01 Nov
Mettons directement les pieds dans le plat : pas de bon outil d’attribution = pas de suivi fiable et centralisé des campagnes.
C’est l’équivalent du “pas de bras, pas de chocolat”, sauf qu’on parle là de milliers voire millions d’euros en jeu pour votre enseigne chaque année.
Dans un contexte où les coûts publicitaires deviennent aussi élevés que le degré de complexité du parcours d’achat, choisir un modèle d’attribution solide et transparent fait toute la différence.
Mais comment vous y retrouver pour assurer une mesure objective et indépendante de vos campagnes et levieres marketing ? Sur quels modèles vous baser ? On fait le point sur les options à votre disposition aujourd’hui.
Zoom sur les limites des 3 modèles d’attribution” “classiques”… avant l’arrivée du business-driven !
| Modèle | Grands Principes | Limites |
|---|---|---|
| Markov | – Chaque étape a une probabilité de mener à la suivante. – Prend en compte toutes les étapes de la chaîne de conversion. |
– Peut devenir complexe avec l’augmentation des états. – Assomption d’indépendance peut ne pas refléter le parcours réel des clients. |
| Data-Driven | – Utilise les données passées pour prédire la valeur d’attribution. – S’adapte aux changements de comportement des utilisateurs. |
– Fonctionne comme une “boîte noire” (black box), rendant l’interprétation difficile. – Dépend fortement de la qualité et quantité des données. – Coûts de mise en œuvre. |
| Valeur de Shapley | – Chaque interaction est un “joueur” dans un jeu. – Détermine la contribution marginale moyenne de chaque joueur. |
– Complexité computationnelle pour un grand nombre d’interactions. – Difficulté d’interprétation pour des non-initiés. – Est déconnecté des contraintes métiers. |
Avant de passer au modèle business-driven, il est important de rappeler pourquoi il faut éviter les modèles basés sur des algorithmes d’attribution “black box ” (au fonctionnement interne inconnu ou inacessible).
- Manque de transparence : sans comprendre comment l’algorithme attribue la valeur des conversions, il est difficile de valider sa pertinence et d’optimiser vos campagnes en conséquence.
- Personnalisation limitée : un algorithme «black box» ne permet généralement pas de personnaliser le modèle d’attribution en fonction de vos objectifs spécifiques et du profil de votre enseigne.
- Risque de biais : un algorithme «black box» peut être biaisé en faveur de certaines plateformes ou leviers marketing, ce qui peut fausser votre analyse de performance.
Mais alors, quel modèle adopter pour obtenir une vision fiable de chaque contribution en maîtrisant votre contexte métier ?
De 15% à 20% de ventes en moins sur ces modèles data-driven vs business driven !
