Stratégies de génération et de mesure de l’impact incrémental en publicité

Dans le contexte de la publicité, une transformation significative est en cours grâce à l’adoption croissante des campagnes publicitaires basées sur l’intelligence artificielle, telles que Google Performance Max. Ce changement de paradigme a été suivi par d’autres plateformes comme Meta, LinkedIn et Bing, qui ont lancé des initiatives similaires, démontrant l’universalité de l’intérêt pour les solutions basées sur l’IA dans le domaine du paiement au clic. Ces campagnes promettent une approche révolutionnaire de la publicité en ligne, réduisant la charge de travail des annonceurs à de simples entrées initiales telles que l’URL et l’objectif marketing souhaité. La promesse est que l’intelligence artificielle de la plateforme sera capable de gérer de manière autonome la création d’actifs, le choix des canaux les plus appropriés, l’optimisation et les stratégies d’enchères, laissant aux annonceurs le soin d’observer les résultats obtenus.

Ces stratégies publicitaires avancées reposent sur des algorithmes complexes d’apprentissage automatique et d’analyse prédictive, capables d’identifier en temps réel l’utilisateur le plus susceptible de convertir et de diffuser des messages publicitaires hautement personnalisés et opportuns. Le guide officiel de Google pour les campagnes PMax illustre le concept d’atteindre la « bonne personne, au bon moment, avec le bon message et sur la bonne plateforme ». Ceci est rendu possible par la capacité des algorithmes d’IA à analyser de vastes ensembles de données sur le comportement des utilisateurs, prédisant avec précision les moments les plus opportuns pour la conversion.

L’IA générative joue un rôle crucial dans ce processus, en intégrant la capacité de créer du contenu dynamique et personnalisé directement au sein de l’expérience conversationnelle offerte par les plateformes. Cette approche permet la génération automatique d’actifs publicitaires dynamiques qui s’adaptent en temps réel aux besoins et aux préférences des utilisateurs cibles.

Un autre aspect clé de ces campagnes basées sur l’IA est leur nature multiplateforme : elles n’exigent pas des annonceurs qu’ils prédéterminent sur quelles plateformes diffuser leurs messages, qu’il s’agisse de YouTube, Gmail, Discover ou d’autres canaux. L’algorithme lui-même détermine le canal le plus efficace pour chaque message.

La complexité et l’efficacité des algorithmes sous-jacents aux campagnes publicitaires automatisées basées sur l’intelligence artificielle sont un sujet d’intérêt et de pertinence considérables dans le contexte du marketing numérique contemporain. Ces technologies avancées ont démontré qu’elles peuvent produire des résultats significatifs en termes d’augmentation du ROAS et de réduction des coûts d’acquisition en opérant sur un modèle qui implique une collecte et une analyse approfondies des données.

Au cœur de ce processus se trouve l’application de modèles prédictifs, qui analysent les comportements, les préférences et les parcours en ligne des utilisateurs pour anticiper leurs actions futures, y compris leur intérêt pour des produits ou services spécifiques.

Cette évaluation en temps réel de l’opportunité d’engagement est basée non seulement sur la probabilité de conversion, mais aussi sur une évaluation de la valeur qu’une seule impression peut générer pour la campagne.

Cette approche holistique permet d’optimiser les ressources publicitaires, en garantissant que l’investissement est dirigé vers les utilisateurs les plus susceptibles d’entreprendre l’action souhaitée. C’est pourquoi des questions importantes ont été soulevées par les experts du secteur concernant leur capacité réelle à générer des conversions incrémentales.

Dans ce contexte, des études récentes ont commencé à remettre en question la valeur incrémentale apportée par de telles campagnes, soulevant la question cruciale : les algorithmes d’IA dans les campagnes publicitaires apportent-ils réellement des performances incrémentales mesurables et significatives aux entreprises ?

Comment atteindre une performance incrémentale

Atteindre une performance incrémentale en marketing numérique est un défi constant pour les agences et les professionnels du secteur. Une expérience menée par Pace, une agence spécialisée en Marketing Science située à Segeltorp, Stockholm, a offert des perspectives significatives dans cette direction, démontrant l’efficacité d’une approche basée sur l’élargissement de la couverture du message publicitaire en déplaçant le focus des campagnes de la conversion vers la portée.

Traditionnellement, les campagnes publicitaires en ligne ont eu tendance à se concentrer sur les objectifs de conversion, ciblant les individus déjà considérés comme prêts à acheter. Cette approche, bien qu’efficace pour générer des ventes immédiates, a tendance à rendre les algorithmes « paresseux », ce qui limite leur portée à un public cible étroit. Cependant, l’expérience de Pace a révélé que le déplacement du budget des campagnes axées sur la conversion vers des campagnes axées sur la portée a entraîné une augmentation de 50 % des ventes. Ce résultat souligne l’importance de diffuser le message publicitaire de manière plus équilibrée et inclusive, atteignant des clients potentiels au-delà de ceux immédiatement prêts à convertir.

