La mesure de performance dans un contexte de marketing centré sur la vie privée : retour vers le futur

La perte des identifiants non durables (cookies) survenue en raison des changements technologiques (iOS et Google) ainsi que des lois visant à protéger la vie privée des utilisateurs et utilisatrices a eu des conséquences importantes sur les méthodes de mesure de la performance numérique.

À ce jour, la méthode traditionnelle la plus communément utilisée est celle du Multi Touch Attribution (MTA). Ce type de modélisation des conversions est plébiscité pour la granularité de données qu’il apporte à chaque étape du parcours utilisateur. Le problème ? Il est dépendant de l’utilisation des cookies, lesquels sont en voie de disparition.

La perte des cookies tiers, ajoutée à l’obligation d’obtenir le consentement des utilisateurs afin de capter et d’utiliser leurs données (la fameuse loi 25), oblige les marketeurs à changer leurs façons de faire pour pouvoir continuer à faire le lien entre investissements marketing et résultats d’affaires. Par conséquent, on assiste à un retour vers des outils statistiques qui ont déjà fait leurs preuves dans le passé, soit les modèles d’inférence statistique comme le Marketing Mix Modeling (MMM), le Regression Based Attribution (RBA) ou encore le Autoregressive Integrated Moving Average (ARIMA). 

Ces méthodes de mesure de la performance sont à l’épreuve des changements qui ont lieu dans le milieu du numérique, puisqu’elles ne nécessitent pas l'accès à des données très granulaires. 

L’utilisation de ces méthodes pour la planification des activités marketing

Lors de la planification de vos campagnes marketing, le plus important est d’être en mesure de comprendre le passé pour mieux anticiper le futur, en plus de mettre en place les outils technologiques permettant de mesurer la performance de vos efforts lorsque vous serez en phase d’activation (lancement des campagnes ou opérationnalisation de la stratégie).

Concrètement, mieux comprendre le passé implique d’avoir une bonne compréhension du marché, des tendances de la compétition, tout en gardant à l'œil  l’évolution des besoins de la clientèle.

La compréhension du client peut être acquise principalement grâce à l’analyse des données primaires que possède l’entreprise. Ces données sont stratégiques pour le développement de campagnes performantes. Pour citer l’ancien CEO de General Electric, Jack Welch, sur l’importance de la connaissance des clients : “There are only two sources of competitive advantage: The ability to learn more about our customers faster than the competition, and the ability to turn that learning into action faster than the competition”.

Mieux comprendre le passé implique aussi de comprendre la performance des activités marketing qui ont été menées ainsi que les relations entre les investissements effectués et les revenus qu’ils ont permis de générer. Deux des méthodes de mesure de performance citées plus haut (le MMM et le RBA) joueront un rôle clé dans la boîte à outils du marketing moderne.

Modèle phare et éprouvé à la disposition des marketeurs, le MMM permet de mesurer la valeur incrémentale des actions marketing ainsi que d’identifier le seuil de saturation des formats publicitaires et leur ROI. En agrégeant les données sur les investissements en ligne et hors ligne, on obtient ainsi une vue complète de l’impact des actions marketing. Ce modèle est très utile pour avoir une vue d’ensemble en vue de la planification de vos actions marketing, mais  il nécessite l’accès à beaucoup de données historiques (généralement 2 à 3 ans). C’est ce qui le rend peu agile et assez long à implémenter.

Comme alternative ou en complément du MMM, le RBA présente de vrais atouts pour se positionner comme solution d’attribution solide. Ce modèle se base sur les mêmes méthodes statistiques que le MMM, mais se concentre essentiellement sur les données de marketing numérique. Cela le rend beaucoup plus accessible, avec une fréquence d'exécution bien plus élevée (hebdomadaire ou mensuelle). Il permet de comprendre la relation entre les variables d'entrée (i.e. clics, impressions, investissements) et de sortie (les résultats) grâce aux données historiques.

Même si la simulation est possible avec le modèle RBA (notamment avec des scénarios d’optimisation budgétaire), il ne s’agit pas du modèle le plus performant lorsqu’il s’agit de faire des prédictions sur des séries chronologiques. Pour ce cas d’utilisation, ARIMA est la solution à privilégier. On utilise les données de séries chronologiques (c.-à-d. l’évolution des résultats d’affaires sur le temps) afin de prédire les tendances futures de ces séries en tenant compte de la saisonnalité.

D’un point de vue technologique, étant donnée la disparition continue des cookies, il devient primordial pour les entreprises d’avoir recours à un entrepôt de données marketing. Celui-ci permet de centraliser toutes les données clients primaires ainsi que les données marketing afin de pouvoir créer une vue 360 des clients et des efforts marketing. Cette intelligence permet ensuite de segmenter et de cibler les clients potentiels à haute valeur en priorité !

Qu’en est-il de la mesure de performance lorsqu’on est en plein dans l’action ? 

En phase d’activation de vos campagnes marketing, la mesure de performance doit pouvoir être réalisée  presque en temps réel. Pour cette raison, l'attribution dans les plateformes demeure le moyen le plus efficace de mesurer la performance des campagnes. Pour ce faire, il est important de pouvoir compter sur des conversions qui se basent sur des données primaires (principalement le courriel).

Vos propriétés numériques doivent intégrer des solutions qui utilisent des identifiants persistants, comme les courriels, lors de la mesure des conversions (p.ex. conversions avancées de Google). Cette méthode d’identification des conversions utilise des données primaires et durables et est disponible pour Meta et Google DV360.

La plateforme Google Analytics 4 (GA4) intègre certaines fonctionnalités pour pallier la perte des données. Le nom de cette fonctionnalité est la modélisation du comportement pour le mode consentement. 

Comme vous l'avez compris, l’évolution technologique et les changements légaux bouleversent les approches classiques de mesure de la performance en ligne. Les spécialistes du marketing doivent se tourner à nouveau vers des méthodes statistiques comme le MMM et le RBA pour continuer à quantifier la valeur générée par leurs actions. En parallèle, ils doivent intégrer des fonctionnalités d'attribution exploitant les données primaires au sein de leurs plateformes publicitaires. Cette adaptation est cruciale pour garantir une corrélation fiable entre les investissements et les résultats dans un contexte où le nombre de données disponibles diminue.