Skip to content
02_Eléments/Icônes/Flèche à gauche Retour à Insight
Aperçus >

Mesurer l'impact de la publicité, un achat à la fois

3 minutes de lecture | Leslie Wood, directrice de la recherche, Nielsen Catalina Solutions | Février 2017

Ces dernières années, la création de grands ensembles de données à source unique a été un atout majeur pour le secteur des études publicitaires. Chez Nielsen Catalina Solutions, nous combinons les données sur les ventes en magasin de millions de ménages avec des informations sur l'exposition ou non de ces ménages à une campagne publicitaire donnée. En examinant le différentiel de ventes entre les ménages exposés et non exposés, nous sommes en mesure de calculer l'augmentation des ventes générée par des milliers de campagnes avec une grande précision*.

Le modèle ANCOVA (analyse de covariance) qui constitue la base de cette méthodologie de test et de contrôle a été testé de manière approfondie, et il fournit des réponses rapides et fiables aux responsables de marques désireux de mesurer l'efficacité d'une campagne dans son ensemble. Mais il arrive qu'il ne soit pas tout à fait adapté. Prenons, par exemple, le cas d'une campagne qui a touché un public si large qu'il est presque impossible de trouver des ménages qui n'y ont pas été exposés (voir Fig. 1). Où trouver le groupe de contrôle ?

Pour relever ce défi, nous avons développé une nouvelle méthodologie appelée "Cognitive Advantics" (CA). Au lieu d'examiner l'augmentation des ventes de manière globale sur l'ensemble de la campagne publicitaire, elle analyse les données relatives aux ventes des ménages au niveau de chaque occasion d'achat et prend en compte le moment de l'exposition aux publicités à chaque étape du processus - un regard beaucoup plus granulaire sur les données. Après tout, un ménage peut voir une publicité, effectuer un achat, revoir une publicité pour la même marque, et nous aurions du mal à dire que la deuxième publicité a eu une quelconque influence sur cet achat particulier. Inversement, un ménage peut voir une publicité, effectuer un achat deux mois plus tard, et avec un tel intervalle de temps, il serait difficile de conclure que l'exposition à la publicité a été le facteur déterminant de cet achat.

En analysant les données au niveau de l'occasion d'achat, nous sommes en mesure de tenir compte de la " récence " de l'exposition - plus la publicité est récente, plus l'impact est important. Bien que la fenêtre temporelle effective puisse varier d'une étude à l'autre, nous remontons généralement à 28 jours à partir du moment de l'achat pour trouver une ou plusieurs expositions auxquelles l'occasion d'achat peut être attribuée (voir Fig. 2). Nous sommes également en mesure de résoudre le problème du groupe de contrôle car, s'il n'y a pas beaucoup de ménages qui n'ont pas été exposés à la campagne à un moment ou à un autre, il y a généralement suffisamment d'occasions d'achat qui n'ont pas été influencées par une publicité juste avant l'achat, même parmi les ménages exposés.

Pour effectuer l'analyse, la méthodologie CA prend toutes les variables pertinentes (historique d'achat, consommation de médias, données démographiques, localisation, achats par catégorie, etc.), les introduit dans une collection d'algorithmes de modélisation de données et permet aux données de choisir et de combiner les modèles de façon à ce que les résultats aient la meilleure validation croisée (c'est-à-dire la plus solide statistiquement). C'est la partie "cognitive" du nom de l'AC. Le résultat final est un outil très puissant qui dépend très peu de l'intervention humaine et peut être déployé à grande échelle.

À l'heure où le marché s'oriente vers des solutions en temps réel et par bouton poussoir, il s'agit de la prochaine évolution dans la mesure de l'efficacité publicitaire. Les premiers résultats sont très prometteurs, et nous sommes impatients de partager les détails, les exemples et les repères de performance dans une prochaine édition du journal.

*Voir les détails de cette méthode dans : Using single-source data to measure advertising effectiveness in VOL 1, ISSUE 2 of the Nielsen Journal of Measurement.

Tags associés :

Poursuivre la recherche d'informations similaires