Modélisation de l'attribution dans un monde sans cuisinier
Écrit par Joleen Bothma
"Si votre site utilise des cookies tiers, il est temps de prendre des mesures, car leur suppression est imminente.
La modélisation de l'attribution permet aux responsables marketing de répondre à cette question essentielle : "Comment répartir au mieux mes dépenses marketing pour maximiser le retour sur investissement ?" En d'autres termes, les modèles d'attribution marketing permettent aux responsables marketing de créditer les canaux marketing et les points de contact tout au long du parcours de l'acheteur qui ont permis à un lead de se convertir.
Traditionnellement, des méthodes telles que l'attribution au premier clic et au dernier clic ont dominé. Elles s'appuient fortement sur des données provenant de cookies tiers pour suivre les interactions des utilisateurs sur le web.
Cependant, les navigateurs web les plus populaires ont déjà commencé à dire adieu aux cookies tiers. La dernière entreprise en date, Google, a enfin annoncé son intention de supprimer progressivement les cookies de tiers dans son navigateur Chrome. Selon les termes de l'entreprise, "Si votre site utilise des cookies tiers, il est temps d'agir car nous approchons de leur suppression".
Google a également publié un calendrier résumant la suppression progressive à venir. Au 4 janvier 2024, les cookies étaient déjà limités pour environ 1 % des utilisateurs de Chrome. En 2025, la suppression complète des cookies sera mise en place.
Cette évolution est largement positive car elle renforce considérablement la protection de la vie privée des utilisateurs. Elle pose toutefois un problème : les modèles d'attribution traditionnels perdront de leur efficacité sans les données des cookies tiers.
Cet article traite des modèles d'attribution et de leurs alternatives. Nous présentons également une étude de cas sur la manière dont nous avons mis en œuvre avec succès des modèles de marketing mix pour une grande agence de voyage.
Le défi des modèles d'attribution traditionnels
Les modèles d'attribution traditionnels attribuent des crédits à différents points de contact dans le parcours du consommateur, chacun ayant sa propre méthode d'attribution de valeur.
Voici quelques modèles traditionnels couramment utilisés :
Premier clic: Crédite le premier point de contact avec lequel un client interagit avant de se convertir. Il souligne l'importance de l'engagement initial.
Dernier clic: Attribue tout le crédit au dernier point de contact avant la conversion, en donnant la priorité à l'action qui a directement conduit à la vente.
Linéaire: Répartit le crédit de manière égale entre tous les points de contact, en reconnaissant le rôle de chaque interaction tout au long du parcours du client.
Décroissance temporelle: Attribue plus de crédit aux points de contact qui se produisent à un moment plus proche de la conversion, en supposant que les actions plus récentes sont plus influentes.
Multi-Touch: une approche dynamique et probabiliste de la compréhension et de l'attribution des conversions, qui tient compte de la nature complexe et à multiples facettes des parcours des consommateurs modernes.
Ces modèles s'appuient fortement sur le suivi des interactions des utilisateurs, principalement par le biais de cookies tiers, sur les sites web et les plateformes. Ces cookies permettent de suivre l'empreinte numérique des utilisateurs sur Internet, fournissant les données nécessaires aux modèles d'attribution et aidant les spécialistes du marketing à optimiser leurs stratégies.
Toutefois, ces modèles traditionnels sont confrontés à d'importants problèmes de fiabilité en raison de l'abandon progressif des cookies de tiers.
Sans cookies tiers, il devient difficile de suivre le comportement des utilisateurs sur plusieurs sites. Cela perturbe le flux de données nécessaire à l'attribution précise des crédits de conversion entre les différents points de contact marketing. En conséquence, les spécialistes du marketing risquent d'obtenir des données incomplètes ou faussées, ce qui les conduit à prendre des décisions moins éclairées quant à l'affectation des dépenses de marketing.
Pourquoi envisager dès maintenant des modèles d'attribution alternatifs ?
"Les biscuits sont faits pour être mangés !
Les cookies tiers devenant obsolètes, les entreprises doivent réévaluer leurs modèles d'attribution afin de préserver la précision et l'efficacité de leurs activités de marketing.
L'adoption de nouveaux modèles le plus tôt possible n'est pas seulement une réponse aux changements technologiques, mais une mesure proactive pour s'aligner sur les tendances mondiales en faveur d'une plus grande confidentialité des données.
