Dans un marketing digital en évolution rapide, vous avez tout intérêt à garder un doigt sûr sur le pouls des données de vos parcours clients. C’est ce qui vous permet de choisir, de façon constante, les manières les plus efficaces de dépenser votre précieux budget publicitaire et de maximiser votre ROI. Mais pour donner du sens à ces données, encore faut-il connaître les modèles qui façonnent la manière dont elles vous sont présentées.
L’un des objectifs centraux de quiconque travaille dans le marketing digital devrait être de pouvoir mesurer avec précision l’efficacité des investissements, en particulier pour savoir quels canaux mènent aux conversions. Pour construire des modèles data driven qui nous aident à répondre au mieux aux besoins de nos clients, chez comtogether nous explorons en permanence de nouvelles façons de creuser les chiffres, afin d’en extraire des insights utiles et des perspectives inédites sur ce qui se joue réellement au sein de nos portefeuilles de marketing digital.
Les chaînes de Markov au service d’une attribution optimale des canaux
Parmi les nombreuses possibilités de modélisation de l’attribution multicanale figurent les chaînes de Markov. C’est un outil puissant pour extraire des probabilités précises d’une série d’événements séquentiels. Son champ d’application est immense et nourrit depuis longtemps la recherche dans des domaines aussi éloignés que la gestion prédictive des stocks, l’optimisation des files d’attente en aéroport ou la conception des algorithmes de classement des pages par les moteurs de recherche.
Dans le contexte du marketing digital, mener une analyse markovienne sur un jeu de données de parcours clients et de leurs chemins de conversion nous permet d’attribuer une valeur pondérée à l’efficacité de chaque canal, en particulier au regard du résultat visé : la conversion. Nous procédons en deux temps : d’abord en calculant les probabilités de transition de chaque canal, puis en retirant des canaux des parcours pour mesurer l’impact de leur absence et, donc, leur importance relative dans la conversion. Vous suivez ? Regardons cela d’un peu plus près.
Les probabilités de transition
Chaque parcours client comporte un certain nombre d’étapes, qui peuvent mobiliser un nombre variable de canaux. Imaginez que, dans une campagne, vous suiviez trois de ces canaux : C1) réseaux sociaux, C2) paid search et C3) search organique. Avant de convertir, un client passe par ces trois canaux dans un ordre quelconque, créant un parcours unique mais à l’empreinte statistique, elle, beaucoup moins unique. En agrégeant les données de tous ces parcours, on peut calculer ce qu’on appelle les probabilités de transition : autrement dit, la probabilité que le client passe de C1 à C2, de C3 à C1, de C2 à C1, et ainsi de suite.
Les effets de suppression
Dans la seconde étape du processus, nous appliquons une méthode appelée effet de suppression (removal effect) qui, sans surprise, révèle l’effet global du retrait des différentes étapes du parcours client. On peut ainsi calculer l’impact sur les conversions en retirant tour à tour chaque canal du jeu de données. Combien de conversions perd-on lorsqu’on retire, l’un après l’autre, les réseaux sociaux, le paid search ou le search organique ? L’agrégation de ces chiffres donne une image complète et précise des parcours clients, ainsi qu’une valeur correctement pondérée de l’impact de chaque canal sur les conversions.
Nos instruments et nos méthodes
Nous avons récemment mené une analyse markovienne de ce type sur un jeu de données issu de notre portefeuille, qui comptait plus de 40'000 parcours clients uniques. La conversion visée, pour ce client précis, était la réservation d’un service de logistique. Nous avons construit un pipeline reliant les données brutes de Google Analytics 360 à Google BigQuery, où nous avons créé une table indiquant l’identifiant unique du client, la date de chaque visite du site et le fait qu’il ait converti ou non. Avec R, un langage de programmation dédié au calcul statistique, nous avons calculé puis injecté les probabilités de transition et les valeurs d’importance. Enfin, nous avons représenté l’ensemble de ces données à l’aide de ggplot2, la bibliothèque de visualisation de R.
Ce que vous pouvez attendre comme résultats
Grâce à ces résultats, nous avons pu démontrer en détail l’efficacité exacte de chaque canal. Dans ce cas précis, 35,1 %, 38,5 % et 23,6 % des conversions pouvaient être attribuées respectivement au search organique, au paid search et au canal direct (qui regroupe les sources non classables et la saisie directe de l’URL du site).
Derrière ces chiffres, on peut aussi montrer, par exemple, que le paid search a renforcé les autres canaux les plus performants en contribuant directement à 13,39 % des conversions du search organique et à 7,29 % de celles du canal direct.
Prenez du recul
Alors, au moment de décider comment attribuer canaux et ressources au sein de votre stratégie de marketing digital, gardez à l’esprit que les données recèlent des histoires cachées que votre modèle actuel ne capte peut-être pas. Les chaînes de Markov ne sont qu’une des méthodes qui vous permettent de prendre du recul.
*Vous aussi, vous aimeriez identifier le parcours que suivent vos clients avant de convertir sur votre site ? Contactez-nous dès aujourd’hui pour une session stratégique gratuite.
*