Nous vous avons beaucoup parlé de modèles d'attribution et de l'importance de la contribution sur le blog. Dernier volet pour clôturer notre série de rentrée sur ce sujet : un comparatif des principales solutions d'attribution disponibles sur le marché français... dont Marketing Studio par Alphalyr !
Vous trouverez quelques développements sur des notions importantes après le tableau (notamment pourquoi le data driven n'est pas forcément l'approche la plus pertinente en attribution) :
EASYENCEWIZALYALPHALYR
Attribution
Attribution data driven. Moyenne entre l’attribution faible et la plus élevée, différents modèles disponibles (linéaires, paraboliques..)
Méthode de Markov et Shapley
Attribution data driven
(machine learning)Modèle d’attribution “business driven” + contribution Contextualisation / Données de contexte❌❌✅ opérations commerciales, données concurrence (homepage, newsletters…), données d’objectifs (trafic, dépenses, CA)...Temps réel❌ (limité)✅✅UX✅✅en amélioration !Tracking des fraudes❌❌✅ en temps réelTracking post view✅ payant (set-up pour chaque prestataire) et sous conditions que l’annonceur héberge ses bannières sur ses serveurs + pas de licence✅ payant (set-up pour chaque prestataire) + licence selon nombre d’impressions mensuelles✅ inclusFaire foi auprès des plateformes d'affiliation❌❌✅ envoi du CA généré par les plateformes d’affiliation et blocage des transactions frauduleuses en temps réelCollecte en propre des données❌ se basent sur données GA, Eulerian (se connectent à des API) plug & play (mais empêche de détecter la fraude)
collectecollecteModèle de pricing
Base calculée sur nombre de transactions annuelles Base calculée sur le nombre de quantité de visites par mois, peut être réajustée selon les échéances en fonction de l'évolution du trafic Base calculée sur le nombre de visites par mois
👉 Réservez votre démo gratuite & diagnostic de votre acquisition
Précisions importantes : Data driven vs Business Driven, quels différences et impacts ?
Il est fréquent de penser que les modèles data driven sont les plus pertinents pour une stratégie marketing maîtrisée. Dans les faits, ce n'est pas forcément le cas.
Se reposer entièrement sur l'analyse de la data pour évaluer son mix-marketing pose un souci fondamental : les résultats ne nous disent pas si la stratégie est bonne ou non, ou si elle doit évoluer. Il n'y a pas d'intention liée aux leviers, ni de vision métier dans les formules mathématiques qui servent à exploiter ces données.
Même un modèle d'attribution data-driven basé sur le machine learning va atteindre des limites qui freinent la capacité d'optimisation de l'acquisition.
Ce modèle se base sur les comportements des internautes et les leviers avec lesquels ils interagissent, mais cela ne vous révèle pas si les leviers sont là au bon endroit et au bon moment... et s'ils jouent bien en fonction de leurs objectifs (initiateur, passeur, buteur et les coûts associés).
Côté machine learning, l'algorithme apprend bien mais cela reste opaque : difficile d'expliquer ses résultats à sa Direction ou de pousser sereinement un budget vers un levier plutôt qu'un autre ! On ne sait pas ce qui fait que l'algo a pu attribué X ou Y conversion à Z levier. Et même si c'était le cas, encore une fois, les résultats des leviers ne sont pas évalués en fonction de leurs objectifs.
Pour ce qui est de l'approche retenue par Easyence, à savoir les méthodes de Markov et Shapley (jeux coopératifs appliqués à l'attribution, pour la faire courte), sur lesquelles sont générée une boîte à moustaches, on retombe sur un système de moyenne entre l'attribution la plus faible et la plus élevée... et sans perspective métier puisqu'il s'agit de théories mathématiques qui ne sont pas spécifiques à l'acquisition de clients ni au marketing web.
Cet article souligne d'autres limites à l'approche (dont l'incapacité à détecter la fraude) : "You should also remember that regardless of the attribution method used, any algorithm that use conversion paths as input data is based on the analysis of correlations. Correlation, however, may indicate causation between interaction and conversion, but it is not proof of it, and therefore these models may sometimes misinterpret signals. For this reason, these algorithms do not detect conversion hijacking (like brand bidding, discount coupons etc.), as conversion lift methodology does."
C'est pour cet ensemble de raisons (entre autres) qu'Alphalyr a choisi de développer un modèle d'attribution business-driven sur la base d'un algorithme qui prend en compte les dimensions d'objectifs assignés et de contribution.
