Résultant de la perturbation créée par la croissance rapide de la publicité en ligne au cours des dix dernières années, les organisations marketing ont accès à beaucoup plus de données pour suivre l’efficacité et le retour sur investissement. Ce changement a eu un impact sur la façon dont les spécialistes du marketing mesurent l’efficacité des publicités, ainsi que sur le développement de nouvelles mesures telles que le coût par clic (CPC), le coût par mille impressions (CPM), le coût par action/acquisition (CPA) et la conversion par clic. En outre, de multiples modèles d’attribution ont évolué au fil du temps, car la prolifération des appareils numériques et la formidable croissance des données disponibles ont poussé le développement de la technologie d’attribution.
- Les modèles d’attribution à source unique (également attribution à touche unique) attribuent tout le crédit à un événement, comme le dernier clic, le premier clic ou le dernier canal pour montrer une publicité (post view). L’attribution simple ou au dernier clic est largement considérée comme moins précise que les autres formes d’attribution, car elle ne tient pas compte de tous les facteurs contributifs qui ont conduit à un résultat souhaité.
- L’attribution fractionnée comprend des poids égaux, la décroissance temporelle, le crédit client et les modèles multi-touch / courbe. Les modèles à poids égal donnent le même montant de crédit aux événements, le crédit client utilise l’expérience passée et parfois simplement des suppositions pour allouer le crédit, et le multi-touch attribue divers crédits à travers tous les points de contact dans le parcours de l’acheteur à des montants fixes.
- L’attribution algorithmique ou probabiliste utilise des techniques de modélisation statistique et d’apprentissage automatique pour dériver la probabilité de conversion à travers tous les points de contact marketing qui peuvent ensuite être utilisés pour pondérer la valeur de chaque point de contact précédant la conversion. Également connue sous le nom d’attribution pilotée par les données, Doubleclick et Analytics 360 de Google utilisent des algorithmes sophistiqués pour analyser tous les différents chemins de votre compte (qu’ils soient convertibles ou non) afin de déterminer les points de contact qui contribuent le plus aux conversions. L’attribution algorithmique analyse les chemins convergents et non convergents sur tous les canaux pour déterminer la probabilité de conversion. Avec une probabilité attribuée à chaque point de contact, les poids des points de contact peuvent être agrégés par une dimension de ce point de contact (canal, placement, créatif, etc.) pour déterminer un poids total pour cette dimension.
Construire un modèle d’attribution algorithmiqueModifier
Des méthodes de classification binaire issues des statistiques et de l’apprentissage automatique peuvent être utilisées pour construire des modèles appropriés. Cependant, un élément important des modèles est l’interprétabilité du modèle ; par conséquent, la régression logistique est souvent appropriée en raison de la facilité d’interprétation des coefficients du modèle.
Modèle comportementalEdit
Supposons que les données publicitaires observées sont { ( X i , A i , Y i ) } i = 1 n {\displaystyle \{(X_{i},A_{i},Y_{i})\}_{i=1}^{n}.
où
- X ∈ R {\displaystyle X\in \mathbb {R} }.
covariables
- A ∈ {0 , 1 } {\displaystyle A\in \{0,1\}}.
consommateur a vu la publicité ou non
- Y ∈ { 0 , 1 } {\displaystyle Y\in \{0,1\}}.
conversion : réponse binaire à la publicité
Modèle de choix du consommateurEdit
u ( x , a ) = E ( Y | X = x , A = a ) {\displaystyle u(x,a)=\mathbb {E}. (Y|X=x,A=a)}
∀ X ∈ R {\displaystyle \forall X\in \mathbb {R} }
covariables et ∀ A {\displaystyle \forall A}
annonces
u = ∑ k A β k ψ ( x ) + ϵ {\displaystyle u=\sum _{k}A\beta ^{k}\psi (x)+\epsilon }
Les covariables, X {\displaystyle X}
, comprennent généralement différentes caractéristiques sur la publicité diffusée (création, taille, campagne, tactique marketing, etc.) et des données descriptives sur le consommateur qui a vu la publicité (emplacement géographique, type d’appareil, type de système d’exploitation, etc.)
Théorie de l’utilitéEdit
y i ∗ = max y i ( E ) {\displaystyle y_{i}^{*}={\underset {y_{i}}{\max }}{\bigl (}\mathbb {E} {\bigr )}}
P r ( y = 1 | x ) = P r ( u 1 > u 0 ) {\displaystyle Pr(y=1|x)=Pr(u_{1}>u_{0})}
= 1 / {\displaystyle =1/}
Procédure contrefactuelleEdit
Une caractéristique importante de l’approche de modélisation est l’estimation du résultat potentiel des consommateurs supposant qu’ils n’ont pas été exposés à une publicité. Comme le marketing n’est pas une expérience contrôlée, il est utile de dériver les résultats potentiels afin de comprendre l’effet réel du marketing.
Le résultat moyen si tous les consommateurs ont vu la même publicité est donné par
μ a = E Y ∗ ( a ) {\displaystyle \mu _{a}=\mathbb {E} Y^{*}(a)}
= E {E ( Y | X , A = a ) } {\displaystyle =\mathbb {E} \{\i1}mathbb {E} (Y|X,A=a)\}}
Un marketeur est souvent intéressé à comprendre la » base « , ou la probabilité qu’un consommateur se convertisse sans être influencé par le marketing. Cela permet au marketeur de comprendre la véritable efficacité du plan marketing. Le nombre total de conversions moins les conversions « de base » donnera une vision précise du nombre de conversions induites par le marketing. L’estimation de la ‘base’ peut être approximée à l’aide de la fonction logistique dérivée et en utilisant les résultats potentiels.
Base = Conversions prédites sans marketing observé Conversions prédites avec marketing observé {\displaystyle {\text{Base}}={\frac {\text{Conversions prédites sans marketing observé}}{\text{Conversions prédites avec marketing observé}}}}.
= E { E ( Y | X , A = 0 ) } E { E ( Y | X , A = 1 ) } {\displaystyle ={\frac {\mathbb {E} \{\i1}Mathbb {E} (Y|X,A=0)\}{\mathbb {E} \{{{mathbb {E}} (Y|X,A=1)\}}}}
Une fois la base dérivée, l’effet incrémentiel du marketing peut être compris comme étant l’ascenseur par rapport à la » base » pour chaque publicité en supposant que les autres n’aient pas été vues dans le résultat potentiel. Cet ascenseur par rapport à la base est souvent utilisé comme le poids de cette caractéristique à l’intérieur du modèle d’attribution.
Poids d’attribution = {\displaystyle {\text{Attribution Weight}}=}
= E { E ( Y | X , A = 1 ) } – E { E ( Y | X , A = 0 ) } E { E ( Y | X , A = 1 ) } {\displaystyle ={\frac {\mathbb {E} \{\mathbb {E} (Y|X,A=1)}-\mathbb {E} \{\mathbb {E} (Y|X,A=0)\}}{\mathbb {E} \{\mathbb {E} (Y|X,A=1)\}}}}
