Iscriviti alla nostra newsletter Tea O'Clock!
La granularità dei dati si riferisce al livello di dettaglio, alla "finezza" delle informazioni raccolte e analizzate. Tutte le dimensioni dei dati sono potenzialmente considerate:
Al pari della capacità di attuazione o dell'accelerazione dei processi, il guadagno in termini di granularità è uno dei catalizzatori della rivoluzione attuale delle soluzioni di aiuto alle decisioni di marketing. Dati inaccessibili, metodologie non adatte, capacità di calcolo insufficienti hanno impedito, ancora per qualche anno, il progresso in questo campo. Il risultato standard è stato ridotto a elementi troppo semplici e poco precisi per pilotare efficacemente le azioni dei media o la loro digitalizzazione. Come si può pensare di elaborare strategie e tattiche di comunicazione sulla base di un semplice confronto tra i ROI di "televisione" e "canali digitali", tutti formati e piattaforme raggruppati a livello di un paese su una superficie molto ampia?
Qualunque sia la tecnica impiegata - MMM, test d'incrémentalité, sperimentazioni e altre utilizzate da sole o congiuntamente - la robustezza e l'agibilità dei risultati si basano sulla capacità del sistema di tradurre il "mondo reale", di ritrascrivere il ruolo di ogni tipo di azione di marketing presso i consumatori, il loro contributo alla performance dei marchi...
Modelli più pertinenti, più precisi. Anche se ciò può apparire paradossale, l'aggiunta della granularità semplifica notevolmente la costruzione dei modelli e la loro precisione. Una maggiore granularità dei dati evita di "nascondere nei valori più bassi" gli effetti, spesso poco omogenei, delle azioni di marketing. Ad esempio, valutare l'efficacia di una campagna di affichage digital urbain molto localizzata a partire dalle performance commerciali "France entière" del marchio (cumulando zone affichées e non affichées) porta immancabilmente a sminuire il contributo. Ciò vale anche per l'efficacia delle azioni condotte sulle diverse forme di video in rete, che spesso sono state raggruppate in un totale "VOL" che ha colmato le differenze.
Diversi studi hanno evidenziato guadagni molto sensibili in termini di qualità e stabilità dei modelli apportati da una maggiore granularità. Citiamo in particolare le analisi condotte da Nielsen*: un'analisi di 19 MMM sulle categorie di prodotti dei settori di grande consumo e dell'e-commerce in Giappone, per le quali i modelli sono stati simultaneamente realizzati su dati di vendita e media a livello nazionale e regionale (46 prefetture). La precisione dei MMM varia in modo significativo in funzione della granularità dei dati su cui sono costruiti. Se la strategia MMM su dati nazionali ha permesso di identificare un contributo alle vendite incrementale per il 16% dei distributori/canali multimediali, questa percentuale raggiunge il 66% quando viene introdotta la dimensione regionale.
Inoltre, tenendo conto delle differenze di efficacia delle azioni di marketing tra i diversi segmenti di clientela dei distributori e degli operatori del commercio online, i modelli di cinquantacinque hanno registrato un sensibile aumento della precisione. Si tratta della base di un approccio di modellizzazione agent-based* che permette di simulare gli effetti delle campagne su diversi gruppi di consumatori.
In generale, avere una visione troppo ampia non consente di tenere conto degli effetti del mix all'interno di un sito web. Ad esempio, per quanto riguarda la ricerca, una variazione del rapporto tra il valore speso per il marchio e il valore totale speso per la ricerca può avere un forte impatto sulle prestazioni. Se la dimensione del marchio e del marchio non viene presa in considerazione e se questo rapporto varia significativamente nel tempo, i risultati della modellizzazione non riflettono la realtà dei consumatori e sono poco precisi, se non errati.
Risultati a livello operativo. Oltre a rimanere al livello di grandi aziende, gli analisti di marketing possono già comprendere come ogni componente, ogni elemento del mix marketing contribuisca alla performance del marchio. Chi può oggi accontentarsi di un'ottica in cui si cumulano tutte le campagne e tutte le piattaforme "Social media", in cui non si possono isolare i formati video...? Come non intendere una dimensione "Istruzione" per un'analisi dell'efficacia dei canali "Media al dettaglio" quando le azioni intraprese sono significativamente diverse?
Inoltre, questa profondità d'analisi offre una migliore comprensione delle interazioni tra i canali di marketing, mettendo in luce le sinergie potenziali e gli effetti di leva che possono essere sfruttati per migliorare i risultati globali. Per riprendere l'esempio della campagna di affichage digitale urbana, la misurazione dei guadagni derivanti dall'interazione con una campagna TV o un'azione promozionale nelle zone affittate apporta un effetto operativo diretto.
