Comment attirer du trafic sur votre site, puis le convertir en vente ? Cette question, au coeur des préoccupations de chaque direction marketing, ne peut être résolue en faisant l’impasse sur la question de l’attribution. Alors que la majorité des sites e-commerce utilisent des règles arbitraires ou sans fondement scientifique, il devient de plus en plus  nécessaire de passer à une attribution plus transparente et data-driven.

Pourquoi s’intéresser au parcours client ?

La chronologie des interactions d’une personne avec une marque est une source cruciale d’information pour tout responsable marketing. C’est ce qu’on appelle le parcours client.

Depuis plusieurs années, les parcours client sont devenus de plus en plus complexes, en particulier à cause du marketing digital. Internet offre une pléthore de canaux de publicité (moteurs de recherche, bannières, vidéos, réseaux sociaux…) et la plupart des clients rencontrent généralement plusieurs annonces diffusées via plusieurs supports et appareils avant d’acheter quoi que ce soit. Le monde de la publicité a évolué pour s’adapter à ce nouveau paradigme. Mais avec une complexité et des coûts accrus, l’évaluation de l’efficacité de ces annonces est devenue particulièrement critique. « La moitié de l’argent que je dépense en publicité est gaspillée, le problème est que je ne sais pas quelle moitié ». Cette citation attribuée à l’entrepreneur américain John Wanamaker semble plus que jamais d’actualité. Alors que chaque entreprise maîtrise les coûts facturés pour ses campagnes publicitaires, il lui est très difficile de déterminer les revenus que ces dernières génèrent. Il leur est donc impossible de calculer avec précision leur retour sur investissement. C’est ici qu’intervient l’attribution.

Qu’est-ce que l’attribution ?

Une belle action de football qui débouche sur un but est un travail collaboratif. Pourtant la gloire va généralement au seul buteur…

Une campagne marketing, constituée de plusieurs publicités, est comme une équipe de football : chaque joueur contribue au résultat final, mais le buteur obtient toujours tout le crédit. Son nom est le seul mentionné dans les statistiques du jeu, même si sa réussite n’est que le fruit d’un solide effort d’équipe. Cette attribution de crédit aux joueurs (ou « points de contact » dans le cas du marketing) est appelée « problème d’attribution ». Dans notre exemple du football, le modèle d’attribution choisi s’appelle « Last Touch », car tout le crédit est attribué au dernier point de contact. Ce qui peut sembler un peu injuste en foot peut donner lieu en marketing à de graves erreurs d’appréciation et à de mauvaises décisions d’investissement. Les canaux qui ne « marquent pas » sont souvent dévalués à tort au détriment des autres en raison de leur position dans le parcours client. Des recherches menées par Ji, Wang et Zhang en 2016 ont révélé que les publicités par bannières apparaissent généralement au tout début de l’entonnoir d’achat, alors que les annonces associées aux moteurs de recherche sont généralement présentes plus près de la conversion. Par conséquent, les outils d’analyse marketing qui utilisent cette méthode Last Touch donnent généralement plus de crédit aux annonces de recherche, ce qui conduit trop souvent les contrôleurs de gestion à réduire les investissements dans les bannières web, malgré leur rôle crucial dans la conversion finale. Un mauvais modèle conduit toujours à de mauvaises décisions commerciales. Les spécialistes du marketing prennent heureusement de plus en plus conscience de ce problème.

Le parcours de ce client fictif est constitué de quatre points de contact avant son achat de dix euros sur le site. Quel(s) point(s) de contact faut-il créditer pour cette vente ? L’attribution répond à cette question.

Quel modèle d’attribution choisir ?

Il existe de nombreuses règles d’attribution (voir l’article à ce sujet), mais toutes échouent à décrire la situation dans son ensemble. Elles ont en commun leur dépendance exclusive à une règle arbitraire, qui récompense certains postes du parcours client considérés comme décisifs. Toutes ces règles répandues sont intrinsèquement trompeuses : elles ne reposent pas sur des faits, seulement sur des intuitions.

