Pourquoi les modèles d'attribution à canal unique sont une impasse pour les CMO

Grâce à l'accès à une quantité massive de données client, les spécialistes du marketing peuvent obtenir une image globale de ce qui se passe. Par exemple, les spécialistes du marketing peuvent découvrir exactement comment les clients interagissent avec votre marque, prédire la probabilité qu'un utilisateur achète quelque chose (et quand), estimer les revenus que les clients apporteront et déterminer quels canaux sont les meilleurs pour interagir avec les clients. Mais ce n'est qu'un côté de la médaille. D'un autre côté, la publicité devient plus chère et l'attention des consommateurs devient plus difficile à obtenir.

Les spécialistes du marketing les plus avancés sur le plan technologique gagneront cette course, et l'attribution joue un rôle important dans l'évaluation de l'efficacité des canaux publicitaires. Cet article explique pourquoi les modèles d'attribution à canal unique ne mènent nulle part et pourquoi même les modèles basés sur les données ne suffisent pas pour un marketing réussi.

Avec le développement de la technologie, l'apparition de plus en plus de canaux de marketing (en ligne et hors ligne) et la transition des entreprises vers Internet en raison de la pandémie, il est crucial pour les marques de comprendre d'où viennent leurs clients et comment et quand les clients se convertissent . C'est là qu'intervient l'attribution marketing.

Dans l'analyse marketing, l'attribution consiste à évaluer la valeur apportée par les canaux publicitaires. C'est l'une des tâches essentielles des spécialistes du marketing numérique. Pourquoi? Comme le montrent les recherches de Gartner de 2020, plus de 80 % des budgets marketing sont consacrés aux canaux numériques. En termes simples, des millions de dollars sont dépensés en publicité, et les entreprises veulent évidemment être sûres que ces dépenses rapportent des clients et des revenus.

L' objectif de l'attribution est de définir la contribution d'un canal aux conversions - son rôle dans le déplacement des clients vers l'étape suivante de l'entonnoir ou la conduite des achats - et d'attribuer une valeur à chaque étape de l'entonnoir.

Les marques utilisent l'analyse marketing pour définir comment, où et quand un client interagit avec une entreprise et utilisent l'attribution pour évaluer l'efficacité du canal. Grâce à ces données, les marketeurs peuvent ensuite modifier et améliorer les campagnes publicitaires.

Il existe de nombreux types de modèles d'attribution et il convient de noter qu'il n'existe pas un seul modèle correct. Habituellement, les modèles d'attribution sont classés selon la logique selon laquelle ils calculent la valeur. Les types de modèles d'attribution incluent :

• Modèles d'attribution basés sur la position — Time Decay, Position-Based
• Modèles d'attribution algorithmique — Data-Driven, chaînes de Markov
• Modèles d'attribution à canal unique : dernier clic, premier clic
• Modèles d'attribution multicanal — Linéaire, Décroissance temporelle

La plupart des entreprises utilisent des modèles d'attribution à canal unique. Ces modèles ont toujours été utilisés, alors pourquoi changer quelque chose qui semble fonctionner ? Les modèles à canal unique sont simples, standard dans Google Analytics (Universal) et permettent de comprendre facilement comment la valeur est distribuée.

Voici un exemple de répartition de la valeur de conversion dans les modèles d'attribution à canal unique :

Cependant, ces modèles ne peuvent évaluer qu'un seul canal. Ils simplifient à l'excès le parcours client omnicanal vers l'achat, ce qui conduit à de graves idées fausses et ne montre certainement pas la situation réelle.

Par exemple, si nous examinons le rapport Path d'un détaillant multicanal avec un nombre modéré de visiteurs sur le site Web, nous pouvons voir quelle part des revenus est générée par les commandes passées lors de la première visite. Ici, les parcours multicanaux à deux visites et plus rapportent 72% des revenus.

En moyenne, il faut entre sept et neuf points de contact (les plus performants peuvent réduire ce nombre à cinq) pour qu'un client se convertisse. Évidemment, chacun de ces points de contact (canaux) affecte la probabilité de conversion. Il est logique qu'il soit nécessaire de prendre en compte l'influence de tous les canaux sur l'acheteur dans ce cas.

Cependant, lorsque vous utilisez des modèles d'attribution à canal unique, différentes étapes de l'entonnoir sont ignorées. Ignorer ce qui se passe au début, au milieu et à la fin de l'entonnoir de vente peut entraîner de mauvaises décisions de gestion et des pertes financières.

En plus des modèles d'attribution à canal unique, les modèles basés sur les données sont très populaires. Parmi les exemples les plus célèbres figurent le modèle Data-Driven de Google, le modèle Conversion Lift de Facebook et le modèle Campaign Lift de Nielsen.

Les modèles basés sur les données reflètent plus précisément l'impact de chaque source sur le chemin de la conversion. Ils sont rapides, adaptables et plus objectifs que les modèles à canal unique, car ils prennent en compte toutes les données sur les interactions des utilisateurs avec les marques. Dans un environnement multicanal, tous les points de contact convainquent les clients d'acheter un produit, mais il est clair que leur influence n'est pas égale. Par conséquent, les modèles d'attribution simples et traditionnels laissent de grandes lacunes lors de l'analyse des données et ne donnent pas une image complète de ce qui se passe.