Gli insight ottenuti contribuiscono in modo evidente a un'allocazione dei mezzi di marketing più vicina ai bisogni operativi, e questo su tutte le dimensioni pertinenti (leviers marketing, zone geografiche, segmenti di consumatori...) quando i risultati del MMM non offrono ancora il grande piano indispensabile per rendere i risultati attivabili. Pertanto, l'adozione della granularità nel MMM non è solo una scelta tecnica o metodologica, ma è un obiettivo importante.
Una proiezione nel futuro più robusta e reattiva. Apprezzare meglio il ruolo di ogni canale di marketing a un livello più fine, riflettere con maggiore fedeltà la realtà dei mercati, ma anche stimolare la previsione e la simulazione degli impatti delle campagne previste in un'ottica di scenario-planning.
Il miglioramento operativo dipende anche dall'agilità nella decisione di marketing e dalla capacità di adattamento rapido alle evoluzioni delle dinamiche del mercato. In effetti, osservando i dati globali, gli analisti di marketing possono identificare rapidamente i cambiamenti nel comportamento dei consumatori, le tendenze emergenti, i problemi concomitanti o l'evoluzione della reazione dei consumatori a un elemento multimediale o creativo, le performance di una strategia multimediale o di una tattica di vendita.
Se l'apporto della granularità alle azioni di misurazione e ottimizzazione dell'efficacia del marketing appare indiscutibile, la sua integrazione nei sistemi di aiuto alla decisione rimane un progetto da realizzare in quanto tale.
Il primo problema è quello di determinare il livello di granularità ottimale all'interno della piattaforma di dati. Un problema maggiore può essere quello della ricerca di una granularità troppo grande. Un livello di granularità più importante può generare un eccesso:
Non si tratta di sacrificare i fondamenti della cura e della raccolta delle informazioni... nessuna tecnica di data science può compensare una maggiore pertinenza dei dati di base!
Inoltre, la scelta degli approcci di modellizzazione e degli algoritmi di trattamento è fondamentale. Spesso è necessario trovare un compromesso tra la granularità dei dati raccolti e la complessità e le prestazioni dei modelli necessari. Si dovrà quindi determinare un livello di dettaglio ragionevole per la calibrazione dei modelli, il loro sfruttamento e la loro validazione. A prescindere da ciò, è da notare che i dati con un livello di dettaglio più fine possono essere conservati nella piattaforma dati ed essere oggetto di studi ad hoc per mezzo di procedure specifiche di data science. Inoltre, nel caso di un attore della distribuzione, i dati vengono modulati per campione di prodotti per le analisi correnti; un dettaglio più fine (per esempio, un marchio all'interno del campione) è la base per studi ad hoc quando si deve analizzare una problematica più ampia (per esempio, la sinergia tra una comunicazione dell'università e una promozione del produttore).
L'esperienza di cinquantacinque anni fa dimostra che il successo si basa, nella maggior parte dei casi, su una messa in atto progressiva, tappa per tappa. I "piccoli passi", che per noi sono alla base di ogni sviluppo di un sistema di aiuto alla decisione "Efficacité Marketing "* , sono ancora più inconfutabili in un obiettivo di guadagno di granularità. Ogni fase prevede una revisione critica e una prioritizzazione delle esigenze in termini di arricchimento delle piattaforme di dati e degli algoritmi, nonché di estrazione e sfruttamento della conoscenza dell'efficacia delle azioni di marketing.
Per un'azienda del settore "grandi consumi" negli Stati Uniti, dopo aver adottato una soluzione MMM a livello di paese, la prima fase è consistita in un test dei guadagni potenziali di una modelizzazione a livello di zone geografiche più fini, per le quali erano disponibili dati di vendita annuali.
Dopo alcuni mesi, l'analisi di un campione di queste zone ha permesso:
In parallelo, il marchio ha potuto confrontare questi vantaggi con le sue sperimentazioni controllate su zone geografiche (GeoTests / GeoExperiments) e con i suoi studi di quasi-sperimentazione sui dati osservati nella storia.
La seconda fase del processo, durata 6 mesi, è consistita nell'adattamento della piattaforma dati e dei modelli per la generalizzazione di questa innovazione in due dimensioni: geografica e mediatica.
Una terza fase ha permesso l'arricchimento del sistema per quanto riguarda la sua valutazione:
In conclusione, la granularità dei dati è fondamentale per la modellizzazione del marketing mix e, più in generale, per gli strumenti di misurazione e ottimizzazione dell'efficacia del marketing. Permette una migliore precisione, una maggiore operatività, una robustezza delle previsioni e una maggiore reattività di fronte alle evoluzioni del mercato. Tuttavia, il raggiungimento di una granularità ottimale richiede una gestione dei dati adeguata e una scelta oculata degli algoritmi di modellizzazione.
Articolo correlato da Mathieu Lepoutre e Arnaud Parent
Scoprite tutte le ultime notizie, articoli, repliche di webinar e cinquantacinque eventi nella nostra newsletter mensile, Tea O'Clock.
.svg)
.jpg)
