La modélisation du mix marketing assistée par IA aide une marque de commerce électronique à estimer la contribution de chaque canal aux ventes, en utilisant les dépenses et les revenus agrégés au fil du temps plutôt qu’un suivi au niveau de l’utilisateur. L’apprentissage automatique et les méthodes bayésiennes accélèrent l’ajustement, testent de nombreuses versions de modèles et transforment les résultats en scénarios budgétaires. Cela fonctionne mieux pour les magasins avec au moins deux ans de données hebdomadaires et plusieurs canaux payants.
Qu’est-ce que la modélisation du mix marketing et qu’apporte l’IA ?
La modélisation du mix marketing, ou MMM, est une méthode statistique qui existe depuis des décennies. Elle régresse les ventes par rapport aux entrées marketing telles que les dépenses par canal, ainsi que des facteurs externes comme la saisonnalité, les changements de prix et les promotions. Le résultat est une estimation de l’effet incrémental de chaque canal et de la manière dont cet effet s’estompe ou se sature.
La partie IA concerne principalement l’automatisation et l’incertitude. Les projets open source comme Robyn de Meta et Meridian de Google utilisent des techniques telles que la recherche évolutive d’hyperparamètres ou l’inférence bayésienne pour ajuster de nombreux modèles candidats, choisir les plus sensés et rapporter des plages crédibles plutôt qu’un seul chiffre. Les grands modèles de langage aident désormais les analystes à nettoyer les données, à rédiger la configuration et à expliquer les résultats aux parties prenantes non techniques.
Pourquoi les marques de commerce électronique reviennent-elles au MMM ?
L’attribution basée sur les clics est devenue moins complète. Les fonctionnalités de confidentialité des navigateurs, les bannières de consentement et l’App Tracking Transparency d’Apple réduisent toutes ce que les pixels peuvent voir. Les tableaux de bord des plateformes ont également tendance à s’attribuer le mérite, de sorte que la somme des conversions signalées sur Meta, Google et TikTok dépasse souvent les commandes réelles dans Shopify.
Le MMM contourne cela car il n’a pas besoin de cookies. Il examine le revenu hebdomadaire total et les dépenses hebdomadaires totales, il traite donc chaque canal selon la même règle. Cela en fait un arbitre utile lorsque les rapports des plateformes ne sont pas d’accord.
Cas d’utilisation pratiques pour une boutique en ligne
Réallocation budgétaire entre les canaux
L’utilisation la plus courante est un planificateur de scénarios. Une fois que le modèle estime les courbes de réponse, vous pouvez demander ce qui arrive aux revenus prévus si vous déplacez une partie du budget social payant vers la recherche, ou si vous réduisez les dépenses d’affiliation pendant un mois creux. L’outil suggère une allocation ; l’équipe décide en tenant compte des niveaux de stock et des marges.
Trouver la saturation
Les courbes de réponse montrent où les dépenses supplémentaires cessent d’être rentables. Par exemple, une marque de soins de la peau peut constater que ses campagnes de prospection sur Meta plafonnent au-dessus d’un certain budget hebdomadaire alors que YouTube a encore de la marge. Cette découverte mérite d’être testée, pas suivie aveuglément.
Mesurer les canaux que les pixels manquent
Les podcasts, le seeding d’influenceurs, l’affichage extérieur et la télévision laissent peu de traces dans les données de clics. Le MMM peut les inclure en tant que séries de dépenses ou d’impressions et estimer leur effet parallèlement aux canaux numériques, tant que les dépenses variaient suffisamment au fil du temps pour être mesurables.
- Planification budgétaire trimestrielle sur la recherche payante, les réseaux sociaux payants, la vidéo et les affiliés
- Vérifier si la recherche de marque est pilotée par les médias du haut de l’entonnoir
- Estimer l’augmentation des promotions saisonnières séparément des dépenses publicitaires
- Fixer des objectifs réalistes pour les nouveaux marchés en utilisant les courbes de réponse des marchés existants
- Donner à la finance une vue neutre du retour marketing par canal
De quelles données avez-vous besoin avant de commencer ?
La qualité des données détermine le résultat plus que l’algorithme. La plupart des praticiens recommandent deux à trois ans de données hebdomadaires afin que le modèle puisse séparer la saisonnalité du marketing. Les données quotidiennes sont plus bruitées mais peuvent fonctionner pour les magasins à fort volume.
