Smart Bidding de Google Ads : dans quels cas l’utiliser.

Découvrez pourquoi il est essentiel de disposer d’une boîte à outils pour relever tous les défis qui s’offrent à vous.

Par ARBEN KQIKU

Qu’est-ce que le « Smart Bidding » de Google Ads ?

Les stratégies d’enchères basées sur l’apprentissage automatique font figure de solution miracle. Or cette technologie nouvelle et puissante est loin d’être la panacée quand elle est mal déployée. En effet, la stratégie Smart Bidding (enchères intelligentes) de Google Ads doit être utilisée à bon escient et faire l’objet d’un suivi rigoureux pour donner des résultats. Si vous n’en maîtrisez pas l’utilisation, l’apprentissage automatique peut vous amener à dilapider une grande partie de votre budget publicitaire.

Le système déployé dans l’environnement Google Ads propose des ventes aux enchères automatisées d’espaces publicitaires associés à des mots-clés. Or les publicitaires se livrent une concurrence acharnée pour le contrôle de ces espaces et une stratégie d’enchères peut signer le succès – ou l’échec – d’une campagne. Les sommes engagées peuvent être définies manuellement ou via une stratégie automatique baptisée Smart Bidding, qui désigne les algorithmes d’apprentissage automatique de Google Ads.

« Garbage in, garbage out »

Les algorithmes d’apprentissage automatique issus de l’intelligence artificielle révolutionnent le marketing en ligne actuel. Leurs résultats remarquables en font une solution viable pour tous les annonceurs. Néanmoins, le succès de ces algorithmes dépend beaucoup des données : ces dernières doivent être pertinentes pour garantir la qualité des enchères, conformément au principe bien connu du « garbage in/garbage out » (à données inexactes, résultats erronés).

Nous sommes nombreux à en avoir déjà fait l’expérience : si quelqu’un utilise votre ordinateur pour se renseigner sur le prix des poussettes, les publicités qui vous seront proposées porteront majoritairement sur la grossesse, la maternité et les bébés. Or ces produits ne vous sont d’aucune utilité, car vous n’attendez pas d’enfant – contrairement à la personne qui s’est servi de votre ordinateur. Votre profil de données contient dès lors des informations erronées.

Il faut filtrer ces petites erreurs pour résoudre ce problème. Ce n’est possible qu’à grande échelle : plus il y a de données, mieux c’est. La qualité comme la quantité des données sont donc primordiales pour l’apprentissage automatique.

Les inconvénients initiaux de l’apprentissage automatique dans le marketing digital

Comme le montre le graphique suivant, l’apprentissage automatique n’offrira un retour sur investissement optimal que s’il recueille suffisamment de données de qualité. Son rendement sera assuré à mesure qu’il commence à réaliser des enchères vraiment efficaces, basées sur les données. Cette phase initiale de recueil des données est en général coûteuse et ne génère que peu de résultats : c’est la zone de dépression. Or personne ne veut traverser cette zone, notamment quand des résultats fiables sont requis alors que le budget est limité.

evolution cumulative du revenu en utilisant une approche machine learning

Pour éviter cette zone de dépression, le plus logique serait de créer une stratégie d’enchères qui ne recourt pas à l’apprentissage automatique, mais qui recueille les données qui alimenteront ensuite l’algorithme Smart Bidding de Google. Plus facile à dire qu’à faire. Or nous disposons d’une solution simple qui répond précisément à ce besoin : efficace dès la phase de dépression en amont, notre technologie fournit les données dont la machine peut tirer des enseignements par la suite.

