Malgré le ralentissement provoqué par la crise du coronavirus, cela fait des années que l’industrie de la publicité digitale maintient sa forte croissance et, selon Statista, elle a atteint en 2019 un chiffre d’affaires global de plus de 335 millions de dollars. Dans un paysage publicitaire complexe composé de canaux sans cesse réinventés auxquels s’ajoutent chaque jour de nouveaux acteurs, les modèles d’attribution avancés deviennent essentiels pour évaluer avec précision le retour sur investissement publicitaire et l’efficacité du site web.
Les limites des modèles d’attribution classiques
Les modèles d’attribution sont un ensemble de règles à travers lesquelles les entreprises évaluent le poids de chaque interaction avec la marque dans la conversion finale (les impacts publicitaires, mais aussi chaque touchpoint sur la page et même dans l’environnement physique si l’on parle de modèle omnicanal). Traditionnellement, les modèles d’attribution les plus utilisés sont les suivants :
- Last-click : il octroie l’ensemble de la conversion à un seul impact, le dernier clic dans le flux de conversion. Ce modèle reflète une réalité très limitée : actuellement, les customer journeys sont relativement plus complexes.
- Multicanal : il intègre plus de canaux et de phases, en partageant un pourcentage fixe de la conversion entre les différents impacts. Il présente une limite vu qu’il s’agit de modèles fermés : les pourcentages sont établis et n’évoluent pas, même si l’utilisateur et son comportement changent.
- Data-driven attribution : ces modèles adaptent de manière variable les pourcentages d’attribution à chaque impact. Leur limite principale est liée au fait qu’ils examinent le parcours de l’utilisateur de manière externe au site (surtout les différentes campagnes publicitaires) et ne tiennent donc pas compte du comportement de l’utilisateur sur le site lui-même.
Contrairement à ces formules, les modèles d’attribution avancés évaluent non seulement les canaux qui ont conduit l’utilisateur jusqu’au site web, mais analysent également son comportement sur le site et croisent toutes les informations pour représenter l’ensemble du cycle d’achat.
Les modèles d’attribution avancés : les avantages d’appliquer le machine learning
Les algorithmes d’apprentissage supervisé fonctionnent avec des données d’entrée et de sortie déjà classées, c’est-à-dire que le système est informé du résultat souhaité et qu’il déduit des règles à appliquer à partir des données qu’il reçoit.
Par conséquent, les modèles d’attribution avec machine learning ne sont pas préconçus, ils s’ajustent en permanence et deviennent plus précis au fil du temps. Par exemple, chaque fois que le design du site web est modifié, il n’est pas nécessaire de revoir le modèle d’attribution, cette nouvelle fonctionnalité est intégrée à l’algorithme qui se réajuste.
Dans la classification initiale des informations, il est essentiel de mesurer avec des événements toute possibilité que l’utilisateur a d’interagir avec la page et, en outre, d’incorporer des données supplémentaires qui donnent un contexte à l’activité. Ces données doivent répondre à des questions telles que : combien de temps s’est écoulé entre les événements, combien de fois s’est déclenché chacun d’entre eux, quels dispositifs l’utilisateur a-t-il utilisés, depuis quel lieu géographique accède-t-il, entre autres. Plus les informations sont riches, mieux le modèle les traitera pour déterminer ce qui est un trafic de qualité et ce qui ne l’est pas.
Álex Masip, Head of Data chez Labelium Espagne
En outre, en s’appuyant sur le comportement de l’utilisateur, les modèles d’attribution avec machine learning sont capables de détecter les fraudes, car si un robot apporte d’énormes quantités de trafic mais que son activité sur le site web est nulle, le modèle d’attribution avec apprentissage automatique le détectera et ne lui donnera aucun poids dans la conversion.
Comment fonctionne un modèle d’attribution doté du machine learning ?
Cela peut se résumer en trois étapes clés :
1. La collecte de données : elles peuvent être exportées via Google Analytics 360 ou, à défaut, avec un code JavaScript qui enregistre les informations. D’autres sources de données peuvent également être ajoutées, comme les Adservers, les CRM ou les modèles qui interprètent les UTM.
2. Formulation d’un data lake dans lequel les informations sont regroupées : il peut être articulé à l’aide de plateformes telles que BigQuery, Amazon, Azure ou Snowflake.
3. Implantation du modèle d’attribution avec machine learning dans le data lake afin qu’il attribue une valeur à chaque session et à chaque impact externe reçu par l’utilisateur. De cette façon, la probabilité de conversion est mesurée de façon précise. L’algorithme effectue le calcul à un niveau individuel pour chaque visite ; ces calculs sont ensuite regroupés pour extraire des pourcentages globaux afin d’identifier le poids de chaque interaction sur les ventes finales.
Une attribution en temps réel et en constante évolution
Les modèles d’attribution avec machine learning permettent d’une part d’analyser les effets des campagnes publicitaires finalisées et d’autre part de donner une vision globale de ce qui se passe en temps réel. Cela permet d’améliorer la stratégie de manière continue grâce à la détection des inefficacités et à leur correction. En outre, les modèles d’attribution avancés peuvent faire des prévisions pour l’avenir afin d’envisager de possibles scénarios et d’opter pour les plus rentables.
Si vous souhaitez que nous vous aidions à mettre en œuvre un modèle d’attribution avancé sur votre site web ou e-commerce, n’hésitez pas à nous contacter. Nous étudierons votre cas de manière personnalisée afin de trouver la manière la plus efficace de le mettre en œuvre.
