Test d'incrémentalité : Faire passer l'attribution marketing au niveau supérieur

Dans un contexte de marketing digital en constante évolution, mesurer précisément l'impact des actions marketing est devenu de plus en plus complexe. Les modèles d'attribution traditionnels, bien que précieux, ne parviennent souvent pas à donner une image fidèle de l'efficacité marketing. C'est là que les tests d'incrémentalité apparaissent comme une méthodologie puissante qui va au-delà de la corrélation pour établir un lien de causalité, aidant ainsi les marketeurs à identifier les activités qui génèrent réellement des résultats commerciaux.

Alors que les réglementations en matière de confidentialité s'intensifient et que les cookies tiers sont confrontés à une dépréciation, Attrisight reconnaît que les spécialistes du marketing ont besoin d'approches plus sophistiquées pour comprendre l'impact marketing. Dans ce guide complet, nous explorerons le fonctionnement des tests d'incrémentalité, leur complémentarité avec d'autres méthodes d'attribution et leur mise en œuvre efficace dans votre stratégie marketing.

Comprendre les tests d'incrémentalité : l'approche causale de l'attribution

Qu'est-ce que le test d'incrémentalité ?

Les tests d'incrémentalité sont une méthodologie scientifique permettant de mesurer l'impact causal réel des activités marketing sur les résultats commerciaux. Contrairement aux modèles d'attribution traditionnels qui attribuent le mérite en fonction des points de contact du parcours client, les tests d'incrémentalité isolent l'effet net d'une activité marketing spécifique en comparant les résultats entre un groupe test (exposé à l'effort marketing) et un groupe témoin (non exposé).

La question fondamentale à laquelle répondent les tests d'incrémentalité est : « Que se serait-il passé si nous n'avions pas mené cette activité marketing ? » Cela révèle la véritable valeur incrémentale : les conversions, les revenus ou autres résultats escomptés supplémentaires obtenus uniquement grâce à l'initiative marketing.

Selon Johnson et al. (2017), les tests d’incrémentalité fournissent « une mesure de l’impact causal réel de la publicité, non biaisée par la corrélation entre l’exposition à la publicité et les résultats qui affecte les méthodes d’observation ».

La formule d'incrémentalité

La formule de base pour calculer l’incrémentalité est :

Incrémentalité = (Test Conversion Taux - Contrôle Conversion Taux) / Test Conversion Taux

Par exemple, si votre groupe de test a un taux de conversion de 1,5% et votre groupe témoin a un taux de conversion de 0,5% :

Incrémentalité = (1.5% - 0.5%) / 1.5% = 66.7%

Cela signifie que 66,7% des conversions de votre groupe de test ont été réellement causées par l'activité marketing testée, tandis que les 33,3% restantes se seraient produites indépendamment de l'exposition.

Les limites des modèles d'attribution traditionnels

Les modèles d’attribution traditionnels tels que l’attribution au premier contact, au dernier contact et même à plusieurs contacts sont confrontés à plusieurs limitations que les tests d’incrémentalité corrigent :

1. Corrélation vs. Causalité:Les modèles d’attribution montrent une corrélation entre les points de contact et les conversions, mais ne peuvent pas établir de causalité.

2. Biais de sélection:Les utilisateurs qui voient des publicités sont naturellement plus susceptibles de se convertir, quelle que soit l'exposition à la publicité.

3. Biais de plateforme:Les modèles d’attribution spécifiques à la plateforme surestiment généralement leur impact en s’attribuant le mérite de conversions qui auraient eu lieu de toute façon.

4. Limitations des cookies:La dépréciation des cookies tiers et le renforcement des réglementations en matière de confidentialité limitent l’efficacité des méthodes d’attribution traditionnelles.

5. Silos de canaux:Les rapports de chaque canal existent de manière isolée, créant une vue fragmentée des performances marketing.

Comme le soulignent Barajas et al. (2016) dans leurs recherches sur les modèles expérimentaux d’attribution de publicité en ligne, « les modèles d’attribution basés uniquement sur des données d’observation peinent à faire la distinction entre corrélation et causalité, ce qui peut conduire à des décisions d’allocation budgétaire sous-optimales. »

Tests d'incrémentalité par rapport aux autres approches de mesure

Pour comprendre le rôle des tests d’incrémentalité dans l’écosystème de mesure marketing, comparons-les à d’autres approches courantes :

Comment les tests d'incrémentalité complètent les modèles d'attribution

Les tests d'incrémentalité ne remplacent pas les modèles d'attribution ; ils les complètent en vérifiant la véracité de leurs résultats. Une stratégie de mesure complète pourrait inclure :

1. Modèles d'attribution pour l'optimisation au quotidien et la compréhension des parcours clients
2. Tests d'incrémentalité pour valider l'efficacité des canaux et prendre des décisions budgétaires stratégiques
3. Modélisation du mix marketing pour une planification à long terme et une compréhension des effets plus larges du marché

Comme l’observent Lewis et Rao (2015) dans leurs recherches sur la mesure du rendement de la publicité, « la combinaison de méthodes expérimentales et observationnelles fournit l’image la plus complète de l’efficacité de la publicité ».

