Approfondissez vos simulations de stratégies marketing grâce aux modèles basés sur des agents.

‍

Les modèles de marketing mix (MMM) sont des outils très utiles pour mesurer, comprendre et simuler les stratégies de marketing. Bien qu'elles constituent un bon point de départ, les approches MMM classiques n'ont pas la capacité de plonger en profondeur dans votre stratégie de marketing. En simulant le comportement de consommateurs fictifs mais représentatifs, les modèles basés sur des agents (ABM) permettent d'intégrer des caractéristiques de campagne supplémentaires dans le modèle. Dans cette série de billets, nous mettrons en lumière quelques exemples de ces applications.

‍

Stratégies de ciblage

Toutes les campagnes diffusées sur un point de contact médiatique donné ne ciblent pas nécessairement la même population. Cependant, dans le MMM classique, une campagne A avec 100 000 impressions touchant la population X sera traitée exactement comme une campagne B avec 100 000 impressions et touchant la population Y, de sorte qu'il est impossible de décider quelle est la meilleure stratégie. Dans la GPA, sous certaines conditions, ces deux campagnes seront traitées différemment. Pour ce faire, il faut que la définition des caractéristiques des agents corresponde aux critères de ciblage de la campagne ainsi qu'aux habitudes de consommation médiatique de la population. Par exemple, si une campagne cible des personnes en fonction de leur géolocalisation, nous devons être en mesure d'attribuer une géolocalisation à chaque agent et d'intégrer des études qui établissent un lien entre la consommation de médias et la géolocalisation. Un autre exemple est le ciblage des personnes vivant à proximité d'un magasin plutôt que des personnes ayant montré un intérêt pour des produits similaires, ce qui est possible dans le cadre de la GPA.

‍

Si ces conditions sont remplies, nous pouvons diffuser chaque campagne uniquement auprès du public ciblé simulé, qui modifiera son comportement en conséquence.

Ensuite, au cours de l'apprentissage du modèle, les paramètres seront calibrés par rapport à de nombreux indicateurs de performance (chiffre d'affaires, fidélité, fréquence, acheteurs uniques) et aux connaissances des experts à différents niveaux de granularité en fonction de ce qui est disponible. Plus nous disposons de données historiques granulaires, plus l'étalonnage sera facile. Mais bien sûr, nous n'avons pas besoin de données sur les médias et la consommation au niveau du consommateur. Nous exploiterons plutôt les données ouvertes et les études de marché, comme les données de TGI Kantar. C'est le rôle de la GPA : simuler ce niveau de granularité. Une fois calibré, on peut mesurer et simuler la contribution des stratégies marketing ciblées. 

‍