La modélisation du mix marketing assistée par IA estime la contribution de chaque canal, y compris la recherche organique, aux ventes en analysant les dépenses, l’activité et les revenus agrégés au fil du temps. Pour le SEO, cela déplace la conversation de l’attribution au dernier clic vers la contribution incrémentale, mais seulement si la recherche organique est intégrée au modèle comme une variable appropriée plutôt que traitée comme un bruit de fond.
L’intérêt pour le MMM a augmenté à mesure que les cookies, le suivi des applications et l’attribution au niveau du clic se sont affaiblis. Des outils open source comme Meridian de Google et Robyn de Meta, ainsi que des plateformes commerciales, l’ont rendu plus accessible. La question pour les équipes organiques est de savoir comment leur travail apparaît.
Qu’est-ce que la modélisation du mix marketing ?
Le MMM est un modèle statistique, généralement une forme de régression, qui relie les résultats hebdomadaires ou quotidiens tels que les revenus ou les prospects à des entrées telles que les dépenses médias par canal, les promotions, les prix, la saisonnalité et les facteurs externes. Il n’a pas besoin de suivi au niveau de l’utilisateur, c’est pourquoi il survit aux changements de confidentialité.
La partie « assistée par IA » signifie généralement des méthodes bayésiennes, une recherche automatisée d’hyperparamètres et un apprentissage automatique utilisé pour estimer l’adstock (la durée de l’effet d’un canal) et la saturation (là où les dépenses supplémentaires cessent d’être rentables). Certaines plateformes utilisent également des modèles de langage pour expliquer les résultats en texte clair.
Pourquoi le SEO est-il difficile à modéliser ?
Les canaux payants ont une entrée claire : les dépenses. La recherche organique ne l’a pas. Il n’y a pas de ligne budgétaire hebdomadaire qui fait monter ou descendre la visibilité, et l’effet du travail de contenu arrive lentement et de manière inégale.
- Les entrées sont indirectes : contenu publié, liens gagnés, corrections techniques, rien de tout cela n’est mesuré en argent
- Les effets sont retardés de plusieurs semaines ou mois, plus longtemps que les effets de la plupart des canaux payants
- La visibilité organique est affectée par des éléments hors de votre contrôle, tels que les mises à jour d’algorithmes et les mouvements des concurrents
- La demande de marque stimule la recherche de marque, donc les clics organiques reflètent en partie le succès d’autres canaux
Si le modèle laisse simplement le SEO de côté, sa contribution est absorbée dans la ligne de base ou créditée à tort au canal payant qui a bougé en même temps.
Comment la recherche organique doit-elle entrer dans le modèle ?
La plupart des praticiens utilisent une variable d’activité ou d’exposition plutôt que les dépenses. Les choix courants sont les clics ou impressions organiques hebdomadaires sans marque provenant de la Google Search Console, séparés des requêtes de marque.
- Utilisez les clics organiques sans marque comme variable SEO principale
- Modélisez la recherche de marque séparément, comme un résultat influencé par d’autres canaux
- Ajoutez les dates connues de mise à jour des algorithmes comme variables d’événement
- Enregistrez les changements importants du site, tels que les migrations, comme des événements également
- Conservez au moins deux ans de données hebdomadaires si possible
Traiter les clics sans marque comme une entrée n’est pas parfait, car les clics sont aussi en partie un résultat. Mais c’est bien mieux que d’ignorer le canal, et cela vous donne un coefficient dont vous pouvez discuter.
Qu’est-ce qui change pour les budgets SEO ?
Une fois que la recherche organique apparaît dans le modèle avec une contribution estimée, elle peut être comparée aux canaux payants dans la même devise : revenu par unité d’activité. L’investissement SEO est alors en concurrence sur la base de preuves plutôt que sur des graphiques de trafic.
