Je commence fort la journée avec un retour d’expérience de Livio SANA, consultant data chez Ouibus, sur le Data driven attribution. Le Data driven attribution désigne le(s) modèle(s) mathématique(s) permettant de traiter l’ensemble des données récupérées (volumes de visites, canaux de provenance des visites, Chiffres d’affaires dans le temps …) dans le but de comprendre le comportement des internautes (cross device, canal de conversion …) et d’optimiser les ventes. Cela rejoint le concept des modèles d’attribution proposé par Google Analytics Livio présente 2  types de modèles de Data driven attribution :

Le modèle de data driven heuristique

Il s’agit des modèles répondant chacun à une problématique, mais dont la pertinence de chacun ce ceux-ci peuvent être questionnées. C’est le cas par exemple des modèles proposés par Google Analytics, à savoir :

Dernière interaction (last click) : à la fin du funnel. modele par fait GA. Utilisé par défaut par Google Analytics

Dernier clic non direct : Dernier canal sur lequel l’internaute a cliqué avant conversion

Dernier clic sur une annonce adwords

Première interaction : le premier point de contact à un site obtiendra 100 % du crédit pour la vente. Idéal dans une stratégie de branding

Attribution linéaire : Partage égale des points de contact

Dépréciation dans le temps : Les derniers canaux recevront plus de crédit

Basé sur la position : Accent sur le permier et le dernier canal

Le modèle de data driven algorithmique

Ces modèles sont donc basés sur les algorithmes de Machine Learning, c’est à dire l’apprentissage de concepts, le regroupement et la recherche de modèles prédictifs pour anticiper les comportements futurs des internautes, afin de déclencher la meilleure action marketing a chaque point de contact.

Le modèle algorithmique le plus interprétable présenté par Livio est la chaine de Markov. Fondé sur des règles statistique et mathématique (notamment les probabilités), la chaine de Markov attribue un poids à chaque touchpoint, en fonction du comportement utilisateur passé. Etant un modèle complexe nécessitant beaucoup de data, la chaine de Markov implique donc une bonne connaissance client de la base client.

La chaine de Markov permet entre autre de mesurer individuellement chaque canal d’acquisition qui participe à la conversion, afin d’attribuer in fine +/- de poids à chaque canal en fonction de ses performances dans le processus de conversion. Elle permet également de déterminer l’impact de chaque touchpoint selon son ordre d’apparition, mais aussi de la pertinence du point de contact dans le canal d’acquisition.

30 minutes étant malheureusement insuffisant pour aborder un tel sujet, nous sommes restés sur notre faim à la fin de la session de Livio. N’hésitez pas à compléter dans les commentaires 😉

Les autres conférences auxquelles j’ai assisté.

Quel profil pour le web analyste de demain ? – Michael KOZA, Malick BA
Intestable GTM, Framework GTM – Gary LE MASSON
MeasureCamp Paris 2018