«Si la solution semble trop simple, le scepticisme est de mise»

La modélisation du mix marketing montre dans quelle proportion les différentes mesures contribuent à un marketing réussi. Mais en réalité, quelle est la pertinence des résultats? Comment peut-elle être augmentée? Et quels sont les obstacles liés à cette procédure d’analyse statistique? Les réponses de l’experte Esther Cahn.

Madame Cahn, quels sont les avantages de la modélisation du mix marketing, notamment par rapport à d’autres méthodes?

Esther Cahn: La modélisation du mix marketing permet de représenter l’impact de différentes variables sur le succès du marketing. Cela montre donc ce qui se passe réellement. Si le modèle est par exemple axé sur la vente, il est possible de déterminer quelles mesures ont contribué à la vente des produits et dans quelle proportion. C’est un avantage par rapport à d’autres méthodes. Prenons l’exemple des sondages: les consommatrices et les consommateurs sont priés de dire s’ils pourraient s’imaginer acheter un certain produit après avoir vu la publicité correspondante. Ils répondent alors souvent autre chose que ce qu’ils pensent vraiment – et n’achètent finalement pas le produit.

Où la modélisation du mix marketing atteint-elle ses limites?

Les données disponibles constituent un point sensible. Dans le marketing, il n’y a souvent que peu de points de données. Par exemple, si une campagne dure trois semaines et que la modélisation s’effectue sur une base journalière, nous n’avons que 21 points de données. D’un point de vue statistique, il s’agit d’une base de données peu fournie. Je ne me fierais donc pas à un modèle unique. Pour moi, une modélisation de mix marketing n’est vraiment pertinente que si elle est continuellement répétée et vérifiée. Mais il faut être conscient que cela ne reflète jamais la réalité absolue. Une telle attente serait irréaliste. La modélisation du mix marketing fournit cependant des indicateurs fiables qui permettent de prendre des décisions basées sur des données, ce qui est déjà beaucoup mieux que de se fier à une simple intuition. Les personnes qui utilisent cette méthode devraient toutefois toujours vérifier les résultats et les remettre en question de manière critique. Les attentes souvent suscitées par de grands éditeurs comme Google ou Meta sont également irréalistes.

Pourquoi ces attentes sont-elles irréalistes?

De telles entreprises mettent à disposition des modèles gratuits qui semblent séduisants au premier coup d’œil. Toutefois, par définition, un modèle n’est jamais neutre. C’est pourquoi il faut toujours se demander si l’entité qui fournit le modèle ou les résultats n’est pas mue par ses propres intérêts. Par ailleurs, il est imprudent d’utiliser des modèles en l’absence de connaissances spécialisées suffisantes. En effet, il existe tellement de mauvais modèles ou de modèles mal appliqués qu’il serait parfois plus scientifique de s’en remettre au hasard. Une modélisation de mix marketing solide nécessite des connaissances éprouvées en science des données et en médias. C’est pourquoi il est essentiel d’en confier la réalisation à des professionnels. Si la solution semble trop simple ou trop bon marché, le scepticisme est de mise.

À quoi faut-il veiller lors du choix du partenaire dans le cadre d’un projet de modélisation de mix marketing?

Il est important que le prestataire soit neutre, qu’il connaisse différents types de modèles, qu’il ait de l’expérience dans la modélisation et qu’il dispose de connaissances approfondies en planification média. Il doit aussi être capable de gérer des sources de données différentes, même hétérogènes, et comprendre les spécificités du secteur. Dans l’idéal, il a déjà travaillé pour une clientèle du même secteur et a mené à bien des projets similaires. Il vaut la peine de demander des références afin de se faire une idée de la qualité du travail fourni et du style de collaboration. Il est également important que le partenaire explique clairement les résultats et les prépare de manière à ce qu’ils soient acceptés au sein de l’entreprise et mis en œuvre sous la forme de mesures concrètes.

Quelles sont les approches de modélisation les plus utilisées dans la pratique?

De nombreux prestataires misent sur des modèles bayésiens, qui calculent la probabilité qu’un événement se produise sur la base de l’état actuel des connaissances et des données disponibles. Le recours à de tels modèles comporte un grand avantage: il est possible de leur attribuer un cadre au sein duquel ils doivent rechercher des effets. Cela permet d’éviter qu’ils ne livrent des résultats totalement irréalistes. Autrement dit, les valeurs extrêmes sont écartée, car le modèle effectue les calculs dans des limites plausibles. Par exemple, le modèle ne prétend pas qu’un canal a un effet x fois plus élevé que tous les autres. Toutefois, une telle approche limite quelque peu la neutralité du modèle.

Quels sont les autres modèles utilisés?

Outre les modèles bayésiens, il existe d’autres approches classiques comme les modèles de régression linéaires ou multiples. Pour faire simple, ces modèles étudient comment les ventes évoluent au fil du temps lorsque l’on augmente ou diminue les budgets pour certains canaux. Afin d’obtenir une vue d’ensemble vraiment solide, la modélisation du mix marketing peut être complétée par d’autres méthodes, comme un modèle d’attribution.

