Découvrez la puissance du panneau d’attribution et des intervalles de recherche en amont d’Adobe Analytics pour mieux comprendre le parcours de vos clients.

Quand j'ai réfléchi au panneau d’attribution et à l’intervalle de recherche en amont, cela m’a immédiatement rappelé le concept de voyage dans le temps. Et puis, bien sûr, on m’a aussi rappelé que notre réaction typique à de nombreux nouveaux outils comme celui-ci est simplement de reporter son utilisation, parce qu’ils ont l’air si compliqués.

Honnêtement, regardez toutes ces options, ces commutateurs, ces panneaux, ces lectures, et ces boutons. Et puis sérieusement, parlons de ces lumières clignotantes compliquées, des tuyaux, des jauges... ATTENDEZ UNE SECONDE ! Ce n'est pas le moment de se laisser distraire par des discours sur des machines à remonter le temps, nous n’en avons tout simplement pas le temps... ou si, au contraire ?

J'admets que le panneau d’attribution  est un outil assez complexe ; cependant, notre travail typique d'analyste, jour après jour, consiste à utiliser un autre de nos outils favoris et très complexes pour également examiner ce qui s'est passé dans le passé. Cet outil s'appelle  Adobe Analytics  ! Alors oui, pour répondre à notre très pertinente question, je crois que ces deux choses signifient que nous disposons de beaucoup de temps.

Par conséquent, pourquoi devrions-nous laisser une petite peur se mettre en travers de notre utilisation d’outils aussi incroyables, sophistiqués et puissants que ceux-ci, qui nous permettent littéralement de regarder  en arrière, chaque jour ?

Après tout, on parle de VOYAGE DANS LE TEMPS, tout le monde ! On adore ce genre de choses. Je me trompe ?

Alors, qu'attendons-nous ? Qu'une voiture en métal brillant, une cabine de police bleue, ou une cabine téléphonique vintage qui utilise le câblage d'un vieux parapluie comme antenne apparaisse sur le pas de notre porte ?

Non. Nous avons quelque chose d’encore mieux, alors accrochons nos ceinture et utilisons-le !

Enfin... vous avez l’idée.

Maintenant que nous sommes tous motivés à effectuer des voyages dans le temps, prenons une grande inspiration, prenons un peu de recul, établissons ce que la variable  panneau d’attribution  est vraiment et décomposons un peu les éléments suivants :

Figure 1 - Nombre affiché en ligne avec le texte plus bas

Dans  l’attribution, il vous suffit d’examiner la manière dont les événements/actions peuvent être causés par un individu, plusieurs individus ou l’un des nombreux événements différents au fil du temps.

Selon Adobe, l’attribution  permet aux analystes de personnaliser la manière dont les éléments Dimension reçoivent un crédit pour les événements de succès.

Dans les faits, il est rare qu’un parcours client donné soit vraiment linéaire et encore moins prévisible. En outre, chaque client progresse à son propre rythme. Il lui arrive souvent de revenir sur ses pas, de s’arrêter, de redémarrer ou d’adopter un autre comportement non linéaire. En raison de ces actions organiques, il est difficile, voire pratiquement impossible, de connaître l’impact des efforts marketing tout au long du parcours client. Cela complique également les efforts visant à relier plusieurs canaux de données.

Tout cela est vrai. Oubliez vos analogies de « domino » et ouvrez vos esprits à des concepts plus proches de l'effet papillon et de la théorie des cordes. Néanmoins, comme pour tout le reste, nous devons commencer par quelques principes de base.

Modèles d’attribution

Lorsque nous utilisons le panneau d’attribution, nous pouvons commencer à observer plusieurs choses. Par exemple, les modèles d’attribution nous montrons comment notre  conversion  (c’est-à-dire ❶  mesure de succès) peut être répartie entre les  accès  dans un groupe donné.

Autrement dit, si  10 personnes  appuyent sur un  GROS BOUTON ROUGE  pour passer par une porte, nos modèles d’attribution  vont nous dire auxquelles de ces 10 personnes  nous voulons attribuer un « crédit », ou mieux encore dire, quelle quantité de « crédit » nous voulons leur attribuer, pour avoir appuyé sur ce bouton.

En gardant cela à l’esprit, voici quelques exemples de la façon dont les ❸  modèles d’attribution  peuvent affecter ces  10 personnes:

• Première touche  : ce modèle fonctionne exactement comme s’il était activé en donnant  un crédit de 100 %  à la première personne qui a passé la porte. Les professionnels du marketing sont plus susceptibles d’utiliser cette approche pour des tactiques telles que les médias sociaux  ou l’affichage. Il s’agit toutefois d’une excellente tactique à utiliser souvent pour optimiser l’efficacité des recommandations de produits sur site.

