Trois tendances qui ouvrent la voie à l'avenir de la modélisation du mix marketing

Depuis trois ans, nous élaborons des modèles destinés à aider les entreprises et nos clients à évaluer le retour sur investissement de leurs dépenses médias, publicitaires et autres initiatives qui favorisent de nouveaux types d'investissements.

Nous avons mis au point plusieurs modèles, allant de techniques aussi simples que la régression à des approches aussi sophistiquées que les réseaux bayésiens. C'est une période très stimulante pour nous.

Nous observons trois grandes tendances chez nos clients à l'échelle mondiale.

Chez Artefact, nous abordons cette question à travers notre approche interne, qui peut sembler contre-intuitive pour une société de conseil, mais qui correspond à la manière dont nous aidons nos clients à développer cette capacité au sein de leurs organisations.

Beaucoup de nos clients souhaitent internaliser le MMM, mais ils ont besoin d'aide pour franchir cette première étape. Notre solution consiste à travailler avec les équipes opérationnelles pour définir clairement les besoins réels en matière de formation : que souhaitent apprendre les clients concernant leurs activités de marketing ou de vente ? Ce serait là une première étape. Dans un deuxième temps, nous avons développé notre propre modèle en tant que service, que nous allons déployer sur différentes plateformes et mettre à la disposition de nos clients.

Nos équipes techniques travaillent en étroite collaboration avec nos clients pour mettre en œuvre notre propriété intellectuelle et former leurs équipes. En général, nous laissons ensuite nos clients poursuivre leur parcours dans le marketing mobile de leur propre chef, mais s'ils souhaitent bénéficier d'un accompagnement supplémentaire, nous le leur fournissons bien sûr : telle est notre philosophie.

Les clients recherchent principalement deux types de fonctionnalités : la première est d'ordre pratique : obtenir des résultats rapides et itérer rapidement à partir data disponibles. La seconde découle de la première et repose sur des solutions d'IA innovantes, telles que celles que nous proposons avec le réseau bayésien ou que nous pouvons intégrer à l'IA générative afin d'améliorer l'efficacité des équipes.

Pour obtenir rapidement ce premier retour sur investissement, nous avons mis au point une méthode de travail avec nos clients qui consiste à mettre en œuvre dès le départ une première approche pragmatique, afin de fournir d'emblée aux équipes ces informations exploitables rapidement ; nous continuons ensuite à itérer, et c'est là que l'internalisation s'avère vraiment utile, car elle nous permet d'accéder très rapidement à l'ensemble de la pile technologique ; nous avons un accès rapide aux data nous pouvons établir très rapidement ce lien entre la mise à jour des modèles, la mise à jour des résultats et leur mise en œuvre dans l'entreprise.

De cette manière, nos clients obtiennent des résultats rapides, tout en conservant leurs capacités internes, tandis que nous disposons du temps, des effectifs et du budget nécessaires pour mettre en œuvre des projets innovants et ambitieux que l'IA générative nous permet désormais de réaliser.

Nous essayons de gagner du temps dans le choix du modèle le plus adapté, car après l’avoir testé à maintes reprises, nous savons plus ou moins quelles approches fonctionnent. Ainsi, dans le cadre du calendrier habituel de votre projet visant à relier stratégie et opérations, nous avons besoin de temps pour échanger avec les différents acteurs, pour harmoniser le programme d’apprentissage global avec celui au niveau local, d’une manière ou d’une autre. Nous consacrons ensuite le reste du temps à l'entreprise pour nous assurer que les résultats fournis par nos modèles MMM concordent avec d'autres études réalisées par le client, qu'il s'agisse de tests A/B ou d'autres modèles MMM. Nous établissons ce lien et rassemblons toutes les informations ; il s'agit davantage d'un rôle analytique et consultatif que de faire appel à une équipe de data pour développer une IA à partir de zéro.

Je vais vous donner un exemple illustrant le lien entre les services opérationnels et stratégiques et la prise de décision au sein de l'entreprise.

Nous avions un client – je ne citerai pas de nom, désolé ! – qui était déjà bien avancé dans son parcours de mesure. Il avait mené de nombreuses études, des tests A/B et des modèles de mix marketing, tant au niveau mondial que local. Une autre personne au sein de l'organisation a alors invité Artefact mener une étude portant sur un champ d'application légèrement différent. À notre arrivée, nous avons découvert qu'il existait déjà de nombreuses études menées par le passé sur des sujets presque identiques ou connexes, et nous avons jugé très utile de réutiliser toutes ces informations, car certaines d'entre elles étaient très stratégiques, traçant la voie à suivre pour l'entreprise, tandis qu'une autre était très opérationnelle, issue de tests A/B et de nombreux essais d'innovations différentes. Nous souhaitions vraiment relier ces informations entre elles afin de présenter à l'entreprise une vision globale qui n'avait jamais été réalisée auparavant.

Et comme notre modèle et notre approche MMM s'appuient sur des méthodes bayésiennes qui s'adaptent au contexte commercial du client, nous avons pu réussir. La première valeur ajoutée de notre modèle consistait à indiquer « voici le retour sur investissement de ceci, voici celui de cela », mais la deuxième valeur ajoutée a vraiment été d'unifier l'ensemble de la chaîne de valeur de l'entreprise, des opérations à la stratégie, grâce à l'IA.

C'est vrai, mais cela peut parfois poser des difficultés, car ce sont différentes équipes qui se chargent des mesures, des tests A/B et de la mise en œuvre au sein de l'entreprise. Nous avons réussi à élaborer une vision commune à tous, ce qui a vraiment contribué à accélérer le développement de l'entreprise sans avoir à gérer de petites incohérences ici et là. Lorsque l'on dispose d'une vue d'ensemble de toutes les données recueillies au cours des dernières années, cela résout véritablement le problème de la communication opérationnelle.

Je peux vous dire une chose : la modélisation du mix marketing est là pour rester. Les entreprises veulent voir les résultats de leurs actions. Elles mènent de nombreuses initiatives et réorganisent leurs data ainsi que la manière data exploitées en interne. Les organisations accordent une grande importance à data . Je pense que l'avenir réside dans l'efficacité : la modélisation du mix marketing devra devenir plus rapide, plus rigoureuse, plus simple à expliquer aux parties prenantes de l'entreprise et plus facilement accessible aux analystes métier. Et la GenAI est importante car elle permet aux clients d'interroger les résultats de la MMM et de créer eux-mêmes des rapports sans nécessairement disposer de compétences techniques approfondies. La modélisation du mix marketing n'est donc pas près de disparaître : elle va perdurer et évoluer pour devenir plus efficace et plus facilement accessible.