Ces dernières années, la création de vastes 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 avec une grande précision l'augmentation des ventes générée par des milliers de campagnes.*
Le modèle ANCOVA (analyse de la covariance) qui constitue la base de cette méthodologie de test et de contrôle a été testé de manière approfondie et fournit des réponses rapides et fiables aux responsables de marques désireux de mesurer l'efficacité d'une campagne dans son ensemble. Mais il arrive que ce modèle 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 pratiquement impossible de trouver des ménages qui n'y ont pas été exposés (voir figure 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 à la publicité à chaque étape, ce qui permet d'obtenir une vision beaucoup plus granulaire des données. Après tout, un ménage peut voir une publicité, effectuer un achat, voir à nouveau une publicité pour la même marque, et nous serions bien en peine de dire que la deuxième publicité a eu une quelconque influence sur cet achat particulier. À l'inverse, un ménage peut voir une publicité et effectuer un achat deux mois plus tard. Compte tenu du temps écoulé entre les deux, 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 prendre en compte 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 regardons généralement 28 jours en arrière 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 de l'AC prend toutes les variables pertinentes (historique des achats, consommation de médias, données démographiques, localisation, achats par catégorie, etc.), les introduit dans un ensemble d'algorithmes de modélisation des données et permet aux données de sélectionner et de combiner les modèles de manière 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 qui peut être déployé à grande échelle.
Alors que le marché s'oriente vers des solutions en temps réel et à bouton-poussoir, il s'agit de la prochaine évolution dans la mesure de l'efficacité de la publicité. Les premiers résultats sont très prometteurs et nous sommes impatients de partager les détails, les exemples et les références 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.