• Dernière touche  : Cette tactique fonctionne aussi exactement comme son nom le dit, mais à l'inverse, elle donne  un crédit de 100 %  à la DERNIÈRE personne qui a passé la porte. Ce modèle est généralement utilisé pour analyser des éléments comme une recherche naturelle (organique)  et d’autres campagne marketing à court terme.

• Linéaire  : Ce modèle distribue un crédit égal à CHAQUE PERSONNE qui a franchi la porte.

• En forme de U  : Cette approche affecte  40 %  du crédit à la première personne qui a franchi la porte, distribue 20 %  de l’ensemble du crédit à toutes les personnes entre, puis donne  40 %  à la dernière personne. Ce modèle est le plus souvent utilisé dans les situations où vous avez un cycle de conversion/vente long qui contient plusieurs points de contact en chemin. Dans ce cas, votre objectif est de mettre principalement en évidence les première  et  dernière tactiques marketing qui ont contribué à la conversion des clients.

• En forme de J et en forme de J inversé  :

  • Imaginez la la forme en U, mais à la place, ce modèle attribue 60 % du crédit à la dernière personne qui franchit la porte, 20 % à la première, puis divise les 20 % restant entre toutes les personnes du milieu. L’approche en forme de J inversé fait exactement le contraire.

    L’objectif ici est de mettre l’accent sur le début  ou la  fin  de votre campagne ; toutefois, vous souhaitez tout de même attribuer un certain crédit à l’élément de contribution à l’autre bout tout en reconnaissant les « petits gars » en cours de route.

• Décroissance temporelle  : Maintenant, je ferais preuve de négligence si je ne partageais pas l'info suivante. Ce modèle a littéralement une demi-vie qui diminue exponentiellement, au fil du temps ! Dans ce cas, le paramètre par défaut de la demi-vie de ce modèle est de  7 jours. Cela fonctionne de la manière suivante :  poids  à chaque  canal marketing,  en fonction de la durée  qui s’écoule après le  point de contact initial  et lorsque le client effectue la conversion.

  La décroissance temporelle  et les  modèles d’attribution en forme de U  sont généralement utilisés pour mesurer les campagnes à plus long terme, mais comme vous pouvez le voir, ils ont des objectifs légèrement différents, en fonction de la manière dont ils mesurent  la valeur du résultat au final.

• Personnalisé  : vous choisissez qui va recevoir le crédit. C'est votre campagne !

Pour plus d’informations sur ces modèles d’attribution et d’autres, cliquez ici

Pour rendre cela encore plus intéressant, parlons de revenir en arrière !

Intervalles de recherche en amont

Il est désormais temps de commencer à réfléchir au niveau suivant. C'est là que nous ajoutons littéralement l'élément voyage dans le temps à notre analyse, et là encore, nous commençons avec les bases.

Adobe  définit un ❹  intervalle de recherche en amont comme la durée pendant laquelle une conversion doit faire une recherche en amont pour inclure des points de contact. Les modèles d’attribution qui accordent plus de crédit aux premières interactions voient des différences plus importantes lors de l’affichage de différents intervalles de recherche en amont.

En d'autres termes, les intervalles de recherche en amont  déterminent la période pendant laquelle les  conversions  sont prises en compte et fournissent un  contexte  à l’analyse d’attribution.  Adobe Analytics  offre trois types d’intervalles de recherche en amont  :

• Intervalle de recherche en amont des visites :  Revient au début d’une  visite  lorsqu’une conversion s’est produite, fournissant des informations sur les interactions immédiates menant aux conversions.

  N’oubliez pas qu’il s’agit généralement du plus court  intervalle de recherche en amont  à utiliser.

• Intervalle de recherche en amont des visiteurs :  Recherche toutes les visites  jusqu’à la première du mois durant la  période sélectionnée, offrant une vue beaucoup plus large des interactions du client et permettant d’identifier les schémas au fil du temps.

• Intervalle de recherche en amont personnalisé : Permet d’étendre l’intervalle d’attribution au-delà de la période des rapports pendant un maximum  de 90 jours. Il fournit une certaine flexibilité  lors de la capture des points de contact qui se sont produits  en dehors  de la période sélectionnée, en assurant une analyse complète.

