Comment prédire les zones de croissance et les risques dans un plan marketing basé sur les données

Nous avons récemment annoncé un nouveau produit - OWOX BI Insights - capable de prédire la réalisation des objectifs marketing en fonction de vos données, des données globales du marché et de l'apprentissage automatique. Il donne aux spécialistes du marketing des réponses à des questions importantes :

• Réaliserons-nous le plan de ventes, de prospects et d'autres indicateurs ce mois-ci ?
• Si nous ne changeons rien, combien de ventes, de prospects, etc. obtiendrons-nous d'ici la fin de l'année ?
• Dans quels canaux, régions et segments les objectifs ne sont-ils pas atteints et où sont les principaux domaines de croissance ?
• Comment nous en sortons-nous par rapport au marché ? Le marché a-t-il décliné ou faisons-nous tout simplement mal ?

Dans cet article, nous vous expliquons pourquoi construire des prévisions et comment trouver des zones de croissance et des risques afin d'avoir une longueur d'avance sur vos concurrents.

Commandez votre prévision maintenant!

• La technologie et les données nous en disent long
• L'appétit vient avec l'attribution
• Quelles tâches un analyste marketing OWOX BI gère-t-il ?
• À quoi ressemblent les rapports OWOX BI ?
• Newsletters par e-mail pour les décideurs
• Mise en œuvre : par où commencer et comment établir des prévisions
• Conclusions auxquelles nous sommes parvenus au cours du processus

L'analyse marketing joue un rôle important dans les entreprises modernes.

En 2018, la part moyenne du budget marketing d'une entreprise consacrée aux technologies marketing (29 %) a dépassé pour la première fois la part consacrée aux personnes qui utilisent ces technologies (24 %).

Si les prévisions de croissance de l'entreprise ne se réalisent pas, la plupart des managers licencieront d'abord leur directeur marketing. Par conséquent, les CMO devraient être très intéressés par l'introduction de technologies et la recherche de meilleures solutions.

La majorité des directeurs marketing (78 %) ont augmenté leur retour sur investissement en utilisant l'analyse lors de l'élaboration d'une stratégie marketing.

Voici une brève histoire de la façon dont tout a commencé il y a quelques années et de la façon dont nous avons réalisé que nos clients avaient besoin de prévisions et d'informations.

OWOX BI : Souhaitez-vous que nous mettions en place Google Analytics ?
Client : Bien sûr, mais nous ne pouvons pas voir le retour sur investissement dans Google Analytics pour nos campagnes marketing Facebook et Yandex.Direct et nous ne pouvons pas comparer leur efficacité.
OWOX BI : Voici l'importation automatisée de données. Ajoutez simplement l'accès à vos services publicitaires et toutes les données seront automatiquement importées dans Google Analytics. Vous obtiendrez un retour sur investissement pour toutes les campagnes publicitaires.
Client : Parfait, mais les données de Google Analytics ne correspondent pas à celles de notre CRM. Notre direction croit les données dans le CRM et nous ne pouvons pas retraiter les données de Google Analytics pour nous assurer qu'elles sont correctes. Nous ne pouvons pas non plus combiner ces données avec des données internes de manière rétroactive, surtout pas sans importation au moment de la requête.
OWOX BI : Ok, voici toutes vos données dans Google BigQuery. Nous les avons recueillies auprès de Google Analytics, des services de publicité, du suivi des appels et des applications mobiles. Vous pouvez maintenant le combiner avec les données de votre CRM et créer des rapports.
Client : Génial ! Mais nous devons trouver des campagnes sous-estimées dans tout cela. L'utilisation d'une simple requête SQL n'aide pas car les utilisateurs effectuent un certain nombre de clics le long du chemin d'accès à un achat. Nous devons en quelque sorte attribuer la valeur de toutes ces étapes, ce qui signifie que nous devons embaucher des développeurs.
OWOX BI : D'accord. Qu'en est-il de l'attribution basée sur l'entonnoir ML et des rapports prêts à l'emploi ? Spécifiez simplement ces étapes et vous verrez des campagnes sous-évaluées.
Client : Pouvez-vous éventuellement identifier nos zones de croissance dans toutes ces données ? Dites simplement où nous devrions chercher pour réaliser le plan de vente.
OWOX BI : Soooo ... Discutons de ce que vous attendez de votre analyste marketing.