Types de méthodologies de tests d'incrémentalité

Il existe plusieurs méthodologies pour mettre en œuvre des tests d’incrémentalité, chacune avec ses propres forces et limites :

1. Test d'intention de traiter (ITT)

Également appelé test de rétention d'audience, l'ITT consiste à ne pas diffuser de publicités à une partie sélectionnée au hasard de votre public cible (le groupe témoin). Le reste du public (le groupe test) reçoit les publicités comme d'habitude.

Avantages :

• Relativement facile à mettre en œuvre
• Aucun coût supplémentaire au-delà des dépenses publicitaires normales
• Peut être mis en œuvre via la plupart des plateformes publicitaires

Inconvénients :

• Données « bruyantes » lorsque de nombreux utilisateurs du groupe de test ne sont pas réellement exposés aux publicités
• Nécessite des échantillons de grande taille pour obtenir une signification statistique

2. Tests PSA (annonces d'intérêt public)

Lors des tests d'intérêt public, le groupe témoin reçoit des messages d'intérêt public non commerciaux au lieu de publicités de marque. Cela garantit que les deux groupes sont exposés à une forme de publicité.

Avantages :

• Réduit le biais de sélection (les deux groupes voient les publicités)
• Crée des groupes de test et de contrôle plus comparables

Inconvénients :

• Coûteux (payer pour les impressions du groupe témoin)
• Le contenu du PSA diffère du contenu de la marque, ce qui peut créer un biais

3. Publicités fantômes

Les publicités fantômes sont une approche sophistiquée où le système de diffusion identifie les utilisateurs qui auraient dû voir une publicité, mais ne leur montre rien ou la publicité d'un autre annonceur. Le système enregistre ces « impressions fantômes » à des fins d'analyse.

Avantages :

• Élimine le bruit en identifiant exactement quels utilisateurs de contrôle auraient vu des publicités
• Aucun coût supplémentaire pour les empreintes de contrôle
• Biais de sélection réduit

Inconvénients :

• Nécessite une intégration avec les plateformes publicitaires
• Mise en œuvre plus complexe

4. Enchères fantômes

Les enchères fantômes sont une variante des annonces fantômes, spécialement conçue pour la publicité programmatique. Le système place des enchères fantômes pour les utilisateurs du groupe témoin sans pour autant remporter les impressions.

Avantages :

• Plus précis pour les campagnes de reciblage
• Réduit considérablement le bruit dans les données
• Rentable

Inconvénients :

• Nécessite une intégration technique approfondie avec les systèmes d'enchères
• Limité aux chaînes programmatiques

5. Géo-expérimentation

La géo-expérimentation consiste à sélectionner des zones géographiques comme régions de test et de contrôle, à mener des campagnes dans les régions de test tout en les conservant dans les régions de contrôle.

Avantages :

• Peut mesurer l'impact sur plusieurs canaux simultanément
• Utile pour mesurer les impacts hors ligne et en ligne
• Fonctionne bien pour les campagnes omnicanales

Inconvénients :

• Nécessite des zones géographiques présentant des caractéristiques similaires
• Peut être affecté par des variables régionales
• Nécessite une échelle significative pour être efficace

Selon une étude publiée par Barajas et al. (2021) dans la revue ACM, les méthodes avancées de test d'incrémentalité utilisant les enchères fantômes peuvent réduire le budget de l'annonceur nécessaire pour atteindre une signification statistique jusqu'à 85% par rapport aux méthodes traditionnelles.

Mise en œuvre des tests d'incrémentalité : un guide étape par étape

La mise en œuvre de tests d'incrémentalité nécessite une planification et une exécution rigoureuses. Voici un cadre pour réaliser des tests d'incrémentalité efficaces :

1. Définir des objectifs et des hypothèses clairs

Commencez par définir clairement ce que vous souhaitez tester et à quelles questions vous essayez de répondre :

• Quel canal ou quelle campagne spécifique testez-vous ?
• Quel est l’indicateur clé de performance (KPI) que vous mesurez ?
• Quelle est votre hypothèse d’incrémentalité ?

