@Copyright 2020 Numea
De nos jours, les entreprises ont plus de données à leur disposition que jamais pour les aider à prendre des décisions éclairées. Cependant, l’utilisation de ces informations pour prendre des décisions judicieuses peut représenter un défi. Parmi les outils employés, le modèle de médias mixtes (MMM) permet d’identifier les canaux de communication ayant le plus d’impact sur les ventes.
L’entreprise X cherche à déterminer la répartition optimale de son budget de 1 M$ entre la télévision, la radio et les publicités en ligne. Les analystes de l’entreprise ont utilisé des modèles prédictifs pour estimer le retour sur investissement (ROI) de chaque canal et ont obtenu des résultats intéressants. Le graphique ci-dessous illustrent la relation entre les investissements et les ROI : initialement, plus l’investissement dans un média est important, plus le ROI augmente. Cependant, au-delà d’un certain point de saturation, le ROI stagne voire diminue. Notons également les performances supérieures des médias en ligne, suivis de la radio, puis de la télévision.
Si l’on admet que les modèles prédictifs fournissent une représentation fiable de l’avenir, il est également possible d’utiliser ces modèles pour déterminer la répartition optimale du budget entre les trois canaux. Cette stratégie permet de traiter la question comme un problème d’optimisation soumis à des contraintes. Ainsi, l’objectif est de maximiser le retour sur investissement tout en respectant les contraintes budgétaires.
Différentes techniques peuvent être utilisées pour résoudre ce problème, comme la descente de gradient. En utilisant cette méthode, il est possible d’obtenir une solution optimale. Dans le cas présent :
Répartition optimale 1
Cette allocation des fonds corrobore l’observation précédente, avec une part plus importante allouée aux médias en ligne et à la radio, alors que le montant alloué à la télévision est nulle. Avec cette répartition optimale, un ROI de 1,9M$ soit 190% de la somme investie, est possible. Cependant, il peut sembler contre-intuitif et risqué de couper totalement le budget de la télévision…
En théorie de la décision, le regret est défini comme la différence entre le résultat obtenu suite à une décision prise et le meilleur résultat possible qui aurait pu être obtenu si une autre décision avait été prise. Dans le contexte de l’optimisation des budgets marketing, le regret peut survenir lorsque les résultats réels divergent des prédictions du modèle utilisé.
Supposons que l’entreprise X décide de suivre strictement les résultats de l’optimisation précédente et de supprimer entièrement le budget de la télévision. Au trimestre suivant, après avoir rassemblé les résultats et mis à jour les modèles prédictifs, on s’aperçoit que la télévision a eu une meilleure performance qu’au trimestre précédent et que les modèles n’étaient pas entièrement exacts. Le ROI estimé avec cette allocation budgétaire est de 130%.
Après avoir effectué une optimisation à partir des nouveaux modèles, on constate également que l’allocation budgétaire suivante aurait généré un meilleur retour sur investissement, soit un ROI de 170% :
Répartition optimale 2
Le regret dans ce cas serait donc de : 170% – 130% = 40%.
Plutôt que de se restreindre à une simple optimisation basée sur des modèles déterministes, il est essentiel de minimiser le regret en considérant divers scénarios possibles. Cette approche vous permet de prendre des décisions agiles et informées en prévoyant les variations de performance des différents médias et les incertitudes du marché.
Par exemple, imaginons un scénario où la performance de la télévision dépasse les prévisions au prochain trimestre, tandis que celle de la radio subit une légère baisse et que les médias en ligne conservent leur performance. En recourant à des techniques telles que celle de Monte-Carlo, vous pouvez simuler ces variations et bien d’autres. Cela vous permet d’arriver à une solution qui minimise le regret potentiel dans l’ensemble de ces situations, conduisant généralement à une répartition du budget plus équilibrée, par exemple :
Répartition optimale 3
Cette répartition pourrait ne pas être aussi efficace si le modèle déterministe se révèle exact. Par exemple, en optant pour la répartition optimale3, on obtiendrait un ROI de 170% et un regret de 20% (190% – 170%) pour le premier cas de figure1 . Cependant, une telle approche permettrait de minimiser les risques et d’optimiser le retour sur investissement dans le contexte d’incertitude. On obtiendrait un ROI de 155% et un regret de 15% (170% – 155%) pour le deuxième cas de figure2.
Cette approche vous permet de profiter des insights de votre modèle prédictif tout en vous protégeant contre les risques potentiels et les incertitudes du marché.
Si vous aussi vous aimeriez vivre sans regret, contactez nos experts, ils sauront vous aider à créer votre propre modèle de médias mixtes!
Cliquez ici pour en savoir plus sur nos services en performance marketing .
@Copyright 2020 Numea