Modélisation du mix marketing vs modélisation d'attribution : le pour et le contre
Publié: 2021-10-06La plupart des équipes marketing ont une sorte de problème de données.
Soit ils n'ont pas assez de données, soit ils en ont trop, soit le plus souvent, ils ne savent pas quoi en faire.
Et c'est pourquoi, dans cet article, nous évaluerons deux des façons les plus courantes dont les entreprises exploitent actuellement leurs données marketing : la modélisation de l'attribution et la modélisation du marketing mix.
Plongeons dedans.
MMM vs MTA [webinaire]
Regardez notre webinaire sur la modélisation du mix marketing par rapport à l'attribution multi-touch pour en savoir plus.
Qu'est-ce que la modélisation d'attribution ?
La modélisation de l'attribution est le processus de définition de règles qui déterminent la contribution de chaque point de contact tout au long du parcours client à une vente. Ceci est fait pour estimer la contribution du marketing aux revenus.
Les modèles d'attribution multi-touch courants incluent :
- Attribution linéaire : chaque point de contact (traçable) tout au long du parcours client a une contribution égale aux revenus.
- Attribution temporelle : les points de contact les plus récents tout au long du parcours client contribuent davantage au chiffre d'affaires que les points de contact antérieurs.
- Attribution basée sur la position : les premier et dernier points de contact contribuent davantage au chiffre d'affaires que les points de contact au milieu du parcours client.
Les avantages de la modélisation d'attribution
Sur le papier, la promesse de la modélisation d'attribution est attrayante : elle aide les spécialistes du marketing à disséquer le parcours client et à comprendre comment chaque point de contact contribue à une vente. Théoriquement, les modèles d'attribution devraient aider les spécialistes du marketing à allouer leurs budgets plus efficacement aux canaux, campagnes et activités qui ont le plus grand impact sur les revenus.
Cependant, le mot-clé ici est théoriquement . Examinons quelques-unes des raisons pour lesquelles la modélisation d'attribution ne tient souvent pas ses promesses.
Les inconvénients de la modélisation d'attribution
1. La fausse promesse d'une traçabilité à 100 %
Commençons par le plus gros problème : l'attribution multi-touch repose sur une fausse promesse selon laquelle chaque point de contact sur chaque appareil est traçable.
Le problème, c'est que cette promesse a été faite de mauvaise foi.
Nous n'avons tout simplement jamais été en mesure de suivre chaque impression et chaque clic de chaque personne. Et pour des raisons juridiques, éthiques et techniques, nous ne pourrons jamais non plus. En fait, la mort du cookie et l'introduction d'iOS 14 signifient en fait que le nombre de points de contact traçables diminue, ce qui rend l'attribution encore plus difficile.
Encadré : Les partisans de l'attribution multi-touch diraient ici que la collecte de données sur environ 70 % des points de contact client est préférable à la collecte de 0 % de ces données. Le problème avec cet argument est que, peu importe comment vous le découpez, vous finirez par surévaluer les canaux que vous pouvez, en fait, mesurer. Et par conséquent, vous pourriez finir par prendre des décisions assez terribles qui ignorent les 30 % les plus importants (?) De votre parcours client.
Que devez-vous faire des données que vous collectez, alors ? Eh bien, nous y reviendrons plus tard.
2. L'attribution mesure les clics — et les clics uniquement
La raison pour laquelle l'attribution ne tient pas compte de nombreux points de contact tout au long du parcours client est que les modèles d'attribution mesurent généralement les clics, et uniquement les clics. En d'autres termes, tous les points de contact hors ligne, les réseaux sociaux sombres et les impressions sont entièrement exclus de la plupart des modèles.
Ce podcast qui avait votre PDG comme invité ? Inattribuable. Cette publication LinkedIn qui ne renvoyait pas à votre site Web ? Inattribuable. Ce groupe Slack où quelqu'un a recommandé votre produit ? Vous l'avez deviné : aussi inattribuable.
Sachant cela et ayant une compréhension générale de la façon dont les humains prennent des décisions, pensez-vous qu'il est acceptable que nous incluions nos publicités Facebook et Google, les visites de pages de destination et les inscriptions à des webinaires dans nos modèles d'attribution - mais sans tenir compte des recommandations personnelles de pairs, podcasts et publications sur les réseaux sociaux ?
Non? Je ne le pensais pas.
3. L'attribution est en fait entièrement inventée
Ces deux points nous amènent proprement au troisième : l'attribution est littéralement inventée.
Comme le souligne Tim Wilson dans une récente interview, « la façon dont nous procédons à l'attribution est risible pour les scientifiques des données. Il est absolument ridicule de choisir un modèle heuristique de dernier contact, de premier contact, de décroissance temporelle ou de courbe en J inverse. Et c'est pour deux raisons : premièrement, il est très difficile de suivre une personne sur tous les points de contact, et deuxièmement, l'attribution ignore également l'historique d'une personne avec la marque. »
Scientifiquement parlant, comment prouveriez-vous qu'un certain clic a eu un impact positif - ou aucun - sur une décision d'achat ? Ou qu'un point de contact a eu une contribution plus importante qu'un autre ? Quand vous y réfléchissez, vous vous rendrez compte que la façon dont nous avons décidé d'attribuer le crédit à chaque point de contact n'est basée sur aucune science.
