clean room apporte un cadre sécurisé pour croiser ces données sans exposer inutilement les individus ou les actifs propriétaires des partenaires.
La feuille de route actionnable peut se résumer en sept étapes. Premièrement, définir la décision média attendue : choix d’écrans, pression par zone, arbitrage budgétaire, activation contextuelle ou mesure d’uplift. Deuxièmement, choisir la granularité adaptée : écran, cluster, zone, magasin ou semaine, en fonction des volumes disponibles. Troisièmement, normaliser les données média, business et contexte avant toute analyse. Quatrièmement, appliquer des règles strictes d’agrégation et de confidentialité, avec seuils minimaux de sortie. Cinquièmement, privilégier les geo-tests, doubles différences et modèles de contribution plutôt qu’une attribution individuelle fragile. Sixièmement, interpréter les résultats selon le rôle du DOOH dans le funnel : notoriété, considération, trafic magasin ou conversion locale. Septièmement, réinjecter les apprentissages dans les plans, les deals, les enchères et les créations.
Les limites doivent rester explicites. La donnée agrégée ne dit pas exactement qui a vu quoi. Elle ne prouve pas la causalité sans design expérimental. Elle peut être biaisée par la représentativité des panels, les effets locaux et la qualité des mappings. Mais utilisée avec rigueur, elle offre une voie plus réaliste et plus respectueuse que la quête d’un identifiant universel. Pour les annonceurs, l’enjeu n’est pas de produire un dashboard plus sophistiqué. Il est de savoir, avec un niveau d’incertitude acceptable, quelles expositions DOOH créent réellement de la valeur, dans quelles zones, à quels moments et à quel coût marginal.
À cette condition, la clean room devient un instrument de gouvernance du DOOH programmatique : elle aide à acheter moins d’audience supposée, davantage de contexte prouvé, et à relier l’affichage numérique à des décisions économiques mesurables sans renoncer à la privacy. C’est probablement là que se situe la maturité du marché : non dans l’illusion d’une attribution parfaite, mais dans la capacité à transformer des agrégats robustes en arbitrages média plus intelligents.
