Dans la dernière édition spéciale du journal scientifique Applied Marketing Analytics (AMA), j’ai publié un article arbitré intitulé : « Moving towards inferential attribution modelling in a world without third-party cookies » (Vers un modèle d’attribution par inférence dans un monde sans cookies tiers). L’article propose aux experts en marketing des données de considérer un virage graduel vers l’inférence statistique afin de maintenir la mesure de performance de leurs campagnes publicitaires après l’apocalypse des cookies.
On sait que les cookies tiers sont appelés à disparaître d’ici 2023 sur Chrome. Du côté d’Apple, les cookies tiers et les marqueurs mobiles appelés Identifier for Advertisers (IDFA) sont déjà de l’histoire ancienne. Par conséquent, mesurer l’efficacité de vos campagnes Facebook Ads ou Google Ads directement dans ces plateformes devient progressivement un casse-tête. Du même coup, une partie de ces données ne sont plus stables dans Google et Adobe Analytics, car la rupture de l’écosystème de mesure, en grande partie à cause d’Apple, affecte aussi la qualité des cookies primaires.
La conclusion est donc simple et inévitable : la mesure de la performance reposant sur les clics des utilisateurs est en voie de disparition. Il faudra par conséquent se tourner vers des méthodes de mesure de la performance que bien des marketeurs numériques ont snobé pendant longtemps, soit les bonnes vieilles analyses d’inférence statistique. Cette conclusion est corroborée entre autres par Julian Runge et Eric Seufert dans le Harvard Business Review. Dans leur article intitulé « Apple Is Changing How Digital Ads Work. Are Advertisers Prepared? », Runge et Seufert expliquent :
more traditional measurement solutions that are privacy-safe by default will likely stand to gain in relevance. For example, marketing mix models (MMMs) were developed on and for aggregate advertising and sales data observed over time and do not require any linking of lower-level tracking data.
Dans mon récent article AMA, c’est précisément ce que je tente de démontrer, mais en expliquant que les données marketing agrégées sont aujourd’hui beaucoup plus riches et volumineuses qu’à l’époque pré-numérique des médias traditionnels. Par exemple, une analyse statistique à propos d’une campagne télé est basée sur beaucoup moins de données qu’une campagne sur Facebook ou Google. En numérique, même sans l’accès à des données privées à propos de l’utilisateur, on peut obtenir énormément de points de données agrégées. En voici quelques exemples :
- Géographie agrégée
- Format du créatif
- Segment d’audience agrégé
- Message publicitaire
- Clics et impressions agrégés
- Taux de clic agrégé
- Taux de conversion agrégé
… et j’en passe!
De plus, les techniques d’inférence statistique ont elles-mêmes beaucoup évolué au cours de la dernière décennie, particulièrement avec l’émergence de la science des données. Dans ce même article pour Applied Marketing Analytics, j’explore quelques exemples de ces nouvelles techniques d’inférence.
En bout de ligne, il faut garder à l’esprit que l’objectif des modèles par clic est le même que celui des modèles par inférence, c’est-à-dire de mieux mesurer les répercussions de vos campagnes marketing, que vous le fassiez en utilisant des données agrégées ou non.
Par contre, un avantage important de ce virage vers des modèles d’attribution par inférence, c’est que ceux-ci offrent la possibilité de mesurer les effets du marketing sur l’ensemble des résultats d’affaires au lieu d’isoler uniquement le clic et la conversion en mode 1:1 (un clic pour un utilisateur). Le tout est possible lorsque vous utilisez de bons modèles, capables de combiner vos données d’affaires à vos données marketing de campagne.
En effet, le rayon actuel de la mesure des modèles d’attribution par clic est très limité. Il n’est pas possible de connaître l’effet de vos campagnes publicitaires sur vos résultats d’affaires au-delà du clic mesuré. Mais il est possible d’obtenir cette réponse avec un haut degré de certitude statistique à l’aide d’un modèle d’attribution par inférence.
La question à vous poser est la suivante : Quel pourcentage de vos résultats globaux peut être attribuable à vos efforts marketing? C’est à ça que sert un modèle d’inférence statistique. Pour vous aider à mettre les choses en perspective, le graphique ci-dessous illustre la différence entre le rayon de mesure d’un clic solitaire et la mesure globale de vos résultats d’entreprise lors d’une campagne marketing.
Par contre, le désavantage des modèles par inférence, c’est qu’ils augmentent le degré de complexité des activités de marketing analytique de votre entreprise. Comme le soulignent Runge et Seufert dans le même article cité plus haut :
This approach requires sophisticated data-science expertise, and these types of models can be difficult to tune properly, but a measurement solution that relies on statistical sophistication is more robust and durable than one that relies on the precision of user identity.
En conclusion, suis-je en train de dire que l’attribution par clic avec les données utilisateur est chose du passé? Non. Du moins, pas à court ou moyen terme. Par contre, les marketeurs avisés doivent commencer à se faire à l’idée qu’il ne sera plus possible de penser uniquement en termes d’analyses granulaires des clics clients. Il faut passer à un modèle hybride alliant clic et inférence. Les deux modèles peuvent très bien fonctionner de manière complémentaire.
Par la même occasion, il faut aussi penser plus grand, c’est-à-dire parler de marketing causal en ce qui a trait aux répercussions sur vos résultats d’affaires globaux, et non uniquement de clics insulaires de campagne. De plus, un retour vers des modèles statistiques est une belle opportunité d’intégrer pleinement la mesure de la performance à tous vos canaux média, tant numériques que traditionnels. En d’autres termes, il est temps pour les marketeurs numériques de commencer à penser comme des marketeurs média 360.
Si vous êtes intéressés par les techniques disponibles pour commencer à développer votre propre modèle d’attribution par inférence, je vous invite à télécharger gratuitement mon article, gracieuseté du journal Applied Marketing Analytics (version anglaise seulement disponible).
Cet article a été publié pour la première fois dans Applied Marketing Analytics Vol. 7 No. 1 et est reproduit avec l’autorisation de l’éditeur Henry Stewart Publications LLP, Londres, Royaume-Uni. Pour plus de détails sur le Journal of Risk Management in Financial Institutions, voir : https://www.henrystewartpublications.com/ama.