En ajustant un  intervalle de recherche en amont, les analystes peuvent alors examiner l’impact d’un ou de plusieurs points de contact au cours de périodes spécifiques et obtenir des informations plus approfondies sur la manière dont les différentes durées affectent les résultats d’attribution.

Assemblement du tout

Qu'est-ce que tout cela signifie pour nous en tant qu’analystes ?

Le panneau d’attribution  et l’intervalle de recherche en amont  nous donnent le pouvoir de regarder au-delà des données ordinaires et superficielles, et de creuser plus profondément le parcours client. En identifiant les points de contact qui ont eu le plus d’impact sur les conversions, nous pouvons prendre des décisions éclairées sur nos stratégies marketing et allouer les ressources plus efficacement.

Souvenez-vous, après avoir sélectionné vos modèles d’attribution  et vos intervalles de recherche en amont, vous pouvez continuer à manipuler vos données en les filtrant avec un ❺  segment, ou tout autre composant que vous souhaitez à ce stade. De plus, une fois le panneau rendu, vous disposez de toutes les fonctionnalités d’un espace de travail classique.

Mise en pratique

Maintenant que vous avez les concepts, imaginez que vous exécutez une campagne marketing et que vous essayez de déterminer quel canal est le plus efficace  pour générer des conversions. Avec l’aide du panneau d’attribution, vous pouvez non seulement voir la dernière touche, mais également la première touche, la même touche, et tout autre modèle que vous choisissez pour déterminer quels canaux  sont les plus efficaces pour améliorer vos conversions. Ces informations peuvent ensuite être utilisées pour optimiser vos campagnes et améliorer les performances globales simplement en revenant en arrière avec l’intervalle de recherche en amont de votre choix !

Maintenant que vous avez vu ce qu’il est capable de faire, ne vous laissez pas tromper ni intimider par les fonctionnalités apparemment complexes du panneau d’attribution.  Affrontez-le.  Adoptez-le.  Comprenez-le.
MAIS SURTOUT  : utilisez-le à votre avantage. Le panneau d’attribution et l’intervalle de recherche en amont sont les clés d’une meilleure compréhension de vos clients et de leur parcours avec votre marque.

Désormais, nous sommes capables de voyager « dans le temps » en toute confiance et en utilisant la puissance de notre machine à remonter le temps fiable (c.-à-d.  Adobe Analytics) pour prendre des décisions basées sur les données.

Il est enfin temps. Vous avez créé une référence solide de conception de solution (SDR). Il s’agit ici du guide à utiliser pour implémenter vos mesures et dimensions, ce qu’elles sont appelées, quand elles se déclenchent, et que vos développeurs ont adoré. Vous avez parcouru l’ensemble du processus de déploiement, écrit les critères d’acceptation, parcouru vos empreintes. Vous avez passé le tout au contrôle qualité, et on y est ! C’était beaucoup de travail, et maintenant c’est fait. Votre instance d’Adobe Analytics doit faire passer le marketing et les produits de haut en bas au fur et à mesure qu’elle analyse les données, obtient de nouvelles révélations sur vos clients, et trouve tous les domaines de succès et, enfin, les domaines de moindre succès. Mais vous n’entendez pas les louanges que vous attendiez.

De la part d’un camp, vous entendez des plaintes.

« Pourquoi ne puis-je pas déterminer le taux de conversion sur cet entonnoir ? »

« Pourquoi n’existe-t-il pas de mesure pour cela ? »

« J’ai besoin de beaucoup plus de détails sur ce sujet ! Une mesure seule ne suffit pas. Il y a au moins trois dimensions différentes dont j’ai besoin pour comprendre les performances. Pourquoi ne les avez-vous pas mis dedans ? »

Mais c’est l’autre camp qui est cause d’inquiétude encore plus grande. De leur part, vous n’entendez rien du tout. Bien pire, vous voyez des graphiques qui ont été très clairement extraits de votre ancienne solution d’analyse, vous savez, celle qui n’est plus entretenue, et chaque jour vous fait tomber un peu plus dans un marécage de décrépitude et de données sales. Un sentiment de terreur vous remplit quand vous pensez aux décisions qui pourraient être prises avec ce désordre.

Où les choses ont-elles pu tourner aussi mal ? Pourquoi existe-t-il des écarts dans les mesures ? Pourquoi les membres de votre équipe n’acceptent-ils pas cela ?