Exemple d'hypothèse : « Augmenter nos dépenses de recherche payante sur les termes de marque de 30% générera des conversions supplémentaires avec un retour sur investissement positif. »

2. Concevoir l'expérience

La conception de l’expérience est essentielle pour générer des résultats fiables :

Calcul de la taille de l'échantillon:Déterminer la taille minimale de l'échantillon nécessaire pour obtenir une signification statistique en fonction de :

• Taux de conversion attendus
• Taille minimale de l'effet détectable
• Niveau de confiance souhaité (généralement 95%)
• Puissance statistique (typiquement 80%)

Stratégie de randomisation:Choisissez une approche de randomisation appropriée :

• Randomisation au niveau de l'utilisateur
• Randomisation géographique
• Randomisation basée sur le temps

Taille du groupe témoinEn règle générale, les groupes témoins représentent entre 101 et 501 TP3T de l'audience totale. Les petites entreprises peuvent avoir besoin de groupes témoins plus importants pour obtenir une signification statistique.

3. Mettre en place une infrastructure de mesure appropriée

Assurez-vous de disposer des bons systèmes de suivi et de mesure :

• Configurer des plateformes d'analyse pour segmenter les groupes de test et de contrôle
• Mettre en œuvre un balisage approprié pour le suivi des conversions
• Mettre en place des tableaux de bord pour suivre la progression des tests
• Envisagez d’utiliser des plateformes de tests d’incrémentalité spécialisées

4. Exécutez le test

Lors de l'exécution du test :

• Maintenir une séparation stricte entre les groupes de test et de contrôle
• Exécutez le test suffisamment longtemps pour capturer l'intégralité du parcours client
• Évitez d’apporter d’autres modifications marketing importantes pendant la période de test
• Surveiller toute anomalie ou problème technique

5. Analyser les résultats et extraire des informations

Une fois le test terminé :

• Calculez l'incrémentalité à l'aide de la formule fournie précédemment
• Déterminer la signification statistique (valeur p)
• Calculer les intervalles de confiance
• Traduire les résultats en indicateurs commerciaux (ROI, ROAS, etc.)

6. Agissez et répétez

D'après les résultats des tests :

• Ajustez les budgets des chaînes/campagnes avec une incrémentalité prouvée
• Envisagez de réduire les canaux à faible incrémentalité
• Concevoir des expériences de suivi pour optimiser davantage
• Mettre en œuvre des cycles de tests continus

Études de cas de tests d'incrémentalité dans le monde réel

Étude de cas 1 : Un détaillant en ligne évalue l'impact des médias sociaux

Défi:Un détaillant de commerce électronique de taille moyenne investissait massivement dans la publicité sur les réseaux sociaux, mais n'était pas sûr de son véritable impact au-delà des conversions signalées par la plateforme.

Approche:Ils ont mis en œuvre un test d'incrémentalité en utilisant des enchères fantômes sur leurs campagnes Facebook, en allouant 20% de leur audience à un groupe témoin.

Résultats:

• L'attribution de la plateforme a revendiqué un ROAS de 4,5x
• Les tests d'incrémentalité ont révélé un ROAS incrémental de 2,2x
• 51% de conversions attribuées à la plateforme auraient eu lieu de toute façon
• La marque a réduit les CPA de 30% en réaffectant le budget à des ensembles de publicités plus performants

Informations clés:Les rapports de la plateforme ont surévalué l’impact de la campagne de près du double, ce qui a conduit à une allocation budgétaire sous-optimale.

Étude de cas 2 : Une entreprise SaaS résout un conflit d'attribution

Défi:Une société SaaS B2B disposait de données d'attribution contradictoires entre Google Analytics (qui attribuait le crédit à la recherche organique) et les plateformes de médias payants (qui revendiquaient les mêmes conversions).

Approche:Ils ont mené un test de maintien sur leurs campagnes de recherche payante pour des termes non liés à la marque, en suspendant temporairement les campagnes pour un groupe de 30% sélectionné au hasard de leur public cible.

Résultats:

• Les termes de recherche non liés à la marque n'ont montré qu'une incrémentalité de 12%
• Les termes de marque ont montré une incrémentalité de 68%
• Le transfert du budget des campagnes à faible incrémentalité vers les campagnes à forte incrémentalité a augmenté le volume global de leads de 24%.

