Comment MMM Consultants comble le fossé de signalisation
L’ère du suivi par les cookies tiers est révolue.
Pendant près de vingt ans, les spécialistes du marketing ont utilisé les cookies pour cartographier le parcours client et relier précisément les impressions publicitaires aux conversions au niveau de l’utilisateur. Cependant, avec le durcissement des réglementations en matière de protection des données et la suppression du suivi par des tiers via les navigateurs, cette transparence a progressivement diminué.
Les principales plateformes ont déjà mis en œuvre des changements structurels. Apple a introduit la transparence du suivi des applications, limitant ainsi le suivi inter-applications. (Apple)
Parallèlement, dans le cadre de son initiative Privacy Sandbox, Google supprime progressivement les cookies tiers. (Google)
Pour les responsables des données et les directeurs marketing, cela représente un défi structurel en matière de mesure. Si les parcours utilisateurs ne peuvent plus être reconstitués, il devient beaucoup plus difficile de démontrer la valeur ajoutée des investissements médias.
1. L’érosion de l’attribution multi-touch
L’attribution multitouch a été développée pour un suivi déterministe. Elle repose sur des identifiants persistants permettant de relier les impressions, les clics et les conversions sur différents appareils et plateformes.
Ces connexions se rompent souvent de nos jours.
Un utilisateur peut voir une publicité sur un réseau social sur son appareil mobile, effectuer des recherches à son sujet sur un ordinateur, puis réaliser un achat via une recherche de marque. Sans suivi multi-appareils, les premiers points de contact sont perdus dans les données.
Les recherches de Google sur la mesure inter-environnements illustrent comment la perte de signal réduit la visibilité des interactions en haut de l’entonnoir de vente et fausse l’attribution aux interactions récentes. (Google)
Une analyse sectorielle réalisée par Nielsen note également que la fragmentation des signaux rend plus difficile la quantification de l’impact total de la présence médiatique tout au long du parcours client. (Nielsen)
Il en résulte un biais systématique :
Les canaux situés en bas de l’entonnoir marketing reçoivent une reconnaissance disproportionnée.
Les investissements en amont du processus de vente semblent inefficaces.
Les mesures de notoriété et de marque sont sous-estimées.
Des études publiées via Think with Google montrent qu’une focalisation excessive sur l’attribution de la dernière interaction conduit à un sous-investissement dans les médias de marque qui stimulent la demande future. (Google)
2. MMM en tant que cadre de mesure agrégée
Le modèle du mix marketing envisage l’attribution sous un angle différent.
Au lieu de suivre les individus, MMM analyse comment les variations des investissements médias totaux sont corrélées aux variations des résultats commerciaux globaux tels que les ventes, les bénéfices ou la demande.
Cette méthodologie économétrique est utilisée depuis des décennies, notamment dans les secteurs des biens de consommation et de la distribution, pour évaluer l’efficacité publicitaire au niveau macroéconomique.
En examinant les tendances historiques de dépenses ainsi que les données de performance, les modèles économétriques estiment la contribution de chaque canal sans recourir aux cookies ni aux identifiants utilisateur.
Des études économétriques menées par Google démontrent des effets de décalage mesurables entre l’utilisation des médias hors ligne et la demande de recherche en ligne. (Google)
Un tel modèle peut, par exemple, déterminer comment une campagne télévisée affecte la demande de requêtes de recherche de marque ou le trafic e-commerce dans les jours ou les semaines suivantes.
Le suivi individuel n’est pas nécessaire. La corrélation est établie statistiquement.
3. Influence au-delà des médias mesurables
Une part croissante du parcours client se déroule dans des environnements où le suivi était auparavant impossible.
Le bouche-à-oreille, les podcasts, la présence dans les commerces physiques, la couverture médiatique et les événements culturels façonnent la demande, mais apparaissent rarement dans les tableaux de bord des plateformes.
Les modèles MMM intègrent des variables externes pour tenir compte de ces effets.