Je vais commencer par vous rassurer un peu. Il y aura  toujours  une révision. Si votre site ou application est suffisamment complexe pour avoir besoin d’une solution d’analyse d’entreprise, il est pratiquement garanti que vous allez manquer quelque chose. Mais pas assez pour expliquer les écarts de mesure dont je parle ici. Ce qui s’est mal passé est beaucoup plus difficile à mettre dans une feuille de calcul. Vous avez manqué vos premières chances de créer une culture de données collaborative au moment même où vous avez créé votre SDR. Je veux vous guider à travers une méthode que mes collègues et moi-même avons développée pour à la fois construire un meilleur SDR avec moins d’écarts, et pour que les utilisateurs finaux soient investis et même parfois enthousiasmés par leur nouvelle instance d’Adobe Analytics. Passons en revue le pourquoi du comment.

Comment

Conférence sur la mesure :

1. Rassemblez vos parties prenantes, soit en personne, soit virtuellement, dans le but de découvrir ce qu’il faut mesurer. Cela devrait inclure des dirigeants.
2. Ayez déjà quelques exemples évidents sur le tableau des pense-bêtes, des éléments comme les recettes, les ventes ou les prospects, les indicateurs clés de performance que vous connaissez seront mesurés. Répétez cette procédure avec des dimensions, des éléments tels que l’état de connexion, les catégories de produits ou les termes de recherche.
3. Demandez à chacun d’ajouter ses propres post-it, en les regroupant selon les besoins.
4. Que les gens votent sur ceux qu’ils pensent importants. Il s’agit de votes illimités puisque, peut-être, toutes ces mesures et dimensions comptent.
5. Pour tous ceux qui rassemblent peu de votes, demandez aux parties prenantes d’expliquer à quoi elles les utiliseront. S’il existe un bon cas d’utilisation, conservez-le. S’il existe un meilleur moyen d’obtenir ces données, elles ne peuvent pas expliquer comment elles sont exploitables, ou il existe une autre bonne raison de les laisser de côté, de les extraire du tableau.
6. Ajoutez ces mesures et dimensions à votre SDR pour une révision initiale par les parties prenantes présentes.

Cartographie des entonnoirs

1. Obtenir une visualisation de tous les entonnoirs, étape par étape avec chaque état inclus
2. Avec les designers et les chefs de produits, passez en revue chaque étape et expliquez ce qu’ils considèrent comme du succès dans cet entonnoir. S’agit-il d’un taux de conversion ? Choisit-il un chemin particulier ? Utilise-t-il certaines fonctionnalités ?
3. Posez des questions sur les mesures et dimensions nécessaires pour comprendre les performances de l’entonnoir à chaque étape de l’entonnoir et dans son ensemble.
4. Au-dessus de chaque étape de l’entonnoir, ajoutez les mesures et les dimensions qui seront mesurées à cette étape, y compris les mesures calculées.
5. Au début de chaque entonnoir, inscrivez les rapports qui s’afficheront dans le tableau de bord que le chef de produit utilisera pour effectuer le suivi des performances, comme un rapport d’abandons, les taux de conversion du mois en cours et des tendances, et tout ce qui est plus spécifique à cet entonnoir.
6. Ajoutez au SDR les nouvelles mesures et dimensions que vous avez découvertes et envoyez-les aux parties prenantes pour une deuxième révision.

Tableaux de bord d’aperçu

1. À l’aide de la cartographie des entonnoirs, créez des tableaux de bord de maquette.
2. Il doit y avoir une vue globale, telle qu’un Tableau de bord du résumé exécutif et des tableaux de bord pour chacun des entonnoirs.
3. Il y en aura également d’autres plus spécifiques à votre site ou application, comme les performances de produit ou les performances de contenu.
4. Distribuez-les aux parties prenantes concernées et obtenez des commentaires sur la conception.
5. Effectuez les mises à jour demandées et, si de nouvelles mesures ou dimensions sont nécessaires, ajoutez-les à votre SDR.
6. Envoyez les tableaux de bord et le SDR d’aperçu mis à jour pour une révision finale.

Outils de démocratisation des données

1. Créez un dictionnaire de données. Le SDR est destiné à vos appareils. Le dictionnaire de données est destiné aux utilisateurs finaux. Rendez ces données lisibles pour les utilisateurs finaux afin qu’ils puissent facilement rechercher les données disponibles et savoir les utiliser. Les utilisateurs finaux doivent en être les approbateurs finaux.
2. Utilisez des annotations. Dans chaque organisation, il existe certaines dates qui comptent chaque année et d’autres qui vont apparaître. Veillez à rassembler les informations pertinentes auprès de vos parties prenantes et à les ajouter en tant qu’annotations afin de mieux comprendre les données qu’elles affichent.
3. Traitement. Si votre SDR est grand, il pourrait être écrasant. La paraylise de choix ne s’appliquent pas uniquement à vos clients. Découvrez ce qui importe à chaque groupe d’utilisateurs et traitez les éléments qu’ils verront.

