Marketing en ligne sans bain – Approches pragmatiques de l'attribution

Les pères et les mères participent tous à la conversion des canaux de marketing en ligne. Les promesses sont tentantes: à l’aide de la modélisation par attribution, chaque entreprise apprend comment ses dépenses de marketing en ligne génèrent des rendements optimaux en dotant chaque canal des dépenses les plus rentables. Malheureusement, la réalité de l'attribution semble souvent différente.

Les résultats d'attribution valables nécessitent un suivi complet du parcours client, dont les résultats doivent être suffisamment valides. C'est la seule raison pour laquelle de nombreuses entreprises échouent. Et même si l’on peut identifier le parcours client, il n’a pas encore été dit que l’attribution appropriée pouvait être modélisée. Après tout, la modélisation de l'attribution ne signifie rien de plus que la décision d'achat d'un client à comprendre. Mais souvent, les clients ne savent même pas quel a été leur processus de prise de décision.

Mais pourquoi devrait-on se passer de la modélisation par attribution? En aucun cas, cependant, le moment est venu d'adopter certaines approches pragmatiques présentées dans cet article. Celles-ci doivent avant tout viser un seul objectif: améliorer constamment la modélisation de l'attribution et créer des modèles d'attribution indépendants.

Parcours client ou vol à l'aveugle – la modélisation d'attribution peut échouer

Pour réussir dans la modélisation d'attribution, les entreprises doivent avoir atteint un haut niveau d'analyse Web et de données. La principale promesse du marketing en ligne par rapport au marketing traditionnel est un aperçu immédiat du comportement des utilisateurs et des clients et de leurs réponses aux campagnes, à la publicité et aux pages de destination. Cependant, cette promesse ne peut être tenue que si, dans les limites du droit de la protection des données, une collecte complète des données utilisateur a lieu. Steffen Wagner montre, dans un essai utile, quels défis doivent être surmontés et quels modélisateurs d'attribution échouent régulièrement. Il souligne à juste titre que la qualité des données est le point de départ d’une réévaluation et d’une réorientation de la modélisation par attribution.

"Ce sont les données, stupide!"

On voudrait proclamer "Ce sont les données, stupide" en référence à la célèbre citation de Bill Clinton. Les données sont ce qui compte, si elles manquent et sont de mauvaise qualité, la modélisation d'attribution prend fin avant même de commencer. Les données de modélisation d'attribution sont avant tout des données de suivi personnelles collectées via l'analyse Web. Toutefois, les données fournies par les plateformes publicitaires, telles que les fournisseurs d’affiliés ou de remarketing, peuvent également être utilisées.

Immédiatement des systèmes d'une entreprise de commerce électronique, les données du panier d'achat ainsi que les informations du CRM sont transmises. Celles-ci fournissent des informations sur la fréquence des commandes, le comportement de retour et de nombreuses autres interactions. Un point central souvent négligé: ce n’est que si tous ces ensembles de données peuvent être reliés entre eux via un ID utilisateur ou un ID client que le parcours du client peut être entièrement compris et que les corrélations entre les conversions et les canaux sont déterminées. Ce lien peut être partiellement créé via le suivi standard Analytics ou via la boutique en ligne ou le système CRM.

Problèmes de données dans la modélisation d'attribution

Dans une liste exhaustive, Steffen Wagner montre les problèmes de données possibles et commence par un classique:

1. Utilisation croisée d'appareils: Étant donné que le cookie Analytics n'est défini que sur un seul périphérique, il est impossible de détecter le changement de périphérique. Ceci est un réel problème avec des trajets client très importants entre appareils. La solution est la connexion simultanée d'utilisateurs sur plusieurs appareils.

2. Bloqueur de cookies et suppression de cookies: Les bloqueurs d’adresses et de cookies sont largement utilisés. En conséquence, la collecte de données a déjà ses limites lorsque les utilisateurs empêchent le suivi, ce qui est leur droit. Ici, l'industrie du marketing en ligne n'a pas encore réussi à promouvoir les avantages du suivi.

3. Non-détection des points de contact: Dans de nombreuses solutions d'analyse, il est impossible de capturer les impressions d'annonce qui restent sans un clic. Ainsi, le parcours client enregistré présente une autre lacune.

4. Mesures incomplètes sur site basées sur Javascript: Cela devient évident lorsque les pages de blog ont des taux de rebond élevés mais des valeurs de temps sur site élevées. Comme la lecture du blog ne contient pas d’événement enregistré en Javascript, la visite de la page compte comme un saut. En se concentrant uniquement sur le taux de rebond, on pourrait considérer les pages comme non pertinentes et peu attrayantes.

5. Lien manquant entre WebAnalysis et CRM: Un lock-in de l'utilisateur est généralement que lorsqu'il achète. Cela exclut un lien entre les deux zones de données WebAnalyse et CRM, en particulier pour les non-achats intéressants pour l'attribution.

6. Violations de données de toutes sortes tels que le changement de nom de canaux, les modifications de suivi dans différents canaux, etc., compliquent davantage la capture complète des données de parcours client. Il en va de même pour les modifications substantielles apportées à un site Web ou à une boutique en ligne. Par exemple, si la commande change, les données sur les microconversions acquises précédemment peuvent devenir obsolètes dans la commande.