L’algorithme de portée, contrairement aux algorithmes axés sur la conversion, adopte une approche plus statistique et distribuée, visant à atteindre efficacement le nombre maximal de personnes ciblées. Cela se traduit par une probabilité plus élevée d’atteindre des utilisateurs qui, bien que n’étant pas initialement considérés comme proches de la conversion, peuvent être positivement impactés par la campagne, contribuant ainsi à des augmentations significatives des ventes.

Un autre aspect crucial observé dans l’expérience concerne la tendance des campagnes fortement axées sur la conversion à privilégier le contenu et les canaux transactionnels, négligeant les messages de marque plus informatifs ou narratifs. Ce choix, bien qu’il puisse sembler efficace à court terme, conduit à terme à une saturation de l’audience cible et à une dégradation des performances, limitant les opportunités de générer des revenus incrémentaux.

Pour surmonter ces défis, il est essentiel d’adopter une approche équilibrée qui inclut également des stratégies de notoriété, c’est-à-dire des initiatives axées sur le haut de l’entonnoir marketing. Cela permet de maintenir l’attention portée à la marque auprès d’un public plus large tout en assurant l’efficacité de l’allocation budgétaire. La mise en œuvre de campagnes axées sur la notoriété nécessite l’identification d’une audience bien définie et hautement qualifiée, soulignant l’importance de stratégies de segmentation sophistiquées et d’une planification stratégique minutieuse pour maximiser le retour sur investissement publicitaire.

L’évolution des réglementations en matière de confidentialité et la restriction qui en découle sur l’utilisation des audiences tierces ont confronté les entreprises au défi de reconsidérer et de valoriser davantage leurs données de première partie. Ces données, composées de toutes les informations détenues par l’entreprise et collectées directement à partir des interactions avec les clients et les utilisateurs, constituent une ressource cruciale pour le développement de stratégies marketing ciblées et personnalisées. Bien que par le passé l’abondance de données tierces disponibles à l’achat ait pu masquer la valeur des données de première partie, il est aujourd’hui impératif pour les entreprises de tirer pleinement parti de ces informations pour construire un avantage concurrentiel.

Les données de première partie ne se limitent pas uniquement aux informations personnelles des utilisateurs, mais incluent un large éventail de données générées par les interactions avec les canaux numériques de l’entreprise, telles que le comportement de navigation sur le site web suivi via des outils comme Google Analytics. Ces données, lorsqu’elles sont utilisées de manière éthique et conformément aux réglementations en vigueur, peuvent se transformer en puissants leviers pour l’optimisation des campagnes publicitaires et le ciblage avancé.

Un élément clé de l’efficacité des stratégies basées sur les données de première partie est la mise en œuvre d’un système d’identification utilisateur persistant, connu sous le nom de « persistent user ID ». Cette technologie surmonte les limitations imposées par l’efficacité réduite des cookies de suivi et des pixels traditionnels en offrant une méthode plus stable et fiable de reconnaissance des utilisateurs à travers différents points de contact et sessions. L’ID utilisateur persistant peut être dérivé de diverses sources, telles que les hachages d’e-mails ou les identifiants générés par des techniques d’empreinte probabiliste. De plus, l’exploitation de l’ID utilisateur rétrospectif peut récupérer et associer les actions passées d’un utilisateur, améliorant considérablement la précision du ciblage.

L’utilisation de cette technologie facilite la création de clusters d’audience basés sur des comportements, des intérêts et des interactions antérieures spécifiques, permettant l’utilisation d’algorithmes d’intelligence artificielle pour enrichir et segmenter davantage ces données. Cette approche améliore non seulement la personnalisation des campagnes publicitaires, mais permet également des stratégies de portée ciblées pour intercepter de nouveaux clients à fort potentiel en exploitant les informations de première partie pour identifier des profils similaires à ceux des clients existants.

Malgré les perceptions d’une prétendue fin des stratégies basées sur les lookalikes, les entreprises continuent de bénéficier de méthodes évoluées telles que les audiences prédictives ou les extensions d’audience, qui représentent l’évolution naturelle du concept de lookalike dans un contexte où les données de première partie jouent un rôle central. Des plateformes telles que LinkedIn et Google ont introduit des algorithmes avancés qui exploitent les données de première partie pour améliorer ces stratégies, démontrant l’efficacité de telles approches dans le contexte des campagnes publicitaires modernes.

Parallèlement à la transformation des stratégies de ciblage, il devient essentiel d’adopter de nouvelles méthodes de mesure des performances et d’attribution des conversions.