L'attribution basée sur les données compare les parcours des utilisateurs à l'aide de données sur tous les utilisateurs (ceux qui ont converti ainsi que ceux qui ne l'ont pas fait). Cette approche permet aux marketeurs d'évaluer dans quel cas la probabilité de conversion est plus élevée.

En conséquence, le modèle calcule le poids de conversion de chaque canal dans le parcours de l'utilisateur, quelle que soit sa position.

Les inconvénients des modèles basés sur les données incluent le fait que l'algorithme doit recevoir suffisamment de données pour afficher les résultats les plus précis. Pour qu'un modèle fournisse une estimation fiable, il a besoin de beaucoup de données historiques et de marché. Au moins 12 points de contact sont nécessaires pour obtenir une grande précision dans les modèles d'attribution basés sur les données.

En résumé, on peut dire que le plus souvent, un modèle monocanal conduit à des décisions de gestion erronées, car ces décisions ne prendront pas en compte l'ensemble du tableau. Ainsi, un modèle basé sur les données est meilleur qu'un modèle à canal unique. Cependant, il n'y a pas de limite à la perfection. Les options plus avancées tiennent compte de la probabilité des conversions et sont formées sur les données du marché à l'aide de technologies d'apprentissage automatique.

Le plus gros problème avec les modèles d'attribution basés sur les données est que trop de données sont nécessaires pour l'analyse. Ce n'est pas un canal qui participe à la communication avec le client mais un ensemble de sources médiatiques dans différentes variantes. Pour mesurer la métrique du retour sur investissement, par exemple, un spécialiste du marketing doit gérer d'une manière ou d'une autre cet orchestre dans son ensemble.

C'est là que les modèles d'attribution de machine learning (ML) sauvent la mise ! Les modèles utilisant l'apprentissage automatique et les données du marché ont complètement changé l'approche de l'attribution. Les modèles ML peuvent être adaptés aux entreprises pour obtenir l'image la plus complète et la plus véridique du parcours d'achat d'un client. Avec une augmentation de plus de 70 % des ventes sur Internet d'une année sur l'autre entre 2019 et 2020, un modèle ML est indispensable pour tout spécialiste du marketing.

Toutes les données nécessaires à l'analyse marketing - dont la quantité augmente chaque jour - ne peuvent pas être traitées sans l'utilisation de l'apprentissage automatique. Avec son aide, les spécialistes du marketing n'ont plus besoin de se pousser dans un labyrinthe de chiffres à la recherche d'informations utiles.

Après tout, il est important pour les entreprises non seulement de comprendre quels canaux ne fonctionnent pas, mais également de comprendre lesquels fonctionnent afin de ne pas allouer leurs budgets à l'aveuglette.

Selon l'étude Digital Marketing Insights for CMOs in 2021 de Gartner, 84 % des CMO pensent que l'utilisation de l'apprentissage automatique et de l'intelligence artificielle améliore les fonctionnalités marketing. Dans le même temps, seuls 17 % des professionnels utilisent largement les capacités d'IA/ML.

L'équipe OWOX BI a travaillé sur plus de 27 000 projets et comprend que chaque entreprise a ses propres besoins d'attribution et qu'il n'y a pas de réponse claire pour tout le monde. Pour une entreprise, un modèle monocanal convient. Certaines entreprises ont besoin d'une option basée sur les données. Et pour les autres, l'optimisation du marketing mix (MMO) est nécessaire.

La théorie va toujours de pair avec la pratique. Le modèle OWOX se caractérise par une vitesse accrue et une excellente qualité de prévision car il est formé sur les données de marché de dizaines de milliers de projets. L'utilisation de l'attribution ML et de l'importation automatique des audiences a permis à l'un de nos clients d'augmenter son retour sur investissement de 2,2 fois.

OWOX a récemment lancé une version mise à jour de son modèle d'attribution. Quels sont les avantages de ce nouveau modèle ?

1. Vous n'avez pas à choisir manuellement les étapes de l'entonnoir. Le modèle lui-même détermine la contribution des campagnes en fonction de la probabilité de conversions.
2. Vous obtenez une prévision de la valeur pour toutes les sessions. Avec le nouveau modèle, vous pouvez répondre à la question Si je devais désactiver cette campagne aujourd'hui, combien de conversions recevrais-je à l'avenir ? Cette approche vous permet d'éviter de désactiver les campagnes différées et de désactiver plus rapidement les campagnes inefficaces.

3. La logique de calcul est absolument transparente. Le code de transformation des données ouvertes vous permet de prendre en compte toutes les caractéristiques de l'entreprise. Les clients OWOX peuvent apporter les modifications nécessaires au code pendant que le service met à jour les données des sources marketing (services publicitaires, services d'appel, CRM), les combine avec les données de coût de diverses plateformes publicitaires et prépare les rapports requis.

Les modèles d'attribution vous permettent de contrôler les canaux marketing, vous aidant à comprendre avec quelle précision vos rapports démontrent l'efficacité de votre marketing et comment vous pouvez optimiser votre marketing sur les points de contact qui comptent vraiment.

Les spécialistes du marketing doivent être sûrs que chaque action rapproche le client de la conversion. Vous pouvez utiliser des modèles d'attribution pour déterminer les campagnes marketing les plus rentables en fonction du montant que vous y avez investi.

Le modèle à choisir dépend de votre secteur d'activité, des objectifs de votre entreprise et de la taille de votre entreprise. Cependant, une chose est sûre : aucun de ces modèles ne peut garantir des résultats précis à 100 %.