1. Indique où les objectifs marketing sont atteints et non atteints.
Lors d'une réunion au début de chaque mois, le responsable demande au directeur marketing : « Pourquoi n'a-t-il pas été rempli ? » De quelle région ou canal publicitaire avions-nous ? » Et entend en réponse : « Je ne sais pas encore. J'ai besoin de quelques jours — je verrai, reviens et dis. » Situation courante ?

Nous avons décidé qu'assez, c'est assez - que l'ensemble du processus soit automatisé. Tout est simple ici: nous prenons des données rétrospectives, c'est-à-dire un fait, et les comparons avec celles prévues. Il est important que cela se fasse automatiquement pour les différents segments.

2. Montre comment vous atteindrez les objectifs annuels prévus si vous continuez au même rythme qu'aujourd'hui.
Si vous découvrez à l'avance que l'équipe marketing est insuffisante dans une catégorie ou une région, vous pouvez corriger rapidement votre stratégie marketing et améliorer les résultats. Pour que nos clients aient une telle opportunité, nous prenons leurs données et construisons un modèle de prévision à l'horizon jusqu'à un an. Ici, les prévisions sont comparées au plan.

3. Trouve les zones de croissance et les risques pour le mois prochain.
Pour ce faire, OWOX BI Insights compare automatiquement les objectifs marketing et les prévisions au niveau des régions, des canaux, des paramètres et au sein des domaines de responsabilité de chaque décideur de l'entreprise.

4. Aide à répondre à la question : « Est-ce là-dessus que nous ne travaillons pas ou est-ce que le marché s'est calmé ? ».
C'est toujours une question ouverte et pertinente dans toute entreprise, car il ne suffit pas de répondre à ses propres données. Par exemple, si le plan est dépassé, il est intéressant de savoir : ce sont des commerçants — bravo ou quelque chose s'est passé sur le marché et tout le monde a couru pour dépenser de l'argent. Ou, disons, les objectifs n'ont pas été atteints à 2%. Est-ce un bon ou un mauvais résultat pour une équipe marketing ? Si le marché a augmenté, c'est mauvais, et s'il a chuté de 15 %, c'est bon.

Les données du marché sont essentielles pour répondre à ces questions. C'est pourquoi nous construisons un modèle d'apprentissage automatique basé sur les données de dizaines de milliers de projets pour fournir de meilleures prévisions que celles que vous pourriez obtenir en utilisant uniquement vos propres données historiques.

5. Crée des rapports dans les services habituels et pratiques pour vous.
Notre expérience montre que lorsqu'il s'agit d'un nouveau produit, la plupart des entreprises ne souhaitent pas introduire un autre service. Vous pensez peut-être : « J'ai Excel (ou Google Sheets, Data Studio, Tableau, Power BI). Puis-je y ajouter une prévision ? » Bien sûr que vous le pouvez, car presque tous les services de visualisation peuvent obtenir des données de Google BigQuery, où nous enregistrons les résultats des calculs.

Pour commencer, regardons les rapports finaux. Ensuite, nous vous dirons comment ils sont fabriqués.

La première et la plus simple consiste à obtenir trois colonnes pour chaque mois : Plan, Actual et Forecast.

Faire le plan est une affaire simple. Il peut être fait par n'importe quel analyste dans Excel. Nous pouvons également calculer les valeurs réelles, car l'entreprise dispose de ces données. Notre tâche consiste à ajouter une prévision.

Remarque : Le rapport contient des données pour le début du mois d'avril. Comme vous pouvez le voir, nous avons une petite valeur réelle (le mois vient de commencer) et il y a une sorte de prévision pour le reste du mois d'avril. En conséquence, pour le mois en cours, le plan doit être comparé à la somme des valeurs réelles et prévisionnelles.

Dans le graphique ci-dessus, la ligne jaune correspond aux objectifs que le client s'est fixés, les colonnes bleu foncé correspondent aux valeurs réelles déjà atteintes et les colonnes bleu clair correspondent aux prévisions.

Une fois que nous connaissons les objectifs, les prévisions et les valeurs réelles dans le contexte des paramètres nécessaires à la prise de décision, nous pouvons construire un tableau croisé dynamique classique dans Google Sheets.

