La lutte contre une image de marque négative dans les soins aux personnes âgées
Saviez-vous qu'en Belgique, 62% des personnes âgées de 50 ans et plus ont une image négative des maisons de repos ? Une étude belge a également révélé que 70% des personnes âgées craignent de vivre en maison de retraite par peur de perdre leur indépendance, de l'isolement ou des mauvais traitements. La négativité publique envers une industrie peut la placer sous les projecteurs avec des scandales et de la mauvaise presse. Cette négativité incessante peut ternir de manière permanente la réputation des marques au sein de cette industrie.
Korian, fournisseur de services pour les personnes âgées, connaît bien ce défi en matière d'image de marque. La branche belge du groupe gère 116 maisons de repos ainsi que divers services adaptés à la population âgée dans tout le pays. Alors que la marque globale est Korian, les établissements et les maisons de repos opèrent sous des marques locales et régionales qui n'incluent pas le nom "Korian" dans leur branding. Cette approche permet à Korian de s'intégrer aux communautés locales et de conserver les noms des maisons de repos acquises qui ont déjà des réputations établies. C'est un détail de notre histoire qui devient important plus tard.
Le bad buzz peut susciter la curiosité. Pour les clients potentiels ou leurs familles, Internet est souvent la première source d'information, faisant des moteurs de recherche très souvent le point de départ du parcours client. Ainsi, sans surprise, Korian dépend de ces moteurs de recherche. 70% du budget total du marketing digital est alloué aux campagnes de recherche.
La confiance est un facteur critique dans le secteur des soins de santé, surtout lorsqu'on s'occupe de personnes vulnérables comme les personnes âgées. Les informations négatives, qu'elles soient vraies ou non, peuvent avoir un impact significatif sur la réputation d'une entreprise. Cela peut éroder la confiance, rendant beaucoup plus difficile d'attirer de nouveaux résidents et de conserver les résidents actuels. Pour surmonter ces défis, Korian doit s'engager dans une gestion active de la réputation. Cela signifie, d'une part, des initiatives de relations publiques bien conçues. Mais il y a plus à faire que de simples messages positifs. Il faut minimiser activement la présence de contenu négatif. Dans cette industrie très sujette au bad buzz, l'acquisition de trafic et donc l'investissement dans des audiences pertinentes et associées à des intentions positives devient un défi capital qui a un impact direct sur les résultats financiers.
Utiliser des données multi-sources pour la gestion de la réputation
Pour gérer de manière proactive la présence en ligne de Korian sur les moteurs de recherche, il est clair que nous devons trouver un mécanisme qui évite l'association de la marque avec ce que nous appelons le "sentiment négatif". La solution n'est pas de combiner stratégiquement des mots-clés en “phrase match” et des mots-clés négatifs pour maintenir la portée tout en contrôlant la pertinence. Les Semetissians croient fermement à la transition vers un ciblage en “broad match” (correspondance large) accompagné de stratégies d'enchères intelligentes (smart-bidding). Lorsqu'il est utilisé correctement, cela peut augmenter de manière significative la visibilité de votre annonce auprès des clients potentiels qui pourraient utiliser une terminologie différente de celle ciblée explicitement dans des types de correspondance plus restreints. La vaste majorité des signaux de données que l'algorithme peut digérer pour prédire si une annonce est susceptible de bien performer est au-delà de ce que les cerveaux humains peuvent faire. Même si nous observons de bons résultats, parfois l'IA a des ratés, car cela fait partie de la courbe d'apprentissage. Cependant, dans le cas de Korian, il n'y a absolument aucune marge d'erreur. Nous avons donc dû construire une solution qui nous permettait de maintenir une stratégie de ciblage en “broad match” (correspondance large) équilibrée avec des outils et des algorithmes automatisés qui ont une compréhension nuancée des soins aux personnes âgées et de leur impact sur l'image de marque de Korian.
Identifier les mots-clés à partir de diverses sources de données
Le point de départ était de répertorier toutes les sources en ligne où un contenu négatif peut être consommé sur l'industrie des soins aux personnes âgées en général, les 116 maisons de repos de Korian et les maisons de repos spécifiques de nos concurrents. Deux catégories concrètes de sources de données peuvent nous aider à identifier en temps réel ce contenu:
- Google Alerts envoie des notifications quotidiennes dès que de nouveaux contenus sont publiés sur l'industrie, l'une des maisons de repos de Korian, ou l'un de nos concurrents ;
- Un Social Media Listening Tool - outil d'écoute des médias sociaux (alimenté par Meltwater) - qui scanne automatiquement les plateformes de médias sociaux (X (anciennement Twitter), Facebook, Instagram, TikTok, Reddit), les forums, les sites d'avis, les articles sur les sites de nouvelles et les blogs, les vidéos (YouTube et autres contenus vidéo), et même les spots radio/audio pour lesquels un rapport quotidien est reçu.
