Qu’est-ce qu’adstock dans le marketing mix modeling?

Adstock est un concept couramment utilisé dans le marketing mix modeling (MMM) pour tenir compte des effets de report de la publicité.

Adstock fait référence à la quantité d’impact résiduel qu’une publicité a sur le comportement des consommateurs même après l’arrêt de la publicité. Il est important de comprendre adstock lors de la création de modèles MMM. En effet, adstock dans le marketing mix modeling peut aider les spécialistes du marketing à estimer avec précision l’impact à long terme de leurs efforts publicitaires.

1. Pourquoi est Adstock important pour le MMM?

Le marketing mix modeling consiste à analyser l’impact de diverses activités marketing sur le comportement des consommateurs, telles que les ventes ou le trafic sur le site Web. Adstock est important dans les MMM car il permet de tenir compte de l’impact à long terme de la publicité. Par exemple, une publicité pour un produit peut continuer à influencer le comportement des consommateurs même après l’arrêt de la diffusion de la publicité, en raison de la notoriété résiduelle de la marque ou d’autres facteurs. En incluant adstock dans les MMM, les spécialistes du marketing peuvent estimer plus précisément l’impact à long terme de leurs efforts publicitaires et optimiser leur marketing mix en conséquence.

2. Exemple d’un Adstock : calcul à l’aide de Weibull PDF, de Weibull CDF et de fonctions géométriques :

1. Weibull PDF: 

Une façon de calculer adstock consiste à utiliser la fonction de densité de probabilité de Weibull (PDF). Le PDF de Weibull est une fonction de distribution couramment utilisée dans l’ingénierie de la fiabilité, et il peut également être appliqué à la modélisation adstock. La formule du PDF de Weibull est :

f(t) = (k/λ) * (t/λ)^(k-1) * e^(-(t/λ)^k)

Où:

– f(t) est la fonction de densité de probabilité de la distribution de Weibull au temps t

– k est le paramètre de forme, qui contrôle la forme de la distribution

– λ est le paramètre d’échelle, qui contrôle l’emplacement de la distribution

Avantages:

– Le Weibull PDF est une fonction de distribution flexible et polyvalente qui peut être utilisée pour modéliser un large éventail de phénomènes, y compris adstock.

– Il fournit une description détaillée de la façon dont la probabilité d’impact résiduel change au fil du temps, ce qui peut être utile pour comprendre la dynamique de l’adstock.

Désavantages:

– Le PDF de Weibull nécessite l’ajustement de deux paramètres (k et λ) aux données, ce qui peut nécessiter beaucoup de calculs et nécessiter une grande quantité de données pour obtenir des estimations précises.

– La PDF de Weibull suppose que la probabilité d’impact résiduel diminue de manière monotone dans le temps, ce qui n’est pas toujours le cas en pratique.

2. Weibull CDF: 

Une autre façon de calculer adstock consiste à utiliser la fonction de distribution cumulative de Weibull (CDF). Le CDF de Weibull décrit la probabilité que l’impact résiduel se produise avant ou à un instant donné t. La formule du CDF de Weibull est:

F(t) = 1 – e^(-(t/λ)^k)

Avantages:

– Le Weibull CDF fournit un moyen simple et intuitif de modéliser adstock, car il décrit la probabilité que l’impact résiduel se produise dans un laps de temps donné.

– Il est relativement facile d’ajuster le CDF de Weibull aux données, car il suffit d’estimer les deux paramètres (k et λ).

Désavantages:

– Le CDF de Weibull suppose que la probabilité d’impact résiduel diminue de manière monotone dans le temps, ce qui n’est pas toujours le cas en pratique.

– Il fournit moins d’informations sur la dynamique d’adstock par rapport au PDF Weibull.

3. Geometric Function

La fonction géométrique est un moyen simple et couramment utilisé pour modéliser adstock. La fonction géométrique suppose que la probabilité d’impact résiduel diminue de façon exponentielle avec le temps. Le seul paramètre qui doit être estimé pour la fonction géométrique est λ.

La formule de la fonction géométrique est :

f(t) = exp(-λt)

Avantages:

• La fonction géométrique est simple à estimer et à interpréter, ne nécessitant qu’un seul paramètre (λ).
• Il suppose que la probabilité d’impact résiduel diminue de façon exponentielle avec le temps, ce qui est une hypothèse raisonnable dans de nombreux cas.

Désavantages:

• La fonction géométrique suppose que la probabilité d’impact résiduel diminue de façon exponentielle avec le temps, ce qui n’est pas toujours le cas en pratique.
  Il fournit moins d’informations sur la dynamique d’adstock par rapport aux fonctions de Weibull.

Pour résumer, Adstock est un concept essentiel dans MMM qui aide les spécialistes du marketing à estimer avec précision l’impact à long terme de leurs efforts publicitaires. Nous avons exploré comment l’adstock peut être calculé à l’aide de trois fonctions différentes.

Voulez-vous en savoir plus sur Adstock dans le media mix marketing ?

Contactez-nous ou suivez-nous sur Linkedin !