Nouveaux acteurs : Accélérez et simplifiez le modèle de mix média !

Dans la quête incessante de répondre à la célèbre question de Wanamaker — Je sais que la moitié de ma publicité fonctionne, mais je ne sais pas laquelle — le modèle de mix média (MMM) a été salué pendant des années comme une solution potentielle, bien qu’il ait toujours fallu du temps avant de voir les résultats révélés par le MMM.

Dans le monde post-Covid, où l’avenir des cookies tiers a plongé l’industrie dans une montagne russe émotionnelle et où le temps est plus précieux que jamais, de nouvelles approches du modèle de mix média (ou du modèle de mix marketing plus large, qui examine tous les outils marketing et pas seulement les canaux médiatiques) sont désormais accessibles aux clients de taille intermédiaire et aux petites entreprises, et pas seulement aux grandes multinationales.

Les avancées en matière de cloud computing et d’apprentissage automatique ont permis de démocratiser l’accès des marketeurs au MMM. Il existe également un besoin croissant pour les marketeurs d’avoir une meilleure transparence sur l’efficacité de la planification et de la mesure des médias. En raison des pressions accrues sur les marketeurs pour dépenser de manière plus efficace — que ce soit à cause de la pression financière, de l’inflation ou d’une concurrence accrue — les agences doivent s’assurer que leurs clients comprennent mieux les résultats des actions menées en leur nom.

Un outil de MMM, appelé FutureSight, utilise le cloud computing et l’apprentissage automatique pour créer une version SaaS destinée aux clients de taille intermédiaire. Issu de l’agence média indépendante Mediastruction, il est principalement l’œuvre de Marilois Snowman, fondatrice et PDG de Mediastruction.

Snowman a souligné l’importance de la transparence de FutureSight pour les clients. « La différence, c’est que ce n’est pas une boîte noire, c’est une boîte en verre. Le modèle qui attribue vos médias est soigneusement élaboré et personnalisé pour la marque », a expliqué Snowman. « On peut le considérer comme un modèle d’ensemble, qui combine plusieurs types de modèles différents. L’algorithme pour un concessionnaire automobile pourrait ne pas convenir à un détaillant en ligne, et nous l’ajustons. C’est ça, la boîte en verre. »

« C’est un outil vraiment précieux car il permet non seulement de dire ce qui s’est passé, mais aussi de prédire ce qui va se passer », a déclaré Jen Marino, CMO à temps partiel ayant utilisé FutureSight pour plusieurs clients, dont Rockland Trust Bank et des clients du secteur de la santé. « Et le MAPE [erreur absolue moyenne en pourcentage] a toujours été très faible dans mon expérience, inférieur à 10 %, donc il est très précis en termes de prévisions. »

Marino a mentionné que son expérience en tant que CMO de Rockland Trust a permis de réaliser des économies et d’améliorer l’efficacité grâce à l’optimisation permise par FutureSight — mais cela l’a également aidée à augmenter les dépenses en raison de l’efficacité révélée.

« Nous avons pu démontrer l’impact du marketing afin de voir quels canaux fonctionnaient le plus efficacement », a ajouté Marino. « Nous avons pris des décisions concernant l’investissement dans différents véhicules en nous basant sur ce modèle et ce qu’il nous a révélé. Ainsi, nous avons été plus efficaces avec le budget total d’année en année, avec une amélioration de plus de 30 % car nous avons pu optimiser chacun de ces canaux avec une attribution complète. »

Chez l’agence média Media Matters Worldwide, l’apprentissage automatique et l’IA jouent un rôle de plus en plus important dans le développement de métriques et de modélisations. Son modèle de mix agile (AMM) fournit aux clients des rapports hebdomadaires sur le retour sur investissement des campagnes à travers les canaux, alors que l’attribution traditionnelle devient moins utile avec les jardins clos et la dépréciation des cookies tiers.

Par exemple, contrairement aux méthodes traditionnelles, l’AMM utilise une collecte de données automatisée toutes les 24 heures au lieu d’une collecte manuelle généralement effectuée sur une base trimestrielle. Le temps nécessaire pour traiter les données collectées manuellement prend également en moyenne quatre semaines et comporte un risque élevé d’erreurs, a expliqué Sara Owens, vice-présidente de l’analyse chez Media Matters Worldwide. Les prévisions via l’AMM deviennent également plus précises, et les modèles s’entraînent en quelques heures — contre des semaines avec le MMM traditionnel qui nécessite un modélisation manuelle prenant entre quatre et six semaines.

Le client Sierra Nevada Brewing Company, qui investissait massivement dans les médias sociaux comme Facebook, qui n’autorise pas la mesure tierce, n’avait pas de solution de mesure unique pour ses campagnes montrant comment chaque canal et partenaire générait des ventes ou un retour sur les dépenses publicitaires (ROAS).

En utilisant l’AMM pour capturer ce qui était auparavant non mesuré derrière des jardins clos, ainsi qu’un modèle qui se rafraîchissait mensuellement pour fournir des métriques plus opportunes et précises des revenus incrémentaux de la campagne et du ROAS par canal, la marque a pu obtenir « une compréhension complète de l’efficacité de ses médias, conduisant à une prise de décision plus éclairée, une allocation budgétaire optimisée et un ROAS et une incrémentalité de revenus plus élevés », a ajouté Owens.

L’AMM a révélé que l’un des canaux les plus performants de la marque était la radio locale, qui représentait une petite partie de son mix média auparavant. Il a également fourni des informations au client sur la sous-performance des médias sociaux payants, tandis que la musique en streaming se révélait performante. Cet outil a finalement conduit ce client à utiliser un mix média optimisé et à prévoir des revenus avec un ROAS doublé.

Parallèlement, Keen Decision Systems, une entreprise spécialisée dans le modèle de mix marketing, qui, comme mentionné précédemment, explore le mix marketing plus large que les simples canaux médiatiques, propose pour la première fois un essai gratuit de son outil de modélisation de mix marketing SaaS de cinq ans — une autre initiative pour rendre cette discipline accessible aux petits marketeurs, a déclaré Brad Keefer, directeur des revenus de l’entreprise.

« Si nous mettons un outil intuitif entre vos mains et que vous avez la capacité d’obtenir des informations, vous pouvez voir que, même si vous êtes une marque qui dépense 500 000 $ par an, le modèle produira des résultats précieux pour votre entreprise », a déclaré Keefer, dont les clients incluent Athletic Brewing et la marque de boissons Poppi. « Les personnes avec qui nous discutons recherchent un outil qui peut les aider à prévoir, à tenir leurs agences responsables, à mesurer et à prouver leur valeur, et à le faire à un rythme plus rapide. »