En fait, dans la plupart des cas, on pourrait faire valoir que les gens allaient acheter notre produit indépendamment (ou malgré) nos publicités. Pourtant, les annonces réclameront un certain crédit pour l'achat car, techniquement, elles ont été présentées au client avant qu'il n'effectue l'achat.
4. Bonnes vibrations uniquement
Enfin, la plupart des modèles d'attribution supposent que chaque point de contact a un impact positif sur la décision d'achat. C'est évidemment problématique étant donné que les gens peuvent finir par acheter des produits ou des services avec lesquels ils ont eu des interactions négatives.
En d'autres termes, l'attribution multi-touch peut être considérée comme la donnée équivalente à la positivité toxique.
Qu'est-ce que la modélisation du marketing mix ?
La modélisation du mix marketing fait référence à une analyse statistique des données historiques de marketing et de vente pour estimer l'impact que des activités marketing futures spécifiques auront sur les revenus (ou toute autre variable dépendante). Ceci est fait pour optimiser l'allocation du budget marketing aux bons canaux et campagnes.
Les avantages de la modélisation du marketing mix
Contrairement à l'attribution multi-touch, la modélisation du mix marketing se concentre sur l'analyse des entrées (pensez aux budgets et aux canaux) par rapport aux sorties (pensez aux revenus ou à la notoriété de la marque), en utilisant des méthodes statistiques au lieu d'une chaîne faible d'actions client traçables.
En d'autres termes, l'objectif n'est pas de construire un modèle complet du parcours client, mais plutôt de comprendre le rôle que chaque canal et chaque campagne joue dans le succès global de l'entreprise.
De plus, la modélisation du mix marketing est basée sur une science réelle et valide. MMM est une régression linéaire appliquée, qui peut être beaucoup plus facile à mesurer de manière fiable car toutes les entrées sont connues.
Enfin, contrairement à MTA, MMM prendra également en compte l'impact négatif sur les revenus de certains canaux, campagnes ou actifs.
Ça sonne bien sur le papier, non ? Cependant, cela ne signifie pas que la modélisation du mix marketing n'a pas ses propres problèmes.
Les inconvénients de la modélisation du marketing mix
1. Pour que la modélisation du marketing mix fonctionne, vous avez besoin d'un budget relativement important
Le plus gros problème avec la modélisation du mix marketing est peut-être qu'elle ne commence à avoir un sens que lorsque votre entreprise atteint une certaine échelle - et un budget média. En effet, vous devez créer une variabilité dans votre mix marketing pour vraiment commencer à voir l'impact de chaque canal et campagne.
Par exemple, si vous ne dépensez que 1 000 $ par mois en publicités, il est peu probable que vous voyiez un grand effet, quelle que soit la manière dont vous répartissez le budget entre différents canaux, types de publicités et créations.
2. Les MMM ignorent généralement le contrefactuel
L'autre gros problème avec la modélisation du marketing mix traditionnel est qu'elle ignore le contrefactuel. En d'autres termes, il n'est pas courant d'inclure des groupes de contrôle ou des tests d'incrémentalité dans la modélisation du marketing mix.
Au lieu de cela, la plupart des modèles de mix marketing se concentrent sur la population mondiale (au sens statistique), ce qui rend difficile la compréhension du véritable impact des changements que vous apportez à votre allocation budgétaire et à votre mix de canaux.
Cependant, rien dans le règlement ne dit que vous ne pouvez pas combiner MMM avec des études de contrôle randomisées pour rendre vos résultats plus fiables.
3. Trop d'accent sur les conversions
Dans la plupart des cas, les MMM sous-pondéreront les activités de sensibilisation en haut de l'entonnoir. En effet, la plupart des MMM considèrent les revenus comme la variable dépendante et les dépenses comme la variable indépendante.
En d'autres termes, si votre entrée est une dépense marketing, votre résultat ne peut pas être la notoriété de la marque.
Cependant, vous pouvez bien sûr atténuer ce problème en faisant de la notoriété de la marque votre variable dépendante.
4. MMM devient délicat dans un environnement B2B
Tout comme l'attribution multi-touch, les modèles de marketing mix sont également plus faciles à mettre en œuvre dans les environnements B2C qu'ils ne le sont dans le B2B.
En effet, les MMM supposent que la population est homogène - et non composée de différents rôles et personnages avec des objectifs, des défis et des priorités uniques.
Cela ne signifie toutefois pas que la modélisation du marketing mix ne peut pas fonctionner dans un environnement B2B. Cela signifie simplement que sa mise en œuvre sera légèrement plus délicate.
MMM vs MTA : le score final
Pour faire court, la modélisation du marketing mix est une bien meilleure solution pour ceux qui en ont le budget et les moyens.
Et si vous ne le faites pas, vous feriez peut-être mieux d'utiliser de simples tests A/B et une optimisation du taux de conversion plutôt que la modélisation d'attribution. Sauf si vous pouvez être relativement sûr que votre modèle d'attribution recueille des données sur vos points de contact les plus importants.
Après tout, il vaut parfois mieux agir sur la base de données limitées que de construire un modèle complexe qui ne vous donne qu'une fraction de la vérité.
En savoir plus sur MMM vs MTA
Regardez notre webinaire avec Proof Analytics où nous approfondissons les avantages et les inconvénients de l'attribution multi-touch et de la modélisation du mix marketing.