L'attribution multi-touch est-elle morte ? Construire une meilleure solution de mesure des performances

L'objectif séculaire de l'attribution marketing semble simple : découvrir quels points de contact, canaux et/ou campagnes sont les plus efficaces pour inciter les clients à effectuer une conversion.

Dans le monde numérique, notre capacité à attribuer l'impact repose sur des identifiants déterministes qui nous permettent d'assembler les interactions marketing. Ensuite, un modèle, basé sur des règles ou basé sur des données, est appliqué à ces interactions pour ajuster le poids du crédit attribué à chaque interaction tout au long du parcours client.

Ainsi, l'attribution donne théoriquement aux spécialistes du marketing le pouvoir de comprendre et d'évaluer la valeur de différents types d'interactions avec la marque sur la décision d'un consommateur de se convertir. L'idéal platonique d'un modèle d'attribution produirait une vue holistique de chaque point de contact dans le parcours de l'utilisateur et évaluerait avec précision son importance pour conduire les gens vers l'objectif final.

Certains modèles se sont rapprochés, comme l'attribution multi-touch, tandis que d'autres ont des angles morts bien connus, comme le dernier contact.

Mais il n'est tout simplement pas possible de suivre avec précision chaque point de contact susceptible d'avoir influencé un événement de conversion. Cela ne le sera probablement jamais. Et même si c'était le cas, l'attribution pourrait ne pas nous donner l'image complète dont nous avons besoin.

L'attribution seule est un objectif intrinsèquement erroné

L'attribution parfaite a longtemps été une chimère marketing ; Depuis l'époque de John Wanamaker, les spécialistes du marketing sont obsédés par l'idée d'un cadre de mesure universel qui prouvera qu'ils génèrent de la valeur.

Mais même si vous pouviez voir tous les points de contact et obtenir une attribution holistique parfaite, cela vous donnerait-il toutes les informations dont vous avez besoin pour élaborer la stratégie marketing parfaite ? Après tout, l'attribution, de par sa nature même, regarde toujours dans le rétroviseur. Il ne regarde pas vers l'avenir et ne propose pas de voie à suivre. Il ne tient pas non plus compte des signaux critiques d'investissement dans les médias, tels que les rendements décroissants.

La mesure des performances doit se concentrer sur l'utilisation des données pour comprendre où votre prochain meilleur dollar devrait aller, pas seulement jusqu'où est allé le dernier dollar. Vous devez être en mesure d'examiner vos données et de répondre à des questions prospectives telles que :

• Où pouvons-nous augmenter les budgets pour augmenter nos conversions tout en maintenant notre ROAS actuel ?
• Quels leviers puis-je utiliser pour optimiser les performances des campagnes ?

Vous ne pouvez pas répondre à ce genre de questions si vous ne regardez qu'un modèle qui attribue un crédit rétroactif en plus d'un ensemble de données incomplet. La froide et dure vérité est que l'attribution multi-touch déterministe n'est pas une panacée ; si c'est le seul modèle sur lequel vous comptez pour prendre des décisions, il ne peut pas fournir ces réponses.

La dépréciation des données rend plus difficile l'attribution déterministe multi-touch

Que vous soyez d'accord ou non pour dire que l'idée même d'attribution ne nous mène qu'à mi-chemin vers notre destination de mesure ultime, nous pouvons tous convenir que de nombreux spécialistes du marketing sont encore redevables aux modèles d'attribution. Comme pour tous les modèles, la perfection n'existe pas. Bien qu'il y ait eu des progrès au fil des ans, avec l'attribution basée sur les données dérivées de la valeur de Google, il y a encore beaucoup d'inconnues en jeu en ce qui concerne l'avenir de l'attribution.

En effet, l'état actuel des données marketing ne fait que compliquer les choses. Alors que des plateformes comme Meta, Google et Snap ont du mal à faire face à la transparence du suivi des applications (ATT) d'Apple, les directeurs financiers de ces entreprises seraient les premiers à admettre que la dépréciation des données est leur plus grand défi.

Au moins certains des problèmes pratiques liés à l'attribution sont d'ordre humain : les gens sont obsédés par l'idée de relier les points et de trouver des modèles, qu'ils existent ou non. Nous recevons souvent des questions de spécialistes du marketing sur le fonctionnement de l'attribution dans Google Analytics en raison d'incohérences avec d'autres ensembles de données.

Vous connaissez probablement ce défi : l'interface utilisateur de Facebook Business Manager affirme que la plate-forme a généré 10 fois plus de conversions que ce que vous voyez dans Google Analytics. Alors lequel a raison ?

La réponse est qu'ils ont tous les deux tort, mais de manière différente. Aucune quantité de calculs amusants (c'est-à-dire des calculs par procuration qui examinent le delta entre les deux points de données au fil du temps) ne vous aidera à résoudre l'équation et à calculer parfaitement exactement le crédit que les publicités Facebook devraient obtenir.

En fin de compte, il s'agit d'un problème d'observabilité des données ; les données sont incomplètes, mais nous cherchons quand même une réponse.

Si c'est déroutant, pensez-y de cette façon : disons que vous êtes au téléphone avec une réception inégale. Pour chaque 10 mots, vous manquez un mot. Il y a de fortes chances que vous puissiez toujours comprendre l'essentiel de la conversation car vous avez tellement d'autres contextes.

Mais lorsque vous commencez à perdre des phrases entières ou tous les autres mots, vous allez avoir des ennuis. C'est parce que les entrées sont trop limitées et fragmentées pour tirer des conclusions précises. C'est exactement ce qui se passe actuellement avec l'attribution déterministe sur toutes les plateformes publicitaires, et c'est quelque chose qu'aucune modélisation ne peut totalement résoudre.

