Modélisation d'attribution dans un monde sans cookies
Modélisation d'attribution dans un monde sans cookies
Exploration de la modélisation d'attribution et d'une alternative aux méthodes traditionnelles face à la disparition progressive des cookies tiers.
Exploration de la modélisation d'attribution et d'une alternative aux méthodes traditionnelles face à la disparition progressive des cookies tiers.
Exploration de la modélisation d'attribution et d'une alternative aux méthodes traditionnelles face à la disparition progressive des cookies tiers.
« Si votre site utilise des cookies tiers, il est temps d'agir à l'approche de leur dépréciation »
La modélisation d'attribution permet aux spécialistes du marketing de répondre à cette question cruciale : « Comment optimiser mes dépenses marketing pour maximiser le ROI ? » En d'autres termes, les modèles d’attribution marketing permettent d'attribuer le crédit aux canaux marketing et aux points de contact tout au long du parcours de l'acheteur qui ont conduit à la conversion d'un prospect.
Traditionnellement, des méthodes telles que l'attribution au premier clic et au dernier clic ont dominé. Elles reposent fortement sur les données provenant des cookies tiers pour suivre les interactions des utilisateurs sur le web.
Cependant, les navigateurs web populaires ont déjà commencé à dire adieu aux cookies tiers. La dernière entreprise, Google, a également annoncé des plans pour éliminer progressivement les cookies tiers dans son navigateur Chrome. Selon eux, « Si votre site utilise des cookies tiers, il est temps d'agir à l'approche de leur dépréciation ».
Google a également publié un calendrier résumant l'élimination progressive à venir. Au 4 janvier 2024, ils avaient déjà restreint les cookies pour environ 1% des utilisateurs de Chrome. En 2025, ils augmenteront l'élimination complète.
Cette initiative est largement positive car elle améliore considérablement la confidentialité des utilisateurs. Cependant, elle pose un défi : les modèles d'attribution traditionnels perdront de leur efficacité sans les données des cookies tiers.
Cet article discute des modèles d’attribution et de leurs alternatives. Nous présentons également une étude de cas sur la manière dont nous avons mis en œuvre avec succès des modèles de mix marketing pour une grande agence de voyages.
Le défi des modèles d'attribution traditionnels
Les modèles d'attribution traditionnels attribuent le crédit à différents points de contact dans le parcours du consommateur, chacun avec sa propre méthode d'attribution de valeur.
Voici quelques modèles traditionnels couramment utilisés :
Premier clic : Attribue le crédit au premier point de contact qu'un client a eu avant de convertir. Il met l'accent sur l'importance de l'engagement initial.
Dernier clic : Attribue tout le crédit au dernier point de contact avant la conversion, en donnant la priorité à l'action qui a directement mené à la vente.
Linéaire : Distribue le crédit également entre tous les points de contact, reconnaissant le rôle de chaque interaction tout au long du parcours client.
Décroissance temporelle : Attribue plus de crédit aux points de contact qui se produisent plus près dans le temps de la conversion, en supposant que les actions plus récentes sont plus influentes.
Multi-Touch : Une approche dynamique et probabilistique pour comprendre et attribuer les conversions, en tenant compte de la nature multifacette et complexe des parcours consommateurs modernes.
Ces modèles reposent fortement sur le suivi des interactions des utilisateurs, principalement par le biais de cookies tiers, sur les sites web et les plateformes. Ces cookies suivent les traces numériques des utilisateurs sur Internet, fournissant les données nécessaires aux modèles d'attribution et aidant les spécialistes du marketing à optimiser leurs stratégies.
Cependant, ces modèles traditionnels font face à des problèmes de fiabilité importants avec l'élimination progressive des cookies tiers.
Sans cookies tiers, le suivi du comportement des utilisateurs sur plusieurs sites devient difficile. Cela perturbe le flux de données nécessaire pour attribuer avec précision le crédit de conversion à divers points de contact marketing. En conséquence, les spécialistes du marketing peuvent voir des données incomplètes ou biaisées, ce qui conduit à des décisions moins éclairées sur la manière d'allouer les dépenses marketing.
Pourquoi envisager des modèles d'attribution alternatifs maintenant ?
« Les cookies ne sont faits que pour être mangés ! »
Alors que les cookies tiers deviennent obsolètes, les entreprises doivent réévaluer leurs modèles d'attribution pour maintenir la précision et l'efficacité de leurs activités marketing.
L'adoption de nouveaux modèles dès maintenant en réponse aux changements technologiques est non seulement une réponse mais aussi une étape proactive pour s'aligner sur les tendances mondiales vers une plus grande confidentialité des données.