Les normes de modélisation économétrique recommandent d’inclure des facteurs non liés aux médias tels que la tarification, la publicité et les indicateurs macroéconomiques afin d’éviter de surestimer la contribution des médias. (Institut des sciences du marketing)
Les variables communes comprennent :
Indicateurs macroéconomiques
Saisonnalité et jours fériés
Prix et promotions
Investissements des concurrents
Modèles météorologiques
Des études universitaires montrent que l’exclusion de ces variables fausse les estimations du retour sur investissement et surestime l’impact des médias payants. (Revue internationale de recherche en marketing)
En intégrant ces signaux, le modèle offre une vision plus complète des causes réelles des fluctuations de revenus.
Cela permet aux organisations de se rapprocher d’une véritable perspective incrémentale, plutôt que d’une perspective basée sur une plateforme.
4. La conformité à la protection des données comme avantage structurel
Dans le contexte réglementaire actuel, les méthodes de mesure doivent être évaluées non seulement en termes de précision, mais aussi en termes de risque de non-conformité.
Bien que des solutions de contournement telles que l’empreinte numérique probabiliste puissent rétablir temporairement la traçabilité, les autorités de réglementation avertissent que ces techniques pourraient toujours être considérées comme un traitement de données personnelles.
Les lignes directrices du Comité européen de la protection des données suggèrent que l’empreinte digitale des appareils pourrait relever des exigences de consentement. (EDPB)
MMM fonctionne avec des ensembles de données agrégées et non personnelles. N’utilisant pas d’identifiants individuels, il est par nature compatible avec les principes de gouvernance axés sur la protection des données.
Gartner décrit la modélisation économétrique comme une approche de mesure respectueuse de la vie privée qui peut fournir des informations sur l’efficacité malgré la perte de signal. (Gartner)
Pour les gestionnaires de données, cela offre une infrastructure de mesure robuste et moins sensible aux futures évolutions réglementaires.
5. Changement de mentalité en matière de mesure
Combler le fossé de signalisation exige plus qu’un simple changement d’outils. Cela nécessite une transformation stratégique de la manière dont la performance est évaluée.
Un guide pratique :
Garantir la disponibilité des données internes
Les données relatives aux ventes, à la gestion de la relation client (CRM), au commerce électronique et aux coûts médias doivent être standardisées et intégrées. La qualité des données est régulièrement citée comme le principal obstacle au succès de la gestion multi-machines (MMM). (Forrester)
Utiliser la modélisation économétrique
Les cadres MMM bayésiens permettent d’intégrer les connaissances métier existantes aux estimations d’attribution. Les cadres open source tels que Robyn de Meta et les recherches de Google sur les MMM bayésiens ont accéléré leur adoption en entreprise. (Méta,Google)
La planification de scénarios permet
Les plateformes MMM modernes permettent aux entreprises de simuler des réaffectations budgétaires et d’en prédire l’impact sur les revenus avant d’effectuer des dépenses.
Dernière considération : Combler le fossé opérationnel en matière de signal
Il est essentiel de comprendre comment l’attribution des données évolue en l’absence de cookies. Toutefois, le véritable avantage ne se manifeste que lorsque les entreprises intègrent des méthodes de mesure respectueuses de la vie privée dans leurs décisions quotidiennes de planification et d’investissement.
À mesure que le suivi déterministe perd de son importance, les responsables marketing et de données ont besoin d’environnements de modélisation capables de quantifier les résultats incrémentaux, de simuler des scénarios d’allocation et de maintenir la transparence des performances sans dépendre d’identifiants au niveau de l’utilisateur.
Des solutions telles queAITA (économétrie automatisée basée sur l’IA)L’application d’une modélisation bayésienne avancée du mix marketing dans un cadre automatisé permet aux entreprises de mesurer la contribution de chaque canal, d’intégrer les facteurs de demande externes et de planifier les investissements d’une manière à la fois respectueuse de la vie privée et financièrement viable.
Cela permet aux équipes de passer de signaux d’attribution fragmentés à une infrastructure de mesure unifiée et pérenne.
Si vous souhaitez en savoir plus sur la manière dont MMM peut être mis en œuvre dans un environnement sans cookies, vous pouvez consulter la documentation AITA ici.