Rappelez-vous cette publicité du Super Bowl T-Mobile où Rob Gronkowski invite Tom Brady à prendre sa retraite en Floride, mais Brady ne peut entendre que tous les autres mots et pense que Gronk lui dit d'aller jouer à Tampa Bay ? C'est l'attribution aujourd'hui. C'est la réalité à laquelle les marques sont confrontées avec la perte de données.

Les plateformes se tournent vers des modèles pour tenter de combler les lacunes. Essentiellement, ils prennent les données limitées dont ils disposent, comme les quelques mots que Gronk peut entendre Tom dire dans la publicité, et utilisent la technologie pour modéliser le reste de la conversation.

Ceci est comparable à la façon dont ChatGPT prédit le mot suivant le plus probable lors de la compilation des réponses. Souvent, cela a du sens, mais parfois cela hallucine et vous dit qu'Elon Musk va être le prochain président des États-Unis.

Bien sûr, il y a toujours une marge d'erreur dans la modélisation, mais si la perte de données est suffisamment grave, vous ne pouvez pas créer de modèle précis. Ensuite, la vraie question commence à prendre forme : dans quelle mesure pouvez-vous faire confiance aux plateformes publicitaires pour réussir ?

C'est pourquoi vous devez étendre votre boîte à outils de mesure.

La modélisation du mix média et les tests d'incrémentalité peuvent vous aider à mieux comprendre l'impact

L'attribution est toujours un concept puissant, mais la méthodologie sous-jacente doit changer pour pouvoir évoluer vers l'ère moderne. Vous devez poser des questions difficiles pour déterminer quel type de boîte à outils et de cadre de mesure fonctionnera pour votre organisation, comme :

• De quelle mesure avez-vous besoin pour prendre des décisions intelligentes concernant la planification des investissements sur l'ensemble des canaux et des plates-formes ?
• Quelles sont les meilleures opportunités pour faire évoluer votre mix média existant aussi efficacement que possible ?

En tant qu'industrie, nous nous sommes habitués à considérer une version imaginaire de l'attribution parfaite comme la solution ultime, mais elle n'a jamais été destinée à être utilisée que comme un guide.

Cela ne veut pas dire que ce n'est pas utile. Mais vous devez vous concentrer sur l'avenir et laisser l'attribution être une composante de votre prise de décision, et non le seul arbitre.

Et bien qu'il n'y ait pas de solution parfaite, il y en a une imparfaite qui nous rapproche beaucoup plus de l'objectif : l'attribution unifiée combinée à la modélisation du mix média (MMM), où vous utilisez des données déterministes et un modèle pour le reste. L'objectif est de tirer parti des données passées pour prévoir les investissements futurs. Il est enraciné dans la croissance et non otage des performances passées.

Pour bien faire les choses, vous devez investir dans des tests d'incrémentalité robustes, qui vous aideront à la fois à valider les données de performances modélisées et à obtenir une image plus claire de la manière dont vos campagnes affectent l'ensemble du parcours client.

Les tests d'incrémentalité basés sur la géolocalisation sont essentiels à l'étalonnage de la modélisation du mix média. C'est également la solution de mesure la plus puissante pour déterminer où vous êtes sur- ou sous-investi à un moment donné.

La plupart des marques ne sont pas très à l'aise avec les tests d'incrémentalité. Certains l'ont déjà fait, mais historiquement, la majorité n'y est pas douée. Si c'est là où se trouve votre marque, vous avez besoin de partenaires fiables avec une méthodologie prévisible adaptée aux besoins et aux particularités de vos défis commerciaux uniques.

Il est temps d'adopter une solution tournée vers l'avenir qui intègre plusieurs outils : le cadre de mesure de la performance

L'un des grands défis des modèles de mix média traditionnels est la rapidité d'action. Chez Wpromote, nous avons créé un modèle de mix média à grande vitesse et un outil de planification de scénarios d'investissement appelé Growth Planner dans le cadre de notre plateforme marketing Polaris pour relever à la fois les défis de la dépréciation des données et l'actionnabilité.

Le planificateur de croissance est au cœur de notre cadre de mesure du rendement. Essentiellement, il effectue des prévisions sur l'année entière d'un client pour trouver l'investissement optimal des dollars disponibles pour atteindre les objectifs de revenus. Il peut également être utilisé pour des optimisations hebdomadaires afin que votre marque puisse rester agile et s'adapter aux nouveaux développements.

Le planificateur de croissance examine tous vos canaux marketing et l'ensemble de l'entonnoir pour maximiser les marges, car la rentabilité est la finalité. Il vous indique comment investir jusqu'à la tactique spécifique, jusqu'au canal, jusqu'au mois, à la semaine, au jour.

Nous veillons à ce que le modèle reste honnête et continue de s'améliorer grâce à des tests d'incrémentalité continus, et nous pouvons alimenter le modèle en entrées de données avancées supplémentaires, telles que la valeur de durée de vie prédictive, pour éclairer davantage les décisions d'investissement. Ensuite, nous intégrons les données de Growth Planner dans l'analyse des données en salle blanche dans les principaux domaines d'investissement.

La mesure va continuer à être un défi sur des plateformes comme Google et Facebook et des chaînes médiatiques comme CTV. Si vous voulez vraiment savoir comment votre marketing fonctionne réellement, vous devez commencer à explorer la mesure des solutions de mesure conformes à la confidentialité.

Découvrez comment garder une longueur d'avance sur les modifications de la confidentialité des données qui auront un impact sur votre entreprise en téléchargeant l'état des données 2023.