Le premier article de la série Measuring Up du Skai Blog a examiné la pression que subissent les annonceurs pour identifier rapidement les produits et les méthodes qui ont le plus d'impact sur les résultats commerciaux, en passant en revue les cas d'utilisation des stratégies d'attribution largement adoptées ainsi que les tests d'incrémentalité. Dans ce numéro, nous aborderons les défauts inhérents à la mesure d'attribution, en comprenant qu'aussi précieuse que soit la fonction d'attribution, elle peut s'avérer insuffisante dans certains scénarios et qu'il est souvent préférable de l'accompagner d'outils complémentaires. Nous verrons également comment les tests d'incrémentalité peuvent aider à surmonter les lacunes des méthodes d'attribution courantes, afin de vous aider à choisir les stratégies qui répondront le mieux à vos besoins en matière de mesure !
L'attribution utilise des modèles discrets pour corréler les investissements publicitaires avec les conversions qui en résultent. L'un des grands avantages de la modélisation d'attribution est la continuité des données, ce qui signifie qu'une marque n'a pas besoin de modifier ses plans marketing en cours de route pour obtenir des informations exploitables - un modèle bien formulé peut prendre en compte les fluctuations et les réalignements réguliers. Les données peuvent être ramenées à des mots-clés et des publicités individuels, ce qui permet d'affiner les différents points de l'entonnoir de conversion et les parcours des consommateurs sur plusieurs canaux.
Si l'attribution s'est avérée être une solution largement évolutive dans tous les secteurs d'activité, elle pose également de nouveaux défis en matière de reporting. Aujourd'hui, nous allons passer en revue cinq pièges courants de l'attribution et envisager des moyens de les combattre grâce à les tests d'incrémentalité.
#1 - La qualité de l'attribution dépend de celle des données
Les annonceurs doivent être en mesure de prendre en compte l'ensemble du parcours du consommateur. parcours complet du consommateur afin d'associer les publicités à leur impact. Mais les parcours des consommateurs peuvent être difficiles à suivre, en particulier ceux qui se déroulent sur plusieurs canaux et appareils ! Un modèle d'attribution idéal identifie les utilisateurs individuels à travers les appareils et les canaux, mais dans les cas où cela n'est pas facile à réaliser, l'association des données est compromise. Lorsque la mesure est incomplète, la modélisation est au mieux imprécise, et la modélisation dépendant des angles morts des canaux cloisonnés ne permet pas d'exposer les points de données individuels et de briser les chaînes d'attribution.
De nombreux annonceurs ont des raisons de croire que la publicité mobile est en fait plus efficace que ne l'indiquent leurs rapports et qu'elle est sous-évaluée en raison d'un suivi insuffisant. Les mesures linéaires négligent souvent un volume important de conversions qui commencent sur mobile mais se terminent sur des appareils de bureau. Cette imprécision est particulièrement évidente chez les éditeurs à forte composante mobile tels que Facebook, Snap, Pinterest et Twitter. De même, le manque de données suffisantes pour mesurer l'impact des vidéos a conduit les spécialistes du marketing à penser que les promotions vidéo sont régulièrement sous-évaluées.
Dans ces scénarios, les tests d'incrémentalité s'avèrent particulièrement avantageux car ils se concentrent sur les investissements individuels, mesurent directement leur impact sur les résultats globaux de l'entreprise et éliminent la nécessité d'identifier et de mesurer chaque étape du parcours du consommateur. Les tests d'incrémentalité permettent de mesurer la relation de cause à effet, ce qui élimine les conjectures !