Il y a trois paramètres dans ce tableau : mois de rapport, groupe de canaux (recherche organique, place de marché, e-mail, etc.) et région. C'est le regroupement de base avec lequel la plupart des entreprises travaillent. Ensuite, nous montrons les indicateurs clés nécessaires pour gérer le budget marketing :

D'après le rapport, nous constatons que la recherche payante dans la région 1 est susceptible de générer moins de revenus que prévu. Nous constatons également que le canal de messagerie peut être en retard sur les transactions. Ces informations vous permettent de prendre des décisions avant que votre budget ne soit dépensé de manière sous-optimale - et avant que la zone de croissance ne soit passée et ne soit perdue.

Et la meilleure chose est que nous avons une prévision pour l'avenir. Il montre ce qui se passera si la tendance actuelle se poursuit.

Examinons en détail certains des éléments de ce tableau. Le pourcentage d'écart, surligné en rouge et vert, est calculé à l'aide d'une formule simple :

Nous prenons le fait avec les prévisions, c'est ce que nous recevrons très probablement à la fin de ce mois. Soustrayez-en les objectifs du segment et divisez le résultat par le plan pour la période. Le nombre résultant répond à la question de savoir dans quelle mesure un segment particulier s'écarte de la prévision.

Par exemple, pour les transactions d'avril, nous constatons un écart de −4,8 % :

Cela signifie qu'en avril, nous avons 4,8 % de retard sur le plan de transaction. Si vous additionnez les valeurs de tous les canaux au-dessus de ce chiffre, le total sera de -4,8 %.

Pourquoi regardons-nous cela? Pourquoi ne regardons-nous pas l'écart relatif ? Par exemple, disons que nous avons un petit canal de parrainage. Selon le plan, il devrait y avoir, disons, 50 transactions. Une différence de même 20 transactions nous donnera un écart de 40 %. Mais ce n'est pas ce à quoi vous devez faire attention en premier lieu, car il existe des canaux beaucoup plus grands. Et si un canal plus grand montre un écart de 10%, ce sera beaucoup plus important pour l'entreprise. Les couleurs rouge et verte du tableau montrent à quel point il est important pour l'entreprise de prêter attention à ce segment.

Dans la capture d'écran ci-dessous, nous avons étendu les données d'avril :

Ici, nous voyons que les données peuvent être décomposées en canaux et en régions. Nous pouvons sélectionner les segments que nous voulons examiner en premier. Le rouge est une zone à risque, le vert est une zone de croissance. Le taux de conversion est marqué en bleu, et en bas il y a un résumé.

Nous allons maintenant présenter le rapport le plus important et le plus intéressant, qui affiche huit périodes utilisées pour comparer les prévisions aux objectifs.

1. Cette année réelle montre les chiffres réels depuis le début de l'année jusqu'au moment actuel. Nous pouvons comparer ces valeurs avec les objectifs pour comprendre dans quelle mesure nous les atteignons.
2. Réel du mois dernier affiche les données réelles du mois précédent. Nous avons fermé le mois précédent, nous pouvons donc facilement voir dans chaque section et segment si les chiffres réels coïncident avec ceux prévus.
3. Dernière semaine réelle affiche les données réelles de la semaine dernière.
4. Cette semaine, les prévisions indiquent les prévisions pour la semaine en cours. La semaine a commencé, et nous voyons ce qui nous arrive. Où la personne responsable, par exemple, de la recherche payante, fait attention en ce moment, pour obtenir un meilleur résultat à la fin de la semaine. Pour ce faire, il vous suffit d'éviter les risques (surlignés en rouge) et de mettre en place des zones de croissance (surlignées en vert).
5. Prévisions de la semaine prochaine affiche les prévisions pour la semaine prochaine.
6. Ce mois prévision affiche les prévisions pour le mois en cours.
7. La prévision du mois suivant affiche les prévisions pour le mois suivant. D'après notre expérience, il est préférable de construire cette prévision uniquement sur la base de la dimension principale. Autrement dit, le fractionner au deuxième niveau (dans notre cas, les régions) n'est plus conseillé car il y a beaucoup de bruit et une mauvaise qualité de prévision.
8. Cette prévision de l'année montre les prévisions jusqu'à la fin de l'année. Nous le construisons uniquement pour la mesure clé, le revenu. L'expérience montre que la prévision de la répartition du trafic entre les régions et les canaux et d'autres segments avant la fin de l'année n'est pas un exercice fascinant et conduit à de grandes erreurs et à une perte de confiance dans les prévisions.
   

