Autres outils
Cas d'usage
Les spécialistes du marketing dépensent chaque année 16,4 milliards de dollars dans le marketing d’influence, un montant en hausse de 18,8 % en 2022. Pourtant, les marques peinent encore à mesurer l’impact de toutes ces dépenses.
Mesurer le ROI des influenceurs était un sujet auquel j’ai beaucoup réfléchi en constituant l’équipe de science du marketing chez Harry’s, une marque DTC de rasage pour hommes. Je sais donc à quel point cela peut être difficile. Nous avons rapidement constaté qu’il est impossible de se fier uniquement aux codes promotionnels : trop de clients oublient de les utiliser, et les affiliés les moins scrupuleux sont tentés de partager des codes via des portails d’échange de coupons afin de générer plus de clics.
Les codes promotionnels doivent plutôt s’inscrire dans une approche de mesure plus large et plus holistique, qui intègre le suivi numérique et la modélisation du mix marketing (MMM), afin d’éliminer les dépenses média gaspillées dans des campagnes qui ne génèrent pas de ventes incrémentales.
Nous commencerons par examiner les problèmes de mesure que vous pourriez rencontrer avec vos campagnes de marketing d’influence. Nous présenterons ensuite brièvement la modélisation du mix marketing, ses forces et ses limites, ainsi que les raisons pour lesquelles les marques DTC modernes l’ont adoptée.
Enfin, nous verrons concrètement comment créer un modèle simple de mix marketing dans Excel / GSheets. Vous découvrirez le type de données dont vous avez besoin, le fonctionnement de cette technique et les décisions que vous pouvez prendre à partir des résultats obtenus.
Le marketing d’influence est l’un des canaux numériques les plus difficiles à mesurer, car il ne passe pas par les plateformes : au lieu de payer une plateforme comme Meta (Facebook & Instagram) pour diffuser de la publicité, vous contactez généralement des influenceurs individuels et travaillez directement avec eux.
Les résultats varient souvent, car le succès d’une campagne dépend en grande partie de 1) la pertinence de votre produit pour l’audience d’un influenceur, 2) la passion de l’influenceur pour votre produit et 3) l’exécution créative de votre campagne. Il y a aussi le problème de la fraude. En 2021, par exemple, 49 % des comptes d’influenceurs sur Instagram ont été touchés par la fraude, ce qui oblige les spécialistes du marketing à vérifier la présence de faux abonnés. La FTC et les plateformes de réseaux sociaux renforcent également les contrôles afin de garantir la mention claire du caractère publicitaire des publications des influenceurs.
L’une des principales méthodes de mesure utilisées par la plupart des marques consiste à recourir aux codes promotionnels, une technique éprouvée. Cette technique remonte aux années 1920, pendant la Grande Dépression, lorsque l’utilisation des coupons était à son apogée. Les premiers spécialistes du marketing scientifique, comme Daniel Starch et Claude Hopkins, ont été les pionniers de l’attribution de codes promotionnels uniques à différentes variantes de textes publicitaires afin de tester leur efficacité.
Cette technique simple mais efficace présente malheureusement d’importantes failles lorsqu’elle est utilisée dans l’économie numérique actuelle.
Dans aucun de ces scénarios, les ventes enregistrées ne sont « incrémentales » : elles auraient tout de même eu lieu sans champ de saisie de code promotionnel. Tout montant versé aux affiliés ou déduit du prix du produit était donc gaspillé.
À l’inverse, de nombreux clients oublient tout simplement d’utiliser leurs codes promotionnels ! Ou peut-être n’ont-ils pas remarqué le code noyé dans le texte de la publication. Quoi qu’il en soit, tout spécialiste du marketing ayant l’expérience des campagnes d’influence vous dira qu’il constate des pics de ventes lorsque ces campagnes sont lancées, bien au-delà de ce que le suivi permet d’expliquer.
La modélisation du mix marketing (MMM) a été introduite dans les années 1960 afin de faire correspondre les pics et les baisses des ventes aux actions marketing menées (ainsi qu’aux facteurs externes). Lorsqu’elle est bien réalisée, elle peut vous indiquer l’impact incrémental de chaque composante de votre stratégie marketing, afin de vous permettre de prendre des décisions fondées sur les données quant à l’allocation de votre budget marketing.
Historiquement, elle était principalement utilisée par les grands annonceurs, ceux qui dépensaient des millions en publicités pour le Super Bowl, mais elle a été adoptée par les marques DTC modernes à la suite des modifications apportées par Apple à iOS14 en matière de confidentialité, du RGPD/CCPA et des bloqueurs de publicité qui limitent la capacité des spécialistes du marketing à suivre les utilisateurs. La MMM fonctionne sans nécessiter de données au niveau des utilisateurs ; elle est donc idéale pour les canaux difficiles à suivre comme la télévision, les podcasts et les influenceurs.
Une fois votre modèle construit, vous pourrez déterminer combien dépenser pour chaque canal marketing, en réallouant le budget des canaux peu performants vers ceux qui offrent davantage de possibilités de croissance. Elle offre un second éclairage sur votre suivi et vos analyses numériques, et permet souvent de trancher entre ce que Google Analytics, le suivi de vos codes promotionnels et le sondage « Comment avez-vous entendu parler de nous ? » indiquent quant aux canaux auxquels attribuer les ventes.
Les modèles de mix marketing peuvent être difficiles à mettre au point et nécessitent parfois des connaissances avancées en statistiques, par exemple une familiarité avec les algorithmes bayésiens. Ils offrent davantage une vue d’ensemble, canal par canal, de l’impact global, plutôt que la possibilité d’analyser en détail les campagnes individuelles, les créations/messages ou les tactiques. Cela dit, si vous le faites correctement, les MMM constituent un élément précieux de la pile d’attribution moderne.