Cette transition loin des cookies tiers fait partie d'un mouvement plus vaste visant à améliorer la confidentialité des consommateurs. Des réglementations telles que le RGPD en Europe et le CCPA en Californie ont établi des précédents soulignant l'importance de protéger les données des utilisateurs. Ces changements indiquent une direction claire loin des pratiques de suivi invasives vers des méthodes plus respectueuses de la vie privée.
Les entreprises qui ne se conforment pas à ces réglementations risquent des répercussions juridiques ainsi qu'une atteinte à leur réputation et à la confiance de leurs clients.
La modélisation du mix marketing est une alternative robuste, nous permettant d'analyser les données agrégées plutôt que de se fier au suivi des utilisateurs au niveau individuel.
Comprendre les modèles de mix marketing
Les modèles de mix marketing (MMM) sont composés d'un ensemble de techniques statistiques utilisées pour quantifier l'impact de diverses activités marketing sur les résultats de ventes.
Ces modèles analysent les données historiques pour comprendre comment différents éléments du mix marketing, tels que la publicité, les promotions, les prix et la distribution, contribuent à ces résultats de ventes.
Alors que les modèles d'attribution traditionnels se concentrent sur les données utilisateur pour suivre les parcours individuels des consommateurs à travers des points de contact, les MMM utilisent des données agrégées à un niveau supérieur.
Les modèles traditionnels attribuent les ventes directement à des interactions ou des points de contact spécifiques. En revanche, les MMM utilisent l'analyse statistique pour déduire l'efficacité de diverses activités marketing au fil du temps. Ces modèles peuvent souvent intégrer des facteurs externes tels que les conditions économiques et les actions des concurrents.
Avantages des modèles de mix marketing
Les modèles de mix marketing ne dépendent pas des données des utilisateurs individuels, ce qui les rend intrinsèquement conformes aux réglementations sur la confidentialité.
En analysant les tendances du marché plus larges et les facteurs externes tels que les conditions économiques et les actions des concurrents, les MMM fournissent des informations plus approfondies qui aident à la prise de décision stratégique.
Ces modèles peuvent également s'adapter aux changements dans les stratégies marketing et le comportement des consommateurs sans avoir besoin d'un suivi granulaire.
Google a publié un document de recherche soulignant les défis et opportunités de la modélisation du mix marketing. C’est une lecture incontournable si vous êtes intéressé à plonger dans les détails techniques derrière les MMM.
Bibliothèques Python pour les modèles de mix marketing
Le langage de programmation Python est le choix numéro un pour l'analyse de données et l'apprentissage automatique. Alors que nous explorons la transition vers les modèles de mix marketing, il est essentiel de se familiariser également avec les bibliothèques Python associées.
Deux des bibliothèques Python les plus populaires pour développer et mettre en œuvre des MMM sont :
LightweightMMM de Google: Développé par Google, ce package Python est conçu spécifiquement pour la modélisation du mix marketing. LightweightMMM utilise des modèles de séries chronologiques structurelles bayésiennes pour estimer l'impact incrémental des tactiques marketing sur les ventes ou d'autres métriques.
Robyn de Facebook : Développé par Facebook, Robyn est un package de modélisation du mix marketing itératif et semi-automatisé. Bien qu'initialement conçu pour le langage de programmation R, ils ont récemment publié une API qui vous permet d'utiliser Robyn avec Python.
Étude de cas : Succès avec les modèles de mix
En identifiant les surinvestissements et sous-investissements dans les budgets marketing à travers les canaux, notre client a pu réallouer les ressources plus efficacement pour maximiser le ROI.
Une grande agence de voyages devait évaluer l'efficacité des efforts marketing à travers différents canaux et améliorer leur allocation de budgets marketing.
Méthodologie
Nous avons utilisé la modélisation du mix marketing pour analyser les données historiques et quantifier l'impact de différentes activités marketing sur les résultats de ventes.
Nous avons pris en compte des facteurs tels que la manière dont les publicités étaient communiquées, les appareils sur lesquels elles étaient visionnées et si elles visaient des produits spécifiques.
De plus, l'utilisation des MMM nous a également permis d'analyser et de visualiser comment ces résultats de ventes ont évolué au fil du temps et s'il y avait des tendances saisonnières que nous devions incorporer dans nos modèles.
En utilisant des techniques de backtesting, nous avons pu valider nos modèles, assurant un haut degré de fiabilité dans nos résultats.
Résultats
Nous avons permis au client d'obtenir des informations précieuses sur la manière dont différents canaux marketing ont réagi aux activités marketing, permettant une prise de décision éclairée.
En identifiant les surinvestissements et sous-investissements dans les budgets marketing à travers les canaux, notre client a pu réallouer les ressources plus efficacement pour maximiser le ROI.
Dans la publicité télévisée, par exemple, nous avons pu montrer qu'il y avait encore une marge supplémentaire pour l'investissement car le ROI n'avait pas encore atteint son potentiel maximum.
ROI des investissements télévisés
En revanche, nous avons démontré un ROI diminué dans la publicité radio en raison d'un surinvestissement dans ce canal.
ROI des investissements radio
Comprendre les moyens les plus efficaces pour communiquer avec les clients a également aidé notre client à personnaliser leurs stratégies de message et de ciblage pour un engagement et une conversion améliorés.
Enfin, l'analyse a identifié des interactions entre différents canaux marketing, découvrant des synergies et des opportunités pour des campagnes marketing intégrées.
Préparer votre organisation à la transition
1. Éduquer et former les équipes
Organisez des ateliers pour informer les équipes marketing de l'élimination progressive des cookies tiers et de ses implications.
Offrez des sessions de formation axées sur les nouveaux outils et techniques impliqués dans la modélisation du mix marketing.
Envisagez d'engager des experts externes pour une formation spécialisée ou de souscrire à des cours en ligne couvrant l'analyse marketing avancée.
2. Intégrer progressivement les nouveaux modèles
Démarrez avec des projets pilotes qui utilisent de nouveaux modèles d'attribution en parallèle avec les méthodes existantes. Cette phase de double fonctionnement permet aux équipes de comparer les résultats et de se familiariser avec les nouveaux modèles.
Avant de passer à une modélisation plus complexe bayésienne ou basée sur des agents, envisagez d'abord de commencer avec des modèles de régression de base dans des projets pilotes précoces.
Vous pouvez également mettre en œuvre les nouveaux modèles par phases, en commençant par des campagnes moins critiques pour gérer le risque et en s'étendant progressivement à des campagnes plus importantes à mesure que l'organisation acquiert plus d'expertise et de confiance.
3. Améliorer l'infrastructure des données
Assurez-vous que les pratiques de gestion des données sont suffisamment robustes pour gérer les types de données nécessaires à la modélisation du mix marketing tout en assurant des niveaux élevés de qualité des données.
Évaluez et améliorez les ressources technologiques si nécessaire, telles que les solutions de stockage des données et les outils analytiques qui soutiennent les nouveaux modèles d'attribution.
L'avenir de la modélisation d'attribution avec Agilytic
La question centrale au cœur de la modélisation d'attribution est de savoir comment optimiser les dépenses marketing pour maximiser le ROI.
La transition vers des techniques alternatives de modélisation d'attribution peut être un processus fluide avec les bons outils et stratégies.
Chez Agilytic, notre expérience dans la mise en œuvre de modèles de mix marketing—comme l'illustre notre étude de cas avec une grande agence de voyages—nous a dotés de l'expertise et des connaissances nécessaires pour guider d'autres entreprises lors de transitions similaires.
Notre succès dans l'amélioration des stratégies marketing grâce à des modèles d'attribution avancés prouve la valeur de s'éloigner des méthodes obsolètes et dépendantes des cookies.
Nous comprenons que la transition vers de nouveaux modèles peut sembler intimidante. C'est pourquoi nous proposons des solutions sur mesure qui s'intègrent parfaitement à vos flux de travail existants, soutenues par une formation et un support complets.
—
Écrit par Joleen Bothma
« Si votre site utilise des cookies tiers, il est temps d'agir à l'approche de leur dépréciation »
La modélisation d'attribution permet aux spécialistes du marketing de répondre à cette question cruciale : « Comment optimiser mes dépenses marketing pour maximiser le ROI ? » En d'autres termes, les modèles d’attribution marketing permettent d'attribuer le crédit aux canaux marketing et aux points de contact tout au long du parcours de l'acheteur qui ont conduit à la conversion d'un prospect.
Traditionnellement, des méthodes telles que l'attribution au premier clic et au dernier clic ont dominé. Elles reposent fortement sur les données provenant des cookies tiers pour suivre les interactions des utilisateurs sur le web.
Cependant, les navigateurs web populaires ont déjà commencé à dire adieu aux cookies tiers. La dernière entreprise, Google, a également annoncé des plans pour éliminer progressivement les cookies tiers dans son navigateur Chrome. Selon eux, « Si votre site utilise des cookies tiers, il est temps d'agir à l'approche de leur dépréciation ».
Google a également publié un calendrier résumant l'élimination progressive à venir. Au 4 janvier 2024, ils avaient déjà restreint les cookies pour environ 1% des utilisateurs de Chrome. En 2025, ils augmenteront l'élimination complète.
Cette initiative est largement positive car elle améliore considérablement la confidentialité des utilisateurs. Cependant, elle pose un défi : les modèles d'attribution traditionnels perdront de leur efficacité sans les données des cookies tiers.
