Comment une entreprise de commerce électronique typique mesure-t-elle les performances des campagnes en ligne ?
C’est simple.
Ils suivent les utilisateurs qui cliquent sur leurs annonces et mesurent combien d’entre eux ont effectué un achat dans un certain laps de temps, appelé fenêtre de conversion.
Cela fonctionne particulièrement bien pour les campagnes SEM.
Nous pensons que la corrélation entre le clic et la conversion est une preuve tangible d’efficacité et justifie pratiquement n’importe quel budget consacré aux publicités sur les moteurs de recherche.
Post-clic et post-vue
Les performances post-clic des publicités YouTube sont généralement faibles. Les utilisateurs ne cliquent tout simplement pas sur ce type d’annonce.
D’autre part, personne ne clique sur les publicités radio, les publicités télévisées, les panneaux d’affichage sur les routes ou les publicités dans la presse – mais nous savons qu’ils fonctionnent.
En effet, dans le cas des publicités display et vidéo, nous observons un nombre élevé de conversions post-view – mais d’une certaine manière, nous n’y croyons pas autant que nous faisons confiance aux données post-clic.
Oui, nous savons qu’il y a eu une impression d’annonce graphique. Nous savons même que c’était dans la zone visible.
Mais comment savons-nous que l’annonce a réellement été vue ? Comment savons-nous qu’il a suscité de l’intérêt?
S’il y a une autre interaction sur le chemin, nous attribuons la conversion aux clics plutôt qu’au fait que l’utilisateur a potentiellement vu notre annonce.
Modélisation des attributions
Nous connaissons déjà la modélisation d’attribution.
Nous sommes conscients qu’il peut y avoir de nombreuses interactions sur le chemin de conversion.
Il existe également un certain nombre d’outils sur le marché pour suivre les impressions et la visibilité.
Nous pouvons créer des modèles d’attribution personnalisés dans lesquels nous pouvons traiter différemment les clics, les vues et les impressions.
Le problème avec ces modèles est qu’ils nécessitent des décisions arbitraires concernant l’importance des sources de trafic sur le chemin de conversion et les poids attribués à des interactions particulières (clics, impressions ou visionnages de vidéos).
Il y avait un grand espoir dans les modèles algorithmiques tels que le modèle piloté par les données ou l’analyse de la chaîne de Markov.
Le plus gros problème de ces algorithmes est qu’ils interprètent la corrélation des interactions comme une causalité. Cela peut parfois conduire à des conclusions erronées.
Examinons la méthodologie d’attribution basée sur les données de Google. L’algorithme compare les chemins à la conversion.
Par exemple, disons que la combinaison de chercher et ecourrier points de contact conduit à une probabilité de conversion de 2 %.
S’il y a aussi affichage sur le chemin, la probabilité augmente à 3 %. L’augmentation de 50 % observée sert de base à l’attribution de la affichage canaliser.
Illustration basée sur l’article d’aide de Google Analytics, Méthodologie d’attribution basée sur les données.
Prenons un autre exemple.
Nous avons observé que les personnes qui entrent dans un relation et trouver un loger, ont 2 % de probabilité d’avoir un bébé dans les deux ans. Cependant, s’il y a cigognes dans le voisinage, la probabilité passe à 3 %.
Nous concluons que cigognes augmenter les chances d’être enceinte de 50 %. Cela signifie en fait que ces oiseaux peuvent être crédités pour au moins un certain nombre de naissances.
Naturellement, nous ne pensons pas que les cigognes apportent des bébés ou aient un impact sur la fertilité.
La raison de cette observation est différente. Il y a, pour de nombreuses autres raisons, un taux de natalité plus élevé dans les zones rurales, et les cigognes décident rarement d’avoir leurs nids dans les villes.
Bien sûr, les algorithmes d’attribution basés sur les données sont plus complexes que les exemples ci-dessus, mais ils interprètent encore souvent mal les signaux, en particulier s’il existe des points de contact marketing entrants et sortants sur le chemin (par exemple, les clics sur les termes de recherche de marque, les annonces de remarketing et campagnes de prospection régulières).
Impact sur les conversions
Au cours des dernières années, Facebook et Google ont mis à disposition des tests de conversion lift. Cette fonctionnalité permet de mener une expérimentation contrôlée et de mesurer la valeur incrémentale des campagnes marketing.
