Plusieurs méthodologies ont été introduites pour résoudre le problème d’attribution. La plupart d’entre elles sont basées sur des règles ad hoc, ce qui signifie qu’elles reposent uniquement sur des hypothèses déterminées intuitivement et au cas par cas. Elles ne reposent pas sur une analyse statistique des points de contact du parcours client. Cependant, elles constituent encore la norme actuelle du secteur et sont largement utilisées par les e-commerçants.

Qu’est-ce que l’attribution ?

L’attribution est un processus marketing qui vise à attribuer à chaque vente l’ensemble des leviers marketing ayant contribué à la réalisation de celle-ci. Cette méthode permet ensuite de regarder la valeur apportée par un levier (ou une campagne) et de la comparer au coût de celui-ci (voir l’article détaillé).

Règles heuristiques d’attribution à un ou plusieurs points de contact.

Règles d’attribution à un seul point de contact

  • L’attribution Last-Touch alloue tout le crédit au point de contact qui a directement déclenché une conversion, en ignorant toutes les étapes précédentes. C’est de loin la méthode d’attribution la plus simple, car il n’est pas nécessaire de suivre les clients le long de leur parcours : la collecte de données à l’échelle d’une session suffit. Le comportement moyen des clients selon les canaux d’acquisition conduisant à chaque session fournit directement des montants attribués.
  • L’attribution First-Touch alloue tout le crédit au premier point de contact du parcours client, en ignorant les étapes ultérieures. Ce système requiert une analyse plus poussée car il nécessite un suivi des visiteurs dès le début de leur entonnoir d’achat. Lorsqu’une vente a lieu, il est parfois techniquement difficile de retrouver le premier point de contact du client, ce qui limite donc l’applicabilité de cette méthode.
  • L’attribution personnalisée single-touch complète les deux approches précédentes avec un filtrage des canaux d’attribution. Par exemple, on peut décider d’attribuer les ventes au dernier clic non direct (c’est-à-dire qu’on ne considère pas l’accès direct via URL comme un canal d’acquisition) ou au dernier clic de recherche sponsorisée (on considère alors les moteurs de recherche comme seule source d’acquisition).

Règles d’attributions à points de contact multiples (multi-touch)

Mettre en place un système multi-touch revient à concéder que le crédit pour une vente est nécessairement partagé5. Cependant, les règles d’attribution sont toujours déterminées non pas en fonction de ce qui est important, mais en fonction de ce qui est considéré comme important3.

  • L’attribution Even-Touch (ou attribution pondérée uniformément) alloue un crédit égal à chaque point de contact précédant une vente. Comme le même poids est appliqué à chaque point de contact, aucune règle de prédominance n’est présumée.
  • L’attribution basée sur la position distribue le crédit en fonction de la position dans l’entonnoir d’achat. Par exemple, on applique un modèle à décroissance temporelle lorsque l’on considère que plus l’exposition est distante de la conversion, moins elle est décisive. Cela nécessite de collecter des trajets clients horodatés au prix d’une complexité accrue. A l’inverse, lorsque le début et la fin de l’entonnoir sont supposés identiquement pertinents, un modèle en forme de U est appliqué.
  • L’attribution personnalisée multi-touch est utilisée lorsque le pôle marketing pense avoir une compréhension suffisamment forte du comportement des clients pour fixer des règles de pondération personnalisées. Ces règles nécessairement biaisées peuvent donner plus de crédit à certains canaux et à certaines positions au détriment des autres4. Elles peuvent entraîner des débats sans fin pour trouver la “bonne” règle.

Ces modèles, même s’ils ont le mérite de prendre en compte l’ensemble du parcours client, reposent toujours sur ce que les gens pensent et non sur ce que les données prouvent1. D’autre part, elles ignorent deux effets (dits “de préférence idiosyncratique”) qui tendent à se produire lorsque les parcours client s’allongent6 :

  • Une visite peut avoir un impact considérable sur les visites et conversions ultérieures via le même canal d’acquisition : c’est l’effet de report (ou carryover effect).
  • Une visite peut avoir un impact considérable sur les visites et les conversions ultérieures via un autre canal d’acquisition : c’est l’effet d’entraînement (ou spill-over effect).