Cet article discute des modèles d’attribution et de leurs alternatives. Nous présentons également une étude de cas sur la manière dont nous avons mis en œuvre avec succès des modèles de mix marketing pour une grande agence de voyages.
Le défi des modèles d'attribution traditionnels
Les modèles d'attribution traditionnels attribuent le crédit à différents points de contact dans le parcours du consommateur, chacun avec sa propre méthode d'attribution de valeur.
Voici quelques modèles traditionnels couramment utilisés :
Premier clic : Attribue le crédit au premier point de contact qu'un client a eu avant de convertir. Il met l'accent sur l'importance de l'engagement initial.
Dernier clic : Attribue tout le crédit au dernier point de contact avant la conversion, en donnant la priorité à l'action qui a directement mené à la vente.
Linéaire : Distribue le crédit également entre tous les points de contact, reconnaissant le rôle de chaque interaction tout au long du parcours client.
Décroissance temporelle : Attribue plus de crédit aux points de contact qui se produisent plus près dans le temps de la conversion, en supposant que les actions plus récentes sont plus influentes.
Multi-Touch : Une approche dynamique et probabilistique pour comprendre et attribuer les conversions, en tenant compte de la nature multifacette et complexe des parcours consommateurs modernes.
Ces modèles reposent fortement sur le suivi des interactions des utilisateurs, principalement par le biais de cookies tiers, sur les sites web et les plateformes. Ces cookies suivent les traces numériques des utilisateurs sur Internet, fournissant les données nécessaires aux modèles d'attribution et aidant les spécialistes du marketing à optimiser leurs stratégies.
Cependant, ces modèles traditionnels font face à des problèmes de fiabilité importants avec l'élimination progressive des cookies tiers.
Sans cookies tiers, le suivi du comportement des utilisateurs sur plusieurs sites devient difficile. Cela perturbe le flux de données nécessaire pour attribuer avec précision le crédit de conversion à divers points de contact marketing. En conséquence, les spécialistes du marketing peuvent voir des données incomplètes ou biaisées, ce qui conduit à des décisions moins éclairées sur la manière d'allouer les dépenses marketing.
Pourquoi envisager des modèles d'attribution alternatifs maintenant ?
« Les cookies ne sont faits que pour être mangés ! »
Alors que les cookies tiers deviennent obsolètes, les entreprises doivent réévaluer leurs modèles d'attribution pour maintenir la précision et l'efficacité de leurs activités marketing.
L'adoption de nouveaux modèles dès maintenant en réponse aux changements technologiques est non seulement une réponse mais aussi une étape proactive pour s'aligner sur les tendances mondiales vers une plus grande confidentialité des données.
Cette transition loin des cookies tiers fait partie d'un mouvement plus vaste visant à améliorer la confidentialité des consommateurs. Des réglementations telles que le RGPD en Europe et le CCPA en Californie ont établi des précédents soulignant l'importance de protéger les données des utilisateurs. Ces changements indiquent une direction claire loin des pratiques de suivi invasives vers des méthodes plus respectueuses de la vie privée.
Les entreprises qui ne se conforment pas à ces réglementations risquent des répercussions juridiques ainsi qu'une atteinte à leur réputation et à la confiance de leurs clients.
La modélisation du mix marketing est une alternative robuste, nous permettant d'analyser les données agrégées plutôt que de se fier au suivi des utilisateurs au niveau individuel.
Comprendre les modèles de mix marketing
Les modèles de mix marketing (MMM) sont composés d'un ensemble de techniques statistiques utilisées pour quantifier l'impact de diverses activités marketing sur les résultats de ventes.
Ces modèles analysent les données historiques pour comprendre comment différents éléments du mix marketing, tels que la publicité, les promotions, les prix et la distribution, contribuent à ces résultats de ventes.
Alors que les modèles d'attribution traditionnels se concentrent sur les données utilisateur pour suivre les parcours individuels des consommateurs à travers des points de contact, les MMM utilisent des données agrégées à un niveau supérieur.
Les modèles traditionnels attribuent les ventes directement à des interactions ou des points de contact spécifiques. En revanche, les MMM utilisent l'analyse statistique pour déduire l'efficacité de diverses activités marketing au fil du temps. Ces modèles peuvent souvent intégrer des facteurs externes tels que les conditions économiques et les actions des concurrents.
Avantages des modèles de mix marketing
Les modèles de mix marketing ne dépendent pas des données des utilisateurs individuels, ce qui les rend intrinsèquement conformes aux réglementations sur la confidentialité.
En analysant les tendances du marché plus larges et les facteurs externes tels que les conditions économiques et les actions des concurrents, les MMM fournissent des informations plus approfondies qui aident à la prise de décision stratégique.