Cette transition vers l'abandon des cookies tiers s'inscrit dans un mouvement plus large d'amélioration de la protection de la vie privée des consommateurs. Des réglementations telles que le GDPR en Europe et le CCPA en Californie ont créé des précédents soulignant l'importance de la protection des données des utilisateurs. Ces changements indiquent clairement que l'on s'éloigne des pratiques de suivi invasives au profit de méthodes plus respectueuses de la vie privée.
Les entreprises qui ne se conforment pas à ces réglementations s'exposent à des répercussions juridiques et à une atteinte à leur réputation et à la confiance de leurs clients.
La modélisation du marketing mix est une alternative solide, qui nous permet d'analyser des données agrégées plutôt que de dépendre d'un suivi au niveau de l'utilisateur.
Comprendre les modèles de marketing mix
Les modèles de marketing mix Les modèles de marketing mix (MMM) sont constitués d'un groupe de techniques statistiques utilisées pour quantifier l'impact des différentes activités de marketing sur les résultats des ventes.
Ces modèles analysent les données historiques pour comprendre comment les différents éléments du marketing mix, tels que la publicité, les promotions, la tarification et la distribution, contribuent à ces résultats de vente.
Alors que les modèles d'attribution traditionnels se concentrent sur les données au niveau de l'utilisateur pour suivre les parcours individuels des consommateurs à travers les points de contact, les MMM utilisent des données agrégées à un niveau plus élevé.
Les modèles traditionnels attribuent les ventes directement à des interactions ou à des points de contact spécifiques. En revanche, les MMM utilisent l'analyse statistique pour déduire l'efficacité de diverses activités de marketing au fil du temps. Ces modèles peuvent souvent intégrer des facteurs externes tels que les conditions économiques et les actions de la concurrence.
Avantages des modèles de marketing mix
Les modèles de marketing mix ne dépendent pas des données individuelles des utilisateurs, ce qui les rend intrinsèquement conformes aux réglementations en matière de protection de la vie privée.
En analysant les tendances générales du marché et les facteurs externes tels que les conditions économiques et les actions des concurrents, les MMM fournissent des informations plus approfondies qui facilitent la prise de décisions stratégiques.
Ces modèles peuvent également s'adapter aux changements dans les stratégies de marketing et le comportement des consommateurs sans avoir besoin d'un suivi granulaire.
Google a publié un document de recherche soulignant les les défis et les opportunités de la modélisation du marketing mix. C'est un document à lire absolument si vous souhaitez vous plonger dans les détails techniques des MMM.
Bibliothèques Python pour les modèles de marketing mix
Le langage de programmation Python est le choix numéro un pour l'analyse des données et l'apprentissage automatique. Alors que nous explorons la transition vers les modèles de marketing mix, il est essentiel de nous familiariser avec les bibliothèques Python associées.
Deux des bibliothèques Python les plus populaires pour le développement et la mise en œuvre des MMM sont les suivantes :
La légèreté de GoogleMMM: Développé par Google, ce paquetage Python est conçu spécifiquement pour la modélisation du marketing mix. LightweightMMM utilise des modèles structurels bayésiens de séries temporelles pour estimer l'impact incrémental des tactiques de marketing sur les ventes ou d'autres indicateurs.
Robyn de Facebook: Développé par Facebook, Robyn est un logiciel de modélisation itérative et semi-automatique du marketing mix. Conçu à l'origine pour le langage de programmation R, il a récemment publié une API qui vous permet d'utiliser Robyn avec Python.
Étude de cas : Succès des modèles mixtes
En identifiant les surinvestissements et les sous-investissements dans les budgets de marketing à travers les différents canaux, notre client a pu réaffecter les ressources plus efficacement afin de maximiser le retour sur investissement.
Une grande agence de voyage avait besoin d'évaluer l'efficacité de ses efforts marketing sur différents canaux et d'améliorer l'allocation de ses budgets marketing.
Méthodologie
Nous avons utilisé la modélisation du marketing mix pour analyser les données historiques et quantifier l'impact des différentes activités de marketing sur les résultats des ventes.
Nous avons pris en compte des facteurs tels que la manière dont les publicités étaient communiquées, les appareils sur lesquels elles étaient visionnées et le fait qu'elles ciblaient ou non des produits spécifiques.
