Développer une stratégie d’attribution marketing nécessite de connaître l’impact des canaux et des points de contacts sur un processus de conversion et de choisir le bon modèle d’attribution. Cette stratégie passe par la collecte et l’exploitation d’un grand volume de données provenant de sources diverses et par l’utilisation du machine learning pour rendre compte du comportement humain dans un processus d’achat.
L’attribution marketing consiste à mesurer l’efficacité d’une campagne marketing en quantifiant son influence sur le résultat souhaité : acte d’achat, souscription à un abonnement, une consultation d’une fiche produit, etc. Les problématiques des marketeurs consistent donc à identifier le canal ou les points de contacts les plus propices à l’augmentation des ventes. Aujourd’hui, dans un contexte de complexification des parcours clients, l’attribution marketing est devenu un outil indispensable aux équipes marketing pour optimiser et gagner en productivité. Toutefois, déployer une telle stratégie nécessite de disposer d’un grand volume de données provenant de sources diverses, de choisir les bons modèles d’attribution et de mettre en œuvre des processus spécifiques. Elle nécessite aussi d’utiliser des techniques d’apprentissage automatique ou machine learning pour comprendre et anticiper le comportement humain dans un processus d’achat.
Alors comment construire une stratégie d’attribution marketing performante ?
Etape 1 : faire un état des lieux
En préambule de tout nouveau projet d’attribution marketing, il est important de faire un état des lieux de l’existant. Qui sont les équipes en charge de l’attribution marketing ? Que font-elles ? Comment travaillent-elles ? Pour quelles finalités ? Avec quels outils ? Quels sont les résultats ? Cette photographie permet d’identifier les points forts et les points faibles de la stratégie mise en place.
Etape 2 : définir les objectifs
Selon que l’objectif final est l’acte d’achat du client ou sa sensibilisation à un nouveau produit ou service, le canal le plus propice à la réussite de l’objectif est différent. Ainsi la vente d’une coque de Smartphone ne nécessite pas autant de points de contacts que celle d’un produit au long cycle de vente. Un système informatique par exemple requiert une grande richesse d’interactions, que ce soit dans la phase de présentation de la solution, de négociation, dans la formation ou dans le support pendant et après vente. Il est donc essentiel de définir clairement ses objectifs pour utiliser le meilleur modèle d’attribution marketing.
Etape 3 : collecter et préparer les données
L’attribution marketing exige un grand volume de données. Il est donc important, d’identifier tous les canaux et les points de contact utilisés tout au long du parcours client afin de comprendre d’où viennent les données et de repérer d’éventuelles absences de data. Construire un modèle d’attribution nécessite de combler les carences et de préparer les données pour les rendre exploitables par les algorithmes d’attribution. Cette opération nécessite non seulement de sensibiliser les utilisateurs à l’enjeu de la donnée mais aussi de les former à la qualification de la donnée. Des données hétérogènes et de mauvaises qualités ne fourniront que des résultats d’attribution erronés.
Etape 4 : choisir le modèle d’attribution
Florian Douetteau, CEO de Dataiku
Aujourd’hui, l’attribution est souvent basée sur des modèles heuristiques consistant à corréler le résultat obtenu à une seule source du parcours client ou à un seul canal. Ces pratiques introduisent souvent également les modèles du premier ou du dernier clic leurs accordant ainsi une valeur importante et injustifiée au regard de l’importance des autres sources. Car la réalité est bien plus complexe notamment lorsqu’il s’agit de produits et services aux longs cycles de vente dont l’acquisition est basée sur une combinaison de plusieurs paramètres. Sachant que l’objectif ultime de l’attribution est de refléter au plus près la réalité des comportements clients dans le processus d’achats, le recours à la Data Science permet de prendre en compte la multiplication des points d’interaction ou canaux intervenant dans la conversion. Ainsi, pour obtenir le plus haut niveau de granularité il est crucial de compiler, de synthétiser et d’analyser les données issues de la diversité des canaux.
Dès lors que plusieurs points d’interaction ou canaux interviennent dans la conversion, il est pertinent d’utiliser les modèles d’attribution répartissant les crédits de conversions à plusieurs canaux et points de contacts. Ces modèles reflètent plus justement la réalité et permettent de mesurer de manière plus rationnelle la performance respective des différents canaux.
Parmi ces modèles, citons le modèle linéaire dont la distribution des crédits de conversion est faite à part égale entre les différents canaux. Bémol à ce modèle : il nie la contribution respective des différents canaux alors qu’il est bien connu que dans un processus qu’un canal est souvent prépondérant.
Dans le modèle d’attribution dépréciation dans le temps, les points de contact ou les canaux les plus proches de la conversion sont davantage crédités dans le processus de conversion. Les canaux les plus en amont ne sont donc pas pris en compte dans la transformation d’une conversion. Ce modèle croissant s‘oppose au modèle décroissant qui consiste à attribuer le plus de mérite aux canaux situés les plus en amont de la conversion.
Dernier modèle enfin, le modèle parabolique. Celui-ci attribue des valeurs de crédits de conversion plus importantes au premier et le dernier canal, les canaux intermédiaires se partageant le reste de manière équitable : si 30% sont accordés au 1er et dernier canal, les quatre canaux intermédiaires auront 10% de crédits.
Etape 5 : visualiser la performance du canal
Visualiser la distribution des conversions est cruciale pour les équipes marketing car elle permet de connaître la performance des canaux. Ces visualisations peuvent être faites via des histogrammes montrant les taux de conversion par canal selon une échelle de temps ou via des graphiques linéaires (conversion par canal au fil du temps) permettant par exemple d’observer les fluctuations selon les saisonnalités. La visualisation peut également être utile dans le cadre d’un modèle de Markov basé sur la probabilité d’un utilisateur de passer d’une étape du parcours client à une autre. Cette visualisation permet de tracer les canaux et le pourcentage de conversions. Grace à ce modèle, les marketeurs peuvent évaluer l’impact de l’absence d’un canal X sur la probabilité de conversion.
Etape 6 : le machine learning au service de l’attribution marketing
Aujourd’hui, une trentaine de points de contact interviennent dans une vente. Un vrai casse-tête pour les marketeurs qui ont besoin de connaître les canaux de vente les plus performants pour optimiser leurs budgets marketing. Aussi, depuis quelques temps, certaines entreprises utilisent des modèles prédictifs notamment le machine learning pour analyser l’impact de nombreux points de contact et pour identifier les activités marketing les plus influentes sur une vente. Ainsi grâce au machine learning la complexité du comportement humain dans un processus d’achat est modélisé.
L’attribution marketing est devenue un terrain de jeu idéal pour la data science et le machine learning. Aujourd’hui les directions marketing ne peuvent plus faire l’impasse de l’attribution marketing pour comprendre et anticiper la source des meilleures et plus mauvaises conversions, des données qui leur permettent d’optimiser leurs investissements marketing.
Auteur : Florian Douetteau, CEO de Dataiku
***
(c) Ill. DepositPhotos
Recommandé pour vous
Commenter
Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.