Pourquoi

Obtention des exigences

C’est évident, mais il existe d’autres moyens efficaces d’obtenir les besoins. J’en ai personnellement utilisé les entretiens seul à seul, les questionnaires et les révisions de rapports existants. Ça marchera, même si, je pense, pas aussi bien que les méthodes que je viens de décrire. Je ne pense vraiment pas que l’écart dans la collecte des exigences soit aussi important. La méthode que j’ai décrite vous permettra d’y parvenir à 95 %, et ces autres méthodes vous fourniront 90 % du chemin. Alors, quelle est la grande raison ?

Créer une culture des données

Grâce à ce processus, vous serez en mesure de :

• Provoquer des réflexions poussées sur la manière de mesurer le succès
• Créer un sentiment de propriété dans vos parties prenantes
• Faciliter la compréhension des données par les parties prenantes

Lancer une réflexion approfondie sur les données

Pour la plupart des employés de votre entreprise, les données représentent des choses qu’elles consomment. Ils les utilisent. Ils les analysent. Ils n’y réfléchissent pas profondément. Certains d’entre eux ont hérité des rapports et processus de leurs prédécesseurs, mais ils ne les ont pas modifié en raison de la nécessité de continuité. Ils n’ont jamais eu besoin de réfléchir au pourquoi des données.

Ce processus leur donne l’opportunité de  comprendre réellement les données. Posez les questions suivantes : Qu’est-ce que le succès ? Comment sauriez-vous si vous réussissiez ? Comment sauriez-vous quoi changer si vous n’avez pas atteint le succès escompté ? Il s’agit d’un exercice qui doit être effectué au début de la création de chaque site, application et produit, mais qui bien trop souvent n’est pas fait. En posant ces questions, vous aidez à approfondir leur compréhension non seulement des données, mais aussi de leur propre produit.

Création d’un sentiment de propriété sur les données

Ce n’est pas quelque chose qui a été distribué de manière ascendante. Ce n’est pas une réunion de trente minutes il y a trois mois. Ce n’est pas un questionnaire si ennuyeux qu’on les a harcelés pendant une semaine pour qu’ils y répondent et auquel ils ont répondu à la va-vite parce qu’ils avaient une démonstration à réaliser pour être dans les temps malgré le rush jusqu’à la date de sortie. Il s’agit du produit de leur profonde réflexion et de leur travail avec vous et leurs collègues, la chose qu’ils ont cherché plusieurs fois, pour laquelle ils ont fourni des commentaires constants, et qu’ils ont approuvé après que leurs commentaires ont été intégrés. Cette chose, elle leur appartient ! Le fait qu’elle soit utile leur est dû. Il s’agit de  leurs  données et du processus qu’ils se sont approprié.

Faciliter la compréhension des données

Vous leur avez également expliqué comment ils utiliseront les données et à quoi cela ressemblera dans les tableaux de bord de prévisualisation. Toute nouvelle solution  difficile à intégrer. Il y a tellement de choses à apprendre et, compte tenu de l’énorme personnalisation d’Adobe Analytics, la courbe d’apprentissage peut être assez raide. Vous en avez toutefois supprimé 80 %. Même avant la rédaction de la première ligne de code, les parties prenantes savent à quoi ressemblera leur tableau de bord. Elles sauront les lire et leur donner du sens. Elles sauront à quoi ressemble littéralement le succès, car elles vous ont dit quelles mesures et dimensions définissent le succès, et vous leur avez dit comment cela sera visualisé. La diffusion des tableaux de bord réels est une actualisation, et non une nouvelle tâche d’apprentissage effrayante.

Ce n’est pas le moyen le plus rapide de rassembler un SDR. C’est beaucoup de travail et ça nécessite beaucoup de coordination des horaires, surtout parce qu’il est vital que vous ayez des dirigeants dans le mélange. En fin de compte, une solution d’analyse d’entreprise est un investissement énorme en temps et en argent, et vous voulez vous assurer que l’adoption et la satisfaction sont élevées. Cette méthode fait beaucoup pour que cela arrive.