Avec une hausse continue de ses investissements en paid marketing, 900.care a souhaité s'assurer que son mix média était cohérent, c'est-à-dire que l'allocation budgétaire entre ses leviers reflétait bien l'impact de chacun d'entre eux sur ses ventes.
Le besoin de challenger son mix média vient des limites des outils d'attribution traditionnels qui comportent des biais importants et reflètent une vision parfois très différente de la réalité.
Disclaimer : les données ainsi que le nom des leviers présentés dans cet article ont été modifiés par soucis évident de confidentialité
L'approche de 900.care a été de se tourner vers le Marketing Mix Model (MMM) de Nanga.
Pour plus de détail sur les Marting Mix Model, leurs intérêts et leurs limites, vous pouvez lire cet article.
La première étape a consisté à collecter l'ensemble des données marketing historique :
Une grosse partie de la qualité du modèle dépend de cette étape, suivant l'adage bien connu : "Garbage in, garbage out".
Autrement dit, si la donnée est de mauvaise qualité en entrée, le résultat sera médiocre, quelle que soit la complexité du modèle.
La deuxième étape est celle de la modélisation : un processus itératif pour trouver le modèle le plus pertinent qui décrit l'activité marketing de 900.care. L'objectif est ici de trouver le poids de chaque levier sur sa contribution réelle aux ventes.
Un poids dynamique bien sûr, c'est-à-dire qui dépend du montant déjà investi sur le levier en question (effet de saturation) et du temps entre l'investissement et la conversion du levier (lag).
Le modèle analyse chaque micro variation des données historiques pour en déduire ces fameux poids (ou "paramètres") propres à chaque levier.
De façon empirique, le modèle va ensuite itérer des milliers de fois sur ces poids et tenter de matcher la courbe de vente théorique (calculée par le modèle) de la courbe des ventes réelles.
Nous avons ensuite sélectionné avec 900.care la meilleure "solution", à savoir le modèle qui minimise l'écart entre la prédiction du modèle et la vraie valeur historique cible, tout en restant cohérent par rapport aux investissements historiques consentis sur les leviers.
Avec les équipes de 900.care, nous avons pu rapidement valider ou réfuter certaines hypothèses concernant l'impact de chacun des leviers.
Par exemple, nous avons pu confirmer que l'impact des campagnes Meta était largement sous-estimé.
En apportant une autre source de "vérité", le MMM permet de prendre du recul sur son allocation actuelle et sortir de la vision silotée des plateformes et des limites de GA4. En pointant certaines divergences, le MMM permet aussi de nourrir les réflexions du mix média et prioriser les tests d'incréments à mener (geotests par exemple).
L'intérêt des MMM "modernes" est d'aller beaucoup plus loin que l'analyse des données passées. En collaboration avec 900.care, nous avons ensuite construit des scenarii pour calculer l'allocation optimale des prochains mois.
Basé sur (i) les données historiques et les apprentissages du modèle, (ii) la saisonnalité de la période à venir et (iii) les contraintes de la vie "réelle" (budget minimum sur un pays donné par exemple), le MMM propose alors plusieurs options d'allocation.
En quelques semaines, le MMM de Nanga nous a permis d'analyser nos investissements marketing de façon totalement nouvelle.
En calculant la contribution "réelle" de chaque levier et même de chaque type de campagnes (Google Shopping, ASC+), nous avons identifié des poches potentielles de surinvestissement et de sous investissement.
Dans l'univers actuel, où la qualité des données est de plus en pauvre, le MMM de Nanga est une solution abordable pour challenger son mix marketing.
➡️ Pour parler de vos projets attribution, de marketing data ou de MMM, contactez-nous : baptiste@nanga.tech
➡️ Pour sauver la planète, commandez vos produits de salle de bain en 3 clics sur 900.care
