Auteur

Siddarth Mohan

Directeur Data Science & Global Lead for Causal AI Research & Marketing Mix Modelling at Artefact

The Bridge - Data Café

Emmanuel Malherbe, responsable de Research Center à Artefact, a récemment rencontré Sid Mohan, directeur de Data Science & Global Lead for Causal AI Research & Marketing Mix Modelling à Artefact, pour parler de la mesure du marketing.

De nombreux éléments sont en mouvement dans le domaine de la mesure du marketing. Pourriez-vous mettre en évidence les innovations qui alimenteront la mesure du marketing à l'avenir ?

Dans notre cadre de mesure, nous disposons de trois méthodologies : l'attribution, les tests incrémentaux et le MMM. Toutefois, ces méthodes se heurtent actuellement à des contraintes qui empêchent une collaboration sans faille.

Le modèle d'attribution, par exemple, doit intégrer les contraintes liées à la base de référence, un facteur essentiel pour comprendre l'impact global des activités de marketing.

Simultanément, les tests incrémentaux sont souvent étroitement contrôlés par les grandes plateformes technologiques. Leur exécution nécessite souvent des dépenses médiatiques importantes et se limite souvent aux seuls médias numériques payants. Cela nécessite des techniques avancées telles que l'inférence causale bayésienne et le cadre des résultats potentiels ; des méthodologies qui ont été mises au point et mises en libre accès par des entités telles qu'Amazon Science et Microsoft Research.

Dans le domaine des MMM, il existe de solides possibilités d'exploiter les dernières avancées en matière de modèles de causalité, là encore grâce au travail de pionnier d'Amazon Science, dont l'innovation révolutionnaire est en effet open source et disponible pour la communauté scientifique sur le site data .

Comment ces méthodologies avancées permettent-elles de relever les défis auxquels sont confrontés les modèles traditionnels ?

Les méthodologies actuelles offrent une compréhension plus nuancée des activités de marketing dans le cadre du MMM. Cependant, elles ne permettent pas d'atteindre la granularité nécessaire aux spécialistes du marketing pour prendre des mesures rapides et ciblées en fonction des besoins spécifiques de l'entreprise. Pour remédier à ce problème, on assiste à une montée en puissance du développement de modèles bayésiens hiérarchiques et, plus important encore, de modèles causaux structurés, qui permettent une perspective plus granulaire et une exécution plus fréquente des MMM.

En ce qui concerne le thème de la causalité, il semble que l'on s'oriente vers la compréhension du "pourquoi" de data. Pouvez-vous nous en dire plus à ce sujet ?

Depuis 2021, on assiste à une révolution de l'IA causale. Les entreprises, sous la houlette de Microsoft Research et d'Amazon Science, mettent désormais l'accent sur la compréhension du "pourquoi" derrière data, transcendant l'accent traditionnel mis sur le "quoi". Les solutions open source de modèles causaux structurés permettent aux entreprises d'estimer l'impact d'un événement unique dans le contexte plus large d'événements concomitants et confondants.

Il est essentiel de favoriser une culture de l'innovation au sein d'une entreprise. Comment conseillez-vous aux entreprises de créer et d'inspirer l'expérimentation et l'innovation ?

  • Ayez le courage de commencer à poser les questions qui comptent. Faites évoluer votre programme d'apprentissage afin d'identifier les questions auxquelles les méthodologies de mesure actuelles sont incapables de répondre.

  • Collaborer avec les équipes scientifiques de data pour définir et émettre des hypothèses sur les avantages attendus et la valeur ajoutée obtenue en répondant à ces questions cruciales. Par exemple, est-il plus avantageux d'avoir une idée des formats créatifs qui offrent les meilleurs rendements ou des zones géographiques qui devraient être au centre de mes campagnes à entonnoir bas ?

  • Testez les nouvelles méthodologies dans un environnement contrôlé et comparez les résultats globaux avec les solutions existantes afin de garantir la logique commerciale. Par exemple, si vous disposez d'un MMM plus granulaire basé sur des modèles de causalité, les résultats restent-ils en ligne avec un MMM classique au niveau du canal qui est déjà utilisé ou les résultats sont-ils complètement contradictoires ?

  • Accepter l'échec. Le rythme des développements autour de la mesure du marketing s'accélère, tout comme dans le reste de l'espace de l'IA. Toutes les nouvelles approches et tous les nouveaux modèles ne vont pas forcément générer de la valeur. Mais cela ne doit pas vous décourager de vous tenir au courant des tendances de la communauté de l'IA et de toujours créer un espace d'expérimentation et de test.

  • Instiller un état d'esprit d'innovation au sein des équipes de marketing et de data . Le plus grand obstacle à l'instauration d'une culture de l'innovation et de l'expérimentation est l'institutionnalisation des choses. Lorsque la phrase "nous avons toujours fait comme ça" est mentionnée, cela signifie que vous stagnez. Regardez certaines des meilleures entreprises comme Booking.com, Uber ou Spotify qui restent constamment en phase avec ce que veulent leurs clients ; c'est parce qu'elles mettent continuellement à jour leurs offres et leurs services. Elles mesurent en permanence, au plus près de la réalité attendue, et même si cela est difficile, certaines campagnes ou efforts marketing. Imaginez, par exemple, que vous essayiez de mesurer l'incrémentalité réelle de la campagne Unwrapped 2023 de Spotify, l'une des campagnes de marketing les plus en vogue cette année.

La synergie entre les équipes marketing et data est cruciale. Pouvez-vous nous expliquer comment ces équipes peuvent collaborer efficacement pour stimuler l'innovation ?

Les équipes de marketing et de data forment un binôme idéal, les spécialistes du marketing animés par le désir de repousser les limites de la créativité trouvant leur compte dans les équipes de data qui s'épanouissent dans la résolution de problèmes. Il est essentiel de rompre avec les approches institutionnalisées pour favoriser une culture de l'innovation. Encourager les scientifiques de data à résoudre les problèmes qui découlent du dépassement des limites de la créativité permet à l'entreprise de rester agile et pertinente.

Pouvez-vous citer un exemple où une entreprise a réussi à adopter cette culture de l'innovation ?

Aux Pays-Bas, nous travaillons avec un acteur du commerce électronique en ligne qui mène des centaines, voire des milliers d'expériences chaque année, ce qui représente un changement majeur par rapport à l'absence de pratiques de mesure il y a seulement deux ans. Cette solide culture de l'innovation et de l'expérimentation lui a permis de se démarquer, en améliorant l'efficacité du marketing et le retour sur investissement d'un pourcentage impressionnant de 20 %.

En résumé, la synergie entre les pratiques de mesure avancées, l'accent mis sur la causalité et une culture de l'innovation et de l'expérimentation remodèle le paysage de l'analyse marketing et garantit que les entreprises restent agiles et pertinentes dans un paysage commercial en constante évolution.

Visitez thebridge.artefact.com, la plateforme médiatique qui démocratise les connaissances sur data et l'IA, sous forme de vidéos et de podcasts.