Pour la plupart des marketeurs, la certitude est un luxe. Vous travaillez rarement avec une vue d’ensemble de vos clients (même si une bonne utilisation de vos outils peut aider).
Au lieu de cela, vous tirez le meilleur des données dont vous disposez — avec de l’analyse, du bon sens, et du talent. Et cette combinaison d’art et de science est la raison pour laquelle l’efficacité d’une annonce est si difficile à mesurer de manière fiable.
En d’autres termes, supposons que vous soyez un détaillant de vêtements qui cherche à promouvoir une nouvelle gamme de jeans de créateurs pour les jeunes femmes. Vous pouvez créer un segment de femmes de 18 à 24 ans intéressées par le prêt-à-porter et diffuser des publicités et des annonces sur les réseaux sociaux auprès de ce groupe.
Alors : bonne nouvelle ! Vous constatez une légère augmentation des conversions parmi ce segment. Mais quels acheteurs ont vu vos annonces ?
Avec l’Identity Resolution, vous pouvez croiser les données d’exposition et les taux de clics avec vos conversions pour comprendre quels identifiants pseudonymes de ce segment ont vu (et interagi) avec vos annonces et ont également effectué une conversion.
Toutefois, les spécialistes du marketing vont encore plus loin en cherchant à mesurer non seulement la corrélation entre l’exposition aux annonces et les dépenses des clients, mais également la causalité directe.
Et c’est ce que les tests d’incrémentalité peuvent offrir.
Les tests d’incrémentalité rendent la mesure plus scientifique
Le test d’incrémentalité (également connu sous le nom d’uplift modelling) peut être l’un des moyens les plus précis pour les marketeurs de mesurer l’impact précis d’un élément ou d’une activité discrète dans une campagne, avec la capacité d’isoler la véritable cause et l’effet.
Cela fonctionne de deux manières :
- L’exécution simultanée de deux campagnes presque identiques — une pour un groupe témoin et une pour le groupe cible — avec quelques variations mineures pour ce dernier mesurées isolément.
- Le lancement d’une campagne dans laquelle vous exposez un groupe à un élément graphique et disposez d’un groupe exclu non exposé. Idéalement, tout le reste étant identique, la seule différence entre les groupes est l’exposition, de sorte que vous pouvez isoler son impact.
La difficulté des tests d’incrémentalité
Jusqu’à présent, les tests d’incrémentalité étaient difficiles à mettre en place en dehors d’environnements spécifiques. Vous avez probablement déjà rencontré une forme de test d’incrémentalité dans des plateformes comme Facebook et Google. Elles fournissent souvent des tests d’incrémentalité dans le cadre de leur service pour valider leur efficacité et aider les clients à justifier des dépenses supplémentaires au sein de ces plateformes.
Cependant, ces entreprises bénéficient d’un avantage important en termes de certitude. Ce sont des écosystèmes fermés avec des données basées sur tout ce que les gens font une fois qu’ils sont connectés.
Si vous souhaitez exécuter des tests d’incrémentalité people-based sur l’open Internet, il est impossible de bien faire sans un moyen fiable de résoudre ou d’associer les différents identifiants des consommateurs aux comportements que vous essayez de mesurer. Sans cette capacité, vous avancez à l’aveuglette, car il peut y avoir une contamination dans vos groupes d’exposition, en particulier une fois que vous commencez à regarder à travers les canaux ou les plates-formes.
C’est là qu’intervient l’identity resolution.
Pourquoi la résolution d’identité ouvre-t-elle des tests d’incrémentalité partout ?
Lorsque vous matchez les identifiants dispersés dans vos outils, vous créez efficacement votre propre écosystème et vos tests d’uplift sont alors plus précis et contrôlés.
La résolution d’identité permet d’attribuer des groupes d’exposition connus plutôt que des groupes aléatoires qui augmentent les chances de tirer des conclusions erronées ou incomplètes. Cela signifie que vous pouvez mesurer l’impact variable relatif de vos activités marketing sur n’importe quel canal où vous pouvez résoudre les identifiants au niveau people-based.
Voyons à quoi cela pourrait ressembler :
10 % de réduction contre 20 % de réduction
Un cas d’utilisation simple mais efficace pour les tests d’uplift consiste à mesurer la réactivité de votre audience aux offres.
Supposons que le détaillant de vêtements évoqué plus haut souhaitait optimiser son ROI pour sa campagne promotionnelles pour les clients inactifs. Il pourrait prendre un segment de clients historiquement fidèles qui n’ont rien acheté en six mois et le diviser en deux, attirant un groupe avec une remise de 20 % et l’autre avec une remise de 10 %.
Si les 10 % fonctionnent de la même manière que les 20 %, il sait alors qu’il pourrait attirer de nouveau ce public sans dépenser trop pour les futures promotions.
Mais comment faire si vous souhaitez mesurer l’efficacité sur différents canaux ?
Display vs Social
Imaginons que le même détaillant de vêtements veuille mesurer précisément l’efficacité de ses annonces. Il pourrait prendre un segment de clientèle (par exemple, des femmes âgées de 18 à 24 ans) et le diviser en un groupe témoin et un groupe test.
Il montrerait au groupe témoin les annonces en display et au groupe de test les annonces sur les réseaux sociaux (ou rien au groupe témoin, et les deux au groupe test, etc.). Le résultat est un aperçu objectif des performances qui révèle l’impact de vos dépenses sur les performances.
Vous pouvez utiliser cette structure comparative de base pour mesurer l’efficacité relative de n’importe quel aspect de vos dépenses sur différents canaux — tant que vous travaillez avec des IDs people-based, les possibilités de tests et de résultats précis sont infinies. Et les opportunités d’apprentissage et d’optimisation ne s’améliorent qu’avec une approche structurée et évolutive des tests et de l’apprentissage continus.
Vidéo + affichage vs vidéo + affichage + reciblage
En pensant encore plus grand, vous pouvez même utiliser des tests d’incrémentalité pour rationaliser le coût et la complexité de votre plan média à grande échelle.
Imaginons que le magasin de vêtements diffusait une combinaison d’annonces vidéo, de display et de retargeting. Mesurer le ROI exact pour un seul de ces canaux est très complexe, notamment parce qu’ils utilisent tous des partenaires DSP différents. Mais avec les tests d’uplift, c’est plus facile que vous ne le pensez. En fait, c’est la même équation de base, mais à plus grande échelle.
Si une marque voulait comprendre l’efficacité de ses dépenses de retargeting, elle pourrait diviser un segment d’audience en un groupe témoin et un groupe test. Le groupe de contrôle verrait la vidéo, le display et les bannières de retargeting, et le groupe test verrait simplement la vidéo et le display.
À l’aide de tests d’uplift avec l’identity resolution, la marque pourrait voir si le segment test surpasse suffisamment le segment témoin pour justifier les dépenses de reciblage.
Si les résultats étaient positifs, la marque pourrait expérimenter une augmentation de ses dépenses de retargeting pour voir comment cela affecte les ventes. Si ce n’était pas le cas, elle pourrait réduire les coûts et optimiser son mix média, tout en obtenant des informations précieuses sur les clients. Quel que soit le résultat, c’est gagnant-gagnant-gagnant.
En tirant parti de la résolution d’identité pour l’exécution de tests d’incrémentalité, vous faites de l’open Internet votre terrain de jeu de test. Toutefois, la première étape consiste à résoudre les identifiants répartis entre les données et les systèmes au sein de vos outils en respectant la confidentialité.
Prêt à vous lancer ?