Mesurez l’efficacité du marketing avec la modélisation du mix média

Mesurer l’efficacité des médias et optimiser l’allocation budgétaire est un défi pour tout spécialiste du marketing. Alors que nous cherchons constamment de meilleurs moyens de garantir que chaque centime dépensé contribue au succès global de nos campagnes, l’approche traditionnelle consistant à s’appuyer sur des heuristiques, qui implique l’utilisation de méthodes empiriques, ne parvient souvent pas à fournir des informations exploitables à long terme. succès.

De plus, au cours des deux dernières décennies, on a constaté une dépendance excessive aux modèles numériques d’attribution multi-touch (MTA). Ces modèles d’attribution suivent et attribuent du crédit à plusieurs canaux médiatiques en fonction des « points de contact » au sein du parcours client. Cependant, Multi-Touch Attribution repose sur sa capacité à voir chaque étape du parcours client. Cependant, ces dernières années, cela est devenu de plus en plus difficile en raison de la durée de vie décroissante du cookie suite à l’introduction de la fonctionnalité du navigateur Intelligent Tracking Prevention (ITP) en 2017.

Pour relever ce défi, les spécialistes du marketing doivent utiliser des approches plus avancées pour produire des informations basées sur les données afin d’améliorer leurs processus de prise de décision.

Bienvenue dans le monde de Modélisation du mix médiaou Marketing Mix Modeling – l’arme secrète pour optimiser les stratégies marketing.

La modélisation du mix média est un outil statistique puissant utilisé par les spécialistes du marketing et les scientifiques des médias pour analyser, optimiser et prévoir les stratégies publicitaires.

La modélisation du mix média vous aide à déterminer comment les différents canaux médiatiques contribuent à la réalisation des objectifs marketing souhaités et l’utilise pour fournir une répartition optimale du budget. Il fonctionne en analysant les données historiques sur divers canaux médiatiques et leur impact sur les KPI. Il utilise les données collectées sur les dépenses médiatiques, les KPI tels que les conversions et d’autres variables contextuelles telles que les événements, les tendances ou la saisonnalité.

La modélisation du mix média vous permet de comprendre pleinement l’efficacité de chaque canal média et dans quelle mesure chaque canal contribue à atteindre les KPI tels que les revenus, les demandes de renseignements ou d’autres résultats.

Cela se fait en prenant en compte non seulement les effets de chaque canal médiatique, mais également l’impact des variables contextuelles telles que les événements commerciaux, la saisonnalité ou les vacances sur les KPI. Cela permet de clarifier quelles variables ont réellement un impact sur les KPI et nous permet de quantifier leur impact. Par exemple, un pic ou un creux des revenus est-il dû à un changement dans les investissements médiatiques ou à autre chose ? La modélisation du mix média intègre ces variables de contexte pour permettre une meilleure explication des anomalies capturées dans l’ensemble de données.

Nous utilisons le cadre bayésien pour effectuer la modélisation du mix média. Cela permet d’inclure toutes les connaissances ou croyances préalables qui pourraient devoir être incluses dans le processus de modélisation pour une meilleure qualité de raffinement du modèle. Par exemple, si l’on sait (grâce à des tests) qu’un canal médiatique particulier a des effets à court terme qui s’estompent rapidement avec le temps, il sera alors avantageux d’inclure ces connaissances dans le modèle avant d’incorporer les données.

En plus de renforcer le modèle grâce à l’utilisation de connaissances préalables ou « a priori », les modèles bayésiens fournissent un moyen de prendre en compte toute incertitude dans le processus de prise de décision. Par exemple, supposons que le modèle de mix média fournisse des prédictions pour une chaîne particulière, à ces prédictions seront attachées des probabilités correspondantes et dans la plupart des cas, la prédiction de la plus grande probabilité sera utilisée.

Généralement, les modèles bayésiens utilisent une combinaison de connaissances préalables et de données pour produire ce qu’on appelle la distribution a posteriori. C’est cette distribution a posteriori qui contient les résultats et les incertitudes correspondantes dont vous avez besoin.

Une fois qu’un modèle de mix média a été équipé de toutes les variables et priorités pertinentes incluses, vous pouvez également utiliser le modèle de mix média pour exécuter des simulations sur l’allocation budgétaire entre les chaînes et faire des prévisions avec différents scénarios budgétaires. La modélisation du mix média vous permet de déterminer la nature de la manière dont chaque canal média affecte les KPI, les effets de saturation de chaque canal média et les effets adstock relatifs.

