Bouleversement du modèle d'attribution de Google : 3 solutions pour les annonceurs

Vous avez probablement entendu la nouvelle : Google Ads et Google Analytics 4 supprimeront complètement les modèles d'attribution au premier clic, linéaire, de décroissance dans le temps et basé sur la position en septembre.

Les modèles d'attribution au dernier clic et basés sur les données resteront disponibles, ainsi que l'attribution externe.

Ce que certains spécialistes du marketing PPC ne réalisent pas, c'est que Google n'abandonnera pas simplement ces modèles d'attribution du point de vue des enchères. Ils seront également supprimés des fonctionnalités de rapport et de comparaison.

Cela signifie que vous ne pouvez plus analyser les parcours de vos clients dans Google Ads et Google Analytics à l'aide de modèles d'attribution. Vous avez besoin d'alternatives.

Un regard sur les modèles d'attribution

Les modèles d'attribution permettent d'associer une conversion (c'est-à-dire une vente ou un prospect) à un clic ou à une impression sur une annonce. C'est un moyen de déterminer quelles publicités, audiences ou réseaux sont les plus performants.

Historiquement, nous avons utilisé plusieurs modèles d'attribution avec des règles différentes pour établir ce lien.

Par analogie avec le football, voici ce que représente chaque modèle :

• Dernier clic : Le buteur mérite tout le crédit.
• Premier clic : Le premier joueur qui a touché le ballon lors de l'action menant à un but mérite tout le crédit.
• Linéaire : Tous les joueurs qui ont touché le ballon lors de l'action menant à un but méritent une part égale du crédit.
• Décroissance temporelle : Les derniers joueurs qui ont touché le ballon lors de l'action menant à un but méritent plus de crédit que les premiers joueurs.
• Basé sur la position : Le buteur et le premier joueur qui a touché le ballon lors de l'action menant à un but méritent chacun 40% du crédit. Les autres joueurs recevront les 20 % restants de manière égale.

Le problème avec le modèle d'attribution préféré de Google

Ce changement laisse l'attribution basée sur les données (DDA) comme modèle d'attribution par défaut dans Google Ads.

Google ne partage pas les règles qui déterminent les annonces à associer à une conversion. Personnellement, je suppose que DDA utilise une combinaison des modèles d'attribution susmentionnés.

Il y a cependant un élément très intéressant : DDA est adapté à votre compte.

• "L'attribution basée sur les données est différente des autres modèles d'attribution car elle utilise vos données de conversion pour calculer la contribution réelle de chaque interaction publicitaire sur le chemin de conversion. Chaque modèle basé sur les données est spécifique à chaque annonceur », selon Google.

Théoriquement, c'est parfait.

Un modèle d'attribution sur mesure rien que pour vous. Et vous n'avez même pas eu à vous soucier de ces règles !

Pourtant, cela semble trop beau pour être vrai.

DDA est adapté à votre compte. Mais selon quels critères ? Nous ne savons pas.

Cela ne devrait pas avoir d'importance tant que cela fonctionne.

Et nous pourrions nous en assurer en le comparant à d'autres modèles.

Mais que se passe-t-il maintenant que Google va supprimer les "anciens" modèles d'attribution de la section des rapports ?

Moins de modèles d'attribution signifie-t-il nécessairement moins de performances ?

Voilà la vraie question.

Bien que nous détestions probablement tous perdre plus de contrôle avec chaque année qui passe, cela ne devrait pas être un problème tant que les performances continuent d'augmenter.

Et comme nous l'avons vu précédemment, l'impact est mineur en termes de gestion des enchères (3 % de toutes les conversions).

Le véritable enjeu est ailleurs, au niveau stratégique.

Comme l'indique Google :

"Sur le chemin de la conversion, les clients peuvent interagir avec plusieurs publicités du même annonceur… Les modèles d'attribution peuvent vous donner une meilleure compréhension des performances de vos publicités et vous aider à optimiser les parcours de conversion."

Alors, comment optimiser les parcours de conversion si nous manquons de visibilité ? Passons d'abord en revue un exemple :

Analyser les parcours clients en action

Un de nos clients a un mix média relativement simple, je vais donc l'utiliser comme exemple pour illustrer mon propos.

Comme dans le football, ce client a des tactiques différentes : défenseurs, milieux de terrain et attaquants. Il faut toute cette équipe pour marquer un but.

Notez que la recherche payante "score" assez bien lors de l'utilisation du modèle d'attribution au premier clic. Cependant, pas tellement lors de l'utilisation du dernier clic. La recherche organique et le marketing par e-mail volent la vedette lors de l'utilisation de ce modèle d'attribution.

