Rassemblez des données historiques sur différentes variables marketing et non marketing, telles que les dépenses publicitaires, les prix, les revenus ou les métriques de performances.
Les données requises comprennent :
| Type de données | Description |
|---|---|
| Données média | Contient la métrique d'exposition par canal, par zone géographique et par période. Les métriques possibles incluent, sans s'y limiter, les dépenses, les impressions et les clics, qui peuvent varier selon le canal. L'essentiel est qu'il s'agit d'unités pouvant faire l'objet d'une intervention. Autrement dit, elles représentent des efforts au niveau des médias que l'on peut raisonnablement contrôler. Toutes les valeurs média doivent être positives. |
| Dépenses média | Contient les dépenses média par canal et par période. Les données et dépenses média doivent avoir les mêmes dimensions. |
| Variables de contrôle | Contient les facteurs de confusion qui ont un effet causal sur le KPI cible et la métrique média (comme le volume de requêtes Google). La sélection de variables de contrôle est importante pour estimer l'effet causal d'une MMM. Consultez Diagramme causal. |
| KPI | KPI cible à prédire par le modèle. Par exemple, le montant des revenus ou le nombre d'installations d'une application. Il s'agit également de la variable de réponse du MMM. |
| Revenus par KPI | Contient les revenus moyens d'un KPI. En l'absence de revenus précis par KPI, il est fortement recommandé d'utiliser une valeur approximative rationnelle. Si ces informations ne sont pas disponibles, consultez Lorsque le KPI ne concerne pas les revenus. Notez que le champ "Revenus par KPI" n'est pas obligatoire si les revenus sont votre KPI. |
| Population géographique | Contient la population pour chaque zone géographique. La population géographique (par exemple, la population des foyers avec télévision de Nielsen DMA) est utilisée pour mettre à l'échelle la métrique média afin de placer toutes les zones géographiques sur une échelle comparable. Pour en savoir plus sur la mise à l'échelle média, consultez Données d'entrée. |
Meridian offre la possibilité de modéliser l'effet de n'importe quel canal média en fonction des données de couverture et de fréquence. Consultez Couverture et fréquence.
| Type de données | Description |
|---|---|
| Couverture | Les données de couverture correspondent au nombre d'utilisateurs uniques exposés à l'annonce du canal au cours de chaque période. |
| Fréquence | La fréquence correspond au nombre moyen de fois qu'une personne est exposée à une publicité. Elle correspond au nombre total d'impressions divisé par la couverture pour chaque période. |
Meridian offre également la possibilité d'inclure des traitements média naturel et non média. Pour en savoir plus, consultez Variables média naturel et non média.
| Type de données | Description |
|---|---|
| Média naturel | Les variables média naturel sont des activités média sans coût direct. Cela peut inclure, sans s'y limiter, les impressions provenant de newsletters, d'articles de blog, d'activités sur les réseaux sociaux ou de campagnes par e-mail. |
| Traitements non média | Les variables non média sont des activités marketing qui ne sont pas directement liées au média, comme une promotion, le prix d'un produit et un changement dans l'emballage ou le design d'un produit. |
KPI
Le KPI est la variable \(y\) à gauche de la spécification du modèle. Il peut s'agir des revenus ou d'un autre KPI non lié aux revenus, comme les conversions.
Certains modélisateurs préfèrent utiliser un KPI autre que les revenus comme variable de réponse, même si les revenus sont finalement le KPI. Meridian vous permet de convertir les unités de KPI en revenus en fournissant des données sur les revenus par KPI pour chaque unité géographique et période. Pour en savoir plus, consultez Lorsque le KPI ne concerne pas les revenus.
Variables média, média naturel, de traitement non média et de contrôle
Les variables média, média naturel, de traitement non média et de contrôle doivent disposer de données de séries temporelles.
Variables média : pour chaque média payant, l'ensemble de données doit inclure les dépenses pour chaque canal média, qui servent de dénominateur pour calculer le ROI. En outre, chaque média payant doit inclure un des éléments suivants en vue de la modélisation :
- Une seule métrique d'exposition média, comme les impressions, les clics ou les dépenses
- Couverture et fréquence
Variables média naturel : un média naturel n'a aucune dépense associée et peut être exclu de l'entrée des dépenses média. En outre, chaque média naturel doit inclure un des éléments suivants en vue de la modélisation :
- Une seule métrique d'exposition média, comme les impressions ou les clics.
- Couverture et fréquence Pour en savoir plus sur la modélisation avec les médias naturels, consultez Média naturel.
Traitements non média Les variables non média sont des activités marketing qui ne sont pas directement liées au média et qui ne sont associées à aucun coût marketing direct. Elles diffèrent des variables de contrôle, car elles sont considérées comme des variables d'intervention et sont donc des variables de traitement dans le modèle causal. Pour en savoir plus sur la modélisation avec des traitements non média, consultez Traitements non média.
Variables de contrôle : les variables de contrôle permettent de contrôler les facteurs de confusion. Concentrez-vous sur la collecte de variables ayant un effet causal à la fois sur le KPI cible et sur la métrique ou l'exécution média. Étant donné qu'il est difficile de dresser une liste complète des variables affectant les KPI, il est peut-être plus pratique de se concentrer sur les variables qui influent sur le budget média et les décisions de planification. Vous pouvez commencer par demander à votre planificateur marketing quelles informations ont pu jouer un rôle, consciemment ou inconsciemment, dans sa prise de décision. Pour en savoir plus sur la modélisation avec des variables de contrôle, consultez Variables de contrôle.