Le test d’élévation de conversion crée un groupe de contrôle à partir du groupe d’utilisateurs qui auraient vu notre annonce (parce que nous avons remporté l’enchère), mais au lieu d’afficher l’annonce, ils affichent l’annonce suivante dans le classement.
Ensuite, vous pouvez suivre et comparer les différences de comportement en aval des utilisateurs qui ont réellement vu votre annonce (groupe test) et de ceux qui auraient dû le voir, mais ne l’ont pas vu (groupe témoin).
Une simple comparaison des conversions dans ces deux groupes montre la valeur incrémentale de la campagne testée.
Ce concept est tellement simple et évident.
Il est difficile de croire que l’industrie du marketing en ligne ait dû attendre si longtemps cette fonctionnalité.
Étude de cas : la valeur des vues vidéo
Mon entreprise a réalisé un test d’amélioration de la conversion d’une campagne YouTube pour une agence de voyages en ligne.
Le test a montré que l’impact réel de la campagne était nettement inférieur au nombre de conversions après affichage.
Elle a également révélé l’imprécision des modèles d’attribution algorithmique.
Cependant, il a prouvé l’efficacité des publicités vidéo pour stimuler les ventes, bien au-delà de l’effet post-clic.
Compartiments utilisateur
Le test d’amélioration des conversions n’est pas encore disponible pour tous les annonceurs et tous les types de campagnes.
Cependant, il y a longtemps, Google Analytics a introduit les compartiments d’utilisateurs. Cette fonctionnalité permet de mener des expériences contrôlées pour les campagnes de remarketing.
Google Analytics attribue au hasard chacun de vos utilisateurs à l’un des 100 compartiments. La dimension User Bucket (valeurs de 1 à 100) indique le bucket auquel l’utilisateur a été affecté.
La plage de catégories d’utilisateurs peut être utilisée comme condition dans les définitions d’audience, et ces audiences peuvent être utilisées comme listes de remarketing dans Google Ads.
Par exemple, l’audience de la plage 1-50 peut servir de contrôle et l’audience 51-100 sera notre expérience. Vous pouvez ensuite comparer les effets du remarketing affichés uniquement sur l’audience du test.
Tester l’efficacité du remarketing
Afin de mener l’expérience de conversion lift pour les campagnes de remarketing, il vous suffit de :
- Définissez la liste de contrôle (plage de l’ensemble d’utilisateurs) comme une audience négative.
- Observez les différences de conversions entre ces deux segments.
Selon l’annonceur et la campagne, ce test peut produire des résultats complètement différents.
Par exemple:
- Dans le cas de l’agence de voyages en ligne, le remarketing a généré un nombre élevé de conversions incrémentales, plus de 10 fois supérieur aux conversions post-clic.
- Une expérience similaire réalisée par une entreprise de services de colis a montré que les utilisateurs qui avaient vu des annonces de remarketing avaient encore moins de conversions que le groupe de contrôle, malgré un nombre important de conversions post-clic.
Alors, le remarketing est-il efficace ?
Ces résultats montrent clairement qu’il n’y a pas de réponse universelle à cette question.
Bien qu’il soit peu probable que les publicités aient un effet négatif sur le taux de conversion, l’observation d’une conversion post-clic ne signifie pas toujours que la vente n’aurait pas lieu sans ce clic.
Le SEM PPC vaut-il son coût ?
Les campagnes de termes de marque (c’est-à-dire lorsqu’un annonceur utilise son propre nom de marque comme mot clé dans les annonces des moteurs de recherche) ont souvent d’excellents KPI.
Le CTR est élevé et le taux de conversion est généralement supérieur à la moyenne.
Cependant, que se passerait-il si nous ne payions pas pour cette publicité ?
Notre site Web devrait normalement figurer en première position dans les résultats de recherche organiques pour notre propre nom. Il sera placé sous les annonces de nos concurrents s’ils y apparaissent.
L’utilisateur moyen cliquera-t-il plutôt sur l’annonce du concurrent ? Ou peut-être plutôt faites défiler quelques lignes vers le bas pour trouver notre liste organique ?