Dans ce contexte, les Marketing Mix Models émergent comme une solution efficace pour évaluer l’impact incrémental des campagnes, offrant aux entreprises la capacité de mesurer avec précision le retour sur leurs initiatives marketing, comme le démontre l’expérience menée par Pace.

Modèle de Marketing Mix

Les Marketing Mix Models (MMM) sont un pilier fondamental dans le domaine de l’analyse marketing, offrant une vue détaillée et quantitative de l’efficacité des différentes actions marketing sur les indicateurs clés de performance, tels que les ventes. Ces modèles abordent un dilemme historique en marketing, éloquemment exprimé par John Wanamaker : « La moitié de mon budget publicitaire est gaspillée, mais je ne sais pas laquelle. »

Grâce à l’utilisation des MMM, les entreprises cherchent à dissiper cette incertitude en optimisant l’allocation des ressources publicitaires pour maximiser le retour sur investissement.

Au cours des dernières décennies, l’industrie du marketing numérique a connu une évolution significative, portée par l’adoption croissante de modèles statistiques avancés. Cette tendance repose sur trois piliers principaux : une expansion remarquable des capacités de calcul, un accès sans précédent à de vastes ensembles de données, souvent disponibles en temps quasi réel, et un engagement croissant des entreprises envers une culture de prise de décision basée sur les données. Dans ce contexte, les MMM ont évolué, intégrant des méthodologies économétriques établies avec des innovations issues de l’intelligence artificielle et de l’apprentissage automatique.

La combinaison de modèles économétriques, développés à l’origine dans les années 1960, avec des algorithmes de ML et d’IA représente une avancée significative. Cette approche hybride minimise non seulement le risque d’erreur humaine, garantissant des résultats d’analyse plus précis et fiables, mais réduit également drastiquement le temps nécessaire au traitement et à l’interprétation des données.

Alors que par le passé, l’analyse des résultats d’un Marketing Mix Model pouvait prendre jusqu’à six mois, voire un an, l’adoption des techniques de ML et d’IA permet désormais d’effectuer ces analyses sur une base mensuelle. Cela transforme les MMM en outils d’analyse extrêmement puissants, capables de fournir des informations opérationnelles dans un délai considérablement réduit, et facilite l’adoption de stratégies marketing agiles, où les décisions peuvent être prises et adaptées rapidement en réponse à l’évolution de la dynamique du marché.

Comment fonctionnent les Marketing Mix Models et quelles informations ils nous donnent

Les Marketing Mix Models représentent une méthodologie analytique avancée et fondamentale dans le domaine du marketing quantitatif, conçue pour mesurer et isoler l’effet de divers facteurs sur les ventes d’une marque, permettant ainsi une identification précise des composants qui contribuent à l’augmentation des ventes. Cette approche analytique permet aux entreprises de comprendre en détail quelle part des ventes est attribuable à des actions marketing spécifiques et quels éléments ne sont pas sous leur contrôle direct.

La polyvalence des MMM en fait des outils précieux pour analyser un large éventail de variables qui influencent les ventes, tant dans le contexte du marketing en ligne que hors ligne. Ils prennent en compte non seulement les activités marketing directement quantifiables, telles que la publicité sur divers canaux, mais aussi celles qui sont moins tangibles et difficiles à attribuer à un coût spécifique, comme les promotions et les événements. Il est également important de noter la capacité de ces modèles à prendre en compte des facteurs exogènes – tels que l’inflation – qui peuvent impacter les ventes indépendamment des stratégies marketing mises en œuvre.

En isolant les effets de chaque variable, les MMM fournissent des informations précieuses sur la contribution incrémentale d’actions marketing spécifiques au revenu global. Par exemple, une entreprise pourrait constater que 92 % de l’augmentation du chiffre d’affaires est attribuable aux activités de marketing imprimé, obtenant ainsi une évaluation quantitative de l’efficacité de ce canal. Dans le même temps, les modèles sont capables de « nettoyer » l’effet des variables non liées au marketing, offrant une vue plus claire et plus nette de l’impact des actions marketing sur les ventes.

Un avantage crucial de l’utilisation des MMM est la capacité à déterminer l’allocation optimale du budget publicitaire entre les canaux marketing, maximisant ainsi l’incrémentalité. Cela se traduit par une gestion plus efficace des ressources marketing, permettant aux entreprises d’optimiser les retours sur investissements publicitaires et d’adapter stratégiquement leurs campagnes en fonction de l’efficacité de chaque canal.

