La granularité des données fait référence au niveau de détail, à la "finesse" des informations collectées et analysées. Toutes les dimensions des données sont potentiellement prises en compte :
Au même titre que la capacité de mise en œuvre ou l'accélération des processus, les gains de granularité sont l'un des catalyseurs de la révolution actuelle qui transforme les solutions d'aide à la décision marketing. Données inaccessibles, méthodologies inadaptées, puissance de calcul insuffisante interdisaient tout progrès dans ce domaine il y a encore quelques années. Les résultats standards se réduisaient à des éléments trop agrégés et trop imprécis pour gérer efficacement les actions médiatiques ou leur numérisation. Comment peut-on encore envisager d'élaborer des stratégies de communication, voire des tactiques, à partir d'une simple comparaison des ROI "télévision" et "canaux digitaux", tous formats et plateformes confondus à l'échelle d'un pays sur une cible très large ?
Quelle que soit la technique utilisée - MMM, tests d'incrémentalité, expérimentations et autres, utilisés seuls ou conjointement - la robustesse et l'actionnabilité des résultats dépendent de la capacité du système à traduire le "monde réel", à transcrire le rôle de chaque type d'action marketing auprès des consommateurs, leur contribution à la performance de la marque...
Pour des modèles plus pertinents et plus précis. Bien que cela puisse paraître paradoxal, l'ajout de granularité permet souvent de simplifier la construction des modèles et d'améliorer leur précision. Plus de granularité dans les données évite de "noyer dans des valeurs moyennes" les effets, souvent non homogènes, des actions marketing. Par exemple, évaluer l'efficacité d'une campagne d'affichage numérique urbaine très localisée sur la base d'une performance de la marque dans l'ensemble du pays (en combinant les zones affichées et non affichées) conduit inévitablement à sous-estimer sa contribution. Il en va de même pour l'efficacité des actions menées sur différentes plateformes de vidéo en ligne, trop souvent agrégées dans un "VOL" total qui gomme les différences.
Différentes études ont montré des gains très sensibles de qualité et de stabilité des modèles apportés par une plus grande granularité. Citons notamment celles réalisées par Nielsen* : une analyse de 19 MMMs sur des catégories de produits des secteurs des biens de consommation au Japon et e-commerce , pour lesquels les modèles ont été réalisés simultanément sur des données de ventes et de médias au niveau national et régional (46 préfectures). La précision des MMM varie de manière très significative en fonction de la granularité des données sur lesquelles elles sont construites. Lorsque l'approche MMM sur données nationales permettait d'identifier une contribution aux ventes incrémentales pour 16% des leviers / canaux médias, cette proportion atteint 66% lorsque la dimension régionale est introduite.
De même, en prenant en compte les différences d'efficacité des actions marketing entre les différents segments de clientèle pour les détaillants et les acteurs du commerce en ligne, fifty-five constate des gains de précision significatifs pour nos modèles. C'est la base d'une approche de modélisation à base d'agents* qui permet de simuler les effets des campagnes sur différentes cohortes de consommateurs.
Plus généralement, une vision trop agrégée ne permet pas de prendre en compte les effets de mixité au sein d'un média. Par exemple, dans le domaine de la recherche, une variation du ratio entre le montant consacré à la marque et le montant total consacré à la recherche aura un impact important sur les performances. Si les dimensions marque et non marque ne sont pas prises en compte et que ce ratio varie significativement dans le temps, les résultats de la modélisation ne refléteront pas du tout la réalité du consommateur et seront imprécis, voire erronés.
Des résultats à l'échelle opérationnelle. Au lieu de rester au niveau des grands agrégats, les analystes marketing peuvent désormais comprendre comment chaque composante, chaque élément du mix marketing contribue à la performance de la marque. Qui peut encore se satisfaire d'une mesure où toutes les campagnes, toutes les plateformes "Social media" sont cumulées, où les formats vidéo ne peuvent être isolés... ? Comment ne pas intégrer une dimension "Retailer" pour une analyse de l'efficacité des "Retail media networks" alors que les actions qui y sont menées sont significativement différentes ?
En outre, cette profondeur d'analyse permet de mieux comprendre les interactions entre les canaux de commercialisation, en mettant en évidence les synergies potentielles et les effets de levier qui peuvent être exploités pour améliorer les résultats globaux. Prenons l'exemple d'une campagne d'affichage numérique en milieu urbain, où la mesure des gains résultant d'une interaction avec une campagne télévisée ou d'une action promotionnelle dans les zones affichées fournit des informations directement opérationnelles.