L’heuristique humaine à l’œuvre pendant l’apprentissage automatique

Dans le cadre de notre utilisation intensive et quotidienne des outils de Google, notre agence a effectué des tests complets sur les algorithmes d’apprentissage automatique et sur plusieurs algorithmes développés en interne. Sur la base des résultats engrangés, nous avons créé un outil exclusif que nous avons ensuite soumis à une batterie de tests. Cet outil nous permet d’obtenir des résultats d’enchères fiables et économiques, même lorsque les données sont peu nombreuses. Cette solution fiable, élégante et efficace est basée sur l’heuristique.

cumulative evolution of revenue by using a heuristic approach and cost

Conçue pour résoudre des processus décisionnels complexes, cette méthode informatique privilégie la rapidité et l’approximation à l’exactitude absolue. Si elle ne présente pas le même potentiel de maximisation que l’apprentissage automatique à long terme, une heuristique propose des résultats imparfaits, mais immédiats et solides. Cela revient à émettre une hypothèse plausible, comme lorsque l’on estime le poids d’une personne à partir de sa taille. Comme le montre le graphique ci-dessus, notre heuristique commence à enregistrer des gains dès son déploiement : à l’inverse de l’apprentissage automatique de Google, elle ne nécessite pas une période d’apprentissage coûteuse.

Trouver le point d’équilibre

Comparons une campagne marketing à un enfant qui apprend à faire du vélo : opter dès le début pour l’apprentissage automatique revient à donner directement un vrai vélo à l’enfant, alors que s’appuyer sur une heuristique consiste à mettre les petites roues. Sans ce support, l’enfant tombe beaucoup avant de trouver l’équilibre, tandis que l’utilisation des petites roues permet d’éviter les chutes et d’optimiser la courbe d’apprentissage. Dès lors, quand faut-il enlever les petites roues ?

L’heuristique est intéressante dès les premières phases d’une campagne, alors que l’apprentissage automatique s’améliore par la suite s’il bénéficie de données de qualité. Tout l’enjeu consiste à basculer vers un processus décisionnel basé sur l’apprentissage automatique, une fois que les données sont en nombre suffisant pour garantir la solidité des résultats. Sur le graphique ci-dessous, la ligne verticale montre le point d’équilibre ou point d’inflexion, qui correspond au moment où l’on peut enlever les petites roues – et passer de l’heuristique à l’apprentissage automatique.

cumulative evolution of revenue by combining a heuristic approach and a machine learning approach

La localisation exacte de ce point d’équilibre dépend bien sûr du contexte. Le définir précisément, sans générer des coûts trop élevés, n’a rien d’une science exacte. Néanmoins, nous avons recours à une technique simple pour surveiller ce point d’inflexion. Quand nous estimons avoir généré suffisamment de données pour alimenter les enchères intelligentes, nous réalisons un A/B test sur une campagne donnée : dans un cas, nous utilisons l’apprentissage automatique ; dans l’autre, nous nous appuyons sur l’algorithme heuristique. Nous comparons alors les performances avant d’opter pour les plus efficaces.

Au-delà des enchères automatiques

L’apprentissage automatique est l’un des outils les plus puissants du marché pour les annonceurs, mais ce n’est pas pour autant une solution universelle. À chaque nouveau produit son étude de cas et à chaque nouvelle campagne sa courbe d’apprentissage : il est donc essentiel de disposer d’une boîte à outils pour relever tous les défis qui se présentent.

L’objectif n’est pas ici de dénigrer l’apprentissage automatique, mais de déterminer les circonstances dans lesquelles l’utiliser et d’identifier les autres technologies à déployer en parallèle, comme notre heuristique exclusive.


Et vous, avez-vous déjà rencontré des problèmes avec les algorithmes d’apprentissage automatique ? Ou avez-vous déjà été déçu par Google Ads ? Connaissez-vous les canaux qui engendrent le plus grand retour sur investissement ?

Nous nous ferons un plaisir de répondre à toutes vos questions. N’hésitez pas à nous contacter !

Spread the word

Partager sur facebook
Partager sur twitter
Partager sur linkedin

À propos de l'auteur

Arben
Arben graduated with a Master in Psychology. Apart from keeping us in good mental shape, he brings his passion & creativity to data analytics and programs the automations that save our customers valuable time.