4 leçons essentielles pour mesurer vos performances avec le machine learning
Simon Ejdemyr, Data Scientist chez Facebook, explique comment adopter une approche basée sur le machine learning mesurer la performance d’une campagne.
Rubriques
SOMMAIRE
Alors que le paysage médiatique devient de plus en plus complexe, les annonceurs doivent innover pour mesurer les performances de leurs campagnes. Le machine learning peut interpréter des données rapidement et prédire des résultats. Il s’agit donc d'une technologie prometteuse qui permet aux équipes marketing de gérer cette complexité et de comprendre les performances de leurs campagnes.
Les annonceurs peuvent utiliser le machine learning de différentes manières. Facebook IQ a analysé la façon dont les systèmes automatisés améliorent la planification et la mise en œuvre de campagnes. Quand les méthodes traditionnelles ne suffisent plus, la mesure peut énormément en bénéficier. Il peut toutefois s’avérer difficile de déterminer avec exactitude comment intégrer le machine learning à l’analyse de votre campagne.
Facebook connaît très bien ces opportunités et ces défis. Pour aider les équipes marketing à mesurer la valeur incrémentale de leurs efforts marketing de façon plus précise, nous avons développé notre propre modèle d’attribution basée sur les données, qui intègre le machine learning. Facebook IQ a rencontré Simon Ejdemyr, Data Scientist dans l’équipe Marketing Science de Facebook, afin de comprendre les leçons à tirer de cette expérience.
Ejdemyr a relevé quatre points importants à prendre en compte lors du développement et de l’évaluation d’une solution de mesure utilisant le machine learning :
1. Identifiez les lacunes de votre stratégie actuelle
Pour éviter de vous retrouver dans une situation difficile, Ejdemyr recommande de commencer par prendre du recul en cherchant à identifier les lacunes de votre stratégie de mesure actuelle. De manière générale, vous devriez utiliser le machine learning pour interpréter les performances de vos campagnes d’une nouvelle manière. Il ne s’agit pas d’une solution miracle pouvant tout arranger comme par magie. « Si le produit final n’apporte rien de nouveau, peu importe à quel point il est sophistiqué, économisez votre temps et votre argent », explique Ejdemyr.
« Nous savions que les équipes marketing souhaitaient pouvoir prédire l’impact de leurs publicités Facebook rapidement et à bas coût. Nous avons donc développé un outil ciblé qui a comblé le fossé entre les approches expérimentales et les rapports traditionnels basés sur l’attribution. En cernant clairement le besoin dès le départ, il a été possible de garantir que le machine learning soit utilisé de façon efficace et appropriée. »
2. Définissez vos objectifs
Si vous développez une approche de mesure basée sur le machine learning, il y a un risque que le simple fait qu’elle existe soit considéré comme une réussite. Assurez-vous qu’elle répond vraiment à vos besoins. Pour éviter cela, vous pouvez construire un processus de validation : de cette façon, vous saurez si la solution vous est utile sans attendre d’en recevoir les premiers résultats concrets. « Nous pensons que la création d’un système de validation est tout aussi importante que le développement du modèle en lui-même », déclare Ejdemyr.
En développant notre modèle d’attribution basée sur les données, nous avons extrait certains ensembles de points de données d’autres expériences afin de comprendre comment nous pourrions gérer les sources encore inconnues. Le travail préparatoire et la définition du succès nous ont donné à croire que notre approche fonctionnerait bien pour de nouvelles campagnes.
3. Assurez-vous de disposer de sources de qualité
Les approches de mesure basées sur le machine learning ne sortent pas de nulle part : elle reposent sur des données. « Si différentes méthodes de machine learning peuvent faire le gros du travail, elles ne peuvent pas améliorer de mauvaises sources, ni vous indiquer ce que vous devriez ou ne devriez pas utiliser. Pour cela, la solution a besoin de bonnes sources et d’une équipe compétente », indique Ejdemyr.
Le modèle d’attribution basée sur les données a en partie été développé à partir de données Conversion Lift, qui ont donné une fondation solide à notre approche. Et Ejdemyr explique : « Les sources de qualité varient en fonction des données auxquelles vous avez accès et de vos objectifs, mais sans elles, vous ne pouvez pas créer un bon modèle, et ce, même avec une méthode très sophistiquée. »
4. Testez et affinez constamment votre solution
Après avoir investi du temps et des ressources dans la création d’une nouvelle approche basée sur le machine learning, il peut être tentant de passer à cette solution et de considérer votre travail comme étant terminé. Mais les modèles vont main dans la main avec d’autres outils et peuvent évoluer. « Il n’existe pas de solution de mesure parfaite. Le fait de trouver les bons compléments et la bonne cadence avec d’autres mesures garantit une prise de décisions plus solide », déclare Ejdemyr.
L’objectif de notre modèle d’attribution basée sur les données n’a jamais été de remplacer les approches de test, mais plutôt de fournir un complément important aux équipes marketing qui souhaitaient en savoir plus sur la causalité. Nous continuons donc de valider et d’affiner cette solution afin qu’elle puisse fonctionner de manière efficace avec d’autres options de rapport. Et Ejdemyr ajoute : « Les modèles de machine learning s’améliorent dans le temps. Si vous investissez constamment, vous vous assurerez que vous disposez de toutes les mesures disponibles. »
Ce que cela signifie pour le marketing
Identifiez vos besoins.
Prenez vos précautions avant d’investir en comprenant les lacunes de votre stratégie de mesure actuelle. Utilisez le machine learning s’il peut vous permettre d’interpréter les performances de vos campagnes d’une nouvelle manière.
Testez et apprenez.
La mise en œuvre d’une nouvelle approche n’est que le début du processus. Pour rendre votre solution la plus efficace possible, vous devez comprendre la façon dont elle fonctionne le mieux avec d’autres outils de mesure et continuer à investir dans des améliorations dans le temps.
Découvrez comment d’autres équipes marketing utilisent des stratégies de mesure telles que l’incrémentalité et l’attribution pour prendre des décisions commerciales plus éclairées ici.
Rubriques
À suivre dans Insights publicitaires
Découvrez encore plus d’insights
Toujours au fait de l’actualité
Recevez des insights utiles de Facebook IQ directement dans votre boîte de réception.