En outre, l'utilisation des MMM nous a également permis d'analyser et de visualiser l'évolution de ces résultats de vente dans le temps et de déterminer s'il existait des tendances saisonnières que nous devions intégrer dans nos modèles.
Grâce aux techniques de backtesting, nous avons pu valider nos modèles, garantissant ainsi un haut degré de fiabilité de nos résultats.
Résultats
Nous avons permis au client d'obtenir des informations précieuses sur la manière dont les différents canaux de commercialisation réagissaient aux activités de marketing, ce qui lui a permis de prendre des décisions en connaissance de cause.
En identifiant les surinvestissements et les sous-investissements dans les budgets de marketing à travers les différents canaux, notre client a pu réaffecter les ressources plus efficacement afin de maximiser le retour sur investissement.
Dans le domaine de la publicité télévisée, par exemple, nous avons pu montrer qu'il y avait encore de la place pour des investissements supplémentaires, car le retour sur investissement n'avait pas encore atteint son potentiel maximal.
Le retour sur investissement de la télévision
D'autre part, nous avons constaté une diminution du retour sur investissement de la publicité radio en raison d'un surinvestissement dans ce canal.
Le retour sur investissement des radios
Comprendre les moyens les plus efficaces de communiquer avec les clients a également aidé notre client à adapter ses stratégies de messagerie et de ciblage pour améliorer l'engagement et la conversion.
Enfin, l'analyse a permis d'identifier les interactions entre les différents canaux de commercialisation, de mettre en évidence les synergies et les possibilités de campagnes de commercialisation intégrées.
Préparer votre organisation à la transition
1. Sensibiliser et former les équipes
Organiser des ateliers pour sensibiliser les équipes de marketing à la suppression prochaine des cookies tiers et à ses implications.
Proposer des sessions de formation axées sur les nouveaux outils et techniques impliqués dans la modélisation du marketing mix.
Envisagez de faire appel à des experts externes pour une formation spécialisée ou de vous inscrire à des cours en ligne portant sur l'analyse marketing avancée.
2. Intégrer progressivement les nouveaux modèles
Commencez par des projets pilotes qui utilisent les nouveaux modèles d'attribution parallèlement aux méthodes existantes. Cette double phase permet aux équipes de comparer les résultats et de prendre confiance dans les nouveaux modèles.
Avant de passer à une modélisation bayésienne ou à base d'agents plus complexe, envisagez de commencer par des modèles de base basés sur la régression dans les premiers projets pilotes.
Vous pouvez également mettre en œuvre les nouveaux modèles par étapes, en commençant par les campagnes les moins critiques pour gérer les risques et en étendant progressivement les campagnes plus importantes au fur et à mesure que l'organisation acquiert plus d'expertise et de confiance.
3. Améliorer l'infrastructure de données
Veiller à ce que les pratiques de gestion des données soient suffisamment robustes pour traiter les types de données nécessaires à la modélisation du marketing mix tout en garantissant des niveaux élevés de qualité des données.
Évaluer et mettre à niveau les ressources technologiques si nécessaire, telles que les solutions de stockage de données et les outils d'analyse qui prennent en charge les nouveaux modèles d'attribution.
L'avenir de la modélisation de l'attribution avec Agilytic
La question centrale au cœur de la modélisation d'attribution est de savoir comment allouer au mieux les dépenses de marketing pour maximiser le retour sur investissement.
La transition vers d'autres techniques de modélisation de l'attribution peut se faire en douceur avec les bons outils et les bonnes stratégies.
Chez Agilytic, notre expérience dans la mise en œuvre de modèles de marketing mix - comme le démontre notre étude de cas avec une agence de voyage de premier plan - nous a permis d'acquérir l'expertise et les connaissances nécessaires pour guider d'autres entreprises dans des transitions similaires.
Notre succès dans l'amélioration des stratégies de marketing grâce à des modèles d'attribution avancés prouve la valeur de l'abandon des méthodes dépassées et dépendantes des cookies.
Nous comprenons que la transition vers de nouveaux modèles peut sembler décourageante. C'est pourquoi nous proposons des solutions sur mesure qui s'intègrent parfaitement à vos flux de travail existants, avec une formation et une assistance complètes.
