Modélisation prédictive : triplez votre retour sur investissement publicitaire

Comment ? Suivez le guide !

Arben Kqiku, acount manager at comtogether

By ARBEN KQIKU

La modélisation prédictive facilite la répartition et l’optimisation des dépenses sur des portefeuilles publicitaires en constant développement. Explications.

La répartition et la redistribution hebdomadaires des budgets publicitaires s’avèrent parfois difficiles et chronophages, à plus forte raison quand on gère des dizaines – voire des centaines – de campagnes publicitaires mondiales ou plusieurs canaux. Mais si vous n’optimisez pas vos dépenses publicitaires ou ne répartissez pas efficacement vos budgets, vous risquez d’investir en pure perte.

Dès lors, il faut en priorité répartir les budgets de manière à générer le plus de valeur possible pour l’entreprise. C’est en ce sens que nous avons développé un algorithme qui garantit une répartition et une optimisation fluides du budget. Dans le cadre de notre collaboration avec un client qui diffusait 170 annonces Google Ads dans le monde, cette approche nous a permis de faire passer le ROAS (retour sur investissement publicitaire) moyen de 2,8 à 8,4 en moins de deux mois.

weekly evolution of performance indicator

Mode de fonctionnement de l’algorithme

Pour optimiser la répartition budgétaire, nous nous sommes appuyés sur une modélisation prédictive basée sur l’historique des données. Afin de tripler le ROAS, nous avons utilisé les facteurs suivants dans notre modèle :

  • Normalisation des données : chaque campagne a généralement une durée et une date de début spécifiques. Nous devions donc normaliser les données pour les comparer.
  • Taux de conversion : ce taux nous permet d’évaluer la capacité d’une campagne à convertir les utilisateurs en clients et, par conséquent, de prioriser les campagnes qui génèrent le plus de clients.
  • Valeur de conversion : cette valeur nous permet d’estimer le montant des revenus générés par campagne – et donc de prioriser celles qui génèrent le plus d’argent.
  • ROAS (Return On Ad Spent) : avec le retour sur investissement publicitaire, nous pouvons estimer la rentabilité de chaque campagne, ce qui nous permet là encore de prioriser les campagnes les plus rentables.
  • Facteur d’ajustement : les attentes varient en fonction de la phase où se situe la campagne publicitaire – haut de l’entonnoir (TOFU), milieu de l’entonnoir (MOFU) ou bas de l’entonnoir (BOFU). Ainsi, lorsqu’une campagne se révèle plus performante que la moyenne à un certain stade de l’entonnoir, nous pouvons réaffecter les budgets en conséquence.
  • Taux d’impression : cet élément nous permet d’estimer le potentiel d’une campagne. En effet, certaines campagnes atteignent leur pic d’impression quand d’autres présentent encore un énorme potentiel de croissance. Si nous estimons qu’une campagne a une marge de croissance importante, nous lui allouons une part plus élevée du budget.
  • Budget minimal : enfin, nous calculons le budget minimal pour chaque catégorie de campagne (TOFU, MOFU ou BOFU). Nous pouvons ainsi garantir un niveau minimal de visibilité de la marque, bien que la priorité soit donnée aux performances.

Pour conclure

Chaque entreprise a des ressources limitées. Plusieurs canaux publicitaires actifs sont à leur disposition ; or chacun d’entre eux comporte une myriade d’activités ou de campagnes. Grâce à l’historique des données, nous pouvons créer des modèles prédictifs qui identifient les campagnes et canaux offrant le plus grand potentiel de performances. Ces modèles nous permettent d’allouer efficacement les budgets publicitaires et d’augmenter ainsi les performances et la rentabilité tout en réduisant les risques.

Si de tels algorithmes offrent une très grande valeur en garantissant des gains de temps et d’argent, il ne faut pas oublier qu’ils ont leurs limites. En voici un exemple : les modèles prédictifs étant basés sur les performances passées, aucun changement apporté par la suite à la campagne ne sera pris en considération. Il est donc primordial de tenir compte également des modifications humaines. En outre, il est important de bien tout mesurer, car on ne peut améliorer que ce qui se mesure.

Alors que nous passions trois heures par semaine à gérer les budgets publicitaires pour ce client, nous assurons désormais une gestion optimisée en tâche de fond. Nous avons ainsi plus de temps pour nous concentrer sur la stratégie et maximiser ainsi l’efficacité des campagnes publicitaires à tous les niveaux.

Nous adaptons notre approche aux besoins spécifiques de chaque client, car les modèles prédictifs doivent être adaptés à vos données, à votre activité et à vos objectifs spécifiques. Si vous ne parvenez pas à affecter efficacement vos ressources, contactez-nous dès aujourd’hui : nous vous proposerons une solution sur mesure.

Spread the word

Partager sur facebook
Partager sur twitter
Partager sur linkedin

About the author

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.