Auteur
The Bridge - Data Café
Aleksandra Semenenko, directrice de Data Science & Global lead on Marketing Measurement à Artefact, s'est récemment entretenue avec Emmanuel Malherbe, responsable de Research Center à Artefact, pour discuter des modèles MMM développés par l'entreprise et des tendances qui se dessinent aujourd'hui chez les clients.
La modélisation du marketing mix est un sujet d'actualité. Que fait Artefact dans le domaine de la modélisation du marketing mix ces derniers temps ?
Depuis trois ans, nous construisons des modèles pour aider les entreprises et nos clients à comprendre le retour sur investissement de leurs médias, de leur publicité et d'autres types d'activités qui génèrent de nouveaux types d'investissements.
Nous avons développé plusieurs modèles, en essayant des choses aussi simples que la régression et aussi sophistiquées que les réseaux bayésiens. C'est une période très excitante pour nous.
Quelles sont les différentes tendances que vous observez chez vos clients aujourd'hui ?
Nous observons trois grandes tendances chez nos clients au niveau mondial.
La première tendance est d'internaliser le MMM dans les entreprises, comment Artefact les soutient-il ?
À Artefact, nous abordons cette question par le biais de notre approche internalisée, ce qui peut sembler contre-intuitif pour une société de conseil, mais qui correspond à la manière dont nous aidons nos clients à développer cette capacité au sein de leur organisation.
Beaucoup de nos clients veulent internaliser le MMM, mais ils ont besoin d'aide pour faire ce premier pas. Notre solution consiste à travailler avec les équipes commerciales pour déterminer quel est le véritable programme d'apprentissage : que veulent apprendre les clients sur leurs activités de marketing ou de vente ? Il s'agit là d'une première étape. Dans un deuxième temps, nous avons développé notre propre modèle en tant que service que nous allons mettre sur différentes plateformes et mettre à la disposition de nos clients.
Nos équipes techniques travaillent main dans la main avec nos clients pour mettre en œuvre notre propriété intellectuelle et faire passer leurs équipes à la vitesse supérieure. Normalement, nous laissons ensuite nos clients poursuivre leur voyage MM par eux-mêmes, mais s'ils souhaitent un soutien supplémentaire, nous le leur fournissons bien sûr, c'est notre philosophie.
La deuxième tendance est que les clients veulent des résultats et des informations plus rapides. Comment Artefact aide-t-il les entreprises à atteindre ces objectifs ?
Il existe deux grands types de capacités que les clients recherchent ; le premier est pragmatique : il s'agit d'obtenir des résultats rapides et d'itérer rapidement à l'aide du site data. La seconde est une extension de la première et implique des solutions d'IA innovantes que nous avons avec le réseau bayésien ou que nous pouvons incorporer avec GenAI pour augmenter l'efficacité de l'équipe.
Pour obtenir rapidement ce premier retour sur investissement, nous avons développé une méthode de travail avec nos clients qui consiste à mettre en œuvre la première approche pragmatique dès le début afin de permettre aux équipes d'obtenir rapidement des informations, puis de poursuivre l'itération. C'est là que l'hébergement est vraiment utile, car nous avons ainsi un accès rapide à l'ensemble de la pile technologique ; nous avons un accès rapide au site data et nous pouvons faire le lien entre la mise à jour du modèle, la mise à jour des résultats et leur mise en œuvre dans l'entreprise très rapidement.
De cette manière, nos clients obtiennent des résultats rapides, ils conservent leurs capacités internes et nous disposons du temps, du personnel et du budget nécessaires pour mettre en œuvre les grandes innovations qui sont désormais à notre disposition grâce à la GenAI.
Comment fonctionne l'approche de bout en bout de Artefact?
