La modélisation du mix marketing pour les petites entreprises utilise l’analyse statistique pour déterminer comment les différents canaux marketing contribuent aux ventes totales. En traitant les données hebdomadaires agrégées des deux dernières années, cette méthode identifie le retour sur investissement pour chaque canal tout en tenant compte de facteurs externes tels que les jours fériés ou les changements de prix. Elle offre aux marques de taille moyenne un moyen respectueux de la vie privée d’optimiser leurs dépenses médias sans dépendre du suivi individuel des utilisateurs ou des cookies.
Pourquoi la modélisation du mix marketing gagne-t-elle en importance maintenant ?
Le paysage numérique a considérablement changé en raison des réglementations sur la confidentialité et de la suppression des cookies tiers. Selon les tendances du secteur, 46,9 % des spécialistes du marketing américains augmentent leurs investissements dans la modélisation du mix marketing, comme le rapportent diverses enquêtes auprès des fournisseurs. Ce changement se produit parce que les méthodes de suivi traditionnelles comme les pixels ne parviennent souvent pas à capturer l’intégralité du parcours client sur différents appareils et points de contact hors ligne.
Pour une entreprise de taille moyenne, se fier uniquement à l’attribution au dernier clic peut conduire à de mauvaises décisions budgétaires. Vous pourriez constater un rendement élevé sur Google Ads, mais ces utilisateurs pourraient avoir découvert votre marque pour la première fois via une publicité vidéo Meta. Le MMM considère la situation dans son ensemble en analysant comment les fluctuations des dépenses sont corrélées aux fluctuations des revenus au fil du temps.
De quelles données une entreprise de taille moyenne a-t-elle besoin pour le MMM ?
Pour construire un modèle fiable, vous avez généralement besoin d’environ deux ans de données hebdomadaires. Cette durée est nécessaire pour tenir compte de la saisonnalité, comme la hausse des ventes pendant le Black Friday ou le ralentissement estival typique. Si vous n’utilisez que six mois de données, le modèle pourrait attribuer à tort un pic saisonnier naturel à une campagne publicitaire spécifique qui se déroulait au même moment.
Les données requises sont agrégées, ce qui signifie que vous n’avez pas besoin d’e-mails ou de noms de clients individuels. Vous avez besoin du montant total dépensé sur chaque canal par semaine et du nombre total de conversions ou de revenus générés. Vous devez également inclure des variables non liées au marketing qui pourraient influencer les ventes, telles que des indicateurs économiques ou même des conditions météorologiques locales si vous avez des magasins physiques.
- Données médias : Dépenses hebdomadaires et impressions pour Meta, Google Ads, LinkedIn et YouTube.
- Données de vente : Revenus hebdomadaires ou volume de commandes provenant de Shopify, Amazon ou de votre CRM.
- Données de base : Dates des jours fériés importants, changements de prix et lancements de produits.
- Données externes : Niveaux d’activité des concurrents ou tendances économiques régionales.
Comment les outils open source réduisent-ils la barrière à l’entrée ?
Par le passé, la modélisation du mix marketing était un service coûteux fourni uniquement par des cabinets de conseil haut de gamme. Cela a changé avec la sortie de bibliothèques open source comme Robyn de Meta et Meridian de Google. Ces outils permettent aux entreprises disposant d’analystes de données internes ou d’agences spécialisées d’exécuter des modèles statistiques complexes sans payer de frais de licence massifs.
Robyn utilise une approche automatisée pour gérer des calculs complexes comme l’adstock (l’effet persistant des publicités) et la saturation (le point où dépenser plus d’argent donne moins de résultats). Meridian, qui est basé sur Python, offre un cadre similaire qui se concentre sur la transparence et permet une compréhension plus approfondie de la façon dont les différents canaux médiatiques interagissent les uns avec les autres.
Comprendre les effets d’adstock et de saturation
Un modèle courant dans le marketing est que l’impact d’une publicité n’est pas toujours immédiat. C’est ce qu’on appelle l’effet adstock. Si un client potentiel voit une publicité YouTube un lundi, il se peut qu’il n’effectue pas d’achat avant jeudi. Le modèle utilise des fonctions de décroissance pour tenir compte de ce décalage temporel, garantissant que le crédit d’une vente est correctement réparti sur les jours suivant l’exposition à la publicité.
