La couverture et la fréquence sont des facteurs essentiels pour diffuser des campagnes publicitaires efficaces. Toutefois, elles ne sont pas souvent prises en compte dans la modélisation du mix marketing (MMM) actuelle, car il n'existe pas de métriques de couverture et de fréquence précises pour certains canaux média traditionnels. En général, les modèles de mix marketing utilisent les impressions comme données d'entrée, en ignorant le fait que les utilisateurs peuvent être exposés à des annonces plusieurs fois, et l'impact peut varier selon la fréquence d'exposition. Pour contourner cette limitation, Meridian offre la possibilité de modéliser l'effet de n'importe quel canal média en fonction des données de couverture et de fréquence, et non en fonction d'une seule métrique d'exécution. Cette approche peut permettre d'obtenir des estimations plus précises de l'impact du marketing sur les résultats commerciaux et d'optimiser l'exécution des campagnes grâce à des recommandations concernant la fréquence.
Pour la modélisation, les données de couverture et de fréquence doivent présenter le même niveau de précision géographique et temporelle que les données sur les ventes et les contrôles.
De plus :
Les données de couverture doivent correspondre au nombre d'utilisateurs uniques exposés à l'annonce de la chaîne au cours de chaque période, et non au nombre cumulé d'utilisateurs touchés sur des périodes consécutives.
Les données de fréquence doivent correspondre au nombre total d'impressions divisé par la couverture pour chaque période.
L'effet média correspond à la contribution cumulative aux ventes attendues. Pour les canaux disposant de données de couverture et de fréquence, l'effet média du canal \(i^{th}\) dans la zone géographique \(g\) et au cours de la période \(t\) est modélisé comme suit :
Où :
- \(f_{g,t,i}^{[RF]}\) correspond à la fréquence moyenne.
- \(r_{g,t,i}^{[RF]}=L_{g,i}^{[RF]}(\overset {\cdot \cdot} r_{g,t,i})^{[RF]}\) correspond à la couverture transformée. Cette valeur est ajustée en fonction de la population et de la valeur médiane pour le canal. Pour en savoir plus, consultez Données d'entrée.
Cet effet est calculé en appliquant d'abord la fonction Hill à la fréquence moyenne \(f_{g,t,i}^{[RF]}\) pour l'ajuster en fonction des effets de saturation. La fréquence transformée selon la fonction Hill pour chaque zone géographique et chaque semaine est multipliée par la couverture transformée. Ces valeurs sont ensuite pondérées par la fonction Adstock pour tenir compte des effets différés de l'exposition média au fil du temps.
La fonction Hill permet de donner à l'effet média une forme de S en fonction de la fréquence. Cela signifie que la couverture moyenne optimale pour la rentabilité peut être supérieure à 1. La courbe en S reflète l'intuition selon laquelle il existe peut-être une fréquence optimale pour la valeur du résultat incrémental par impression. Une certaine fréquence minimale peut être nécessaire pour renforcer le souvenir de la marque, tandis qu'une fréquence excessive peut entraîner une fatigue publicitaire et une diminution des retours sur investissement.
On suppose que la couverture présente une relation linéaire avec la fréquence de réponse aux ventes. La couverture dépend de la définition de l'audience cible, qui peut être une combinaison de différents groupes, chacun ayant sa propre réactivité à la publicité. En supposant un effet de couverture linéaire, vous pouvez supposer implicitement que la couverture des différentes audiences varie proportionnellement. Toutefois, il est possible qu'à mesure que la couverture totale augmente, il devienne plus difficile de toucher des membres supplémentaires de l'audience cible. Dans ce cas, l'effet de couverture peut avoir des rendements marginaux décroissants. Meridian limite l'effet de couverture à une fonction linéaire pour éviter la sur-paramétrisation du modèle, l'incapacité à identifier les paramètres et les problèmes de convergence de la chaîne de Markov Monte Carlo (MCMC). Veillez à ne pas extrapoler cet effet linéaire au-delà de la plage des valeurs de couverture observées dans les données.
Pour en savoir plus sur la couverture et la fréquence, consultez Modèle de mix média hiérarchique bayésien intégrant les données de couverture et de fréquence.
Différences entre la fréquence supposée pour le ROI et pour l'optimisation
Il existe des différences entre la fréquence supposée pour le ROI et celle pour l'optimisation. Si nécessaire, vous pouvez ajuster la fréquence supposée pour l'optimisation.
Comme indiqué dans ROI, mROI et courbes de réponse, le ROI mesure le retour sur investissement d'un canal tel qu'il a été exécuté au cours de la période pour laquelle l'analyse MMM dispose de données. La façon dont une chaîne a été exécutée inclut la façon dont les impressions sont réparties dans les zones géographiques et dans le temps, ainsi que la fréquence historique de cette chaîne.
L'optimisation suppose que les futures campagnes seront exécutées à la fréquence optimale, car la fréquence est souvent contrôlée par l'annonceur, en particulier pour les canaux numériques. Si la fréquence optimale est différente de la fréquence historique, il se peut que les performances d'un canal dans l'allocation de budget optimisée ne correspondent pas aux performances historiques du canal en fonction du ROI. Ce problème peut s'aggraver si la fréquence actuelle est éloignée de la fréquence optimale.
Si les futures campagnes ne sont pas exécutées à la fréquence optimale, vous pouvez utiliser l'option d'optimisation pour modifier la fréquence supposée. Cela peut être utile pour les canaux qui ne peuvent pas être exécutés à une fréquence moyenne spécifique.