Mettre en place un script qui connecte les sources de données ensemble
Ensuite, le contenu doit être lu et les mots-clés doivent être extraits. Pour cette partie du processus, nous avons construit un script qui extrait tout le contenu signalé par ces Google Alerts et cet outil d'écoute des réseaux sociaux. L'extraction se fait toutes les heures et produit une liste de mots-clé mentionnant concrètement le nom de la maison de repos concernée (si mentionnée dans le contenu) et le(s) terme(s) associé(s). Cette liste est ensuite automatiquement exportée dans une Google sheet, accessible à toute l'équipe.
Outre les sources de données numériques, il y a un autre facteur de succès crucial : impliquer un intervenant très important ; les équipes de marketing et de relations publiques de Korian. Ces équipes sont souvent déjà au courant d'un communiqué de presse négatif à venir qui n'a même pas encore été publié et donc atteint les sites de nouvelles. Elles nous communiquent et nous avertissent immédiatement afin que nous puissions ajouter manuellement d’autres termes dans la feuille Google. Cela nous permet d'anticiper, plutôt que de devoir réagir. `
Modèle d'analyse de sentiment pour étiqueter le jeu de données
Avec l'API de traitement du langage naturel de Google, une analyse de sentiment est effectuée sur le texte et le mot-clé. En utilisant cet algorithme d'apprentissage automatique existant, une étiquette de sentiment peut être attachée à chaque "requête". Nous avons gardé le modèle de scoring simple avec trois catégories : positif, négatif et neutre. Par exemple, les mots clés liés à la négligence, aux abus, aux plaintes et aux poursuites recevraient une étiquette de sentiment négatif.
Connecter ce script à nos campagnes de performance sur Google Ads
En utilisant les scripts Google Ads, nous automatisons le processus de scanner des termes, de les étiqueter avec un sentiment, et de mettre à jour automatiquement la liste des mots-clés négatifs en fonction des critères prédéfinis. Ensuite, en utilisant l'API Google Ads, cette liste est directement connectée aux campagnes search en cours, excluant toute apparition d'annonce sur un mot-clé qui pourrait nuire à l'image ou à la réputation de la marque Korian.
Prenons un exemple très spécifique. Imaginez que la maison de repos avec le nom fictif "Sunrise Senior Living" située à Zonhoven a récemment fait l'objet de mauvaises nouvelles. Apparemment, un résident a disparu pendant quelques heures, ce qui a créé une certaine agitation locale. Le système d'alerte automatique mis en place capturera cette mise à jour immédiatement, probablement via un post Facebook dans le groupe Facebook "Ge Zijt van Zonhoven als". Les données récupérées de la source seraient "Sunrise Senior Living", "personne disparue", "Zonhoven" dans la feuille Google. Comme la feuille est directement connectée à nos campagnes de recherche, voici ce qui se passera : le nom spécifique de la maison de repos en combinaison avec les termes associés et les données de géo-ciblage dynamiques sera immédiatement exclu de nos campagnes search, empêchant notre budget d'être gaspillé sur des utilisateurs ne cherchant que des potins... Pratique, n'est-ce pas?
Augmentation de la qualité du trafic et de l'efficacité des campagnes de recherche payante
Cette stratégie a efficacement protégé la réputation en ligne de notre client et a eu un impact commercial direct. Illustrons cela avec des chiffres. Le filtrage automatique des requêtes non pertinentes a entraîné une augmentation de 17% du CTR, ce qui a entraîné une augmentation de 14% du taux de conversion grâce à une diminution du trafic non pertinent sur le site de Korian. Mais avant tout, nos équipes sont soulagées.
Pourquoi cela mérite-t-il un AMMA Award ?
Pourquoi ce cas est-il remarquable ? Il présente un défi commun auquel de nombreux annonceurs sont confrontés. Notre solution, bien que simple, n'est pas largement envisagée par beaucoup dans le domaine. Si vous êtes un annonceur allouant la majorité de votre budget aux moteurs de recherche et êtes sensible aux problèmes d'image de marque, cette approche mérite toute votre attention.
À l'avenir, comment pouvons-nous exploiter davantage notre solution ?
- Nous prévoyons de raffiner le modèle pour obtenir une classification plus nuancée. Parfois, les termes peuvent sembler négatifs mais peuvent être utilisés par des personnes cherchant des solutions à ces situations négatives.
- Par la suite, ces termes peuvent être utilisés pour créer une audience d'intention personnalisée ciblée sur YouTube. Cela nous permet de lancer des campagnes d'image de marque qui communiquent efficacement la philosophie et les pratiques de Korian en matière de soins aux personnes âgées, projetant ainsi une lumière beaucoup plus positive sur la marque pour ceux qui ont été influencés par la presse négative.
Diane Tremouroux
| LinkedinCette adresse e-mail est protégée contre les robots spammeurs. Vous devez activer le JavaScript pour la visualiser.