- Revenus ou commandes hebdomadaires, idéalement nets des retours, de Shopify, WooCommerce ou votre ERP
- Dépenses hebdomadaires par canal, et impressions si disponibles, de chaque plateforme publicitaire
- Calendrier des promotions, changements de prix et profondeur des remises
- Ruptures de stock et pannes de site ayant supprimé les ventes
- Facteurs externes tels que les vacances et l’activité des concurrents si vous pouvez les suivre
Les dépenses qui ne changent jamais sont un problème. Si vous avez dépensé le même montant en recherche chaque semaine pendant deux ans, le modèle n’a rien à apprendre. Une variation planifiée, même modeste, rend les modèles ultérieurs beaucoup plus informatifs.
Quelles sont les limites du MMM assisté par IA ?
Le MMM estime la corrélation dans les données agrégées et repose sur des hypothèses concernant l’adstock et la saturation. Deux modèles avec un ajustement similaire peuvent ne pas être d’accord sur la valeur d’un canal. C’est pourquoi les bonnes pratiques calibrent le modèle avec des expériences, telles que des tests de maintien géographique ou des études d’augmentation de conversion de plateforme, et pourquoi Meridian et Robyn prennent tous deux en charge l’intégration des résultats expérimentaux en tant que points a priori ou de calibration.
Il est également lent à réagir. Un modèle hebdomadaire ne vous dira pas quel créatif publicitaire a gagné hier. Utilisez-le pour l’allocation stratégique et gardez les rapports de plateforme et les tests A/B pour les décisions tactiques.
Comment choisir entre Meridian, Robyn et un fournisseur ?
Les outils open source sont gratuits mais nécessitent un analyste capable de lire R ou Python et de remettre en question le résultat. Robyn est écrit en R et est connu pour sa sélection automatisée de modèles et son allocateur budgétaire. Meridian est une bibliothèque Python basée sur des méthodes bayésiennes, avec prise en charge des données au niveau géographique et des entrées de portée et de fréquence.
Les plateformes MMM commerciales enveloppent des statistiques similaires dans un tableau de bord et une équipe de service. Elles économisent du temps de configuration mais peuvent rendre les hypothèses plus difficiles à voir. Quel que soit le chemin que vous choisissez, demandez à voir les a priori, les diagnostics d’ajustement et comment le modèle a été validé par rapport aux périodes de maintien.
- Choisissez l’open source lorsque vous avez des compétences d’analyse internes et que vous souhaitez un contrôle total
- Choisissez un fournisseur lorsque la vitesse est plus importante que la transparence et que le budget le permet
- Dans les deux cas, insistez sur des hypothèses documentées et une calibration basée sur l’expérience
Un petit magasin avec un ou deux canaux payants peut ne pas avoir besoin de MMM du tout. Des tests d’incrémentalité simples sur chaque plateforme peuvent répondre aux questions principales jusqu’à ce que le mix de canaux se développe.
Comment Alien Road applique la modélisation du mix marketing assistée par IA
La découverte vient en premier. Dans un engagement typique, nous auditons les données de commande et les comptes publicitaires du client, listons chaque canal avec l’historique des dépenses et signalons les semaines affectées par des ruptures de stock, des ruptures de suivi ou des événements ponctuels. Nous convenons avec le client de la question commerciale à laquelle le modèle doit répondre, car un modèle construit pour tout répond rarement à quelque chose.
La configuration signifie la construction d’un ensemble de données hebdomadaire propre, puis l’ajustement d’un modèle open source comme Meridian ou Robyn avec des a priori dont nous discutons ouvertement avec le client. Nous utilisons des modèles de langage pour accélérer les scripts de nettoyage de données et la documentation, mais chaque coefficient est vérifié par un analyste. Là où l’estimation d’un canal semble invraisemblable, nous proposons un test géographique ou de maintien plutôt que de faire confiance au chiffre.
Le reporting est un court deck de scénarios et un planificateur en direct, actualisé mensuellement ou trimestriellement. Il montre des plages, pas des chiffres uniques, et indique quels résultats sont étayés par des expériences. Au fil du temps, le modèle est recalibré à chaque nouveau test, de sorte que ses conseils deviennent plus stables.
Par où commencer cette semaine
Exportez deux ans de revenus hebdomadaires et de dépenses par canal dans une feuille et regardez-les sous forme de graphique linéaire. Si les lignes de dépenses sont plates ou si les données présentent des lacunes, corrigez cela avant de choisir un outil. Ensuite, lisez le guide de démarrage de Meridian ou Robyn et exécutez son ensemble de données de démonstration, afin que votre équipe comprenne les entrées avant que vos propres données n’y soient intégrées.
Continuer la lecture : Publicité · Optimisation publicitaire par IA