Comment personnaliser mon attribution algorithmique (MTA) ?

Solution

Marketing Mix Modeling
Attribution
Analytics
Activation

Module

Piloter & Analyser
Planifier
Activer
Datamining
Privacy Center

Problématique

Les modèles d’attribution traditionnels reposent souvent sur des algorithmes standards et opaques (black box), qui ne prennent pas en compte les spécificités propres à chaque entreprise. Cela limite leur capacité à rendre compte de la réelle contribution de chaque canal ou point de contact dans la création de valeur. En outre, l’impossibilité d’accéder à la logique interne de ces algorithmes empêche une adaptation fine aux objectifs et aux contraintes métier.

Objectif

L'attribution Eulerian répond à cette problématique en offrant un moteur d’attribution transparent et personnalisable, permettant aux entreprises de concevoir leurs propres règles algorithmiques afin de mieux refléter leurs priorités et leur contexte opérationnel. Ce guide vous accompagne dans la construction d'un modèle MTA personnalisé !


Difficulté

Simple
Intermédiaire
Avancée



Première prise en main du Moteur MTA Eulerian



1 → Nom du modèle MTA
2 → Nom du sous-modèle MTA #1
3 → Poids du sous-modèle MTA #1
4 → Objectif sur la base duquel seront calculées les contributions du sous-modèle #1
  • Ventes
  • Paniers abandonnés
  • Panier commencés
  • Devis (Lead)
  • Profils d'engagement (visitor, looker, shopper, buyer, rebuyer)
  • Profils d'engagement (profils personnalisés)
5 → Unité utilisée pour l'objectif du sous-modèle #1
  • Volume (par exemple : nombre de ventes)
  • Montant (par exemple : chiffre d'affaires des ventes)
6 → Permet de personnaliser la distribution de l'algorithme du sous-modèle #1
  • Laplace ( ⁠⁠Qu'est-ce que la distribution de Laplace ?⁠ )
  • Cauchy (Lorentz)
  • Exponential
  • Exponential Power
  • Flat
  • Gamma
  • Gaussian
  • Linea
  • Logistic
  • Lognormal
  • Rayleigh
Permet également de personnaliser, pour chaque distribution
  • Sens de la distribution : Centrée, Inversée, Queue, Tête
  • Echelle de la distribution (valeur numérique) : Une valeur plus élevée réduira l'écart de la distribution contributive entre les différentes touches
  • Variable de distribution : Âge de la touche, Position de la touche
7 → Permet de définir des bornes minimum et maximum relatives aux nombres de touches dans l'historique marketing de l'internaute pour le sous-modèle #1
  • Exemple : Si les bornes sont définies avec [2,50], l'algorithme exclura du calcul de contribution les ventes pour lesquelles l'utilisateur ne comptait qu'une seule touche marketing ou + de 50 touches.
8 → Choix de l'algorithme du sous-modèle #1
  • Markov ( 📔⁠⁠Attribution Data-Driven⁠ )
  • Shapley
  • Répartition brute
9 → Bibliothèque de filtres applicables au sous-modèle
Cette fonctionnalité permet d'appliquer des pondérations différentes en fonction des caractéristiques suivantes (non exhaustif) :
- Ancien vs Nouveau Client
- Type de produit acheté
- Type de vente, devis, lead
- Caractéristique CRM (statut du programme de fidélité par exemple)
- Appartenance à un segment ou une audience
Cette fonctionnalité permet également de supprimer certains points de contact marketing que vous ne souhaitez pas intégrer dans le calcul contributif :
- Suppression des points de contact de type Accès Direct
- Suppression des points de contact de type Canaux Gratuits
10 → Permet d'ajouter un ou plusieurs sous-modèles additionnels afin de créer une algorithme multi-objectifs
Cette fonctionnalité permet de construire un modèle MTA Multi-Objectifs. Chaque sous-modèle pourra bénéficier de son propre algorithme, de sa propre distribution, et de ses propres filtres. Vous pouvez également ajuster le poids d'un sous-modèle par rapport à l'autre, et donc de surpondérer un objectif prioritaire par rapport à un objectif secondaire.
11 → Nom du sous-modèle #2
12 → Poids du sous-modèle #2 (par rapport au sous-modèle 1)
  • Exemple : Si vous souhaitez valoriser les points de contact marketing impliqués dans les parcours de ventes mais également de paniers commencés, tout en accordant une plus grande valeur à l'objectif de vente, la notion de poids vous permettra de gérer c'est surpondération.
  • Définition des poids : Si le sous-modèle VENTE est configuré avec un poids de 2 et le sous-modèle Paniers Commencés avec un poids de 1, les ventes compteront pour 66.66% du calcul contributif, et les paniers commencés pour 33.33%
Calcul : 2/(2+1) et 1/(2+1)


Recommandations pour la construction de votre premier modèle MTA

Dimension
Recommandation
Objectif #1
Vente
Poids #1
1
Unité #1
Montant
Distribution #1
Laplace
Sens de la distribution #1
Queue
Largeur de la distribution #1
1
Variable de la distribution #1
Âge de la touche
Touches #1
[1,200]
Algorithme #1
Markov
Filtre #1
Aucun

Recommandations pour la construction de votre premier modèle MTA Multi-Objectifs

Dimension
Recommandation
Objectif #1
Vente
Poids #1
2
Unité #1
Montant
Distribution #1
Laplace
Sens de la distribution #1
Queue
Largeur de la distribution #1
1
Variable de la distribution #1
Âge de la touche
Touches #1
[1,200]
Algorithme #1
Markov
Filtre #1
Aucun
Objectif #2
Paniers commencés
Poids #2
1
Unité #2
Volume
Distribution #2
Laplace
Sens de la distribution #2
Queue
Largeur de la distribution #2
1
Variable de la distribution #2
Âge de la touche
Touches #2
[1,200]
Algorithme #2
Markov
Filtre #2
Aucun

Recommandations pour la construction d'un modèle MTA avec priorisation Nouveaux Clients

Dimension
Recommandation
Objectif #1
Vente
Poids #1
2
Unité #1
Montant
Distribution #1
Laplace
Sens de la distribution #1
Queue
Largeur de la distribution #1
1
Variable de la distribution #1
Âge de la touche
Touches #1
[1,200]
Algorithme #1
Markov
Filtre #1
La personne est déjà cliente = non
Objectif #2
Vente
Poids #2
1
Unité #2
Valeur
Distribution #2
Laplace
Sens de la distribution #2
Queue
Largeur de la distribution #2
1
Variable de la distribution #2
Âge de la touche
Touches #2
[1,200]
Algorithme #2
Markov
Filtre #2
La personne est déjà cliente = Oui


Recommandations pour la construction de votre premier modèle MTA avec priorisation de certaines Catégories de Produits à marge élevée (A, B, C)


Dimension
Recommandation
Objectif #1
Vente
Poids #1
2
Unité #1
Montant
Distribution #1
Laplace
Sens de la distribution #1
Queue
Largeur de la distribution #1
1
Variable de la distribution #1
Âge de la touche
Touches #1
[1,200]
Algorithme #1
Markov
Filtre #1
Valeur d'un paramètre produit = Catégorie Produit A, B, C
Objectif #2
Vente
Poids #2
1
Unité #2
Valeur
Distribution #2
Laplace
Sens de la distribution #2
Queue
Largeur de la distribution #2
1
Variable de la distribution #2
Âge de la touche
Touches #2
[1,200]
Algorithme #2
Markov
Filtre #2
Valeur d'un paramètre produit EST DIFFERENT DE Catégorie Produit A, B, C