{"id":109862,"date":"2023-02-27T22:00:00","date_gmt":"2023-02-28T03:00:00","guid":{"rendered":"https:\/\/www.dacgroup.com\/modelisation-du-mix-media-ce-que-vous-devez-savoir\/"},"modified":"2024-12-21T05:50:00","modified_gmt":"2024-12-21T10:50:00","slug":"modelisation-du-mix-media-ce-que-vous-devez-savoir","status":"publish","type":"post","link":"https:\/\/www.dacgroup.com\/fr\/perspectives\/blog\/analytics\/modelisation-du-mix-media-ce-que-vous-devez-savoir\/","title":{"rendered":"Mod\u00e9lisation du mix m\u00e9dia en 2023 : ce que vous devez savoir avant de vous lancer"},"content":{"rendered":"

Bonne nouvelle : vous avez d\u00e9cid\u00e9 d’abandonner la mesure de l’attribution en dernier clic et vous avez pris la ferme r\u00e9solution cette ann\u00e9e d’am\u00e9liorer votre analyse de l’attribution de la performance de vos canaux m\u00e9dias. La suppression des cookies tiers et votre capacit\u00e9 \u00e0 mesurer la performance des canaux sont peut-\u00eatre venus \u00e0 bout de vos r\u00e9serves ?
\nOu bien, vous pensez simplement qu’il est temps de changer votre mani\u00e8re de mesurer vos campagnes m\u00e9dias de notori\u00e9t\u00e9? Dans ce cas, la mod\u00e9lisation d’un mix m\u00e9dia peut \u00eatre une solution. Pourquoi ? Car cela permet de mesurer les performances sans les m\u00eames exigences que pour le suivi des parcours utilisateurs bas\u00e9s sur les impressions et les clics.<\/p>\n

La mod\u00e9lisation du mix media n\u2019est pas une m\u00e9thode si r\u00e9cente <\/strong><\/h2>\n

Il s’agit en effet d’une pratique vieille de 50 ans qui repose sur les deux principes suivants:<\/p>\n

    \n
  1. Les ventes d’un produit sont d\u00e9termin\u00e9es par un ensemble de facteurs, comme notamment son prix, sa disponibilit\u00e9, le nombre de concurrents, la taille du march\u00e9, ainsi que sa notori\u00e9t\u00e9 sur le march\u00e9 et le d\u00e9sir des consommateur pour ce produit, le tout stimul\u00e9s par la publicit\u00e9 et les offres promotionnelles.<\/li>\n
  2. Lorsque les diff\u00e9rents facteurs de ce m\u00e9lange sont modifi\u00e9s, les r\u00e9percussions sur les ventes peuvent \u00eatre mesur\u00e9es. L’impact des diff\u00e9rents facteurs peut alors \u00eatre calcul\u00e9 \u00e0 l’aide d’approches statistiques.<\/li>\n<\/ol>\n

    En bref, la mod\u00e9lisation du mix m\u00e9dia vise \u00e0 comprendre le poids relatif des diff\u00e9rents canaux, ou des diff\u00e9rentes \u00e9tapes du parcours utilisateur sur les performances d’une campagne m\u00e9dia.
    \nLa mod\u00e9lisation du mix m\u00e9dia peut fournir un aper\u00e7u des conversions et des revenus de base et incr\u00e9mentiels. En termes simples, les r\u00e9sultats incr\u00e9mentiels sont le pourcentage de conversions touch\u00e9es par les m\u00e9dias qui n’auraient pas eu lieu sans action marketing. L’analyse des r\u00e9sultats de base et incr\u00e9mentiels peut r\u00e9v\u00e9ler la notori\u00e9t\u00e9 et la fid\u00e9lit\u00e9 d\u2019une marque sur le long terme, ainsi que l’effet des activit\u00e9s publicitaires \u00e0 court terme et des niveaux de concurrence.<\/p>\n

    Traditionnellement, les techniques statistiques \u00e9tablies, telles que la r\u00e9gression lin\u00e9aire, ont \u00e9t\u00e9 utilis\u00e9es pour effectuer ces calculs, mais des outils plus sophistiqu\u00e9s apparaissent pour faire passer la mod\u00e9lisation du mix m\u00e9dia au niveau sup\u00e9rieur.<\/p>\n

    Comment l’apprentissage automatique am\u00e9liore la mod\u00e9lisation du mix m\u00e9dia en 2023<\/strong><\/h2>\n