Ces modèles peuvent également s'adapter aux changements dans les stratégies marketing et le comportement des consommateurs sans avoir besoin d'un suivi granulaire.
Google a publié un document de recherche soulignant les défis et opportunités de la modélisation du mix marketing. C’est une lecture incontournable si vous êtes intéressé à plonger dans les détails techniques derrière les MMM.
Bibliothèques Python pour les modèles de mix marketing
Le langage de programmation Python est le choix numéro un pour l'analyse de données et l'apprentissage automatique. Alors que nous explorons la transition vers les modèles de mix marketing, il est essentiel de se familiariser également avec les bibliothèques Python associées.
Deux des bibliothèques Python les plus populaires pour développer et mettre en œuvre des MMM sont :
LightweightMMM de Google: Développé par Google, ce package Python est conçu spécifiquement pour la modélisation du mix marketing. LightweightMMM utilise des modèles de séries chronologiques structurelles bayésiennes pour estimer l'impact incrémental des tactiques marketing sur les ventes ou d'autres métriques.
Robyn de Facebook : Développé par Facebook, Robyn est un package de modélisation du mix marketing itératif et semi-automatisé. Bien qu'initialement conçu pour le langage de programmation R, ils ont récemment publié une API qui vous permet d'utiliser Robyn avec Python.
Étude de cas : Succès avec les modèles de mix
En identifiant les surinvestissements et sous-investissements dans les budgets marketing à travers les canaux, notre client a pu réallouer les ressources plus efficacement pour maximiser le ROI.
Une grande agence de voyages devait évaluer l'efficacité des efforts marketing à travers différents canaux et améliorer leur allocation de budgets marketing.
Méthodologie
Nous avons utilisé la modélisation du mix marketing pour analyser les données historiques et quantifier l'impact de différentes activités marketing sur les résultats de ventes.
Nous avons pris en compte des facteurs tels que la manière dont les publicités étaient communiquées, les appareils sur lesquels elles étaient visionnées et si elles visaient des produits spécifiques.
De plus, l'utilisation des MMM nous a également permis d'analyser et de visualiser comment ces résultats de ventes ont évolué au fil du temps et s'il y avait des tendances saisonnières que nous devions incorporer dans nos modèles.
En utilisant des techniques de backtesting, nous avons pu valider nos modèles, assurant un haut degré de fiabilité dans nos résultats.
Résultats
Nous avons permis au client d'obtenir des informations précieuses sur la manière dont différents canaux marketing ont réagi aux activités marketing, permettant une prise de décision éclairée.
En identifiant les surinvestissements et sous-investissements dans les budgets marketing à travers les canaux, notre client a pu réallouer les ressources plus efficacement pour maximiser le ROI.
Dans la publicité télévisée, par exemple, nous avons pu montrer qu'il y avait encore une marge supplémentaire pour l'investissement car le ROI n'avait pas encore atteint son potentiel maximum.
ROI des investissements télévisés
En revanche, nous avons démontré un ROI diminué dans la publicité radio en raison d'un surinvestissement dans ce canal.
ROI des investissements radio
Comprendre les moyens les plus efficaces pour communiquer avec les clients a également aidé notre client à personnaliser leurs stratégies de message et de ciblage pour un engagement et une conversion améliorés.
Enfin, l'analyse a identifié des interactions entre différents canaux marketing, découvrant des synergies et des opportunités pour des campagnes marketing intégrées.
Préparer votre organisation à la transition
1. Éduquer et former les équipes
Organisez des ateliers pour informer les équipes marketing de l'élimination progressive des cookies tiers et de ses implications.
Offrez des sessions de formation axées sur les nouveaux outils et techniques impliqués dans la modélisation du mix marketing.
Envisagez d'engager des experts externes pour une formation spécialisée ou de souscrire à des cours en ligne couvrant l'analyse marketing avancée.
2. Intégrer progressivement les nouveaux modèles
Démarrez avec des projets pilotes qui utilisent de nouveaux modèles d'attribution en parallèle avec les méthodes existantes. Cette phase de double fonctionnement permet aux équipes de comparer les résultats et de se familiariser avec les nouveaux modèles.
Avant de passer à une modélisation plus complexe bayésienne ou basée sur des agents, envisagez d'abord de commencer avec des modèles de régression de base dans des projets pilotes précoces.
Vous pouvez également mettre en œuvre les nouveaux modèles par phases, en commençant par des campagnes moins critiques pour gérer le risque et en s'étendant progressivement à des campagnes plus importantes à mesure que l'organisation acquiert plus d'expertise et de confiance.
3. Améliorer l'infrastructure des données
Assurez-vous que les pratiques de gestion des données sont suffisamment robustes pour gérer les types de données nécessaires à la modélisation du mix marketing tout en assurant des niveaux élevés de qualité des données.