Seuls les modèles d’attribution exclusivement basés sur les données tiennent compte de ces effets.

Modèles d’attribution algorithmiques

Les modèles data-driven utilisent les statistiques pour déterminer l’importance relative des points de contact. Ils recherchent des déterminants qui diffèrent entre les publics rentables et les publics non rentables4. La valeur ajoutée de ces modèles réside dans leur capacité à détecter les comportements de cohorte sur de très grands ensembles de données, ce qui permet une évaluation des effets de report et d’entraînement2.

Ubbyk propose une solution algorithmique qui se base sur une approche statistique causale, développée notamment avec des chercheurs de l’Université de Cambridge. Son avantage réside dans sa précision, sa simplicité d’implémentation et son interprétabilité.

Exemple

Considérons les trois utilisateurs ci-dessous, ayant chacun eu plusieurs interaction avec un site web. Deux d’entre eux ont réalisé un achat.

Trois parcours client fictifs. Les utilisateurs 1 et 3 ont converti.

Les revenus attribués selon quatre modèles différents sont présentés ci-dessous.

Règle d’attributionRadioFacebookGoogleDirect
Last-Touch0 €0 €30 €10€
First-Touch10 €30 €0 €0 €
Last non-direct touch0 €0 €40 €
Even-Touch2,50 €22,50 €12,50 €2,50 €

Si la société suit le modèle le plus simple, Last-Touch, alors Google rapporte 30 euros et “Direct” rapporte 10 euros . En conséquence, les contrôleurs de gestion souhaiteront réduire les investissements dans la radio et dans Facebook, qui n’ont apparemment pas déclenché de ventes. Cependant, les conclusions sont inversées si l’entreprise choisit l’approche First-Touch. Cet exemple montre comment le choix d’un modèle influe sur les résultats de l’attribution et se traduisent par d’énormes conséquences sur la stratégie marketing de l’entreprise. Même si le système Even-Touch semble être la meilleure option, il n’a pas tenu compte des retombées qui peuvent exister entre les canaux et que seule une approche quantitative peut discerner. Par exemple, les informations suivantes auraient pu être découvertes avec une méthode algorithmique comme celle utilisée par Ubbyk :

  • Google ne fonctionne bien qu’après un clic sur Facebook.
  • Les clics consécutifs sur Facebook font monter en flèche le montant moyen du panier.
  • Les bannières publicitaires sont en réalité contre-productives car elles n’apportent que du trafic non qualifié.

Sources

  1. Affane, R. (2018). Marketing Attribution, Part 1: Step Up Your marketing Attribution with Game Theory. [en ligne] Data from the trenches. Disponible à l’adresse : https://medium.com/data-from-the-trenches/marketing-attribution-e7fa7ae9e919 [Consulté le 6 août 2018].
  2. Anderl, E., Becker, I., von Wangenheim, F. and Schumann, J. (2016). Mapping the Customer Journey: Lessons Learned from Graph-Based Online Attribution Modeling. International Journal of Research in Marketing, 33, pp. 457-474.
  3. Grover, S. (2015). Making the case for algorithmic digital attribution. [blog] SAS. Disponible à l’adresse : https://blogs.sas.com/content/customeranalytics/2015/12/08/making-case-algorithmic-digital-attribution/ [Consulté le 6 août 2018].
  4. Haleua, C. (2017). Algorithmic Attribution: Choosing the Attribution Model That’s Right for Your Company. [en ligne] Adobe Blog. Disponible à l’adresse : https://theblog.adobe.com/algorithmic-attribution-choosing-attribution-model-thats-right-company/ [Consulté le 6 août 2018].
  5. 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].
  6. Li, H. and Kannan, P. (2014). Attributing Conversions in a Multichannel Online Marketing Environment: An Empirical Model and a Field Experiment. Journal of Marketing Research, 51(1), pp. 40-56.
Étiquettes :

Laisser un commentaire

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