Nous essayons de gagner du temps pour déterminer quel est le meilleur modèle à utiliser parce que nous l'avons essayé tellement de fois, nous savons plus ou moins quelles approches fonctionnent, donc dans le cadre de votre calendrier de projet habituel pour relier la stratégie et les opérations, nous avons besoin de temps pour parler aux gens, nous devons aligner le programme d'apprentissage global avec le programme d'apprentissage local et d'une manière ou d'une autre. Le reste du temps, nous le passons avec l'entreprise pour nous assurer que les résultats de nos MMMs s'alignent sur d'autres études réalisées par le client, soit avec des tests AB, soit avec d'autres MMMs, et nous établissons ce lien et rassemblons toutes les idées, il s'agit plus d'un rôle analytique et consultatif que de faire venir un groupe de scientifiques de data et de construire l'IA à partir de zéro.
Pouvez-vous nous donner un exemple concret de l'impact du MMM sur une organisation ? Quel rôle joue l'IA dans ce contexte ?
Je vais vous donner un exemple de connexion entre le département opérationnel et le département stratégique et la prise de décision au sein de l'entreprise.
Nous avions un client - pas de nom, désolé ! - et ce client était très avancé dans son parcours de mesure. Il avait réalisé un grand nombre d'études, de tests AB, de modèles de marketing mix aux niveaux mondial et local. Une autre personne de l'organisation a invité Artefact à réaliser une étude d'une portée légèrement différente. Lorsque nous sommes arrivés, nous avons découvert qu'un grand nombre d'études avaient été réalisées dans le passé sur des périmètres presque identiques ou adjacents, et nous avons trouvé une grande valeur à la réutilisation de toutes ces idées parce que certaines d'entre elles étaient très stratégiques, traçant le chemin de l'entreprise, et l'une d'entre elles était très opérationnelle, à partir de tests AB, essayant un grand nombre d'innovations différentes. Nous voulions vraiment relier ces informations pour présenter une image holistique à l'entreprise, ce qui n'avait jamais été fait auparavant.
Et parce que notre modèle et notre approche MMM sont basés sur des méthodes bayésiennes qui apprennent du contexte commercial du client, nous avons pu réussir, et la première valeur ajoutée de notre modèle était "voici le ROI de ceci, voici le ROI de cela", mais la deuxième valeur ajoutée était vraiment d'unifier l'ensemble de la chaîne de valeur commerciale, des opérations à la stratégie, à l'aide de l'IA.
Avec votre modèle, vous réunissez donc les informations commerciales, mais aussi les équipes et les personnes ?
C'est vrai, mais il y a parfois des problèmes parce que ce sont des équipes différentes qui effectuent les mesures et les tests AB et qui les apportent à l'entreprise. Nous avons pu créer une histoire partagée par tous, ce qui a vraiment permis d'accélérer les choses sans avoir à gérer de petites incohérences ici et là. Lorsque vous avez une vue d'ensemble de toutes les informations que vous avez recueillies au cours des dernières années, cela résout vraiment le problème de la communication opérationnelle.
Avez-vous un dernier commentaire sur l'avenir de la modélisation du marketing mix ?
Je peux vous dire une chose : la modélisation du marketing mix est là pour rester. Les entreprises veulent voir les résultats de leurs actions. Les entreprises prennent de nombreuses initiatives et réorganisent leurs lacs data et la façon dont data est consommé à l'intérieur. Les organisations accordent beaucoup d'attention à la gouvernance de data . Je pense que l'avenir est à l'efficacité : la modélisation du marketing mix devra devenir plus rapide, plus rigoureuse, plus simple à expliquer aux parties prenantes de l'entreprise et plus facilement accessible aux analystes commerciaux. La GenAI est importante parce qu'elle peut permettre aux clients d'interroger les résultats du MMM et d'élaborer eux-mêmes des rapports sans avoir nécessairement beaucoup de compétences techniques. La modélisation du marketing mix n'est donc certainement pas vouée à disparaître : elle va rester et évoluer pour devenir plus efficace et plus facile d'accès.
