Qu’est-ce que le Smart Bidding de Google Ads ?
Les stratégies d’enchères basées sur le machine learning sont vendues aux entreprises comme la solution miracle à tous leurs problèmes. Dans les faits, il y a pourtant de bonnes et de mauvaises manières d’exploiter cette technologie aussi nouvelle que puissante. Loin d’être la solution universelle qu’on nous présente, le Smart Bidding de Google Ads, par exemple, demande un suivi attentif et un usage sélectif pour produire des résultats. Si vous ne maîtrisez pas vraiment ce que vous faites, le machine learning peut vous conduire à gaspiller une bonne partie de votre précieux budget publicitaire.
Le système d’enchères qui régit l’écosystème Google Ads organise des ventes aux enchères automatisées pour des espaces publicitaires associés à des mots-clés. Le contrôle de ces espaces fait l’objet d’une concurrence féroce entre annonceurs, et une stratégie d’enchères peut faire ou défaire le succès d’une campagne. Les montants misés peuvent être fixés manuellement, ou cette décision peut être déléguée à une stratégie automatique appelée Smart Bidding, les algorithmes de machine learning de Google Ads.
Garbage in, garbage out
Aucun doute possible : les algorithmes de machine learning dopés à l’IA comptent parmi les grandes ruptures du marketing en ligne d’aujourd’hui. Ils peuvent donner des résultats vraiment remarquables, et tout marketeur devrait les envisager comme une option sérieuse. Leur réussite dépend toutefois très fortement des données. Il leur faut les bonnes données pour miser juste. C’est le vieux principe du garbage in, garbage out : une entrée de mauvaise qualité corrompt fatalement la sortie et débouche sur des résultats erronés.
La plupart d’entre nous en ont déjà fait l’expérience. Imaginons par exemple qu’une de vos connaissances utilise votre ordinateur pour comparer le prix des poussettes. À partir de ce moment, vous remarquez que beaucoup des publicités qui vous sont présentées tournent autour de la grossesse, de la maternité et des bébés. Ces produits ne vous servent à rien car, contrairement à la personne qui a utilisé votre ordinateur, vous n’attendez pas d’enfant. Votre profil de données contient désormais des informations erronées.
Pour contourner le problème des données parasites, il faut filtrer ces petites imprécisions. Et cela ne se fait qu’à grande échelle. Plus il y a de données, mieux c’est. Le machine learning n’a donc pas seulement besoin de données de qualité : il lui en faut aussi beaucoup.
Les faiblesses initiales du machine learning en marketing digital
Comme le montre le graphique suivant, le machine learning ne délivre pas un ROI optimal tant qu’il n’a pas rassemblé assez de données de qualité. À ce moment-là, son efficacité décolle, car il se met à miser de façon vraiment pertinente et pilotée par la donnée. Cette phase initiale de collecte revient cher pour relativement peu de résultats. C’est pourquoi nous l’appelons la zone de dépression. Personne n’a envie d’y passer, surtout lorsqu’il faut des résultats fiables sous la contrainte d’un budget serré.
La solution évidente pour éviter cette zone de dépression serait de créer sa propre stratégie d’enchères, sans machine learning, mais qui collecte malgré tout des données à injecter plus tard dans l’algorithme Smart Bidding de Google. Plus facile à dire qu’à faire. Et pourtant, nous avons une solution qui fait exactement cela : une solution simple, qui performe pendant le creux des débuts et fournit les données grâce auxquelles la machine pourra ensuite apprendre et s’épanouir.
Des heuristiques humaines pendant que la machine apprend
En tant qu’agence, nous travaillons chaque jour au plus près de tous les outils de Google, et nous avons testé en profondeur les algorithmes de machine learning en parallèle de plusieurs de nos propres algorithmes développés en interne. Forts de ces expériences, nous avons conçu et longuement éprouvé un outil propriétaire qui nous permet d’obtenir de façon fiable des enchères rentables, même quand les données sont rares. C’est une solution simple, élégante et efficace, fondée sur la science des heuristiques.
Une heuristique est une méthode de calcul conçue pour résoudre des problèmes de décision complexes en privilégiant la vitesse et l’approximation plutôt que la précision absolue. Elle n’a pas le même potentiel de maximisation à long terme que le machine learning, mais elle fournit des résultats imparfaits, immédiats et robustes. Voyez l’heuristique comme une règle empirique ou une estimation éclairée, un peu comme deviner le poids de quelqu’un à partir de sa taille. Comme le montre le graphique ci-dessus, notre heuristique commence à rapporter dès qu’on la met en place, sans avoir à traverser la coûteuse période d’apprentissage dont le machine learning de Google a besoin pour générer du ROI.
Trouver le point idéal
Disons que mener une campagne marketing revient à apprendre à un enfant à faire du vélo. Utiliser le machine learning dès le départ, c’est comme lancer l’enfant sur un vélo de route taille adulte, tandis que s’appuyer sur une heuristique revient plutôt à monter des petites roues. Sans les petites roues, l’enfant tombe souvent, jusqu’à ce qu’il s’adapte et trouve son équilibre. Avec elles, on évite les chutes et on optimise la courbe d’apprentissage. La question devient alors : quand peut-on retirer les petites roues ?
Les heuristiques sont utiles aux premiers stades d’une campagne, et le machine learning devient plus performant par la suite, à condition de disposer de données de qualité. Toute l’astuce consiste donc à basculer vers des décisions pilotées par le machine learning une fois qu’assez de données sont réunies pour garantir des résultats solides. La ligne verticale du graphique ci-dessous illustre ce point idéal, ou point d’inflexion, à partir duquel il faut retirer les petites roues et passer de l’heuristique au machine learning.
L’emplacement exact de ce point idéal dépend évidemment de la situation. Le trouver avec précision, sans engager trop de coûts, tient plus de l’art que de la science. Cela dit, nous utilisons une technique simple pour surveiller ce point d’inflexion. Dès que nous estimons avoir généré assez de données à injecter dans le Smart Bidding, nous lançons des campagnes en A/B testing : l’une paramétrée pour utiliser le machine learning, l’autre maintenue sur notre algorithme heuristique. Nous comparons ensuite les deux performances et poursuivons avec la plus efficace.
Le Smart Bidding, et au-delà
Le machine learning est l’un des outils les plus puissants à disposition des marketeurs, mais cela ne veut pas dire qu’il convient à toutes les situations. Chaque nouveau produit est un cas à part entière, et chaque nouvelle campagne a sa propre courbe d’apprentissage. Mieux vaut disposer d’une boîte à outils complète pour relever tous les défis qui se présentent.
L’idée n’est pas de minimiser l’efficacité du machine learning, mais bien de comprendre comment et quand l’utiliser au mieux, et quelles autres solutions peuvent utilement l’accompagner. Les heuristiques font partie de ces solutions, et notre heuristique propriétaire en est un bel exemple.
Avez-vous déjà rencontré des difficultés avec les algorithmes de machine learning, ou été déçu par Google Ads ? Savez-vous lesquels de vos canaux génèrent le plus de ROI ?
Quelles que soient vos questions, chez comtogether nous sommes là pour vous aider. N’hésitez pas à nous contacter !