Chapitre 1 : Comprendre et choisir un modèle



En résumé

Variables
Single-Touch (STA)
Multi-Touch (MTA)
Marketing Mix Modeling (MMM)
Complexité du parcours client
Parcours simples avec peu de points de contact
Parcours complexes avec plusieurs points de contact
Impact à long terme des canaux marketing, y compris pour les canaux hors ligne.
Cas d'utilisation principal
Évaluer l'impact d'un seul point de contact
Valorisation du Customer Journey et de tout ou partie des points de contacts marketing qui le composent
Modélisation de l'impact des facteurs exogènes sur la performance commercialeRecommandations d'allocations budgétaires
Analyse des points de contact
Analyse point de contact initial, final ou intermédiaire
Considère tous les points de contact avec pondération flexible
Travaille principalement sur les dépenses publicitaire. Adapté pour une analyse de haut niveau
Disponibilité des données
Temps-réel & Déterministe
Temps-réel & Déterministe
Mise à jour hebdomadaire ou mensuel du jeu de données source
Contexte préféré
Campagnes de type direc trsponse, analyse d'un impact unique
Vue holistique des interactions multi-canaux
Planification stratégique, allocation de budget, inclusion des données offline et de facteurs éxogènes
Personnalisation de l'algorithme
Oui
Oui
Oui
Granularité des insights
Très granulaire - Segmentation des performances possible au niveau le plus fin (jusqu'à la bannière ou le mot clé)
Segmentation recommandée = Canal Marketing, Régie Publicitaire (support) ou Campagne ou Type de Campagne/ Type de stratégie. Non recommandé pour des analyses sur des dimensions plus basses que la campagne
Segmentation recommandée = Canal Marketing, Régie Publicitaire (support) ou Campagne ou Type de Campagne/ Type de stratégie. Non recommandé pour des analyses sur des dimensions plus basses que la campagne
Exemples d'algorithmes
Premier Clic Payant, Dernier Clic Payant, Dernier Clic Payant Hors Marque
Markov, Shapley, Linéaire
Modèle économétrique
Idéal pour...
Identifier les points de contact clés comme la prise de conscience initiale ou la conversion directe
Répartir le crédit sur tous les points de contact pour une évaluation plus juste du mix média
Décisions stratégiques de haut niveau, allocation de budget cross-canal
Test d'un nouveau partenaire
Recommandé pour une lecture simple et rapide des performances peu importe les montants investis
Risque que les performances du partenaire testé soient "écrasées" par celle des autres partenaires (qui bénéficient d'un historique plus riche en points de contacts)
Non recommandé
Limitations
Ignore la complémentarité des canaux
Nécessite au moins 30 jours d'historique de données pour obtenir une mesure efficace
Mesure de corrélation et non de causalité - Doit être compléter par des tests d'incrémentalité ou du MTA



Modèles d'Attribution Single-Touch (STA)



Quand les utiliser :

  • Conviennent aux parcours clients simples avec peu de points de contact, ou lorsque vous souhaitez évaluer l'impact d'un seul point de contact.
  • Conviennent mieux aux campagnes pour lesquelles il est facile d'identifier un point de contact initial ou une conversion.
  • Les modèles Single-Touch sont recommandés pour répondre à des questions précises telles que :
  • L'affiliation cannibalise-t-elle la performance de mes autres canaux ? (voir  ⁠⁠Analyse de la cannibalisation des conversions par le cash-back et les codes promo⁠ )
  • Le SEA Marque cannibalise-t-il la performance de mes autres canaux ? (voir  ⁠⁠Analyse de la cannibalisation par les mots clés marque en SEA⁠ )
  • Ils sont également recommandés dans le cadre de tests ponctuels de nouveaux dispositifs média.


Choisir le meilleur modèle :

  • Modèle "Premier Clic Payant" : A utiliser s'il s'agit de comprendre quels canaux sont à l'origine de l'engagement du client, par exemple en découvrant quels sont les canaux qui suscitent le plus de prise de conscience.
  • Modèle "Dernier Clic Payant" : À utiliser si le dernier point de contact est considéré comme le plus responsable de la conversion, utile dans les campagnes de réponse directe.
  • Modèle personnalisé : Personnalisation de l'arbre de décision en fonction des besoins spécifiques du Client :
  • avec ou sans post-impression,
  • priorisation ou dépriorisation de certaines interaction (ex: clic campagne CRM)
  • exclusion des mots clés marques
  • ....