Les variables de contrôle incluent, par exemple, les promotions, la concurrence sur le marché et le volume de requêtes Google. Pour en savoir plus sur le volume de requêtes Google, consultez Comprendre le volume de requêtes comme un facteur de confusion pour les annonces sur le Réseau de Recherche.
Variables liées à la saisonnalité : les variables liées à la saisonnalité, telles que les variables indicatrices de jours fériés, sont généralement intégrées en tant que variables de contrôle dans la spécification du modèle. Toutefois, Meridian est équipé d'une fonctionnalité automatique d'ajustement de la saisonnalité et des tendances qui est implémentée via la spécification du modèle d'interception à variation temporelle. Par conséquent, il n'est pas nécessaire d'inclure des variables de saisonnalité distinctes.
Vous pouvez également désactiver l'ajustement automatique de la saisonnalité et inclure vos propres variables de saisonnalité.
Collecte des données
Pour chacune des variables, vous devez déterminer le type de données à collecter. Les plans média ou marketing peuvent être utilisés pour déterminer les variables appropriées à collecter. Vous pouvez ensuite collecter l'exposition média des canaux Google, y compris des métriques telles que les clics et les impressions, à l'aide de MMM Data Platform. De plus, cette plate-forme propose également des données sur la couverture et la fréquence spécifiques à YouTube. Pour en savoir plus, consultez Utiliser MMM Data Platform.
La collecte des données sur le volume de requêtes Google est facultative, mais l'omission de ces données peut biaiser les estimations de votre modèle. Toutefois, vous pouvez exécuter Meridian sans données sur le volume de requêtes Google.
Assurez-vous que vos données sont au bon format pour exécuter le modèle. Pour en savoir plus sur le format, consultez les exemples de données dans Types et formats de données acceptés.
Précision
En règle générale, une précision accrue des données fournit des informations plus justes et peut aider à identifier des résultats exploitables. Considérez la précision des données selon les aspects suivants.
Précision géographique
Bonne pratique : collectez les données au niveau des zones géographiques. Ce niveau de précision vous permet de tenir compte des nuances au niveau géographique et d'utiliser le framework bayésien hiérarchique de Meridian pour obtenir des intervalles crédibles plus réduits pour des estimations telles que le ROI. Notez que certaines zones géographiques peuvent présenter un faible volume d'observations. Par conséquent, il est conseillé d'exclure ces zones géographiques de l'ensemble de données avant l'ajustement du modèle afin de contribuer à assurer la robustesse de l'estimation du modèle. Pour en savoir plus, consultez Sélection de zones géographiques et données au niveau national.
Alternative acceptable : si les données au niveau des zones géographiques ne sont pas disponibles, vous pouvez utiliser des données nationales. Toutefois, vérifiez que vos données nationales contiennent un nombre suffisant de points de données pour chaque effet que vous essayez de mesurer. Pour en savoir plus, consultez Quantité de données requise.
Niveau de précision temporelle
Bonne pratique : collectez les données au niveau hebdomadaire. Les données hebdomadaires présentent un équilibre avantageux entre le degré de variation et l'ampleur du bruit, en particulier par rapport aux données quotidiennes ou mensuelles.
Alternative acceptable : en l'absence de données hebdomadaires, vous pouvez tester des données quotidiennes ou mensuelles. Toutefois, lorsque vous utilisez des données quotidiennes, le modèle peut avoir une durée d'exécution prolongée. De plus, avec des données mensuelles, les estimations du modèle peuvent présenter une non-convergence ou de larges intervalles crédibles.
Précision média
Nous vous recommandons de ne pas dépasser 20 canaux média pour vous assurer que chaque canal présente une variation et un volume suffisants pour fournir une estimation fiable. Pour les canaux média associés à de faibles dépenses média, il est conseillé de les combiner avec d'autres canaux afin d'éviter les susceptibilités lors de l'estimation du ROI. Pour en savoir plus, consultez Canaux avec des dépenses faibles.
Ancienneté des données
En règle générale, les données historiques doivent correspondre à au moins deux ans de données hebdomadaires pour les modèles au niveau géographique et à trois ans de données pour les modèles au niveau national. Si seules des données mensuelles sont disponibles, nous vous recommandons d'utiliser un minimum de trois ans de données. Il est important que le modèle dispose de suffisamment de points de données pour fournir des calculs précis. Cependant, la détermination de la quantité de données peut être plus complexe et dépend en fin de compte de la nature de vos données. Pour obtenir des conseils plus spécifiques sur la quantité de données requise, consultez Quantité de données requise.
Une fois que vous avez collecté vos données, effectuez une analyse exploratoire des données pour vous assurer qu'elles sont exactes et complètes.
Entreprises générant des prospects avec de longs cycles de vente
Pour les entreprises qui génèrent des prospects avec de longs cycles de vente, les bonnes pratiques dépendent de votre variable cible, par exemple du résultat que vous souhaitez mesurer. Si la génération d'un prospect prend plusieurs mois, vous pouvez prendre en compte les KPI d'actions plus immédiates, tels que le nombre de conversions, le nombre de visites sur le site ou les saisies de formulaires.