Avec l’avènement du Big Data, certaines entreprises peuvent désormais suivre leurs clients du début à la fin de l’entonnoir d’achat. Rapidement et efficacement, elles peuvent effectuer des calculs complexes sur ces énormes jeux de données. Des chercheurs ont récemment commencé à exploiter ces capacités pour résoudre le problème d’attribution scientifiquement. Ce passage de règles d’attribution à des algorithmes d’attribution a été très prolifique, avec un large éventail d’approches statistiques utilisées, de la théorie des jeux à l’intelligence artificielle. Malgré ces efforts, aucune méthodologie universelle n’a émergé. La raison en est simple : cette course à la sophistication s’est faite au détriment de l’interprétabilité.

La plupart des algorithmes d’attribution fonctionnent comme une boîte noire produisant des résultats peu fiables, que les dirigeants ne comprennent pas. Cela est encore plus vrai lorsque les résultats d’attribution proviennent des outils d’analyse de Google ou de Facebook, qui sont juges et partie. En tant qu’annonceurs, leur facture est proportionnelle au crédit qu’ils s’attribuent… à eux-mêmes.

D’autre part, ce qui est considéré comme un « bon » modèle d’attribution dépend toujours fortement de l’avis subjectif de la personne qui l’a commandité. Comme cette personne utilisera potentiellement le modèle pour arbitrer des investissements à plusieurs millions, l’interprétabilité et la transparence devraient toujours être les caractéristiques principales des solutions d’attribution.

Chez Ubbyk, nous appliquons une méthodologie qui réconcilie les managers et leurs données. Avec des chercheurs de l’Université de Cambridge, nous avons développé un modèle data-driven efficace et simple à mettre en place, qui met la priorité sur la transparence des résultats. Le principe de notre algorithme est toujours exposé clairement à toutes les parties prenantes lors de sa phase de test. Les résultats ne viennent pas de nulle part : chaque KPI peut être expliqué par une analyse intuitive à l’échelle du parcours client.

Pour mettre en place votre solution d’attribution algorithmique et commencer à faire parler vos parcours client, n’hésitez pas à nous contacter !

Sources

  1. Deloitte, Duke University and the American Marketing Association (2018). The CMO Survey: Highlights and Insights Report. [en ligne] The CMO Survey. Disponible à l’adresse : https://cmosurvey.org/wp-content/uploads/sites/15/2018/02/The_CMO_Survey-Highights_and_Insights_Report-Feb-2018.pdf [Consulté le 7 août 2018].
  2. Hülsdau, M. and Teuteberg, F. (2018). Towards a Taxonomy of Algorithmic Attribution Models: Which is the Right Model to Measure, Manage and Optimize Multiple Campaigns? In: MKWI 2018 Multikonferenz Wirtschaftsinformatik 2018. [en ligne] Lünegurg: Institut für Wirtschaftsinformatik. Disponible à l’adresse : http://mkwi2018.leuphana.de/wp-content/uploads/MKWI_157.pdf [Consulté le 6 août 2018].
  3. Kafka, P. and Molla, R. (2017). 2017 was the year digital ad spending finally beat TV. [en ligne] Recode. Disponible à l’adresse : https://www.recode.net/2017/12/4/16733460/2017-digital-ad-spend-advertising-beat-tv [Consulté le 29 juillet 2018].
  4. Kaushik, A. (2013). Multi-Channel Attribution Modeling: The Good, Bad and Ugly Models. [blog] Occam’s Razor by Avinash Kaushik. Disponible à l’adresse : https://www.kaushik.net/avinash/multi-channel-attribution-modeling-good-bad-ugly-models/#attributionanalysis [Consulté le 6 août 2018].
  5. Kehrer, D. (2014). The Truth about Cross-Channel Attribution in Marketing. [en ligne] Forbes. Disponible à l’adresse : https://www.forbes.com/sites/forbesinsights/2014/12/02/cross-channel-attribution/#40110b47311e [Consulté le 7 août 2018].
  6. Ji, W., Wang, X. and Zhang, D. (2016). A Probabilistic Multi-Touch Attribution Model for Online Advertising. In: CIKM ’16 Proceedings of the 25th ACM International Conference on Information and Knowledge Management. [en ligne] Indianapolis: ACM. Disponible à l’adresse : http://eprints.bbk.ac.uk/16166/1/CIKM2016_582.pdf [Consulté le 6 août 2018].
  7. Lee, G. (2010). Death of ‘last click wins’: Media attribution and the expanding use of media data. Journal of Direct, Data and Digital Marketing Practice, 12(1), pp. 16-26.

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *