Aujourd'hui, Richard Brooks, fondateur de Kinase, explique dans un article pourquoi les expériences et la modélisation sont désormais essentielles pour faire progresser le marketing numérique. Fondée en 2010, Kinase est une agence basée au Royaume-Uni qui propose une gamme complète de services de marketing numérique à la performance, y compris le référencement payant, le social payant et un grand nombre d'autres disciplines clés.
Une vision précise des performances marketing est essentielle pour une entreprise.
En l'absence d'informations fiables, une entreprise ne peut pas prendre de décisions éclairées sur la manière d'investir les budgets ou d'optimiser les différents canaux. Il en résulte qu'une grande partie de ces budgets est gaspillée. Avec l'automatisation croissante des appels d'offres et des achats numériques, les données de qualité sont plus précieuses que jamais.
Les entreprises britanniques investissant chaque année plus de 23 milliards de livres sterling dans le marketing numérique, on ne saurait trop insister sur la valeur des bonnes données. Pourtant, malgré l'importance des dépenses médiatiques en jeu, les entreprises n'investissent souvent pas assez dans la compréhension et l'amélioration des mesures qui sous-tendent tout cela.
Il y a deux erreurs courantes :
- Le mauvais ICP est utilisé dans les décisions relatives au budget et à l'optimisation.
- L'ICP est correct, mais sa mesure est erronée
La bonne nouvelle, c'est que ni l'un ni l'autre n'est très difficile à résoudre si l'on s'y prend de la bonne manière.
Aligner les ICP sur les objectifs
Il existe un test simple pour déterminer si l'alignement est bon. Énoncez les objectifs de l'entreprise aussi succinctement que possible, puis comparez-les aux ICP utilisés pour la prise de décision et l'optimisation. Si les deux vont dans des directions différentes - ou s'ils sont contradictoires - posez alors une question importante : quel ICP refléterait le mieux ces objectifs ? Quel ICP refléterait le mieux ces objectifs ?
Parmi les exemples les plus évidents, on peut citer
Il peut être difficile, voire impossible, de trouver l'"ICP parfait", mais il est souvent plus facile de trouver celui qui reflète le mieux vos objectifs.
Une mesure précise
Il est facile de définir ce que l'on souhaite mesurer, mais le mesurer réellement peut s'avérer un peu plus difficile. Il peut y avoir des systèmes internes qui nécessitent un développement pour les relier et produire ce que vous souhaitez. Dans certains cas (par exemple, les longs processus de vente, la valeur de la durée de vie), il faut recourir à la modélisation. Il se peut que les données ne soient même pas encore collectées ou numérisées. Il peut s'agir d'un processus long, mais en fin de compte précieux, où chaque amélioration incrémentale apportera un avantage financier.
Un autre problème se pose lorsqu'il s'agit d'établir un lien entre les données de première main et les dépenses de marketing numérique.
En bref, tous les modèles d'attribution sont erronés.
Il ne s'agit pas d'un manque de respect. Il existe de nombreux bons outils d'attribution, et les données qu'ils fournissent sont essentielles pour le reporting et les optimisations au jour le jour. Mais cela n'enlève rien au fait que même les meilleurs outils sont fondamentalement incapables de fournir des données totalement exactes. Ils ne peuvent jamais réellement lire dans l'esprit des consommateurs lorsqu'ils envisagent un achat et voient des publicités.
Tous les outils d'attribution présentent des lacunes dans les points de données qu'ils peuvent modéliser. Il y a toujours eu des lacunes en ce qui concerne les interactions hors ligne (publicités hors ligne, visites de magasins, bouche à oreille, achats en magasin...). À cela s'ajoutent aujourd'hui des lacunes de plus en plus importantes dans les données en ligne, les cookies devenant de moins en moins fiables.
Avec des trous importants dans les données, même la modélisation d'attribution la plus sophistiquée ne peut pas fournir une image complète et surestimera la valeur des activités numériques les plus proches du bas de l'entonnoir - bien qu'elles soient toujours bien meilleures que de se fier au dernier clic.
La solution : Pourquoi vous devez expérimenter
Le problème est que les données des outils d'attribution en ligne sont erronées, mais ce sont les meilleures données dont vous disposez pour prendre des décisions en matière de budget et d'enchères.
La solution consiste à ajouter des données expérimentales à la stratégie, puis à utiliser les résultats pour calibrer les sources de données en temps réel (c'est-à-dire en mettant à jour le modèle d'attribution et en sachant quels biais devront encore être corrigés).
Une bonne approche expérimentale répondra à ces cinq critères :
- Il répondra à une question spécifique, par exemple : "Quel est l'impact différentiel d'un investissement dans X chiffre d'affaires multicanal ?".
- Elle sera statistiquement solide, utilisant une véritable répartition géographique de l'AB et des niveaux de confiance clairs.
- Elle minimisera l'interruption des activités (l'impact le plus faible possible en termes de durée et d'impact sur les dépenses/ventes).
- Les ventes supplémentaires en livres sterling peuvent être évaluées pour les investissements en ligne et hors ligne, ce qui permet de supprimer les silos dans la budgétisation. (En fait, cela peut aller plus loin : qu'est-ce qui génère un meilleur retour sur investissement ? Est-ce a) la rénovation d'un magasin ou b) YouTube, ou c) une offre de livraison gratuite ?)
- Le résultat sera pris en compte de manière objective.
Le fait d'avoir une compréhension fiable de l'incrémentalité des dépenses de marketing numérique ou de l'étendue réelle des ventes en magasin induites par le numérique a eu un effet transformateur sur les entreprises avec lesquelles Kinase a travaillé. Des tests plus nuancés peuvent également s'avérer extrêmement utiles à un niveau plus tactique.
La bonne nouvelle, c'est qu'avec les outils disponibles aujourd'hui, il n'a jamais été aussi facile et économique de mener une bonne expérience. Et avec la perte de cookies et les conditions économiques incertaines qui nous attendent, les enseignements qu'elles peuvent générer n'ont jamais été aussi précieux.
Plus de détails
