février 27, 2021

Qu’est-ce que la publicité numérique ne va pas?

Par andy1712


Les publicités numériques semblent bien plus efficaces qu’elles ne le sont parce qu’elles sont vendues en fonction du nombre de personnes qui achètent après avoir cliqué dessus. La plupart de ces personnes sont susceptibles d’acheter de toute façon, sans invite de publicité. Vous pouvez réduire le montant que vous dépensez en publicités et augmenter vos ventes de celles que vous réalisez si elles ciblent des personnes qui ne sont pas déjà vos clients.

L’efficacité des publicités numériques est largement survendue. Une étude à grande échelle des publicités sur eBay a constaté que l’efficacité des annonces de recherche de marque était surestimée jusqu’à 4 100%. Une analyse similaire de Annonces Facebook a vomi un nombre de 4 000%. Pour toutes les données dont nous disposons, il semble que les entreprises n’aient toujours pas de réponse à une question posée pour la première fois par le célèbre détaillant du 19e siècle John Wanamaker: Quelle moitié du budget publicitaire de mon entreprise est gaspillée?

Il devrait cependant être possible de répondre à cette question. Parce que ce qui gêne ce n’est pas un manque d’informations – le problème auquel Wanamaker a été confronté – mais plutôt une confusion fondamentale entre corrélation et causalité.

L’erreur de conversion

Lorsque les représentants marketing vendent de l’espace publicitaire aux clients, ils affirment que les publicités créeront ou provoqueront un changement de comportement – un phénomène généralement appelé ascenseur. Ils soutiennent la réclamation en indiquant le nombre de personnes qui achètent un produit après avoir vu l’annonce – généralement appelé le conversion évaluer.

Pour expliquer la différence entre les deux à mes élèves, je leur fais imaginer que, le premier jour de cours, je me tenais à la porte en train de distribuer des tracts annonçant la classe à chaque élève qui entrait. Je leur demande alors: taux de conversion sur mes annonces? » Ils répondent toujours correctement «100%» car 100% des personnes qui ont vu l’annonce «ont acheté» ou se sont inscrites dans la classe. Ensuite, je demande: “Dans quelle mesure ces annonces ont-elles changé votre comportement?” Comme ils s’étaient tous déjà inscrits au cours bien avant de voir l’annonce, ils ont tous répondu: “Pas du tout.” Ainsi, alors que le taux de conversion de mon annonce est de 100%, le gain de l’annonce – la quantité de changement de comportement qu’elle provoque – est de zéro.

Bien que mon exemple soit un peu simpliste, il montre pourquoi la confusion entre la portance et la conversion peut créer des problèmes pour mesurer le retour sur investissement marketing. Les grandes marques paient beaucoup d’argent aux consultants pour «cibler» leurs publicités sur les personnes les plus susceptibles d’acheter leurs produits. Mais à moins que le ciblage ne s’adresse aux clients qui ne sont pas déjà prêts à acheter les produits, la conversion du clic en argent liquide ne générera aucun nouveau revenu. La clé pour rendre la publicité payante est d’amener les gens à acheter vos produits (ou à faire un don à une campagne politique ou à se faire vacciner) qui ne l’auraient pas fait autrement.

Mesure de l’ascenseur

Disons que nous voulons savoir si (A) rejoindre l’armée (B) entraîne une baisse des revenus salariaux à vie d’une personne. Nous ne pouvons pas simplement comparer les salaires des gens qui entrent dans l’armée à ceux qui ne le font pas, car il existe de nombreux autres facteurs (C) qui pourraient être à l’origine de différences que nous pourrions voir dans les chiffres bruts.

Par exemple, les personnes ayant accès à des emplois mieux rémunérés sont moins susceptibles de rejoindre l’armée en premier lieu (c’est B causant A). Et les personnes ayant plus d’éducation ou de compétences choisissent de ne pas entrer dans l’armée (C causant à la fois A et B). Donc, ce qui ressemble au premier abord à une relation causale entre le service militaire et des salaires moyens inférieurs pourrait simplement être une corrélation induite par ces autres facteurs. Le défi consiste donc à contrôler ces autres facteurs tout en isolant la relation que nous voulons examiner.

Nous pouvons le faire en créant un groupe de contrôle. Si nous assignons au hasard certaines personnes à rejoindre l’armée, le groupe qui rejoint (le groupe de traitement) aura, en moyenne, la même éducation et les mêmes compétences (et âge, sexe, tempérament, attitudes, etc.) que le groupe qui ne le fait pas. ne rejoignez pas (le groupe de contrôle). Avec un échantillon suffisamment grand, les distributions de toutes les caractéristiques observables et non observables parmi les personnes affectées aux groupes de traitement et de contrôle sont les mêmes, ce qui fait du traitement lui-même la seule explication restante des différences de résultats entre les deux groupes. Toutes choses égales par ailleurs, nous pouvons être convaincus que rien d’autre que leur service militaire ne peut entraîner des différences de salaire.