Informations clés:De nombreux clics de recherche payante non liés à la marque auraient de toute façon donné lieu à des clics organiques, révélant ainsi un gaspillage budgétaire important.

Étude de cas 3 : Les tests d'incrémentalité révèlent le véritable impact de la publicité display

Défi:Un fournisseur d'assurance a remis en question la valeur de la publicité programmatique display et native, qui a montré de faibles performances dans les rapports d'attribution au dernier contact.

Approche:Ils ont mis en œuvre des tests d'incrémentalité d'enchères fantômes dans leurs campagnes programmatiques pour mesurer le véritable impact incrémentiel.

Résultats:

• L'attribution au dernier contact sous-évalue les annonces display et natives par 87%
• Les campagnes ont montré un retour sur investissement incrémental positif malgré leur inefficacité apparente dans les rapports d'attribution
• La réaffectation budgétaire basée sur des informations d'incrémentalité a augmenté le nombre total de conversions de 31%

Informations clés:Les modèles d'attribution ont considérablement sous-évalué les activités de l'entonnoir supérieur qui ont influencé les conversions mais n'étaient pas la touche finale.

Défis et meilleures pratiques en matière de tests d'incrémentalité

Défis communs

1. Signification statistique

Obtenir une signification statistique nécessite des tailles d’échantillon suffisantes, ce qui peut être difficile pour les entreprises dont le trafic ou les volumes de conversion sont limités.

Meilleures pratiquesEnvisagez des durées de test plus longues, des groupes témoins plus importants ou concentrez-vous d'abord sur les segments à volume plus élevé. Utilisez une analyse de puissance appropriée pour déterminer les tailles d'échantillon minimales requises.

2. Contamination des tests

Des facteurs externes ou des modifications apportées à d’autres activités marketing au cours de la période de test peuvent contaminer les résultats.

Meilleures pratiquesÉtablissez une période de test où les autres activités marketing restent constantes. Surveillez les événements externes inhabituels et tenez-en compte dans vos analyses.

3. Biais de sélection

Les utilisateurs qui voient des publicités peuvent être intrinsèquement différents de ceux qui n'en voient pas, ce qui crée un biais dans les résultats.

Meilleures pratiques:Utilisez la randomisation au niveau de l'utilisateur lorsque cela est possible et envisagez des méthodes avancées telles que les publicités fantômes pour réduire le biais de sélection.

4. Mesure sur plusieurs appareils et plateformes

Le suivi des utilisateurs sur différents appareils et plateformes reste un défi, notamment avec l’augmentation des restrictions de confidentialité.

Meilleures pratiques:Envisagez des méthodes de correspondance probabiliste, concentrez-vous sur les expériences connectées ou utilisez la géo-expérimentation qui dépend moins du suivi au niveau de l'utilisateur.

Meilleures pratiques pour des tests d'incrémentalité réussis

1. Commencez par les chaînes à fort impact

Commencez les tests d’incrémentalité avec vos canaux les plus coûteux ou les plus importants stratégiquement pour obtenir le plus grand impact potentiel.

2. Mettre en œuvre des cycles de tests continus

Plutôt que de procéder à des tests ponctuels, établissez un programme de tests d’incrémentalité continus pour tenir compte de l’évolution des conditions du marché et du comportement des consommateurs.

3. Tester à différentes étapes de l'entonnoir

Ne limitez pas les tests d'incrémentalité aux activités du bas de l'entonnoir. Testez les campagnes du haut de l'entonnoir pour comprendre leur véritable contribution au parcours client.

4. Combiner avec d'autres approches de mesure

Utilisez les tests d’incrémentalité dans le cadre d’un cadre de mesure complet qui inclut la modélisation d’attribution et la modélisation du mix marketing.

5. Se concentrer sur les résultats commerciaux

Connectez les résultats d’incrémentalité aux résultats commerciaux réels tels que le profit, la valeur vie client et la part de marché, et pas seulement aux taux de conversion ou aux taux de clics.

L'avenir des tests d'incrémentalité

Alors que le paysage de la mesure marketing continue d’évoluer, plusieurs tendances façonnent l’avenir des tests d’incrémentalité :

1. Méthodes d'incrémentalité axées sur la confidentialité

Avec le renforcement des réglementations en matière de confidentialité et la suppression des cookies tiers, de nouvelles approches de tests d'incrémentalité, ne reposant pas sur le suivi des utilisateurs, émergent. Parmi celles-ci figurent des méthodologies de géo-expérimentation améliorées et des approches d'apprentissage fédéré.