Pour suivre ce tutoriel, consultez le modèle de cet article, basé sur les données d’une entreprise e-commerce fictive et issu des cours de modélisation du mix marketing de Vexpower :
> Modèle MMM pour les influenceurs
Pour une grande marque, un modèle de mix marketing peut constituer un projet complexe, pouvant mobiliser plusieurs personnes pendant jusqu’à 3 mois, puis nécessiter un travail continu de maintenance. Si vous êtes dans cette situation, il est judicieux d’utiliser une bibliothèque existante telle que Meta Robyn, ou d’essayer un outil de modélisation du mix marketing entièrement automatisé comme celui que nous proposons chez Recast.
Toutefois, si vous êtes une PME ou une start-up, vous pouvez créer en un après-midi un modèle « suffisamment bon » en utilisant uniquement Excel ou Google Sheets.
Vous avez besoin de données couvrant l’ensemble de votre mix marketing, c’est-à-dire tout ce dans quoi vous investissez pour générer des ventes, afin que le modèle puisse isoler l’impact des influenceurs de celui de tous les autres facteurs. Elles doivent être présentées sous forme de tableau, comme indiqué, avec une ligne pour chaque jour ou chaque semaine et une colonne pour chaque canal ou campagne.
Remarque : lorsque vous travaillez avec des canaux comme YouTube, il est peu probable que vous obteniez tous les résultats le jour ou la semaine de publication du contenu. Si vous prévoyez un trafic continu à long terme, ce modèle ne prendra pas en compte ces retombées à long terme.
—
Conseil de pro pour modéliser les influenceurs :
Faites correspondre les dépenses à votre calendrier de publication
L’astuce consiste à faire correspondre ce que vous avez dépensé pour chaque publication avec le moment où elle a été mise en ligne. Sinon, le modèle cherchera l'impact au mauvais endroit. Attribuer les dépenses au jour de conclusion de la vente est une erreur courante, tout comme les regrouper par semaine ou par mois calendaires.
—
Idéalement, pour chaque canal média, vous voulez mesurer l'effet des dépenses : combien de dollars récupérez-vous pour chaque $1 dépensé ? Autrement dit, si possible, vous devriez modéliser le coût réel de vos campagnes, et non la portée, les impressions, les abonnés ou d'autres indicateurs faciles à manipuler.
Vous pouvez également vouloir contrôler des variables externes ayant un impact, comme dans ce cas votre classement Amazon ou vos relations presse, même si vous devez faire attention à la manière dont vous les intégrez.
Cet amas de chiffres incompréhensible est le résultat de la fonction LINEST, disponible dans Excel comme dans Google Sheets. La ligne du haut contient les coefficients (note : ils apparaissent dans l'ordre inverse), qui indiquent l'impact de chaque activité marketing (en supposant que le modèle soit correct).
Vous pouvez interpréter les coefficients comme suit. Pour les campagnes d'influence Modash, le coefficient est de 0,02, ce qui signifie que pour chaque $1 de budget, vous avez généré 0,02 ventes. Si vous divisez 1 par 0,02, vous obtenez le coût par acquisition (CPA), qui est de 46,60 $ dans notre modèle. Vous pouvez comparer ce résultat au chiffre fourni par le suivi de vos codes promotionnels, qui peut être plus ou moins élevé.
Le multiplicateur est le rapport entre ces deux chiffres. Vous pouvez l'utiliser comme règle générale pour estimer à l'avenir le ROI « réel » de vos campagnes. Par exemple, si vous lancez une nouvelle campagne qui affiche un CPA de 50 $ selon le suivi des codes promotionnels, avec un multiplicateur de 0,73, vous pouvez être raisonnablement sûr que le CPA « réel » était plus proche de 37 $ (50 x 0,73 = 37).
Dans notre cas, nous pouvons constater que le modèle prédit très précisément les ventes passées. Le MAPE — une mesure de précision/d'erreur — est généralement inférieur à 5 % pour une semaine donnée et s'établit à 3,5 % au total. C'est un bon début, mais ce n'est pas suffisant !
Nous devons ensuite vérifier que notre modèle peut prédire avec précision de nouvelles données qu'il n'a pas encore vues, par exemple les ventes des 4 prochaines semaines.
Il est également important que le modèle soit plausible : s'il nous avait indiqué que nos influenceurs généraient des ventes à 5 $ plutôt qu'à 50 $, ce serait difficile à croire et cela indiquerait qu'il y a un problème avec le modèle. Dans tous les cas, ces modèles doivent être validés et calibrés par rapport à ce que vous avez appris grâce à d'autres méthodes d'attribution marketing, notamment et surtout à des expériences contrôlées randomisées (tests A/B).
À mesure que vous cherchez à améliorer la précision et la validité statistique, vous souhaiterez adopter des techniques plus avancées, comme le MMM bayésien, ainsi que mesurer l'impact différé de vos campagnes d'influence (combien de temps les ventes continuent-elles après la publication ?) et les rendements décroissants (combien pouvez-vous dépenser avant que le canal ne soit saturé ?), ainsi que d'autres caractéristiques importantes d'un bon modèle de mix marketing. C'est à ce stade que vous devez commencer à apprendre les techniques avancées de MMM, faire appel à un data scientist ou engager un prestataire comme Recast, capable de gérer cette complexité et de garantir la précision de votre modèle.