Comment justifier, optimiser et hiérarchiser les investissements marketing et communication par l’utilisation des outils économétriques ?

Introduction

Le rôle du mar­ke­ting dans l’en­tre­prise est de contri­buer à déve­lop­per ou défendre les parts de mar­ché, notamment :

• . en sou­te­nant les canaux de ventes de l’en­tre­prise (dis­tri­bu­teurs, réseaux de fran­chises, forces de ventes) par des actions de mise en avant et de valo­ri­sa­tion de l’offre (cam­pagne de publi­ci­té, rela­tion presse, rela­tion publique, orga­ni­sa­tion d’é­vé­ne­ment, pro­mo­tion sur le lieu de vente, Inter­net, etc.) ;
• au tra­vers d’ac­tions directes vers les clients finaux (ventes sur Inter­net ou par télé­phone, pro­gramme de fidé­li­sa­tion ou de rétention).

Alors que cette pra­tique est cou­rante dans les pays anglo-saxons, la quan­ti­fi­ca­tion de l’im­pact sur les ventes des actions mar­ke­ting et des cam­pagnes de com­mu­ni­ca­tion est très peu exploi­tée en France. Les agences de com­mu­ni­ca­tion et les pres­ta­taires mar­ke­ting dans leur grande majo­ri­té ne pro­posent qu’une approche » qua­li­ta­tive » de l’ef­fi­ca­ci­té. On mesure le taux d’ex­po­si­tion à un mes­sage publi­ci­taire, la pres­sion publi­ci­taire sur la cible (Gross Rating Point), le taux de retour, le taux de clic pour les médias inter­ac­tifs, la noto­rié­té et l’i­mage de la marque par des enquêtes d’opinion…

Ces méthodes mesurent indi­rec­te­ment la per­for­mance des actions mar­ke­ting et com­mu­ni­ca­tion à par­tir d’in­di­ca­teurs non éco­no­miques. Elles n’au­to­risent pas en l’é­tat une éva­lua­tion du retour sur inves­tis­se­ments, pris au sens finan­cier du terme.

Or de plus en plus, les direc­tions géné­rales comme les direc­tions mar­ke­ting viennent à consi­dé­rer le bud­get mar­ke­ting comme un inves­tis­se­ment dont la ren­ta­bi­li­té doit être pilo­tée comme les autres inves­tis­se­ments consen­tis par l’en­tre­prise. Comme l’ont fait d’autres fonc­tions dans l’en­tre­prise (fonc­tions achats, fonc­tion en charge des sys­tèmes d’in­for­ma­tion…), les inves­tis­se­ments mar­ke­ting et com­mu­ni­ca­tion font aujourd’­hui l’ob­jet d’une atten­tion par­ti­cu­lière, et d’une pro­fes­sion­na­li­sa­tion crois­sante dans leur gestion.

B & BC, cabi­net de conseil en mar­ke­ting et mana­ge­ment, a déve­lop­pé une approche basée sur l’é­co­no­mé­trie, per­met­tant d’é­va­luer quan­ti­ta­ti­ve­ment la contri­bu­tion en propre des actions mar­ke­ting et com­mu­ni­ca­tion (le » mix-mar­ke­ting ») sur les ventes.

Cette approche répond aux objec­tifs de jus­ti­fi­ca­tion des inves­tis­se­ments en mar­ke­ting et com­mu­ni­ca­tion par le cal­cul du ROI finan­cier, d’op­ti­mi­sa­tion des bud­gets, et de hié­rar­chi­sa­tion des actions mar­ke­ting et communication.

Par exten­sion, ce type d’ap­proche per­met d’ap­por­ter une réponse aux ques­tions suivantes :

• quel est le bud­get néces­saire par nature d’ac­tions mar­ke­ting et com­mu­ni­ca­tion, pour obte­nir le niveau de ventes sou­hai­té, pour une offre donnée ?
• quelle est l’in­fluence des élé­ments externes tels que la saisonnalité ?
• quelles sont les actions de la concur­rence (pro­mo­tions, baisse de prix…) qui ont l’im­pact le plus néga­tif sur les ventes ?
• quelle est la durée de l’ef­fet de chaque com­po­sante d’une campagne ?
• les dif­fé­rents médias ou actions sont-ils plus effi­caces lors­qu’ils sont uti­li­sés ensemble, etc.

Qu’apporte l’économétrie au marketing ?

L’a­na­lyse éco­no­mé­trique per­met de lier les varia­tions des ventes (ou de toute autre variable que l’on veut expli­quer comme la fré­quen­ta­tion d’un site Inter­net, le nombre de voya­geurs sur une liai­son aérienne…) aux varia­tions de toute une série de fac­teurs cau­sals. L’é­co­no­mé­tri­cien pro­duit donc un modèle mathé­ma­tique qui exprime les ventes en fonc­tion de tous les fac­teurs ayant une influence signi­fi­ca­tive sur celles-ci.

Chaque pro­jet d’é­co­no­mé­trie débute par un recen­se­ment exhaus­tif de tous les fac­teurs ayant poten­tiel­le­ment un impact sur les ventes.