2. Analyse d'incrémentalité alimentée par l'IA

Les algorithmes d'apprentissage automatique améliorent les tests d'incrémentalité en :

• Identifier les conceptions de tests optimales
• Détection de modèles dans des données bruyantes
• Prédire l'incrémentalité sur les segments non testés
• Automatiser l'analyse et l'interprétation des résultats

3. Cadres de mesure intégrés

L’avenir réside dans des approches de mesure unifiées qui combinent des tests incrémentiels avec la modélisation d’attribution et la modélisation du mix marketing pour fournir une image complète de l’efficacité du marketing.

Comme le soulignent Gordon et al. (2019) dans leur recherche comparant les approches de mesure chez Facebook, « les informations les plus solides proviennent de la triangulation de plusieurs méthodologies de mesure, chacune ayant des forces et des biais différents. »

4. Informations sur l'incrémentalité en temps réel

Les progrès en matière de traitement des données et de conception expérimentale font passer les tests d’incrémentalité d’expériences périodiques à des mesures d’incrémentalité continues, en temps quasi réel.

Conclusion : Améliorer votre attribution grâce aux tests d'incrémentalité

Dans l'écosystème marketing complexe d'aujourd'hui, comprendre l'impact réel de vos efforts marketing est plus important – et plus difficile – que jamais. Les modèles d'attribution traditionnels fournissent des informations précieuses, mais ne parviennent pas à établir le lien de cause à effet entre les activités marketing et les résultats commerciaux.

Les tests d'incrémentalité comblent cette lacune en appliquant une conception expérimentale scientifique à la mesure du marketing, vous permettant de répondre définitivement à la question : « Que se serait-il passé si nous n'avions pas mené cette activité marketing ? »

En intégrant les tests d’incrémentalité dans votre stratégie de mesure, vous pouvez :

1. Prendre des décisions d’allocation budgétaire plus éclairées en fonction d’un impact causal prouvé
2. Valider ou contester les résultats des modèles d'attribution
3. Identifier les publics, les canaux et les campagnes qui génèrent des résultats véritablement progressifs
4. Développez une compréhension plus précise de l'efficacité du marketing au sein de votre organisation

Alors que les réglementations en matière de confidentialité se durcissent et que les méthodes d'attribution traditionnelles se heurtent à des limites croissantes, les tests d'incrémentalité deviennent un élément essentiel des cadres de mesure marketing sophistiqués. En maîtrisant cette approche dès maintenant, vous serez bien placé pour maintenir vos capacités de mesure et votre avantage concurrentiel dans un avenir où la confidentialité est primordiale.

Prêt à faire passer votre attribution au niveau supérieur avec les tests d’incrémentalité ? Attrisight propose des solutions conçues pour des mesures respectueuses de la vie privée qui répondent aux défis abordés dans cet article. Explorez notre attribution multi-touch capacités et découvrez comment notre approche axée sur la confidentialité peut vous aider à mettre en œuvre des tests d’incrémentalité efficaces.

Références académiques

1. Barajas, J., Akella, R., Holtan, M., et Flores, A. (2016). « Conceptions expérimentales et estimation pour l'attribution de publicité display en ligne sur les places de marché ». Marketing Science, 35(3), 465-483.

2. Barajas, J., Bhamidipati, N., et Shanahan, J. (2021). « Tests d'incrémentalité en publicité programmatique : précision accrue grâce aux conceptions en double aveugle. » Actes de la Web Conference 2021, 3053-3061.

3. Gordon, BR, Zettelmeyer, F., Bhargava, N., et Chapsky, D. (2019). « Comparaison des approches de mesure de la publicité : données issues d’expériences de terrain à grande échelle chez Facebook. » Marketing Science, 38(2), 193-225.

4. Johnson, GA, Lewis, RA et Nubbemeyer, EI (2017). « Publicités fantômes : améliorer les aspects économiques de la mesure de l'efficacité des publicités en ligne », Journal of Marketing Research, 54(6), 867-884.

5. Lewis, RA et Rao, JM (2015). « Les aspects économiques défavorables de la mesure du rendement publicitaire », The Quarterly Journal of Economics, 130(4), 1941-1973.

6. Li, H., et Kannan, PK (2014). « Attribution des conversions dans un environnement de marketing en ligne multicanal : un modèle empirique et une expérience de terrain », Journal of Marketing Research, 51(1), 40-56.

7. Berman, R. (2018). « Au-delà du dernier contact : l’attribution dans la publicité en ligne », Marketing Science, 37(5), 771-792.