    Depuis les ann\u00e9es 1960, les statisticiens ont patiemment effectu\u00e9 des analyses de mod\u00e9lisation du mix m\u00e9dia \u00e0 l’aide d’outils \u00e9conom\u00e9triques traditionnels tels que la r\u00e9gression lin\u00e9aire, parfois m\u00eame \u00e0 la main. Mais les donn\u00e9es m\u00e9dias sont devenues plus complexes au fil des ann\u00e9es, et les lacunes des m\u00e9thodes traditionnelles sont devenues de plus en plus \u00e9videntes. De m\u00eame, les donn\u00e9es m\u00e9dias sont devenues de plus en plus disponibles et granulaires, avec la multiplication des donn\u00e9es de premi\u00e8re partie enrichies par des donn\u00e9es de deuxi\u00e8me et troisi\u00e8me partie. Enfin, la puissance de calcul des machines ayant \u00e9t\u00e9 surmultipli\u00e9e, toutes les conditions \u00e9taient r\u00e9unies pour permettre l’application de nouvelles m\u00e9thodes d’apprentissage automatique dans le cadre de l’analyse de la mod\u00e9lisation du mix m\u00e9dia.<\/p>\n

    Certaines de ces approches, telles que Robyn<\/a>\u2014 le progiciel open source<\/em> de mod\u00e9lisation du mix marketing semi-automatis\u00e9 et aliment\u00e9 par le mod\u00e8le ML de Meta, lanc\u00e9 en 2021 \u2014 cherchent \u00e0 simplifier la technique, en permettant aux utilisateurs de “verser” leurs donn\u00e9es de co\u00fbt et de conversion dans un flux de traitement des donn\u00e9es et de g\u00e9n\u00e9rer une s\u00e9lection de mod\u00e8les. En bref, l’apprentissage automatique simplifie le processus : il est capable d’ajuster de mani\u00e8re it\u00e9rative et rapide le mod\u00e8le pour obtenir de meilleures performances.<\/p>\n

    Alors il ne vous reste plus qu’\u00e0 ajouter vos donn\u00e9es et voil\u00e0 ? <\/strong><\/h2>\n

    Vous pensiez vraiment que nous allions vous dire qu’une machine (ou pas si simple !) allait faire tout le travail ?
    \nM\u00eame s’il est techniquement possible de simplement mettre les donn\u00e9es dans la machine et de croiser les doigts pour que tout se passe bien, nous sommes convaincus de l’importance de la contribution strat\u00e9gique des scientifiques de donn\u00e9es, des statisticiens et des experts en marketing pour d\u00e9velopper un mod\u00e8le r\u00e9ellement pertinent et efficace.
    \nVoici quelques situations o\u00f9 une enqu\u00eate plus approfondie serait plus que bienvenue :<\/p>\n

      \n
    1. Des ensembles de donn\u00e9es diff\u00e9rents peuvent \u00eatre mieux adapt\u00e9s \u00e0 des analyses diff\u00e9rentes utilisant des types de mod\u00e8les diff\u00e9rents<\/li>\n
    2. Des ensembles de donn\u00e9es diff\u00e9rents peuvent b\u00e9n\u00e9ficier d’un “r\u00e9glage” manuel de certains des param\u00e8tres requis par l’algorithme<\/li>\n
    3. Les r\u00e9sultats du mod\u00e8le peuvent tout simplement ne pas \u00eatre exploitables : les recommandations du mod\u00e8le ne sont peut-\u00eatre pas align\u00e9es sur vos objectifs commerciaux ou les tactiques recommand\u00e9es ne peuvent pas \u00eatre d\u00e9ploy\u00e9es efficacement dans les canaux de marketing utilis\u00e9s.<\/li>\n
    4. Une premi\u00e8re analyse pr\u00e9liminaire des donn\u00e9es peut permettre de construire des mod\u00e8les plus pr\u00e9cis.<\/li>\n<\/ol>\n

      Explorons ce dernier cas un peu plus en profondeur. Par exemple, vous auriez pu d\u00e9cider d’inclure uniquement la recherche payante (paid search) dans votre analyse. Cela semble logique, mais au sein de chaque canal, il peut exister diff\u00e9rents comportements des donn\u00e9es, et ces sch\u00e9mas tr\u00e8s diff\u00e9rents peuvent limiter la pr\u00e9cision du mod\u00e8le :<\/p>\n

      \"\"<\/p>\n

      L’exploration des donn\u00e9es avant la construction du mod\u00e8le peut permettre de d\u00e9couvrir ces diff\u00e9rences, par exemple entre les campagnes de mots-cl\u00e9s de marque et les campagnes de mots-cl\u00e9s g\u00e9n\u00e9riques ou la variation des performances entre les r\u00e9gions, ce qui peut \u00e9clairer le processus de construction du mod\u00e8le et am\u00e9liorer sa pr\u00e9cision :<\/p>\n

      \"\"<\/p>\n

      La myopie caus\u00e9e par les sch\u00e9mas cach\u00e9s dans un ensemble de donn\u00e9es concat\u00e9n\u00e9es peut conduire \u00e0 des d\u00e9cisions discutables qui entra\u00eenent une prise de risque inutile et des cons\u00e9quences potentiellement d\u00e9sastreuses sur la rentabilit\u00e9 de la campagne.<\/p>\n

      \n \n
      \n
      \n

      \n Plus de nouvelles <\/h2>\n

      \n Recevez des analyses exclusives sur
      les principales tendances du digital, directement dans votre bo\u00eete mail. <\/p>\n <\/div>\n\n

      \n
      \n
      \n
      \n \n