Vous pouvez afficher le tableau dans Google Sheets à tout moment. Cependant, les décideurs s'attendent généralement à recevoir un rapport prêt à l'emploi et à dire, Regardez ici. Il semble que nous ayons une zone de croissance.

La création de ce rapport n'est pas une tâche facile, et nous y travaillons toujours. Nous voulons que nos clients reçoivent des messages clairs et significatifs écrits en langage humain, tout comme un bon analyste les écrirait.

Il y a deux problèmes. Le premier est beaucoup de nuances. Crier au loup sur les canaux directs non gérés n'est pas très utile. Que faire si Referral ou Direct ont chuté ? Vous devez vous concentrer sur ce que vous pouvez gérer, et pour cela, vous avez besoin de plus de connaissances pour le programme lors de la recherche d'informations.

Le deuxième problème est que ces e-mails peuvent être répondus par : « Donnez-moi plus de détails ». Mais [email protected] n'a jamais prévu d'entrer dans une conversation. Nous pensons cependant que la communication d'un service d'analyse doit être aussi similaire que possible à la communication avec un analyste marketing. Par conséquent, nous prévoyons d'envoyer à l'avenir des informations sur les zones de croissance et les risques via Messenger.

À la fin de l'e-mail, il y a un tableau intéressant dans lequel les résultats pour les principales périodes sont surlignés en rouge et vert. Cela montre immédiatement s'il est nécessaire d'ouvrir Google Sheets et de regarder les détails pour cette période.

Avant de commencer à établir des prévisions, vous devez répondre à quelques questions importantes :

À la suite de cette implémentation, vous obtiendrez un tableau comme celui-ci :

La première colonne indique le domaine de responsabilité. Dans notre exemple, il y en a trois : le marketing en général, les campagnes PPC payantes et le référencement (organique).

La deuxième colonne contient les KPI, qui sont utilisés pour fixer des objectifs et évaluer les performances dans chacun des domaines de responsabilité. Pour certains de ces indicateurs, il existe un plan. Nous vous recommandons de ne pas modifier vos objectifs existants lorsque vous décidez d'accepter des prédictions. Il est clair qu'en entreprise, vous pouvez toujours améliorer quelque chose, et vous voudrez peut-être ajouter de nouveaux indicateurs à vos rapports. Mais vous ne pouvez pas faire de telles choses en déplacement. Tout d'abord, il est préférable d'automatiser ce que vous avez déjà, puis d'ajouter de nouvelles métriques.

Dans les troisième et quatrième colonnes, nous marquons les mesures pour lesquelles il existe un plan et pour lesquelles nous pouvons établir une prévision.

Dans la cinquième colonne, nous marquons les mesures quantitatives et qualitatives car elles doivent être affichées différemment et doivent être traitées différemment.

La sixième colonne correspond aux critères de segmentation. Dans différents domaines de responsabilité, la même métrique est segmentée par différents critères. Par exemple, les sessions marketing sont plus intéressantes à segmenter par canal ; Le référencement doit être segmenté par moteur de recherche.

La septième colonne est la dimension secondaire. Il peut y avoir plus de deux dimensions, mais dans ce cas, les exigences relatives au volume de données doivent être plus élevées. Plus il y a de paramètres de segmentation, plus il faut de données pour des prévisions statistiquement significatives.

La dernière colonne est le nombre de valeurs pour un paramètre particulier que vous souhaitez voir dans le rapport. Pourquoi avez-vous besoin de cela ? Si vous ne spécifiiez pas de limite par région et si vous élargissiez la liste, par exemple, vous n'auriez pas cinq régions mais cinq cents. Beaucoup d'entre eux seraient trop petits et très probablement non informatifs. Nous vous recommandons d'ajouter des limites afin que cette étiquette entière puisse s'intégrer d'une manière ou d'une autre dans Google Sheets et fonctionner avec elle.