#2 - Les modèles d'attribution sont subjectifs et non transparents
Tout chemin de conversion comportant plusieurs étapes peut créer une incertitude quant à la manière dont chaque étape a contribué à l'achat final et à l'importance de cette contribution. Des modèles d'attribution concurrents décrivent de manière contradictoire la manière dont chaque étape est liée à l'action finale. Par exemple, le premier clic et le dernier clic donneront lieu à des mesures complètement différentes ! Aujourd'hui, de nombreuses entreprises recrutent même des équipes d'intelligence artificielle pour développer des modèles d'attribution internes basés sur l'apprentissage automatique. Bien que cela puisse se traduire par une plus grande efficacité et des ensembles de données robustes, cela conduit à des modèles encore plus modèles encore plus subjectifs. De plus, ces modèles peuvent être considérés comme des boîtes noires étant donné leur logique sophistiquée et peu transparente.
Alors que les annonceurs recherchent les modèles d'attribution les plus récents et les plus avancés, les anciens modèles deviennent rapidement obsolètes et redondants. Ces dernières années, l'étendue des modèles d'attribution disponibles a posé des défis supplémentaires aux équipes chargées des données, qui s'efforcent de coordonner des rapports disparates, même entre les différents secteurs, entreprises, équipes et périodes de temps !
Dans les cas où la subjectivité de l'attribution est une source d'inquiétude, les tests d'incrémentalité apportent une assurance supplémentaire. En testant un investissement spécifique dans le parcours client, les tests d'incrémentalité peuvent mesurer son impact direct et les effets de halo sur l'écosystème des investissements sans faire d'hypothèses basées sur la modélisation de la boîte noire. Le résultat est à la fois transparent et empirique !
#3 - L'attribution n'est pas une île
L'un des principaux avantages de l'attribution est qu'elle tient compte des investissements et des fluctuations en cours dans l'entreprise, tels que les changements de budget, les congés et les événements spéciaux. Toutefois, il faut s'attendre à ce que ces fluctuations affectent les résultats commerciaux mesurés. Cette analyse holistique, qui évalue un ensemble d'intrants, laisse une marge d'ambiguïté ambiguïté quant à la valeur réelle des investissements individuels et des impressions et tend à confondre corrélation et causalité. Pour les entreprises et les secteurs soumis à la saisonnalité, comment les annonceurs peuvent-ils déterminer quelle croissance résulte de leurs campagnes plutôt que de facteurs externes ?
Cet écart se manifeste fréquemment dans les actions du tunnel supérieur et les interactions initiales de l'utilisateur. Par exemple, l'attribution attribue souvent un volume élevé d'impressions aux publicités display, ce qui peut entraîner une évaluation exagérée de leur efficacité. En 2017, Le New York Times a rapporté que Chase a constaté des résultats presque indiscernables entre une promotion qui diffusait des publicités display sur 400 000 sites web et une autre qui ne diffusait des publicités que sur 5 000 sites ! Le fait qu'un volume de 400 000 sites puisse avoir un impact négligeable par rapport à 5 000 suggère une déconnexion dans l'effet réel de ces publicités display diffusées.
Le test d'incrémentalité peut aider à combattre l'ambiguïté en isolant les investissements individuels et en normalisant les paramètres étrangers, de sorte que la mesure soit indépendante d'influences telles que la saisonnalité, la géographie et le marketing croisé.
#4 - L'attribution n'est pas suffisante avec les médias traditionnels
Une attribution réussie nécessite des données complètes pour les actions d'engagement et de conversion afin d'établir une corrélation entre le domaine dans lequel la publicité est diffusée et le domaine dans lequel la conversion a lieu. Cela est souvent possible pour les entonnoirs de conversion entièrement en ligne, mais les entonnoirs comportant des éléments hors ligne, en particulier les formats traditionnels tels que la télévision, la radio et les panneaux d'affichage, sont compliqués par l'impossibilité de mesurer les impressions et l'engagement. Dans ces cas, les données statistiques extractibles ne peuvent pas être reliées de manière concluante à des consommateurs spécifiques, de sorte qu'il est pratiquement impossible d'isoler l'impact réel des promotions hors ligne.
L'écart qui en résulte signifie souvent que les conversions sont attribuées de manière inadéquate aux publicités hors ligne, ce qui sape l'effet des canaux hors ligne. Dans ce cas, le test d'incrémentalité constitue une tactique complémentaire efficace, car il permet aux annonceurs de mesurer la différence entre un groupe test, qui a été exposé à la publicité hors ligne, et un groupe de contrôle qui ne l'a pas été.