La saturation est un autre concept critique pour les entreprises disposant de budgets moyens. Chaque canal a un point de rendement décroissant. Par exemple, une boutique Shopify vendant du café bio pourrait constater que dépenser 2 000 $ par semaine sur Instagram génère 10 000 $ de ventes. Cependant, augmenter ces dépenses à 10 000 $ pourrait ne générer que 20 000 $ de ventes. Le MMM aide à identifier ces points de saturation afin que vous puissiez déplacer le budget vers des canaux plus efficaces.
Une comparaison entre le MMM et l’attribution multi-touch
Il est utile de considérer le MMM et l’attribution multi-touch (MTA) comme des outils complémentaires plutôt que comme des concurrents. Alors que le MTA se concentre sur le parcours utilisateur individuel et les clics à court terme, le MMM offre une vue macro de l’ensemble de l’écosystème commercial.
- Confidentialité des données : Le MMM utilise des données agrégées (sûr pour la confidentialité) ; le MTA utilise des données au niveau de l’utilisateur (sensible à la confidentialité).
- Portée : Le MMM inclut des facteurs hors ligne et la valeur de la marque ; le MTA est principalement limité aux clics numériques.
- Horizon temporel : Le MMM est idéal pour la planification stratégique à long terme ; le MTA est préférable pour les ajustements de campagne quotidiens.
- Focus technique : Le MMM utilise l’analyse de régression ; le MTA utilise des pixels de suivi et des cookies.
Étapes pour préparer vos données marketing pour la modélisation
La partie la plus longue du processus est la préparation des données. Vous devez vous assurer que vos données sont propres et formatées de manière cohérente. Un compte typique devrait commencer par exporter les dépenses historiques des plateformes comme Google Ads et Meta Ads Manager au niveau hebdomadaire.
Ensuite, alignez ces données médias avec vos données de revenus. Si votre semaine fiscale commence un lundi mais que vos rapports marketing commencent un dimanche, vous devrez les réaligner pour garantir l’exactitude des corrélations. Vous devez également créer un fichier « jours fériés » qui répertorie tous les événements majeurs susceptibles de fausser vos données, comme la fête du Travail ou des périodes promotionnelles spécifiques propres à votre entreprise.
Sélection de variables pour les modèles de petites entreprises
N’essayez pas d’inclure chaque métrique dans votre premier modèle. Commencez par 5 à 10 variables clés. Celles-ci pourraient inclure vos trois principaux canaux de dépenses, votre taux de remise moyen et un indice de saisonnalité. L’ajout d’un trop grand nombre de variables avec des points de données limités peut conduire à un « surapprentissage », où le modèle trouve des modèles qui n’existent pas réellement dans la réalité.
Scénarios d’allocation budgétaire pour le commerce électronique
Considérez une marque de commerce électronique de taille moyenne qui dépense 50 000 $ par mois sur diverses plateformes. En exécutant un MMM à l’aide d’un outil open source comme Robyn, la marque pourrait découvrir que ses publicités de recherche sont fortement saturées, ce qui signifie que les dépenses supplémentaires y sont inefficaces. En même temps, le modèle pourrait montrer que ses publicités vidéo ont un fort « effet de halo », générant un trafic indirect vers son site Web.
Avec ces résultats, le responsable marketing peut réallouer 10 000 $ de la recherche vers la vidéo. Étant donné que le MMM prend en compte le décalage dans l’efficacité de la vidéo, le responsable ne sera pas découragé s’il ne voit pas une augmentation immédiate des ventes directes provenant des publicités vidéo. Il comprendra que l’impact à long terme apparaîtra dans les données agrégées au cours des semaines suivantes.
Par où commencer cette semaine
Si vous êtes prêt à explorer la modélisation du mix marketing, commencez par auditer vos données historiques. Vérifiez si vous disposez d’au moins 104 semaines d’enregistrements cohérents de dépenses et de revenus stockés dans votre système d’analyse ou CRM. Ces données sont le fondement de tout modèle réussi.
Une fois vos données organisées, vous pouvez tirer parti de la documentation open source pour Robyn ou Meridian afin de comprendre les exigences techniques pour votre analyste de données. Si vous n’avez pas d’analyste interne, envisagez un projet pilote avec une agence comme Alien Road pour construire un modèle initial. Cela vous aidera à identifier quels canaux stimulent réellement la croissance et où vous pourriez dépenser trop.
Continuer la lecture : Planification stratégique · Marketing numérique