Vous avez donc créé une table comme celle-ci et collecté toutes vos données (prévues et réelles) dans Google BigQuery (ou un autre stockage cloud). Que devrions-nous faire ensuite? La première et la plus simple chose à faire est de contacter OWOX BI. Notre algorithme d'IA analysera vos données, les comparera aux données du marché, fera des prédictions et montrera où se trouvent vos zones de croissance et vos risques.

Si vous souhaitez créer des prévisions par vous-même, vous pouvez le faire de plusieurs manières. Il existe plusieurs façons. Nous partagerons comment le faire dans Google Cloud, car cette plate-forme nous est la plus familière. Il est clair que vous pouvez utiliser d'autres outils dans votre entreprise.

Il existe trois méthodes de base pour créer des prévisions dans Google Cloud :

1. TensorFlow et CloudML sont les méthodes les plus souvent utilisées par les Data Scientists qui ne sont pas trop paresseux pour passer du temps à personnaliser les modèles. Ce sont des outils difficiles, mais ils vous permettent d'obtenir de bons résultats.
2. BigQuery ML — Si vous n'avez jamais travaillé avec le machine learning mais que vous disposez déjà de données dans Google BigQuery, nous vous recommandons de commencer par cette méthode. Si vous avez des données de Google Analytics 360, vous pouvez déjà entraîner un modèle, par exemple pour calculer la probabilité de conversion, le churn ou tout autre paramètre. Il est très facile de choisir des prédicteurs, des fonctionnalités et des modèles de test. Il s'agit d'une méthode intelligente pour un analyste familiarisé avec SQL.
3. Les API AutoML et CloudML sont les moyens les plus élémentaires pour les développeurs. Ils facilitent le déploiement des modèles, les comparent et annulent la gestion des versions. C'est idéal si vous êtes développeur et que votre tâche consiste à déployer le modèle que vous avez créé en production.

Il s'agit d'un grand tableau avec des données à partir desquelles vous pouvez facilement calculer l'écart, la conversion, car vous disposez de tous les composants pour cela et ils sont regroupés en trois blocs : plan, réel et prévision.

1. Si on vous dit «Nous avons des objectifs marketing», cela signifie au mieux une feuille de calcul Excel qu'un analyste met à jour manuellement une fois par semaine.
2. Les prévisions automatisées ne remplacent pas l'analytique, c'est juste un moyen d'augmenter son efficacité. Selon notre expérience, des ajustements manuels sont toujours nécessaires. Par exemple, disons qu'en octobre, nous ouvrons un grand magasin à Houston. Le modèle de prévision n'en tiendra jamais compte parce qu'il n'a pas cette connaissance.
3. La qualité des prévisions est nettement améliorée si, en plus de vos propres données, vous utilisez des données de marché. C'est ce qui rend l'approche d'OWOX BI en matière de prévision qualitativement différente. Nous utilisons les données de dizaines de milliers de projets pour former notre modèle. En conséquence, il montre les tendances du marché avec plus de précision. Par exemple, nous connaissons la part de marché de la recherche organique et de la recherche payante pour des projets dans le même créneau que celui de notre client, et nous savons à quoi ces chiffres mènent. L'enrichissement du modèle avec ces données vous permet de mieux comprendre les tendances et de savoir si vous vous en sortez bien ou si le marché ne fait que croître.
4. Il est nécessaire de séparer les calculs de la visualisation des données. Lorsque vous avez formulé des attentes en matière de précision et de profondeur, vous pouvez établir une prévision et calculer des données dans un délai strictement imparti. Quant à la visualisation des données, c'est une tâche sans fin, et il n'y a pas de limite à la perfection.
5. Pour obtenir des prévisions de haute qualité avec une granularité de deux paramètres, vous avez besoin de données de site Web sur 3 millions de sessions par mois. Il est possible de construire une prévision avec un montant plus petit sans segmentation, mais la question est de savoir pourquoi. Si vous voyez, par exemple, que les objectifs ne sont pas atteints, pouvez-vous dire dans quel segment cela ne fonctionne pas ? Quelles régions ? Vous ne trouverez probablement pas la réponse car il y a peu de données.

Si vous disposez de données historiques sur deux ans de Google Analytics, d'un trafic de 3 millions de sessions par mois, et que vous souhaitez remplir vos objectifs marketing et croître plus rapidement grâce aux insights, écrivez-nous en remplissant un formulaire sur notre site. Nous discuterons des détails avec vous et vous aiderons à établir une prévision.