Le stock publicitaire, également connu sous le nom de report publicitaire, fait référence à l’effet prolongé de la publicité après son exposition et est mieux décrit comme les effets résiduels d’une publicité qui reste avec les gens même après l’avoir vue. La modélisation du mix média utilise divers sous-modèles pour imiter au mieux les effets du stock publicitaire par canal en utilisant une combinaison de connaissances préalables et de données.

A LIRE :  Guide du premier délai d'entrée (FID)

En revanche, la saturation se produit lorsqu’un consommateur a été exposé si fréquemment à une publicité qu’elle n’attire plus son attention ou n’influence plus son comportement. En cas de saturation, les effets de la publicité diminuent avec le temps. Dans le contexte de la modélisation du mix média, la saturation se produit lorsque des dépenses supplémentaires sur un canal particulier commencent à générer un retour sur les dépenses publicitaires non croissant. Semblable aux effets adstock, la modélisation du mix média utilise divers sous-modèles pour imiter au mieux les effets de saturation par canal en utilisant une combinaison de connaissances préalables et de données.

Les images ci-dessus sont des exemples de modèles de stock publicitaire et de saturation pour quatre canaux médiatiques différents. Le point indiqué sur le tracé de saturation indique le point de saturation.

Une fois déterminée à partir du modèle, une nouvelle allocation budgétaire est alors proposée en fonction de tous ces facteurs. Une fois l’allocation budgétaire effectuée, le retour sur les dépenses publicitaires (ROAS) prévu pour chaque canal peut être dérivé.

Dans l’ensemble, la modélisation du mix média fournit des informations statistiquement significatives sur l’investissement média, ce qui garantit que vous ne dépensez pas trop ou pas assez sur certains canaux médiatiques. En plus de vous permettre de comprendre les anomalies dans vos KPI, la modélisation du mix média fournit des informations sur la meilleure façon d’éviter ou d’exploiter ces anomalies en matière d’investissement média.

Les études d’incrémentalité peuvent également être utilisées pour éclairer la modélisation du mix média en fournissant des informations utiles sur l’impact incrémental des différents canaux de marketing. Ces études fournissent un aperçu préalable de la manière dont un canal média particulier contribue aux KPI par rapport à un scénario sans activité marketing. Le modèle utilise ensuite une combinaison de données et de connaissances préalables pour évaluer et prévoir les performances de l’entreprise.

De plus, le modèle vous permet d’affiner dans quelle mesure les connaissances préalables influencent les résultats. Par conséquent, s’il existe une grande incertitude préalable quant à la nature d’un canal médiatique particulier, vous pouvez intégrer ce manque d’informations dans le modèle. Une fois que les connaissances/croyances antérieures ont été intégrées dans le modèle, les données sont ensuite utilisées pour mettre à jour ces connaissances afin de fournir des informations utiles dérivées à la fois d’une combinaison de données et de connaissances antérieures.

Une fois le mode mix média installé, vous pouvez utiliser ce modèle pour prédire les futurs KPI en fonction du budget actuel ou du nouveau budget optimisé. Au fil du temps, ces prédictions peuvent être comparées à la réalité et, par conséquent, votre compréhension des données et du processus de modélisation peut être améliorée de manière itérative au fil du temps.

Modélisation d’attribution

L’attribution fait référence à une méthode qui identifie les activités marketing qui contribuent au KPI concerné. Par exemple, supposons qu’un client ait vu une publicité sur Facebook, cliqué sur le site Web, reçu un e-mail de suivi puis décidé d’acheter un produit, où va le crédit pour l’achat ? Le crédit doit-il aller directement à l’e-mail (le dernier point de contact) ou doit-il être réparti sur chaque canal (attribution basée sur les données) ? Les modèles d’attribution visent à capturer et modéliser avec précision le parcours client et à fournir des informations sur la contribution des canaux en conséquence.

Alors que de nombreuses plates-formes suppriment progressivement les cookies, une approche différente pour évaluer la contribution globale des canaux est nécessaire et c’est là que la modélisation du mix marketing est la mieux adaptée.

Avantages de la modélisation du mix média

Il intègre des connaissances commerciales préalables

  • En intégrant des informations commerciales telles que les tendances marketing, les informations sur les prix ou les activités des concurrents, le processus de modélisation peut être adapté au contexte unique de l’entreprise en question. Cela garantit que les recommandations dérivées du modèle de mix média s’alignent sur les buts et objectifs de l’organisation.

