L’attribution basée sur les clics se dégrade et continuera de se dégrader. Les cookies tiers ont largement disparu, le suivi des applications mobiles nécessite un consentement que la plupart des utilisateurs refusent, et une part croissante des conversions arrive sans chemin utilisable associé. La réponse de la plupart des équipes a été de continuer à lire les mêmes rapports de dernier clic tout en acceptant silencieusement que les chiffres ne correspondent plus aux revenus. Le Marketing Mix Modelling avec AI est l’alternative pratique : au lieu de suivre les individus, il modélise les dépenses globales par rapport aux résultats globaux et estime ce que chaque canal a contribué.
L’approche est ancienne. Les entreprises de biens de consommation effectuaient des régressions sur les dépenses médias et les ventes des décennies avant que quiconque n’ait un pixel de suivi. Ce qui est nouveau, c’est que la modélisation est désormais à la portée d’un annonceur de taille moyenne. Les bibliothèques open source gèrent la machinerie statistique, le cloud computing rend l’estimation bayésienne bon marché, et la couche de modèle aide pour les parties qui nécessitaient auparavant un spécialiste : spécifier les priors, vérifier l’ajustement et traduire la sortie en une décision budgétaire.
Ce que fait réellement le modèle
À la base, vous ajustez les données de résultats hebdomadaires ou quotidiens par rapport aux dépenses par canal, avec deux ajustements qui comptent plus que la régression elle-même. Le premier est l’adstock, qui modélise le fait que la publicité continue de fonctionner après son arrêt : une rafale télévisée ou une campagne display a un effet qui s’estompe sur des semaines plutôt que de se terminer à minuit. Le second est la saturation, qui modélise les rendements décroissants, car les dix millièmes euros dans un canal n’achètent pas ce que les mille premiers ont acheté.
Ajoutez des contrôles pour tout ce qui fait bouger les ventes : changements de prix, promotions, activité des concurrents si vous pouvez l’observer, saisonnalité, vacances, ruptures de stock et tout grand événement ponctuel. Omettre un contrôle ne produit pas de message d’erreur. Il produit un coefficient confiant et erroné, généralement attribué au canal qui fonctionnait pendant l’événement.
Ce à quoi le Marketing Mix Modelling avec AI peut et ne peut pas répondre
Soyez clair sur la résolution. Un modèle de mix répond à des questions au niveau du canal et parfois au niveau de la campagne sur des semaines. Il ne répond pas aux questions au niveau du mot-clé ou du créatif, et ne vous dit jamais quel client individuel est venu d’où. Quiconque vous vend un modèle de mix qui produit une attribution au niveau de l’utilisateur vous vend autre chose.
Les questions auxquelles il répond bien sont les plus coûteuses. Notre budget de recherche de marque est-il incrémental ou récoltons-nous une demande que nous avons déjà créée ? Que se passe-t-il avec le revenu total si nous réduisons le display de trente pour cent ? À quel point notre meilleur canal cesse-t-il de croître ? Ce sont les décisions qui valent des millions et ce sont précisément celles que les rapports de dernier clic ne peuvent pas toucher, car le dernier clic crédite le point de contact final et est structurellement aveugle aux canaux qui ont créé la demande.
Les données dont vous avez besoin avant de commencer
Les exigences sont moins exigeantes que les gens ne le supposent, mais elles sont strictes sur un point : l’historique. Vous avez besoin de suffisamment de périodes pour ajuster les paramètres, ce qui signifie en pratique au moins deux ans de données hebdomadaires, et idéalement une variation dans ces dépenses. Si chaque canal a fonctionné avec un budget fixe pendant deux ans, le modèle n’a rien à apprendre. La variation délibérée est une entrée, pas une nuisance.
- Dépenses hebdomadaires par canal, brut, incluant les coûts de production et d’agence si vous voulez une lecture réelle de l’efficacité.
- Revenu hebdomadaire ou une autre métrique de résultat unique sur laquelle l’entreprise est d’accord.
- Historique des prix et des promotions, avec la même granularité hebdomadaire.
- Événements externes connus : lancements, pannes, pics de relations publiques, campagnes concurrentes.
- Impressions ou portée par canal là où disponible, ce qui correspond généralement mieux que les dépenses seules.
La majeure partie du temps du projet est consacrée à l’assemblage de ce tableau. La modélisation elle-même, une fois les données propres, est une question de jours. Les équipes qui budgètent l’inverse sont toujours surprises.
Valider par rapport à une expérience
Un modèle de mix est un ensemble d’estimations avec une incertitude attachée, et il peut être confiant et erroné. La seule vérification fiable est une expérience réelle : éteignez un canal dans un ensemble de régions, laissez-le allumé ailleurs, et comparez. Si le modèle a prédit une baisse de revenu de douze pour cent et que le holdout montre deux pour cent, le modèle a besoin de travail. Exécutez au moins un geo holdout par an et utilisez-le pour calibrer, pas seulement pour confirmer.
C’est aussi la réponse honnête à la question de la précision. Les modèles de mix et l’attribution au clic ne sont pas d’accord, souvent substantiellement, et aucun n’est la vérité absolue. Les expériences d’incrémentalité sont ce qui se rapproche le plus de la vérité absolue disponible, et les deux autres méthodes devraient être jugées par rapport à elles.
Utilisez la sortie comme une direction, pas comme un verdict
Le mauvais usage le plus courant est de traiter les chiffres de ROAS du modèle comme des chiffres précis et de reconstruire le plan média autour du haut du tableau. Regardez les intervalles crédibles. Si deux canaux se chevauchent fortement, le modèle vous dit qu’il ne peut pas les séparer, et déplacer le budget entre eux sur la base d’une estimation ponctuelle est une chasse au bruit.
Là où il gagne son coût, c’est directionnel et répété. Actualisez le modèle trimestriellement, suivez comment les courbes de réponse bougent, et utilisez-le pour définir l’allocation large entre les canaux tout en gardant les données de clic et les expériences pour les décisions à l’intérieur de chaque canal. Le Marketing Mix Modelling avec AI ne remplace pas vos rapports existants. Il répond à la question que vos rapports existants n’ont jamais été conçus pour répondre, à savoir ce que vaut la publicité au total quand personne ne peut être suivi.
Continuer la lecture : Optimisation Publicitaire avec AI
Service associé: Optimisation publicitaire par IA