Le problème, nous ne pouvons pas toujours faire cela. Un scientifique aurait du mal à justifier une étude qui forcerait au hasard des gens à rejoindre l’armée. Dans ces cas, nous recherchons ce que l’on appelle des «expériences naturelles» – des sources naturelles de variation aléatoire qui imitent une expérience randomisée.

Une bonne expérience naturelle utilisée par Josh Angrist pour mesurer l’effet du service militaire sur les salaires est le projet de loterie imposé aux citoyens américains pendant la guerre du Vietnam. Chaque citoyen de sexe masculin s’est vu attribuer un numéro de tirage au sort et ces numéros ont été choisis au hasard pour déterminer qui a été repêché. Le tirage au sort était une expérience naturelle qui a créé une variation aléatoire dans la probabilité que les gens rejoignent l’armée. Angrist a utilisé cette variation pour estimer l’effet causal du service militaire sur les salaires.

De la même manière, Christos Nicolaides et moi avons utilisé la météo comme une expérience naturelle pour comprendre l’effet des messages des réseaux sociaux sur le comportement à l’exercice. Bien que les gens qui courent plus ont tendance à avoir des amis qui courent plus, la variation du temps nous a aidés à estimer le degré de réception des messages sociaux de nos amis. cause nous pour courir plus.

Lorsque vous explorez les données et commencez à exécuter des tests, vous apprenez rapidement que les effets des publicités en ligne ne sont pas ce à quoi vous vous attendez. Dans Yahoo! étude, par exemple, les chercheurs ont constaté que les publicités en ligne augmentaient effectivement les achats de 5%. Mais presque aucune de cette augmentation ne provient de clients fidèles et réguliers: 78% provenaient de personnes qui n’avaient jamais cliqué sur une annonce auparavant et 93% des ventes réelles ont eu lieu plus tard, dans les magasins physiques du détaillant, plutôt que par réponses en ligne. En d’autres termes, le modèle standard de causalité des publicités en ligne – selon lequel la visualisation se traduit par un clic, qui mène ensuite à l’achat – ne décrit pas avec précision comment les publicités affectent ce que font les consommateurs.

Les avantages du marketing causal

Des résultats comme celui-ci peuvent expliquer pourquoi Procter & Gamble et Unilever, les grands-pères du marketing de marque, ont pu améliorer leurs performances en marketing numérique alors même qu’ils réduisaient leurs budgets de publicité numérique. En 2017, Marc Pritchard, Chief Brand Officer de P&G, a réduit le budget publicitaire numérique de l’entreprise de 200 millions de dollars, soit 6%. En 2018, Unilever est allé encore plus loin en réduisant sa publicité numérique de près de 30%. Le résultat? Une augmentation de 7,5% de la croissance organique des ventes pour P&G en 2019 et un gain de 3,8% pour Unilever.

Les améliorations ont été rendues possibles parce que les deux entreprises ont également déplacé leurs dépenses médias d’une focalisation étroite sur la fréquence – mesurée en clics ou en vues – à une focalisation sur la portée, le nombre de consommateurs qu’elles ont touchés. Les données avaient montré qu’ils frappaient auparavant certains de leurs clients avec des publicités sur les réseaux sociaux dix à vingt fois par mois. Ce niveau de bombardement a entraîné des rendements décroissants, et probablement même ennuyé certains clients fidèles. Ils ont donc réduit leur fréquence de 10% et déplacé ces dollars publicitaires pour atteindre de nouveaux clients peu fréquents qui ne voyaient pas d’annonces.

Ils se sont également penchés de très près sur les primo-accédants pour comprendre les motivations d’achat, ce qui leur a permis d’identifier, de manière assez précise, des groupes prometteurs de clients méconnus. Par exemple, ils ont décrit dans leur appel sur les résultats du quatrième trimestre de 2019 qu’ils passaient de «cibles démographiques génériques telles que« les femmes de 18 à 49 ans »» à des «audiences intelligentes» telles que les mères pour la première fois et les nouveaux propriétaires de machines à laver.

Le raz-de-marée de données personnelles granulaires et individuelles créées par la publicité en ligne nous a donné la réponse à la question posée par John Wanamaker. Cela peut potentiellement permettre aux spécialistes du marketing de mesurer précisément les effets des médias et de savoir quels messages fonctionnent et lesquels ne fonctionnent pas. Assurez-vous simplement de distinguer la corrélation de la causalité, comme l’ont fait P&G et Unilever, et de ne pas cibler les personnes qui sont déjà vos clients les plus fidèles.