La modélisation prédictive aide à surmonter les défis de scale quand il s'agit de répartir et d'optimiser un budget publicitaire sur des portefeuilles d'annonces toujours plus larges. Voici comment elle fonctionne.
Répartir et réajuster les budgets publicitaires chaque semaine peut vite devenir long et fastidieux, surtout face à des dizaines, voire des centaines de campagnes à l'échelle mondiale ou sur plusieurs canaux. Pourtant, mal optimiser ses dépenses et mal répartir ses budgets revient à gaspiller énormément d'argent.
L'objectif central : répartir les budgets de manière à générer le plus de valeur possible pour l'entreprise. Nous avons donc développé un algorithme qui fluidifie cette répartition et son optimisation. Avec un client qui pilotait 170 campagnes Google Ads dans le monde, cette approche nous a permis de faire passer le retour sur investissement publicitaire (ROAS) moyen de 2,8 à 8,4 en moins de deux mois.
Voici comment fonctionne l'algorithme :
Nous avons utilisé la modélisation prédictive à partir des données passées pour optimiser la répartition des budgets. Voici les facteurs retenus dans notre modèle pour tripler le ROAS :
- Normalisation des données : les campagnes ont des durées et des dates de lancement différentes ; il fallait donc les ramener à la même échelle avant de pouvoir les comparer.
- Taux de conversion : il nous aide à estimer la capacité d'une campagne à transformer les utilisateurs en clients, et donc à prioriser celles qui en génèrent le plus.
- Valeur de conversion : elle nous aide à estimer le chiffre d'affaires généré par chaque campagne, et donc à prioriser les plus rémunératrices.
- ROAS : le retour sur investissement publicitaire nous permet d'estimer la rentabilité de chaque campagne, là encore pour prioriser les plus rentables.
- Facteur d'ajustement : les attentes varient selon la position dans le funnel, en haut (TOFU), au milieu (MOFU) ou en bas (BOFU). Si une campagne performe mieux que la moyenne à un étage donné, on réalloue les budgets en conséquence.
- Taux d'impressions : il nous permet d'estimer le potentiel de croissance d'une campagne. Certaines ont déjà atteint leur plafond d'impressions, d'autres disposent encore d'une marge considérable. Si nous estimons qu'une campagne a une forte marge de progression, une part plus importante du budget lui est attribuée.
- Budget minimal : enfin, nous calculons le budget plancher pour chaque catégorie de campagne (TOFU, MOFU ou BOFU). Cela garantit un niveau minimal de visibilité de marque, même si l'objectif premier reste la performance.
En résumé
Chaque entreprise a des ressources limitées. Les canaux publicitaires actifs sont nombreux, et chacun abrite une myriade d'actions ou de campagnes. En exploitant les données historiques, nous construisons des modèles prédictifs qui estiment, sur des bases solides, quelles campagnes et quels canaux ont le plus de chances de performer. Ces modèles nous permettent de répartir efficacement les budgets, d'améliorer la performance et la rentabilité tout en réduisant le risque.
Ces algorithmes font gagner un temps et un argent précieux, mais il faut garder leurs limites en tête. Un modèle prédictif s'appuie sur la performance passée : il ne tient pas compte des changements apportés à la campagne par la suite. D'où l'importance d'y ajouter la main de l'humain. Il faut aussi tout mesurer correctement : on ne peut pas améliorer ce que l'on ne mesure pas.
Là où nous passions trois heures par semaine à gérer les budgets de ce client, nous pilotons désormais l'ensemble mieux et plus vite, en arrière-plan. Ce temps libéré, nous le consacrons à la stratégie, ce qui maximise l'efficacité des campagnes sur toute la ligne.
Nous adaptons notre approche aux besoins propres à chaque client. Un modèle prédictif doit épouser vos données, votre activité et vos objectifs précis. Si vous peinez à répartir vos ressources efficacement, parlons-en pour bâtir une solution sur mesure qui fonctionne pour vous.