Évaluez et améliorez les ressources technologiques si nécessaire, telles que les solutions de stockage des données et les outils analytiques qui soutiennent les nouveaux modèles d'attribution.
L'avenir de la modélisation d'attribution avec Agilytic
La question centrale au cœur de la modélisation d'attribution est de savoir comment optimiser les dépenses marketing pour maximiser le ROI.
La transition vers des techniques alternatives de modélisation d'attribution peut être un processus fluide avec les bons outils et stratégies.
Chez Agilytic, notre expérience dans la mise en œuvre de modèles de mix marketing—comme l'illustre notre étude de cas avec une grande agence de voyages—nous a dotés de l'expertise et des connaissances nécessaires pour guider d'autres entreprises lors de transitions similaires.
Notre succès dans l'amélioration des stratégies marketing grâce à des modèles d'attribution avancés prouve la valeur de s'éloigner des méthodes obsolètes et dépendantes des cookies.
Nous comprenons que la transition vers de nouveaux modèles peut sembler intimidante. C'est pourquoi nous proposons des solutions sur mesure qui s'intègrent parfaitement à vos flux de travail existants, soutenues par une formation et un support complets.
—
Écrit par Joleen Bothma
« Si votre site utilise des cookies tiers, il est temps d'agir à l'approche de leur dépréciation »
La modélisation d'attribution permet aux spécialistes du marketing de répondre à cette question cruciale : « Comment optimiser mes dépenses marketing pour maximiser le ROI ? » En d'autres termes, les modèles d’attribution marketing permettent d'attribuer le crédit aux canaux marketing et aux points de contact tout au long du parcours de l'acheteur qui ont conduit à la conversion d'un prospect.
Traditionnellement, des méthodes telles que l'attribution au premier clic et au dernier clic ont dominé. Elles reposent fortement sur les données provenant des cookies tiers pour suivre les interactions des utilisateurs sur le web.
Cependant, les navigateurs web populaires ont déjà commencé à dire adieu aux cookies tiers. La dernière entreprise, Google, a également annoncé des plans pour éliminer progressivement les cookies tiers dans son navigateur Chrome. Selon eux, « Si votre site utilise des cookies tiers, il est temps d'agir à l'approche de leur dépréciation ».
Google a également publié un calendrier résumant l'élimination progressive à venir. Au 4 janvier 2024, ils avaient déjà restreint les cookies pour environ 1% des utilisateurs de Chrome. En 2025, ils augmenteront l'élimination complète.
Cette initiative est largement positive car elle améliore considérablement la confidentialité des utilisateurs. Cependant, elle pose un défi : les modèles d'attribution traditionnels perdront de leur efficacité sans les données des cookies tiers.
Cet article discute des modèles d’attribution et de leurs alternatives. Nous présentons également une étude de cas sur la manière dont nous avons mis en œuvre avec succès des modèles de mix marketing pour une grande agence de voyages.
Le défi des modèles d'attribution traditionnels
Les modèles d'attribution traditionnels attribuent le crédit à différents points de contact dans le parcours du consommateur, chacun avec sa propre méthode d'attribution de valeur.
Voici quelques modèles traditionnels couramment utilisés :
Premier clic : Attribue le crédit au premier point de contact qu'un client a eu avant de convertir. Il met l'accent sur l'importance de l'engagement initial.
Dernier clic : Attribue tout le crédit au dernier point de contact avant la conversion, en donnant la priorité à l'action qui a directement mené à la vente.
Linéaire : Distribue le crédit également entre tous les points de contact, reconnaissant le rôle de chaque interaction tout au long du parcours client.
Décroissance temporelle : Attribue plus de crédit aux points de contact qui se produisent plus près dans le temps de la conversion, en supposant que les actions plus récentes sont plus influentes.
Multi-Touch : Une approche dynamique et probabilistique pour comprendre et attribuer les conversions, en tenant compte de la nature multifacette et complexe des parcours consommateurs modernes.
Ces modèles reposent fortement sur le suivi des interactions des utilisateurs, principalement par le biais de cookies tiers, sur les sites web et les plateformes. Ces cookies suivent les traces numériques des utilisateurs sur Internet, fournissant les données nécessaires aux modèles d'attribution et aidant les spécialistes du marketing à optimiser leurs stratégies.
Cependant, ces modèles traditionnels font face à des problèmes de fiabilité importants avec l'élimination progressive des cookies tiers.
Sans cookies tiers, le suivi du comportement des utilisateurs sur plusieurs sites devient difficile. Cela perturbe le flux de données nécessaire pour attribuer avec précision le crédit de conversion à divers points de contact marketing. En conséquence, les spécialistes du marketing peuvent voir des données incomplètes ou biaisées, ce qui conduit à des décisions moins éclairées sur la manière d'allouer les dépenses marketing.