Inclut une contribution multimédia hors ligne

  • Les effets des médias hors ligne sont souvent difficiles à prendre en compte lors de l’attribution de crédits ou de contributions aux canaux médiatiques, en particulier dans le cas des modèles d’attribution multi-touch. Compte tenu des données concernant les dépenses et les performances des médias hors ligne, la modélisation du mix média peut fournir des informations basées sur les données sur les effets des médias hors ligne et inclure les médias hors ligne dans la nouvelle allocation budgétaire.
A LIRE :  Comment intégrer WhatsApp dans le site Web : Guide de A à Z pour les débutants !

Prise de décision basée sur les données

  • La modélisation du mix média vous permet de quantifier l’impact généré par différents canaux médiatiques et l’utilise pour fournir des informations basées sur les données sur l’allocation budgétaire et les stratégies marketing.

Maximise le ROAS

  • Obtient un mix média optimal et prévoit la contribution des canaux pour maximiser le ROAS sur l’ensemble du portefeuille de canaux média.

Évite d’être induit en erreur par d’autres variables

  • Tout pic ou creux dans les données peut être pris en compte en incluant des variables non liées aux médias dans le processus de modélisation.

Utilise le logiciel le plus récent pour faciliter la modélisation

  • Chez Impression, nous utilisons les progiciels les plus récents et les plus avancés statistiquement pour quantifier la contribution des canaux, effectuer l’allocation budgétaire et optimiser le ROAS.

Limitation de la modélisation du mix média

Limites des données

  • En règle générale, 2 à 3 années de données sont nécessaires pour exécuter un modèle de mix média précis. En effet, le modèle aura du mal à capturer véritablement les effets de la saisonnalité avec des données limitées. De plus, les données doivent être de bonne qualité, car des données incomplètes ou incohérentes peuvent limiter l’exactitude des résultats.

La première étape pour adapter une modélisation du mix média est la collecte et la préparation des données. Des données comprenant des variables telles que les événements marketing, les données de dépenses, les données de ventes et d’autres facteurs externes, notamment la saisonnalité et les jours fériés, sont requises. Ces données doivent être nettoyées et organisées de manière structurée pour la saisie du modèle.

Dans un deuxième temps, les variables de dépenses et de contexte pertinentes sont ensuite transformées afin de prendre en compte les effets de stock publicitaire et de saturation. La nature de ces transformations peut être adaptée en fonction de toutes les croyances/connaissances antérieures que l’on peut avoir. Bien que l’ordre de ces transformations soit important, en pratique générale, la transformation adstock est appliquée, puis la transformation de saturation.

Une fois les données transformées, un modèle statistique est ensuite ajusté dans le but d’imiter les KPI. Le processus de modélisation implique des techniques statistiques et d’apprentissage automatique avancées en fonction du contexte de l’analyse. Ce modèle est utilisé pour estimer l’impact généré par différents canaux médiatiques.

Une fois qu’un modèle optimal a été défini, il peut être utilisé pour évaluer l’impact de différentes stratégies budgétaires. Grâce à l’estimation du mix média optimal, une allocation budgétaire optimale peut être dérivée qui identifie le moyen le plus efficace de maximiser le ROAS. Toute incertitude associée à de telles prédictions peut également être extraite du modèle, ce qui clarifie la validité des résultats. Plus la variation des dépenses médiatiques actuelles est grande et plus nous extrapolons à partir des dépenses médiatiques actuelles, plus les erreurs associées deviennent importantes.

Enfin, l’affinement du modèle au fil du temps est très important. Cela peut impliquer la mise à jour des données, la modification des croyances antérieures ou l’ajout de nouvelles variables pour tenir compte de nouvelles anomalies dans les données. Garder les données à jour et adapter le modèle au fil du temps ne fera qu’améliorer la validité prédictive du modèle.

La modélisation du mix média est un outil précieux qui permet aux spécialistes du marketing d’optimiser leurs stratégies marketing. Grâce à l’analyse des données et à la compréhension de la manière dont les différents canaux médiatiques contribuent aux KPI, les entreprises peuvent prendre des décisions éclairées sur l’allocation des ressources. La modélisation du mix média permet de maximiser la contribution des canaux, ce qui conduit à de meilleurs résultats et à un meilleur retour sur investissement.

Si vous cherchez à améliorer les KPI et les performances globales de votre entreprise, sur la base de preuves statistiques basées sur des données, la modélisation du mix média est la voie à suivre !

Pour plus d’informations et de guides sur la mesure et GA4, n’oubliez pas de consulter notre blog. Si vous souhaitez parler de vos aspirations professionnelles, contactez-nous !