Les insights obtenus ouvrent évidemment la voie à une allocation des ressources marketing plus proche des besoins opérationnels sur toutes les dimensions pertinentes (leviers marketing, zones géographiques, segments de consommateurs...) alors que les résultats MMM n'offraient pas auparavant ce zoom indispensable permettant d'obtenir des résultats actionnables. Ainsi, l'adoption de la granularité en MMM n'est pas seulement un choix technique ou méthodologique, mais un impératif commercial.
Une projection plus robuste et plus réactive dans l'avenir. Une meilleure compréhension du rôle de chaque canal de commercialisation à un niveau plus fin, reflétant plus fidèlement la réalité des marchés, rend également plus fiable la prévision et la simulation des impacts des campagnes planifiées dans une approche de planification de scénarios.
Les améliorations opérationnelles ont également une incidence sur la souplesse du processus décisionnel en matière de marketing et sur la capacité à s'adapter rapidement à l'évolution de la dynamique du marché. En effet, en surveillant les données granulaires, les analystes marketing peuvent rapidement identifier les changements dans le comportement des consommateurs, les tendances émergentes, les défis concurrentiels ou l'évolution des réactions des cibles à un média ou à un élément créatif, la performance d'une stratégie média ou d'une tactique de prise de parole.
Si la contribution de la granularité à la mesure et à l'optimisation de l'efficacité du marketing semble indéniable, son intégration dans les systèmes d'aide à la décision reste un projet d'envergure, à gérer en tant que tel.
Le premier défi consiste bien sûr à déterminer le niveau optimal de granularité au sein d'une plateforme de données. Un écueil majeur peut être de viser un niveau de granularité trop élevé. Un niveau de granularité plus élevé peut générer un coût supplémentaire. Il est également nécessaire d'être vigilant en ce qui concerne :
Il ne s'agit pas de renoncer aux fondamentaux de la curation et de la collecte d'informations... aucune technique data science ne pourra compenser une moindre pertinence des données de base !
De même, le choix des approches de modélisation et des algorithmes de traitement est crucial. Il est souvent nécessaire de trouver un compromis entre la granularité des données collectées et la complexité et la performance des modèles nécessaires. Ainsi, un niveau de détail raisonnable sera déterminé pour la calibration, l'exploitation et la validation des modèles. Dans tous les cas, il convient de noter que les données à un niveau de détail plus fin peuvent être conservées dans une plateforme de données et faire l'objet d'études ad hoc à l'aide de procédures spécifiques data science . Ainsi, pour un détaillant, les données sont modélisées par département de produits pour les analyses récurrentes ; un détail plus fin (par marque au sein d'un département par exemple) est la base d'études ad hoc lorsqu'une question plus avancée doit être analysée (par exemple : la synergie entre la communication d'un détaillant et les stratégies de promotion d'un fabricant).
fifty-fivemontre que, dans la plupart des cas, le succès repose sur une mise en œuvre progressive, étape par étape. Les "petits pas", qui constituent la base de tout développement d'un système d'aide à la décision "Marketing Efficiency "*, sont encore plus essentiels lorsqu'il s'agit de gagner en granularité. Chaque étape donne lieu à un examen critique et à une hiérarchisation des besoins en termes d'enrichissement des plateformes de données et d'algorithmes capables d'extraire et d'exploiter les informations relatives à l'efficacité des actions de marketing.
Pour un annonceur du secteur " Biens de consommation " aux Etats-Unis, après avoir mis en place une solution MMM à l'échelle nationale, la première étape a été de tester les gains potentiels de la modélisation à une échelle géographique plus fine pour laquelle des données de ventes hebdomadaires étaient disponibles.
Après quelques semaines, l'analyse porte sur un échantillon de ces zones :
En parallèle, la marque a pu comparer ces gains avec ses expériences contrôlées sur des zones géographiques (GeoTests / GeoExperiments) et ses études quasi-expérimentales basées sur des données observées dans l'histoire.
La deuxième étape de ce processus, réalisée en 6 semaines, a consisté à adapter la plateforme de données et les modèles pour généraliser ces progrès dans les dimensions géographiques et médiatiques.
Une troisième étape a permis d'enrichir le système en prenant en compte :
En conclusion, la granularité des données est cruciale pour la modélisation du marketing mix et, plus généralement, pour les outils de mesure et d'optimisation de l'efficacité du marketing. Elle permet d'accroître la précision, l'opérabilité, la robustesse des prévisions et la réactivité aux changements du marché. Toutefois, l'obtention d'une granularité optimale nécessite une gestion appropriée des données et un choix judicieux des algorithmes de modélisation.
Article co-écrit par Mathieu Lepoutre et Arnaud Parent
Découvrez les dernières actualités, articles, replays de webinars et événements fifty-five dans notre newsletter mensuelle Tea O’Clock.
.svg)
.jpg)