Pourquoi envisager des modèles d'attribution alternatifs maintenant ?
« Les cookies ne sont faits que pour être mangés ! »
Alors que les cookies tiers deviennent obsolètes, les entreprises doivent réévaluer leurs modèles d'attribution pour maintenir la précision et l'efficacité de leurs activités marketing.
L'adoption de nouveaux modèles dès maintenant en réponse aux changements technologiques est non seulement une réponse mais aussi une étape proactive pour s'aligner sur les tendances mondiales vers une plus grande confidentialité des données.
Cette transition loin des cookies tiers fait partie d'un mouvement plus vaste visant à améliorer la confidentialité des consommateurs. Des réglementations telles que le RGPD en Europe et le CCPA en Californie ont établi des précédents soulignant l'importance de protéger les données des utilisateurs. Ces changements indiquent une direction claire loin des pratiques de suivi invasives vers des méthodes plus respectueuses de la vie privée.
Les entreprises qui ne se conforment pas à ces réglementations risquent des répercussions juridiques ainsi qu'une atteinte à leur réputation et à la confiance de leurs clients.
La modélisation du mix marketing est une alternative robuste, nous permettant d'analyser les données agrégées plutôt que de se fier au suivi des utilisateurs au niveau individuel.
Comprendre les modèles de mix marketing
Les modèles de mix marketing (MMM) sont composés d'un ensemble de techniques statistiques utilisées pour quantifier l'impact de diverses activités marketing sur les résultats de ventes.
Ces modèles analysent les données historiques pour comprendre comment différents éléments du mix marketing, tels que la publicité, les promotions, les prix et la distribution, contribuent à ces résultats de ventes.
Alors que les modèles d'attribution traditionnels se concentrent sur les données utilisateur pour suivre les parcours individuels des consommateurs à travers des points de contact, les MMM utilisent des données agrégées à un niveau supérieur.
Les modèles traditionnels attribuent les ventes directement à des interactions ou des points de contact spécifiques. En revanche, les MMM utilisent l'analyse statistique pour déduire l'efficacité de diverses activités marketing au fil du temps. Ces modèles peuvent souvent intégrer des facteurs externes tels que les conditions économiques et les actions des concurrents.
Avantages des modèles de mix marketing
Les modèles de mix marketing ne dépendent pas des données des utilisateurs individuels, ce qui les rend intrinsèquement conformes aux réglementations sur la confidentialité.
En analysant les tendances du marché plus larges et les facteurs externes tels que les conditions économiques et les actions des concurrents, les MMM fournissent des informations plus approfondies qui aident à la prise de décision stratégique.
Ces modèles peuvent également s'adapter aux changements dans les stratégies marketing et le comportement des consommateurs sans avoir besoin d'un suivi granulaire.
Google a publié un document de recherche soulignant les défis et opportunités de la modélisation du mix marketing. C’est une lecture incontournable si vous êtes intéressé à plonger dans les détails techniques derrière les MMM.
Bibliothèques Python pour les modèles de mix marketing
Le langage de programmation Python est le choix numéro un pour l'analyse de données et l'apprentissage automatique. Alors que nous explorons la transition vers les modèles de mix marketing, il est essentiel de se familiariser également avec les bibliothèques Python associées.
Deux des bibliothèques Python les plus populaires pour développer et mettre en œuvre des MMM sont :
LightweightMMM de Google: Développé par Google, ce package Python est conçu spécifiquement pour la modélisation du mix marketing. LightweightMMM utilise des modèles de séries chronologiques structurelles bayésiennes pour estimer l'impact incrémental des tactiques marketing sur les ventes ou d'autres métriques.
Robyn de Facebook : Développé par Facebook, Robyn est un package de modélisation du mix marketing itératif et semi-automatisé. Bien qu'initialement conçu pour le langage de programmation R, ils ont récemment publié une API qui vous permet d'utiliser Robyn avec Python.
Étude de cas : Succès avec les modèles de mix
En identifiant les surinvestissements et sous-investissements dans les budgets marketing à travers les canaux, notre client a pu réallouer les ressources plus efficacement pour maximiser le ROI.
Une grande agence de voyages devait évaluer l'efficacité des efforts marketing à travers différents canaux et améliorer leur allocation de budgets marketing.
Méthodologie
Nous avons utilisé la modélisation du mix marketing pour analyser les données historiques et quantifier l'impact de différentes activités marketing sur les résultats de ventes.
Nous avons pris en compte des facteurs tels que la manière dont les publicités étaient communiquées, les appareils sur lesquels elles étaient visionnées et si elles visaient des produits spécifiques.
