Création d'une boucle de rétroaction entre les tests d'incrémentalité et les modèles de marketing mix à l'aide de modèles basés sur des agents

‍

Les attentes des départements marketing concernant les MMM ont considérablement évolué ces dernières années. Les annonceurs exigent désormais :

• des résultats plus granulaires, étant donné que davantage de données sont disponibles et qu'il existe un réel besoin d'atteindre un niveau de précision suffisant pour permettre la prise de décision,
• des mises à jour plus fréquentes, car les MMM doivent soutenir non seulement les décisions stratégiques mais aussi les décisions tactiques, en particulier en ce qui concerne les canaux numériques, pour lesquels la fin des cookies tiers peut être compensée par l'utilisation de la modélisation,
• des résultats compréhensibles par les équipes marketing, qui doivent multiplier, s'approprier et faire confiance aux angles d'analyse,
• des conseils fréquents sur les stratégies futures à mettre en œuvre.

‍

Grâce à leur méthodologie granulaire, les modèles basés sur les agents permettent une modélisation, une mesure et une prise de décision précises. Toutefois, la modélisation granulaire ne va pas sans effort ni données pertinentes. Pour obtenir des informations précieuses avec de telles approches, la phase d'étalonnage doit être entreprise de manière approfondie. 

‍

Alors que les approches MMM classiques calibrent les modèles en comparant la prédiction d'un ICP ciblé par le modèle aux données historiques réelles, le calibrage ABM compare une très longue liste d'indicateurs aux prédictions du modèle. Certes, l'ICP ciblé (par exemple le chiffre d'affaires) sera l'une de ces mesures, mais la GPA permet d'aller beaucoup plus loin. Si l'annonceur dispose d'un programme de fidélisation, nous pouvons intégrer cette information dans la définition de l'agent et comparer les résultats du modèle sur cette sous-population de consommateurs avec le chiffre d'affaires réel généré par cette population. Au sein d'un même modèle, on peut aussi facilement récupérer les résultats par catégorie de produits ou par segments de clientèle. Il ne s'agit là que de quelques exemples de calibration sur des données historiques. 

‍

Une fois calibré, l'ABM peut être utilisé pour simuler la stratégie à un niveau très granulaire (géographique, segments de clientèle, zones de chalandise, ...) afin d'aider à choisir le meilleur plan d'action possible. Étant donné qu'une telle prise de décision est hautement stratégique, le test d'incrémentalité est une solution naturelle pour valider les conclusions de la GPA. En utilisant les résultats des tests d'incrémentalité, il est possible de calibrer davantage la GPA. En effet, la GPA étant très granulaire, elle peut facilement simuler/reproduire les tests d'incrémentalité effectués au même niveau de granularité et ainsi affiner ses paramètres en mettant à jour les paramètres du modèle pour se rapprocher de la réalité. Dans l'approche classique, le résultat du test d'incrémentation peut être utilisé pour affiner le modèle, mais dans une moindre mesure, puisque le modèle ne peut pas simuler au même niveau de granularité. Toutefois, étant donné que, par conception, la solution ABM simule le comportement du consommateur, tout calibrage améliorera la pertinence au niveau du consommateur et donc le modèle dans son ensemble.

‍

En conclusion, l'ABM est une solution naturelle pour mettre en production un MMM pour la prise de décision granulaire avec une amélioration rétroactive en utilisant le test d'incrémentalité.