En résumé, les MMM offrent :

• Une analyse détaillée de la contribution de chaque canal marketing.
• La capacité de nettoyer l’effet des variables exogènes, offrant une image plus précise de l’impact des activités marketing.
• Un aperçu de la saturation des canaux, permettant aux entreprises d’identifier le moment où un investissement supplémentaire dans un canal donné pourrait ne pas se traduire par une augmentation proportionnelle des ventes.

De plus, les MMM sont conçus avec une approche de « privacy by design », car ils sont basés sur des données agrégées au niveau temporel (quotidien, hebdomadaire ou mensuel) plutôt que sur des données individuelles. Cet aspect les rend particulièrement précieux dans l’environnement actuel de préoccupations croissantes en matière de confidentialité. Leur capacité à fonctionner sans dépendre de données au niveau individuel permet de continuer à exploiter ces modèles analytiques même face aux défis posés par la limitation du suivi des données utilisateur.La pertinence et l’efficacité des MMM sont en outre soulignées par l’investissement de grandes entreprises technologiques, qui ont commencé à publier des codes open source pour faciliter l’adoption et la mise en œuvre de ces modèles. C’est le cas de Google, qui a récemment publié Meridian. La démarche de Google, rendant disponible un outil de Marketing Mix Modeling (MMM) open source, souligne sa compréhension que la restriction d’accès aux données clés, au sein d’écosystèmes exclusifs, entrave la capacité des annonceurs à évaluer précisément l’efficacité des publicités numériques. Cet effort démontre l’importance croissante des MMM en tant qu’outil essentiel pour l’analyse et l’optimisation des stratégies marketing à l’ère numérique.

Expérience de Lift

Dans le domaine de l’analyse des performances publicitaires, les spécialistes du marketing numérique utilisent une variété d’outils pour quantifier l’efficacité de leurs campagnes. Outre les Marketing Mix Models traditionnels, il existe des méthodes expérimentales telles que les Tests de Lift (Lift Experiments), qui offrent la possibilité d’évaluer l’impact incrémental d’une campagne publicitaire de manière préventive et précise. Ces expériences, axées sur la mesure de l’effet incrémental, permettent de comparer les résultats obtenus par la campagne avec ceux qui se seraient produits en son absence.

L’adoption de modèles statistiques avancés est cruciale dans la mise en œuvre des Tests de Lift, car elle permet de déterminer avec précision la différence de performance entre le groupe exposé à la campagne et le groupe de contrôle. La sélection de ces groupes est basée sur des critères de ciblage géographique, une pratique qui permet une distribution stratégique de la visibilité de la campagne. Avant de commencer l’expérience, une analyse préliminaire est menée pour déterminer comment la variable d’intérêt est distribuée géographiquement, et décider en conséquence quelles zones géographiques inclure dans l’échantillon de traitement (exposé à la campagne) et lesquelles exclure (groupe de contrôle).

Pour illustrer, on pourrait décider de lancer une campagne publicitaire dans des régions spécifiques d’Italie, tandis que d’autres restent sans exposition à la campagne. Pendant la période de traitement, les données sur les conversions dans les groupes exposé et de contrôle sont collectées et analysées. À la fin de l’expérience, l’application de tests statistiques permet d’évaluer la signification réelle de la différence observée dans les conversions, confirmant ou non la présence d’une augmentation réelle.

Les Tests de Lift s’avèrent particulièrement utiles pour deux raisons principales : premièrement, ils permettent de tester l’effet incrémental d’une campagne sur des métriques spécifiques telles que les conversions, les ventes ou les revenus avec un budget limité avant d’investir des ressources plus substantielles.

Deuxièmement, ils offrent l’opportunité de comparer l’efficacité de différentes stratégies publicitaires, par exemple en évaluant l’incrémentalité générée par des campagnes avec des objectifs de portée par rapport à des campagnes axées sur la conversion utilisant le même contenu publicitaire.

De plus, l’approche de bout en bout des géo-expériences assure une évaluation complète du potentiel d’une campagne, optimisant l’allocation budgétaire de manière efficace et respectueuse de la vie privée, puisqu’elles sont basées sur des données agrégées.

L’utilisation des Tests de Lift dans le contexte des stratégies de marketing numérique représente donc une évolution significative dans la capacité des entreprises à mesurer et optimiser l’efficacité de leurs campagnes publicitaires, favorisant des décisions basées sur des preuves et augmentant le retour sur investissement publicitaire.

Quant aux Tests de Lift menés directement par les plateformes, se concentrant exclusivement sur leurs canaux, ils rendent complexe la comparaison des performances de plusieurs campagnes et de différents canaux. De plus, ces tests sont susceptibles d’être affectés par les mises à jour technologiques et les changements de politiques des plateformes individuelles, ce qui peut compromettre la précision des résultats. Par conséquent, il est conseillé de faire appel à des partenaires externes pour ces tests.