7. Enfin, la période d'analyse joue un rôle majeur. Si on choisit cela trop court, des points de contact importants peuvent être exclus. Wagner propose soit une fenêtre d'opportunité spécifique à un secteur, dans laquelle la longueur de décision spécifiée pour l'industrie ou la catégorie de produit est appliquée, soit la période de temps la plus longue possible. Dans ce dernier cas, toutefois, le problème réside dans le fait qu’aucune modification substantielle ne peut être apportée aux points de contact pour une analyse non altérée.

Toutes ces questions étant d'actualité et pertinentes, tout modélisateur d'attribution doit d'abord examiner de manière critique sa propre qualité de données. Ce n’est que si cela est indiqué que la modélisation de l’attribution proprement dite devrait être abordée à l’étape suivante.

Modèles d'attribution – depuis le dernier clic et les baignoires

Une fois les données collectées, Google Analytics propose une quantité considérable de modèles d'attribution, même dans la version de base. Celles-ci diffèrent par la manière dont l'impact sur une décision d'achat est partagé entre les canaux. L'ordre des canaux est toujours chronologique. Ceci explique la procédure d'un Dernier clic et un modèle de premier clic.

Pour ces deux modèles, le résultat complet de la conversion est attribué au dernier ou au premier point de contact. Bien entendu, il s’agit là d’une approche très unilatérale et peut difficilement être considérée comme utile. Il en va de même pour le modèle dans lequel le dernier clic indirect, c'est-à-dire l'avant-dernier clic avant la conversion, est crédité du succès. Malheureusement, il s'agit du modèle d'attribution par défaut de Google Analytics. Par exemple, si vous appelez le "Rapport de chaîne" avec les revenus de la section "Acquisition", vous obtiendrez une affectation selon le modèle du "Dernier clic indirect".

L'attribution est attribuable à tous les modèles qui tentent d'attribuer le succès de la conversion à plusieurs canaux. Par exemple, le titre "Baignoire" n'attribue qu'une petite signification aux premier et dernier points de contact, aux grands points de contact intermédiaires. Un modèle linéaire distribue simplement le succès sur tous les canaux, tandis que le modèle correspond le mieux au "bon sens" au fil du temps. Dans ce modèle, l'attribution du succès de la conversion est classée par temps de conversion. Le dernier clic obtient le "crédit" le plus élevé, l’avant-dernier le deuxième, etc. Ce modèle, également recommandé par Avinash Kaushik, ne remédie pas à la faille de tous les modèles. Ce sont des heuristiques pures, elles ne peuvent donc pas être expliquées en détail. L'utilisation des modèles n'a de sens que si vous redécouvrez un modèle de comportement utilisateur typique pour une cible de conversion donnée dans l'un des modèles.

Attribution basée sur les intérêts

Un autre défi de la modélisation d'attribution concerne les exigences des partenaires publicitaires ou des plateformes qui utilisent leurs propres modèles d'attribution dans leurs rapports. Pour tous les modèles publicitaires facturés axés sur les résultats, la question de l’attribution sous-jacente à la facturation doit toujours être posée. Si, par exemple, les "conversions de suivi" sont considérées comme un succès pour le partenaire publicitaire sur une longue période, cela pourrait bien être en contradiction avec le créneau temporel d’attribution qui lui est attribué.

Par conséquent, l’attribution concerne principalement les partenaires publicitaires qui gagnent de l’argent grâce à la conversion en conversions, généralement en fonction des intérêts. Il y aura également des intérêts au sein de la société qui dévaloriseront un canal et dévalueront l’autre. Cela n’est pas répréhensible, mais les partenaires externes et internes ne devraient pas être dispensés de demander une justification pour une attribution choisie. Si cela n’est pas possible, c’est une raison pour s’engager sur la voie d’un modèle autonome et pragmatique de modélisation.

Approches pragmatiques de l'attribution – adieu à la perfection

Si l'on prend au sérieux les faiblesses des solutions existantes aux modèles d'attribution, la conséquence ne devrait pas être, par conséquent, se passer de la modélisation d'attribution. Cependant, et cela aussi est un grand pas au début, on devrait (au début) dire au revoir à la prétendue perfection et comprendre la modélisation de l'attribution en tant que processus. C'est un processus d'apprentissage qui implique de comprendre le sens des canaux pour atteindre ses objectifs. En cas de succès, un modèle d'attribution individualisé peut contribuer à augmenter le retour sur investissement en publicité.

La marge de contribution et sa création

L'accent devrait être mis sur cet objectif marges bénéficiaires et sa création. La question est donc de savoir quelle combinaison de canaux dans le commerce électronique maximise les revenus d'exploitation. Ce faisant, le revenu d’exploitation du commerce électronique augmente

• les ventes réalisées
• moins le coût d'achat des biens et les coûts d'exécution
• frais de marketing en ligne moins directs.