Le recommandation Eulerian :
Le modèle au dernier clic payant est utile car il s'agit du modèle le plus utilisé au sein de l'industrie publicitaire (historiquement), et donc le plus simple à déployer et expliquer.

Par ailleurs, Eulerian offre la possibilité de créer un Portefeuille de modèles d'attribution (8 maximum), vous permettant ainsi de tirer profit de 7 modèles d'attribution additionnels destinés à adresser des problématiques métier spécifiques.

Voici quelques exemples :
Dernier clic payant hors mots clés marque > Permet d'analyser la cannibalisation causée par le SEA Marque
Dernier clic payant hors clics in-session > Permet d'analyse la cannibalisation causée par l'Affiliation
Dernier levier payant avec post-view hors CRM > Permet de prendre en compte les impressions publicitaires, tout en excluant les impressions des campagnes CRM


Modèles d'Attribution Multi-Touch (MTA)



Quand les utiliser :

  • Idéal pour les parcours clients complexes avec de multiples points de contact sur différents canaux, où la compréhension du parcours complet du client est cruciale.
  • Permettent d'avoir une vision plus globale de la manière dont les différentes interactions contribuent à la conversion.


Choisir le meilleur modèle :

  • Modèle basé sur les données (Markov ou Shapley) : Idéal lorsque vous avez besoin d'un modèle statistique personnalisé qui s'adapte aux parcours des clients et qui attribue des crédits en fonction des performances.
  • Algorithme de Markov : À utiliser lorsque vous souhaitez tenir compte de l'effet de suppression, qui permet de comprendre la contribution de chaque canal en simulant sa suppression. Markov est particulièrement adapté pour les mix média extrêmement riches en nombre de campagnes et de points de contacts.
  • Algorithme de Shapley : À utiliser lorsqu'il s'agit de répartir équitablement le crédit de conversion entre tous les points de contact en fonction de leur contribution, en tenant compte de toutes les interactions possibles.
  • Modèle linéaire : À utiliser lorsque tous les points de contact sont considérés comme d'égale importance.
  • Modèle en U : À utilisé lorsque le premier et le dernier point de contact ont plus de valeur, mais que les points de contact intermédiaires contribuent toujours.
  • Modèle avec dépréciation dans le temps : Idéal lorsque les interactions récentes sont plus susceptibles d'entraîner des conversions, en particulier pour les produits dont les périodes de considération sont plus courtes.

Le recommandation Eulerian :
Eulerian recommande l'utilisation d'un modèle Multi-Objectifs MTA basé sur l'algorithme de Markov.

Un modèle Multi-Objectif permettra, par exemple, de travailler à la fois sur des conversions mais également sur des visites qualifiées.
L'algorithme de Markov permettra quant à lui de calculer la contribution des canaux marketing en prenant en compte les parcours convertisseurs et non convertisseurs.



Marketing Mix Modeling (MMM)

Quand l'utiliser :

  • Efficace pour mesurer l'impact des investissements média sur des périodes longues, y compris pour les canaux hors ligne.
  • Utile lorsque les données au niveau de l'utilisateur ne sont pas disponibles ou que les préoccupations en matière de respect de la vie privée limitent le suivi granulaire.
  • Idéal pour analyser un mix média riche en données offline pour les décisions stratégiques de haut niveau, en particulier pour l'allocation de budget cross-canal.
  • Modèle capable d'intégrer des facteurs exogènes (météo, saisonnalité, notoriété de la marque) pour comprendre leur corrélation avec les résultats commerciaux.


Choisir le meilleur modèle :

Les équipes Customer Success Eulerian joueront le rôle de conseil pour vous aider à sélectionner le meilleur modèle de MMM parmi les différentes itérations de modèles proposées.

Précisions techniques :
voir  ⁠⁠Quelles variables sont utilisées pour vérifier la fiabilité d'une modélisation de MMM ?⁠