Soyons honnêtes, nous parlons d’attribution marketing, mais voilà 15 ans que nous n’en faisons plus réellement. Plusieurs modèles existent dans Google Analytics, tous plus imparfaits les uns que les autres. Google a bien essayé d’offrir la version dynamique et data-driven dans la version entreprise de Google Analytics, mais je n’ai pas le sentiment que cette version ait été un succès non plus, malgré de bonnes intentions. L’écrasante majorité des marketeurs utilisent le last-click, même si nous savons depuis un bon moment que cette perspective est tronquée.
Prenez l’exemple du parcours-client simplifié qui suit :
Malgré les nombreux points de contact, Google Analytics attribuera la conversion au SEM de marque (dernière interaction) alors que cette interaction ne serait tout simplement pas arrivée sans les précédentes qui ont eu un impact causal beaucoup plus élevé.
Mais pourquoi les marketeurs continuent-ils d’utiliser le modèle last-click s’ils savent que c’est totalement inadéquat? Ma réponse est très personnelle : car ils sont humains.
En bref, je pense sincèrement que nous faisons semblant de nous intéresser à l’attribution et que nous avons tous – les acteurs de l’industrie du marketing numérique – regardé ailleurs lorsque venait le temps d’y penser pour nous même. Cependant, nous n’aurions pas grand chose à perdre à revoir ces pratiques.
Le virage vers la vie privée, composé principalement de la détérioration des cookies tiers et des changements sur iOS14, continue de frapper le milieu. Les annonceurs, comme les automobilistes face à l’augmentation du prix de l’essence, voient les coûts de leur matière première (les audiences) s’alourdir et paient actuellement plus cher pour la même action marketing; notamment sur Facebook. Facebook a d’ailleurs déclaré dans des communications internes aux agences que le coût par action marketing (CPA) avait été multiplié par 2,5 à la suite de ces changements.
Les cookies tiers ont également eu un impact sur plusieurs autres outils de mesure ou de contrôle, notamment Google Analytics ou Google Campaign Manager.
Le suivi granulaire de chaque utilisateur semble être révolu. Même les outils qui permettent de transformer les cookies tiers en cookies primaires comme Google Tag Manager Server-Side ou Facebook Conversion API prennent l’allure de band-aids dans un contexte où les utilisateurs sont de plus en plus prudents avec leur vie privée et que les outils pour les protéger se multiplient.
Nous considérons que les approches de suivi individuel ne sont tout simplement plus viables à long terme. Dans ce contexte, il faut approcher le phénomène totalement différemment. Par ailleurs, je suis d’avis que notre obsession à suivre de manière hyper granulaire le numérique nous a rendu aveugle sur l’effet global des efforts en marketing numérique et sur les revenus d’une entreprise en général.
Cette approche granulaire était adéquate dans le contexte où le numérique devait se battre pour obtenir la place qui lui revenait dans les budgets des annonceurs. Maintenant que cela est chose faite, il est temps que le numérique entre dans les rangs et considère sa contribution sur la performance globale.
Bien avant que le numérique vienne tout bousculer, le MMM (Media Mix Modelling) existait déjà et avait pour objectif d’analyser l’impact causal d’une tactique média sur l’ensemble des revenus d’une entreprise. Aujourd’hui, il est possible d’effectuer ce même type d’analyse, mais la technologie peut jouer un rôle pour en améliorer la qualité et la profondeur.
Les entrepôts de données marketing permettent de réunir les deux grands types de données marketing et d’offrir une analyse complète : les données transactionnelles et comportementales. Les données transactionnelles doivent inclure les données hors ligne comme celles des systèmes de caisse par exemple. Une fois ces données unifiées et disponibles pour analyse, il devient possible de faire des analyses causales qui permettent d’affiner l’attribution de manière beaucoup plus large et précise qu’avec la vue tronquée des outils Web.
Encore plus intéressant, la réunion de ces deux types de données permet aussi de faire des analyses de propension et donc de prédire la performance de certains segments. Ces analyses viennent de la famille de l’inférence statistique qui a prouvé depuis bien longtemps que le futur se trouve dans les données du présent.
Des exemples concrets?
Nous travaillons énormément avec ces approches dorénavant et je ne crois pas que nous allons revenir en arrière.
Un conseil pour finir : je vous recommande de plus en plus d’utiliser Google analytics (4 évidemment!) uniquement pour la capture de données et de les exporter rapidement vers un entrepôt de données marketing comme Big Query en temps réel. C’est là que vous pourrez vous émanciper du numérique et avoir un impact beaucoup plus grand sur la performance de votre organisation.