De plus, l'utilisation des MMM nous a également permis d'analyser et de visualiser comment ces résultats de ventes ont évolué au fil du temps et s'il y avait des tendances saisonnières que nous devions incorporer dans nos modèles.
En utilisant des techniques de backtesting, nous avons pu valider nos modèles, assurant un haut degré de fiabilité dans nos résultats.
Résultats
Nous avons permis au client d'obtenir des informations précieuses sur la manière dont différents canaux marketing ont réagi aux activités marketing, permettant une prise de décision éclairée.
En identifiant les surinvestissements et sous-investissements dans les budgets marketing à travers les canaux, notre client a pu réallouer les ressources plus efficacement pour maximiser le ROI.
Dans la publicité télévisée, par exemple, nous avons pu montrer qu'il y avait encore une marge supplémentaire pour l'investissement car le ROI n'avait pas encore atteint son potentiel maximum.
ROI des investissements télévisés
En revanche, nous avons démontré un ROI diminué dans la publicité radio en raison d'un surinvestissement dans ce canal.
ROI des investissements radio
Comprendre les moyens les plus efficaces pour communiquer avec les clients a également aidé notre client à personnaliser leurs stratégies de message et de ciblage pour un engagement et une conversion améliorés.
Enfin, l'analyse a identifié des interactions entre différents canaux marketing, découvrant des synergies et des opportunités pour des campagnes marketing intégrées.
Préparer votre organisation à la transition
1. Éduquer et former les équipes
Organisez des ateliers pour informer les équipes marketing de l'élimination progressive des cookies tiers et de ses implications.
Offrez des sessions de formation axées sur les nouveaux outils et techniques impliqués dans la modélisation du mix marketing.
Envisagez d'engager des experts externes pour une formation spécialisée ou de souscrire à des cours en ligne couvrant l'analyse marketing avancée.
2. Intégrer progressivement les nouveaux modèles
Démarrez avec des projets pilotes qui utilisent de nouveaux modèles d'attribution en parallèle avec les méthodes existantes. Cette phase de double fonctionnement permet aux équipes de comparer les résultats et de se familiariser avec les nouveaux modèles.
Avant de passer à une modélisation plus complexe bayésienne ou basée sur des agents, envisagez d'abord de commencer avec des modèles de régression de base dans des projets pilotes précoces.
Vous pouvez également mettre en œuvre les nouveaux modèles par phases, en commençant par des campagnes moins critiques pour gérer le risque et en s'étendant progressivement à des campagnes plus importantes à mesure que l'organisation acquiert plus d'expertise et de confiance.
3. Améliorer l'infrastructure des données
Assurez-vous que les pratiques de gestion des données sont suffisamment robustes pour gérer les types de données nécessaires à la modélisation du mix marketing tout en assurant des niveaux élevés de qualité des données.
Évaluez et améliorez les ressources technologiques si nécessaire, telles que les solutions de stockage des données et les outils analytiques qui soutiennent les nouveaux modèles d'attribution.
L'avenir de la modélisation d'attribution avec Agilytic
La question centrale au cœur de la modélisation d'attribution est de savoir comment optimiser les dépenses marketing pour maximiser le ROI.
La transition vers des techniques alternatives de modélisation d'attribution peut être un processus fluide avec les bons outils et stratégies.
Chez Agilytic, notre expérience dans la mise en œuvre de modèles de mix marketing—comme l'illustre notre étude de cas avec une grande agence de voyages—nous a dotés de l'expertise et des connaissances nécessaires pour guider d'autres entreprises lors de transitions similaires.
Notre succès dans l'amélioration des stratégies marketing grâce à des modèles d'attribution avancés prouve la valeur de s'éloigner des méthodes obsolètes et dépendantes des cookies.
Nous comprenons que la transition vers de nouveaux modèles peut sembler intimidante. C'est pourquoi nous proposons des solutions sur mesure qui s'intègrent parfaitement à vos flux de travail existants, soutenues par une formation et un support complets.
—
Écrit par Joleen Bothma
Prêt à atteindre vos objectifs avec les données ?
Si vous souhaitez atteindre vos objectifs grâce à une utilisation plus intelligente des données et de l'IA, vous êtes au bon endroit.
Prêt à atteindre vos objectifs avec les données ?
Si vous souhaitez atteindre vos objectifs grâce à une utilisation plus intelligente des données et de l'IA, vous êtes au bon endroit.
Prêt à atteindre vos objectifs avec les données ?
Si vous souhaitez atteindre vos objectifs grâce à une utilisation plus intelligente des données et de l'IA, vous êtes au bon endroit.
Prêt à atteindre vos objectifs avec les données ?
Si vous souhaitez atteindre vos objectifs grâce à une utilisation plus intelligente des données et de l'IA, vous êtes au bon endroit.