Cela fonctionne dans les deux sens. Un modèle peut montrer qu’une grande partie des clics organiques sont motivés par la marque et se seraient produits de toute façon. Il peut également montrer que le trafic organique sans marque génère des ventes à un coût inférieur à celui de certaines campagnes payantes. L’un ou l’autre résultat est plus utile que l’impasse habituelle entre les équipes SEO et payantes.
La recherche par IA change-t-elle la donne ?
Les aperçus IA dans Google, la recherche ChatGPT et Perplexity répondent à certaines requêtes sans clic. En termes de MMM, cela peut réduire les clics organiques tandis que la notoriété de la marque et les recherches de marque ultérieures se maintiennent. Si vous ne modélisez que les clics, vous risquez de sous-estimer l’influence organique.
Une réponse pratique consiste à suivre la visibilité de l’IA séparément, par exemple la part des invites suivies où votre marque est citée, et à la tester comme variable supplémentaire une fois qu’il existe suffisamment d’historique. Traitez les premiers résultats avec prudence ; les séries de données sont courtes.
Comment valider le modèle ?
Les résultats du MMM semblent précis et peuvent être totalement faux. La validation est plus importante que l’outil.
- Vérifiez que les revenus prévus suivent les revenus réels sur les semaines de test
- Effectuez des expériences basées sur la géographie ou le temps pour les canaux payants et comparez avec les estimations du modèle
- Pour le SEO, utilisez les lancements de contenu ou les pauses délibérées sur une section comme expériences naturelles
- Regardez si les coefficients sont stables lorsque vous ajoutez ou supprimez quelques mois de données
Comment Alien Road applique la modélisation du mix marketing assistée par IA
Dans un engagement typique, notre équipe commence par un inventaire des données : dépenses hebdomadaires par canal, exportations de la Search Console divisées en marque et sans marque, revenus CRM, promotions et événements connus. L’historique manquant est le bloqueur habituel, nous documentons donc les lacunes avant toute modélisation.
Nous construisons ensuite un premier modèle avec un framework open source comme Meridian ou Robyn, examinons les résultats avec les équipes payantes et organiques du client ensemble, et convenons des expériences qui testeront les estimations les plus incertaines. La recherche organique est toujours modélisée comme sa propre variable, avec les requêtes de marque séparées.
Les rapports sont trimestriels, avec le modèle actualisé et les recommandations budgétaires exprimées sous forme de fourchettes, et non de chiffres uniques. Là où le modèle et une expérience ne sont pas d’accord, l’expérience gagne et le modèle est ajusté.
Quels problèmes de qualité des données cassent le MMM ?
La plupart des projets MMM échouent sur les données, pas sur les statistiques. Les dépenses enregistrées aux dates de facture plutôt qu’aux dates de livraison décalent les effets de plusieurs semaines. Les revenus qui mélangent les canaux, comme les ventes sur place de marché et les ventes directes, cachent ce que chaque canal génère. Les promotions qui ne sont pas enregistrées sont créditées au média qui a été diffusé en même temps.
- Enregistrez les dépenses par la semaine où elles ont été effectuées, pas la semaine où elles ont été facturées
- Séparez les sources de revenus là où le modèle économique le permet
- Enregistrez chaque promotion, changement de prix et rupture de stock avec les dates
- Notez les changements de suivi, comme une migration GA4, comme des événements
Par où commencer cette semaine
Exportez deux ans de données hebdomadaires de la Search Console et divisez-les en requêtes de marque et sans marque en utilisant une regex pour vos noms de marque. Mettez-les à côté des revenus hebdomadaires et des dépenses payantes dans une feuille. Même avant qu’un modèle n’existe, ce tableau montre si l’organique sans marque évolue avec les ventes, et c’est la première entrée dont tout projet MMM aura besoin.
Attendez-vous à ce que le premier modèle soit approximatif. Sa valeur principale est souvent la conversation qu’il force entre les équipes payantes et organiques sur les données manquantes et les hypothèses que chaque partie a faites.
Continuer la lecture : Publicité · Optimisation publicitaire par IA