C'est comme prévu, cependant, parce que :

• Le parcours de conversion commence par une recherche payante sans marque. Ils génèrent des prospects.
• Le lead nurturing est nécessaire pour faire mûrir les prospects. Cela se fait principalement par e-mail marketing.
• Les prospects qualifiés finissent par acheter via une recherche de marque organique et payante.

Ou, pour le dire en termes footballistiques :

• Recherche payante sans marque = Défenseurs
• Courriel = Milieux de terrain
• Recherche de marque organique et payante = Strikers

L'ADD est-elle suffisante ?

Auriez-vous compris cet entonnoir de conversion sans ces modèles d'attribution ?

Probablement. Cet exemple est assez simple.

Mais que se passe-t-il si nous commençons à travailler sur un projet B2B où les ventes prennent des mois ou un projet B2C où les achats répétés sont importants ?

Maintenant c'est une autre histoire. J'ai vu beaucoup d'exemples où DDA n'a pas bien fonctionné.

Je pense que la validation des conclusions DDA avec des modèles d'attribution anciens et rigides a toujours de la valeur. Sans de tels repères, vous vous exposez à des dommages potentiels.

Après tout, l'apprentissage automatique est aussi intelligent que les données que nous lui fournissons.

Voici trois solutions pour les annonceurs qui cherchent à s'adapter aux changements.

Solution 1 : plan de marquage de niveau supérieur

Développer un programme de données solide est votre première étape pour identifier les interactions du parcours client.

Grâce à un suivi complet, vous pouvez utiliser les modèles d'attribution DDA ou du dernier clic en toute confiance… mais avec toutes ces étapes du parcours client pour remplacer le premier clic, etc.

Je sais que ce n'est pas l'idéal mais c'est un premier pas. Si nous utilisons mon exemple ci-dessus, vous attribueriez les prospects du dernier clic à la recherche sans marque et les ventes du dernier clic à la recherche de marque. Pas idéal, mais ça marche.

Naturellement, cela nécessite de suivre l'intégralité du parcours client. Vous ne pouvez pas compter sur votre ancien plan de marquage simpliste. Vous avez besoin de micro-conversions.

Solution 2 : Intégration des données CRM

Lorsque vous suivez les conversions, vous arrêtez-vous aux ventes ?

Vous devez maintenant suivre et réintégrer l'intégralité du parcours client (oui, y compris l'après-vente) dans les plateformes publicitaires via l'attribution externe.

Vous pouvez ensuite utiliser cet outil pour une visibilité accrue - comme la notation des prospects, mais avec la notation des clients cette fois.

Si vous constatez des écarts de performances, cela devrait vous permettre d'influencer vos enchères différemment du modèle "basé sur les données".

Bref, le CRM doit devenir (s'il ne l'est pas déjà) un outil central des annonceurs pour mieux comprendre et informer le parcours client – ​​et, par conséquent, le mix média adapté.

Solution 3 : autres méthodes d'attribution

Je m'aventure ici dans des terrains plus sophistiqués, qui ne s'appliquent pas à tous les projets.

Fondamentalement, l'incrémentalité signifie exposer un public à votre annonce et masquer délibérément cette même annonce à un public similaire, puis comparer les niveaux de performance des deux publics.

Comme vous pouvez l'imaginer, cette méthode est très cool mais sujette aux erreurs. (Sans parler uniquement disponible si vous avez de gros budgets en premier lieu à des fins de fiabilité des données.)

Votre prochain meilleur pari est avec les sondages auprès des clients.

Par exemple, vous pouvez utiliser une fenêtre contextuelle d'intention de sortie (demandant aux visiteurs sortants d'où ils viennent, ce qu'ils n'ont pas aimé, etc.) ou des champs supplémentaires dans votre parcours d'achat/prospect pour capturer des informations supplémentaires.

Naturellement, soyez prudent avec ces données déclaratives car elles sont souvent biaisées dans une certaine mesure.

Il n'y a pas de modèle d'attribution parfait

Tout au long de cet article, j'ai recherché le moyen idéal pour mesurer les performances.

Mais ne vous perdez pas dans le terrier du lapin. L'attribution parfaite n'existe pas.

Ce que vous voulez, c'est une contribution fiable mais directionnelle à votre stratégie.

Passer ce stade est pour les geeks publicitaires comme moi, mais pas utile pour la prise de décision commerciale. Prioriser en conséquence.