#5 - L'attribution n'est pas à la hauteur des investissements futurs
La modélisation de l'attribution tente d'identifier la causalité entre les actions de conversion et les investissements préexistants. Cependant, avec l'arrivée de nouveaux éditeurs et de nouvelles méthodes publicitaires dans l'entonnoir du consommateur, les spécialistes du marketing doivent prendre en compte les éléments suivants la valeur des nouveaux investissements. Les modèles d'attribution étant de nature historique et ne disposant donc pas de données suffisantes pour effectuer ces calculs, les annonceurs en sont réduits à faire des investissements et à en mesurer l'impact après coup plutôt qu'à l'avance.
En 2017, Skai a lancé une prise en charge complète des campagnes Pinterest. Alors que certains annonceurs ont adopté immédiatement, d'autres se sont interrogés sur la valeur de l'investissement dans un nouveau canal. Mais en utilisant de petits budgets pour tester l'efficacité dans le cadre de critères statistiques établis, les clients ont pu quantifier l'effet de l'introduction d'une nouvelle plateforme dans leurs parcours consommateurs ! Utilisation d'un test d'incrémentalité, Belk et iCrossing, clients de laSkai , ont déterminé que la publicité sur Pinterest a augmenté leur ROAS en ligne de 2,9 fois et leur ROAS en magasin de 31,4 fois !
La valeur du test d'incrémentalité pour les investissements futurs découle de sa capacité à utiliser de petits budgets pour évaluer la valeur du nouvel investissement avec une confiance statistique.
Conscients de ces lacunes, les annonceurs chargés de prendre des décisions basées sur l'attribution se posent encore plus de questions. Comment l'attribution peut-elle être directement traduite en actions des utilisateurs ? Les modèles peuvent-ils être ajustés au cours d'une promotion ? Les annonceurs peuvent-ils déterminer quels scénarios justifient un changement de modèle ?
Au cours des trois dernières années, nous avons constaté un changement dans la manière dont les spécialistes du marketing évaluent la modélisation et les résultats de l'attribution. Alors qu'il y a dix ans, les spécialistes du marketing considéraient que les entonnoirs complets étaient mesurables et que les données étaient précises et exploitables, ils se sentent aujourd'hui limités, le mobile, en particulier, perturbant la mesure et nécessitant de nouvelles solutions. Aujourd'hui, les annonceurs proactifs combinent souvent l'attribution avec des tests d'incrémentalité. En employant les deux philosophies, les spécialistes du marketing peuvent utiliser les tests d'incrémentalité pour valider les mesures d'attribution et ajuster la modélisation afin de mieux mesurer l'efficacité réelle de la publicité.
Lors de notre conférence annuelle conférence K8nous avons présenté les services de test de Skai afin d'aider les spécialistes du marketing à entrer dans le monde des tests d'incrémentalité avec l'aide de notre équipe expérimentée de spécialistes de la recherche en marketing. Notre équipe est composée de data scientists experts en publicité numérique dans tous les secteurs verticaux, avec une expérience dans l'extension des tests d'incrémentalité à travers les plateformes et les stratégies. Si votre équipe est confrontée à des défis liés aux tests, à l'attribution ou à la mesure, nous sommes prêts à vous aider et nous serions ravis d'entrer en contact avec vous.!
Vous voulez en savoir plus sur les tests d'incrémentalité ? Consultez nos études de cas pour plus d'informations :
- Belk et iCrossing (incrémentalité Pinterest)
- Experian (incrémentalité de Facebook)
Restez à l'écoute du blog de Skai pour le prochain article de la série Measuring Up où nous plongerons dans le monde des tests d'incrémentalité afin de mieux comprendre les différences entre les tests d'incrémentalité et les tests A/B, et comment augmenter les niveaux de confiance !