Guide du marketeur sur l'attribution marketing basée sur les données

L'attribution marketing est un moyen de mesurer la valeur des campagnes et des canaux qui atteignent vos clients potentiels.

En utilisant les résultats d'un modèle d'attribution, vous pouvez comprendre quels points de contact ont le plus d'influence sur les parcours d'achat réussis et prendre des décisions plus éclairées sur la façon d'optimiser les investissements dans les futures ressources marketing.

Mais nous savons tous que les parcours des acheteurs sont rarement simples et que les chemins du succès peuvent être longs et sinueux.

Avec autant de points de contact à prendre en compte, il est difficile de faire la distinction entre les véritables interactions à impact élevé et faible, ce qui peut entraîner une répartition inexacte du crédit et une fausse représentation des performances marketing.

C'est pourquoi il est si important de choisir le meilleur modèle d'attribution pour votre entreprise.

Dans cet article, nous discuterons un peu de l'historique des différents modèles d'attribution et, en fin de compte, de la manière de créer un modèle d'attribution personnalisé basé sur les données pour mesurer les performances des campagnes mondiales.

Limites des modèles d'attribution marketing traditionnels

Tous les modèles d'attribution ont leurs avantages et leurs inconvénients, mais un inconvénient que les modèles traditionnels ont en commun est qu'ils sont basés sur des règles. L'utilisateur doit décider à l'avance comment il souhaite que le crédit pour les événements de vente soit réparti entre les points de contact.

Les modèles traditionnels comprennent :

Heureusement, il existe des approches plus sophistiquées basées sur les données qui sont capables de saisir les subtilités des parcours des acheteurs en modélisant la façon dont les points de contact interagissent réellement avec les acheteurs, et entre eux, pour influencer un résultat de vente souhaité.

Nous avons également évalué le modèle de Shapley à partir de la théorie des jeux coopératifs. Ce modèle populaire (récompensé par le prix Nobel) a fourni beaucoup plus d'informations sur les performances des canaux que les approches traditionnelles, mais il n'a pas été adapté pour gérer le volume considérable de points de contact dans le monde numérique d'aujourd'hui.

Le modèle Shapley a donné de bons résultats sur un nombre relativement restreint de canaux, mais la plupart des entreprises doivent effectuer une attribution pour toutes les campagnes, ce qui peut correspondre à des centaines de points de contact tout au long du parcours d'un acheteur.

Évaluation du modèle d'attribution de Markov

Le modèle probabiliste de Markov représente les parcours des acheteurs sous forme de graphique, les nœuds du graphique étant les points de contact ou « états », et les arêtes de connexion du graphique étant les transitions observées entre ces états.

Par exemple, un acheteur regarde un webinaire sur un produit (premier état) puis accède à LinkedIn (transition) où il clique sur une impression publicitaire pour le même produit (deuxième état).

L'ingrédient clé du modèle est la probabilité de transition (la probabilité de se déplacer entre les états).

Le nombre de fois où les acheteurs sont passés d'un état à l'autre est converti en probabilité, et le graphique complet peut être utilisé pour mesurer l'importance de chaque état et les chemins les plus probables vers le succès.

Par exemple, dans un échantillon de données de parcours d'acheteur, nous observons que le point de contact du webinaire se produit 8 fois et que les acheteurs ont regardé le webinaire suivi d'un clic sur l'annonce LinkedIn seulement 3 fois, donc la probabilité de transition entre les deux états est de 3/8 = 0,375 (37,5 %).

Une probabilité est calculée pour chaque transition afin de compléter le graphique.

Avant de commencer à calculer l'attribution de la campagne, le graphique de Markov peut nous fournir quelques informations utiles sur nos parcours d'achat.

À partir de l'exemple ci-dessus, vous pouvez voir que le chemin avec la probabilité de succès la plus élevée est "Démarrer > Webinaire > Campagne Z > Succès" avec une probabilité totale de 42,5% (1,0 * 0,425 * 1,0).

Le graphique de Markov peut également nous indiquer le taux de réussite global ; c'est-à-dire la probabilité d'un parcours d'achat réussi compte tenu de l'historique de tous les parcours d'achat. Le taux de réussite est une référence pour les performances marketing globales et l'aiguille pour mesurer l'efficacité de tout changement.

L'exemple de graphique de Markov ci-dessus a un taux de réussite de 67,5% :

Attribution de campagne

Un graphique de Markov peut être utilisé pour mesurer l'importance de chaque campagne en calculant ce que l'on appelle l'effet de suppression.

L'efficacité d'une campagne est déterminée en la supprimant du graphique et en simulant les parcours des acheteurs pour mesurer l'évolution du taux de réussite sans qu'elle soit en place.

L'utilisation de Removal Effect pour l'attribution marketing est la dernière pièce du puzzle. Pour calculer la valeur d'attribution de chaque campagne, nous pouvons utiliser la formule suivante :

Par exemple, disons qu'au cours du premier trimestre de l'exercice, la valeur totale en USD de tous les parcours d'acheteurs réussis est de 1 M$.

Les mêmes parcours d'acheteurs sont utilisés pour créer un modèle de Markov et il a calculé que l'effet de suppression pour notre campagne publicitaire était de 0,7 (c'est-à-dire que le taux de réussite du parcours d'acheteur a chuté de 70 % lorsque la campagne publicitaire a été supprimée du graphique de Markov).

Nous connaissons les valeurs de l'effet de suppression pour chaque campagne observée dans les données d'entrée, et pour cet exemple, disons qu'elles totalisent 2,8. En insérant les chiffres dans la formule, nous calculons la valeur d'attribution de notre campagne publicitaire à 250 000 $.

Lancez-vous sur votre propre modèle

L'application d'attribution marketing ci-dessus a été développée par le centre d'excellence en marketing et données de Cloudera, mais vous pouvez commencer dès aujourd'hui sur votre propre modèle.

En tirant parti d'un modèle d'attribution basé sur les données, vous pouvez éliminer les biais associés aux mécanismes d'attribution traditionnels et comprendre comment divers messages influencent les clients potentiels et les écarts par zone géographique et type de revenu.

Une fois que vous disposez de données solides et fiables derrière l'attribution, vous pouvez être sûr d'utiliser les résultats pour informer et piloter la stratégie de mix marketing et les décisions d'investissement. Et vous pouvez compter sur les chiffres lorsque vous vous associez aux équipes de vente pour faire avancer les stratégies marketing.

James Kinley est Data Scientist principal chez Cloudera. Il les a rejoints en provenance de l'industrie de la défense britannique où il s'est spécialisé dans la cybersécurité.