Si non, cet utilisateur achètera-t-il au concurrent ? Ou plutôt retourner sur le moteur de recherche et essayer de trouver ce qu’il cherchait ?
Si nous désactivons ou limitons la campagne de termes de marque, nous pouvons souvent observer une augmentation du nombre de clics organiques pour les termes de recherche de marque.
Dans l’exemple ci-dessous, les enchères de la campagne de termes de marque ont été réduites d’environ 50 %.
Alors, combien de ces utilisateurs qui ont cliqué sur nos annonces de termes de marque effectueraient une conversion même si nous ne payions pas pour nos propres mots clés de marque ?
Les tests d’amélioration des conversions ne sont pas encore disponibles pour les campagnes sur le Réseau de Recherche. Cependant, les compartiments d’utilisateurs peuvent être utilisés pour créer des listes de remarketing pour les annonces du Réseau de Recherche (RLSA) et au moins tester l’impact supplémentaire sur les utilisateurs récurrents.
Cette expérience est un peu plus compliquée. Contrairement au remarketing, les annonces des moteurs de recherche ciblent également les nouveaux utilisateurs.
Ces utilisateurs n’ont jamais visité notre site Web auparavant et, pour cette raison, ne figurent encore dans aucun des compartiments d’utilisateurs. Pas encore car immédiatement après le clic, ils seront affectés à un compartiment utilisateur aléatoire.
Par conséquent, dans ce test, nous devons exclure les expérience listes de remarketing et utilisez les contrôler liste en situation d’observation.
- La liste des expériences : Exclu.
- La liste de contrôle : Observation, pas d’ajustement des enchères.
Le résultat de cette expérience pour les campagnes de termes de marque montre généralement que la valeur incrémentielle réelle de cette campagne est nettement inférieure à la valeur des conversions post-clic.
Très souvent, vous pouvez voir que l’augmentation réelle est statistiquement insignifiante. Alors, croyez-vous toujours aux conversions post-clic ?
Vous pouvez également essayer de tester n’importe quelle campagne SEM en utilisant cette méthode. Veuillez noter qu’il ne teste que le comportement des utilisateurs qui reviennent.
L’impact de la campagne sur les nouveaux utilisateurs peut être différent. Cependant, en fonction des résultats, vous pouvez au moins décider de modifier vos ajustements d’enchères RLSA.
Avons-nous besoin d’une modélisation d’attribution ?
La modélisation d’attribution n’est pas un art pour le plaisir. Le but de ces calculs est de déterminer la valeur incrémentale de chaque canal.
Les spécialistes du marketing doivent savoir combien de clients ils gagnent en ajoutant une campagne donnée à leur plan marketing. Il permet de calculer combien ils peuvent dépenser pour cette campagne.
C’est exactement ce que montrent les résultats d’une expérience d’amélioration de la conversion. Alors, pourquoi construisons-nous encore des modèles compliqués si nous pouvions réellement le mesurer ?
Malheureusement, nous ne pouvons pas encore utiliser l’impact sur les conversions pour mesurer l’efficacité de tous les types d’annonces.
Pourquoi faisons-nous confiance aux clics ?
De nombreuses expériences de conversion lift ont montré que l’effet post-view existe. Nous avons également pu observer que certains clics n’ont quasiment aucun impact sur le résultat global.
Notre forte croyance dans les conversions post-clic est massivement abusée par certains spécialistes du marketing de performance et affiliés.
Ils utilisent des annonces de termes de marque, des coupons de réduction ou tout autre type de techniques de détournement de conversion afin d’escroquer la commission CPA.
Espérons que les expériences d’amélioration de la conversion deviendront une norme dans le secteur de la publicité en ligne à l’avenir.
Si nous sommes en mesure de mener une expérience contrôlée pour n’importe quelle campagne, mot clé ou audience, il y aura moins de conjectures dans l’estimation de la valeur incrémentielle réelle de la publicité.
Davantage de ressources:
- Ce que les spécialistes du marketing de recherche doivent savoir sur l’attribution en 2019
- 5 métriques Google Ads utiles et faciles à surveiller
- PPC 101 : Un guide complet des bases du marketing au paiement par clic
Crédits image
Images In-Post : créées par l’auteur, mars 2019