Ainsi, le résultat d’exploitation correspond à la marge de contribution du niveau II, c’est-à-dire après les coûts liés aux biens et services, ainsi que les frais de marketing direct en ligne.

La modélisation de l'attribution influence les revenus en contrôlant les conversions et les coûts de marketing direct en ligne en sélectionnant des canaux. Si un canal sans dépenses de marketing en ligne directes, telles que le référencement, a un impact plus important sur les conversions et que les dépenses de marketing en ligne des autres canaux sont donc réduites, le résultat opérationnel augmentera nettement dans un premier temps. Cependant, si l’attribution était erronée, il coulerait simultanément en parallèle. L'indicateur prédestiné à cet égard est le rendement des dépenses de publicité (ROAS). Si cela est d'environ 400%, par exemple. sur une dépense de 100 €, un chiffre d'affaires de 400 €, ce qui correspond à un ratio coût / chiffre d'affaires (KUR) de 25%.

Quelle chaîne est la meilleure?

Pour arriver à leur propre modèle d'attribution, il faut d'abord développer une idée distincte du canal qui a le plus d'impact sur les conversions. Souvent, vous avez déjà acquis de l'expérience et les résultats des modèles d'attribution disponibles. Un canal entièrement suivi dans le suivi et réalisant le plus grand nombre de conversions dans la plupart des modèles d'attribution doit également prendre la tête du modèle individuel.

Une étude de marché aide – l'incroyant WebAnalyst

Mais il ne devrait pas être préjudiciable d’examiner de manière critique chaque constatation apparemment évidente. Dans notre cas, les enquêtes auprès des utilisateurs et / ou des clients peuvent être utiles. Celui-ci peut demander quelle chaîne ils sont venus sur le site avant leur conversion. Si vous effectuez régulièrement cette enquête auprès des utilisateurs, vous pouvez au moins partiellement compenser les lacunes du suivi des périphériques ou l’emplacement des cookies manquants. D'autres informations, telles que des partenariats d'analyse comparative, des références, des laboratoires clients ou des entretiens avec des employés, peuvent aider à développer une compréhension de base de l'attribution et à l'aligner sur les données de suivi.

Enfin, Google Analytics propose deux rapports standard contenant des informations sur l’importance des canaux individuels pour l’attribution, avec les "Chemins de conversion supérieurs" et le "Préparation des conversions". Alors que les "meilleurs chemins de conversion" donnent un aperçu général des variantes possibles du parcours client, les "conversions préparatoires" sont intéressantes pour identifier des canaux à long terme. Ces informations peuvent être traitées avec des informations de suivi directes ou indirectes supplémentaires dans un modèle d'attribution distinct.

Figure 1: Rapport sur les principaux chemins de conversion de Google Analytics

Figure 2: Rapport sur les conversions avant-vente de Google Analytics

Quel modèle d'attribution est le meilleur? – le vôtre!

Ainsi, lorsqu'il s'agit d'attribuer de manière fiable, le meilleur moyen est de créer votre propre modèle d'attribution. Là encore, Google Analytics est une bonne option car il est facile d’ajouter un modèle d’attribution personnalisé à votre catalogue existant. Avinash Kaushik explique comment cela fonctionne et donne également des recommandations sur les paramètres que le modèle devrait avoir. Il est recommandé d'utiliser un modèle basé sur les positions à trois niveaux, le canal médian ayant le crédit le plus élevé, le dernier le second et le premier le crédit le plus faible. De plus, une période pouvant aller jusqu'à 90 jours peut être spécifiée pour l'attribution. Une autre définition est la référence pour l'intérêt de l'utilisateur. Les métriques ici sont l'heure sur la page ou la profondeur de la page. Enfin, vous pouvez toujours définir vos propres règles d'attribution. Par exemple, vous pouvez définir le clic comme type d'interaction approprié (et ainsi exclure les impressions pures).

Conclusion: Attribution 2.0

Mais développer votre propre modèle standard ne peut être qu'un premier pas. Parce que même ce modèle n’est pas à l’abri des problèmes de données décrits ci-dessus, mais moins vulnérable, car il s’accompagne d’un examen des hypothèses en dehors des données de suivi. Steffen Wagner suggère dans son article "Attribution 2.0", ce qui signifie le monde "parfait" de l'attribution, où les problèmes de données sont résolus et où des méthodes d'analyse de données avancée telles que la régression logistique peuvent être réalisées.

Bien que ces techniques ne soient certainement pas anodines, l’analyse de régression est moins susceptible de constituer le plus gros défi que d’obtenir des données de parcours client continues. Compte tenu de la faible acceptation actuelle du suivi et du développement du droit de la protection des données, il est de plus en plus important d'inciter les utilisateurs à s'inscrire sur une page et de leur fournir les avantages de transparence nécessaires de cette application. Si vous considérez Amazon Prime comme un programme de fidélisation extrêmement efficace, vous aurez une idée de la façon de stimuler l’inscription et l’inscription. Étant donné que tous les magasins en ligne ne peuvent pas créer leur propre plate-forme vidéo et musicale, comme Amazon, il existe d’autres incitations. Un bon moyen d'obtenir non seulement des données, mais également des arguments de vente uniques.