Comment fonctionnent les modèles d’attribution?

Différentes méthodes sont utilisées. Leur point commun est d’examiner minutieusement différents customer journeys, c’est-à-dire de prendre en compte la succession des points de contact par lesquels la clientèle passe jusqu’à l’acte d’achat. Sur notre plateforme, les situations répertoriées dans ce contexte sont comparées de manière très détaillée avec des milliers d’autres situations similaires. Il est ainsi possible de déterminer dans quelle mesure un point de contact donné contribue au résultat global. L’avantage? Le degré de granularité est beaucoup plus élevé que dans le cas de la modélisation du mix marketing: il est possible d’analyser très précisément quels canaux, placements ou moyens publicitaires ont le plus grand impact en termes de conversions ou de chiffres d’affaires, ce qui permet de gérer les budgets en conséquence. Toutefois, l’attribution ne fonctionne que si le processus d’achat se déroule par voie numérique. En effet, il faut que l’achat soit saisi de façon numérique pour qu’il puisse être relié aux points de contact précédents et pour qu’il soit possible d’évaluer la contribution dans le cadre de l’achat. C’est pourquoi, dans de nombreux cas, une combinaison de différentes approches fournit les résultats les plus pertinents: la modélisation du mix marketing pour disposer d’une vue d’ensemble, les modèles d’attribution comme approfondissement dans le domaine numérique et les sondages pour une meilleure interprétation des résultats.

Comme vous l’avez déjà mentionné, la pertinence de la modélisation du mix marketing dépend avant tout de la qualité des données. Quels sont vos conseils pour parvenir à améliorer cette qualité?

Plus les données sont granulaires, plus les résultats sont précis: idéalement, les données sont saisies au moins une fois par jour. La démarche est certes fastidieuse, mais elle s’avère indispensable pour obtenir des résultats pertinents. Si l’on se fonde sur des données d’éditeurs pré-agrégées ou extrapolées, comme celles émanant par exemple de Google ou de Meta, on travaille souvent avec des valeurs imprécises. Il est préférable d’utiliser des données brutes. Pour les canaux numérique, nous utilisons par conséquent des données issues de notre propre système de tracking. Il peut être utile de savoir, avant même d’élaborer une campagne, que l’on veut faire une modélisation de mix marketing. Ainsi, tous les partenaires et toutes les agences peuvent veiller dès le début à ce que les données soient disponibles dans le niveau de détail adapté et soient idéalement structurées, par exemple avec une séparation claire entre les mesures de branding et de performance. Voici mon principal conseil aux entreprises intéressées: il vaut toujours la peine de fournir un effort supplémentaire en matière de données. C’est la seule façon de disposer d’une base fiable, permettant de prendre des décisions fondées.

D’après votre expérience, quels sont les principaux facteurs qui contribuent à la mise en œuvre réussie de la modélisation du mix marketing?

L’un des principaux facteurs de succès, c’est que toutes les personnes impliquées soient prêtes à travailler avec les résultats obtenus, même si ceux-ci impliquent des changements inconfortables. Les entreprises qui misent sur la modélisation du mix marketing doivent avoir le courage de redistribuer les budgets, d’adapter le mix de la communication, de remanier les processus et d’intégrer les résultats dans la planification de la campagne. Pour que les optimisations aillent dans la bonne direction, il est également essentiel de disposer d’une méthodologie fiable et efficace. 

Et quels sont les principaux obstacles?

Je citerais notamment l’absence d’ouverture au changement, les habitudes bien ancrées et les luttes internes en matière de budget. La situation devient également difficile si l’on s’en tient traditionnellement à certains canaux ou si le modèle présente des faiblesses méthodologiques. Dans les deux cas, on court le risque de prendre de mauvaises décisions et, partant, la confiance dans la modélisation du mix marketing se perd rapidement.

Quelle est aujourd’hui l’importance de l’intelligence artificielle dans la modélisation et comment le processus s’en trouve-t-il modifié?

Dans le contexte de la modélisation du mix marketing, l’intelligence artificielle est aujourd’hui utile surtout lorsqu’il s’agit de travailler avec les données, mais son importance est moindre pour ce qui est de la méthode elle-même. Souvent basées sur l’apprentissage automatique, les procédures de modélisation sont pour l’essentiel plus ou moins stables depuis des années et, pour l’instant, ne changent que ponctuellement avec l’avènement de l’IA. Les avantages se font réellement sentir dans la préparation des données. L’IA aide à structurer et à mettre à jour plus rapidement de gros volumes de données. Elle déploie également ses points forts dans le traitement des résultats: au lieu de chercher péniblement des chiffres à partir de rapports, il est désormais possible de poser directement des questions dans le dashboard, de visualiser des corrélations et de disposer d’informations en vue d’une optimisation. En résumé, l’IA est une aide précieuse surtout pour les étapes en amont et en aval. Il faudra probablement encore attendre avant qu’elle n’impacte la méthode elle-même.