En effet, se limi­ter à l’é­tude des inves­tis­se­ments de publi­ci­té sans tenir compte de para­mètres externes (sai­son­na­li­té, concur­rents) peut conduire à des erreurs d’in­ter­pré­ta­tion (par exemple, dif­fi­cul­té de sépa­rer l’in­fluence de la publi­ci­té et condi­tions météo­ro­lo­giques dans la vente de bois­sons fraîches en été). Cette pre­mière étape de la démarche peut prendre la forme d’un groupe de tra­vail avec l’é­quipe mar­ke­ting de l’en­tre­prise, afin d’ac­qué­rir une com­pré­hen­sion fine des méca­niques et leviers de leur métier.

Le nombre de variables qu’il est pos­sible d’in­cor­po­rer dans le modèle étant limi­té par la pro­fon­deur d’his­to­rique, il est néces­saire d’ef­fec­tuer un tri par­mi toutes les variables poten­tielles recen­sées dans la pre­mière étape. À ce niveau du modèle, on peut déjà effec­tuer des tests sta­tis­tiques de cor­ré­la­tion des variables. On peut ain­si regrou­per cer­taines variables, en sup­pri­mer d’autres… À ce stade, il faut aus­si réflé­chir à la manière de modé­li­ser les variables. En effet, le modèle uti­li­sé est linéaire mais l’in­fluence réelle des variables l’est rare­ment : il est donc sou­vent néces­saire de trans­for­mer cer­taines variables afin d’être plus proche de la réa­li­té (la variable uti­li­sée dans le modèle sera alors une fonc­tion de la variable réelle).

La modé­li­sa­tion des actions mar­ke­ting répond, quant à elle, à la théo­rie dite des » adstocks « , qui tient compte de la décrois­sance expo­nen­tielle de l’ef­fet d’une cam­pagne après le jour J, avec éven­tuel­le­ment un effet retard (notam­ment si la période de mesure est le jour). Cette théo­rie s’ap­plique aus­si à tout évé­ne­ment ponc­tuel ayant un effet éta­lé. Le modèle per­met­tra de mesu­rer quel est le taux de décrois­sance de chaque com­po­sante et ain­si de dis­tin­guer les effets à court terme des effets à long terme. Elle est illus­trée sur la figure 1.

Après ce tra­vail pré­pa­ra­toire, on peut effec­tuer la régres­sion mul­ti­li­néaire pro­pre­ment dite. Le pro­ces­sus de modé­li­sa­tion per­met d’i­den­ti­fier les fac­teurs ayant eu une influence signi­fi­ca­tive, de sépa­rer leurs effets et de cal­cu­ler les poids qui s’ap­pliquent à cha­cun dans la contri­bu­tion aux ventes par exemple. Le résul­tat est une équa­tion du type de celle de la figure 2. Dans la pra­tique, l’é­qua­tion peut prendre une forme plus com­plexe, notam­ment pour tenir compte des inter­ac­tions entre les dif­fé­rentes variables. Cer­tains fac­teurs ont un impact posi­tif et d’autres un impact néga­tif et chaque coef­fi­cient pos­sède un inter­valle de confiance propre. On peut alors confron­ter le modèle à la réa­li­té en tra­çant un graphe du type de la figure 3.

Il y a tou­jours un écart entre le modèle et la réa­li­té appe­lé erreur de pré­dic­tion du modèle. Elle pro­vient prin­ci­pa­le­ment de trois sources :.

• l’er­reur d’é­chan­tillon­nage des don­nées qui est juste du bruit et qui ne peut pas être modélisée,
• l’er­reur de mesure des données,
• les fac­teurs ponc­tuels qui n’ont pas été inclus dans le modèle soit parce qu’ils sont incon­nus, soit parce qu’ils sont impos­sibles à mesu­rer, soit parce que les don­nées dis­po­nibles ne les reflètent pas bien (par exemple varia­tion locale de température).

L’er­reur stan­dard du modèle est la moyenne de ces erreurs de pré­dic­tion : sa valeur peut être inter­pré­tée comme la pré­ci­sion du modèle et apporte des infor­ma­tions sur ce qu’il est pos­sible de mesu­rer ou non. Ain­si, pour être signi­fi­ca­ti­ve­ment dif­fé­rent de 0 à l’in­ter­valle de confiance de 95 %, un fac­teur inter­ve­nant sur une période doit avoir un impact supé­rieur à deux erreurs stan­dard, s’il agit sur deux périodes, l’im­pact doit être de 1,4 fois l’er­reur stan­dard et ain­si de suite jus­qu’à 0,63 erreur stan­dard pour un impact sur 10 périodes par exemple. Un bon modèle a en géné­ral une erreur stan­dard com­prise entre 3 et 4 % mais il n’est pas rare de ren­con­trer des erreurs de 6–8 %, auquel cas il devient assez dif­fi­cile de mesu­rer les fac­teurs peu pré­pon­dé­rants, comme, par exemple, une pro­mo­tion ayant eu lieu sur une seule période.

Exa­mi­nons main­te­nant com­ment cette métho­do­lo­gie s’ap­plique sur un cas pra­tique et quelles dif­fi­cul­tés peuvent être rencontrées.

Illustration avec la Lettre recommandée électronique de La Poste

Six mois après le lan­ce­ment en grand public de la Lettre recom­man­dée élec­tro­nique (LRE), cette approche éco­no­mé­trique a été uti­li­sée afin de mesu­rer la per­for­mance des pre­mières actions mar­ke­ting et com­mu­ni­ca­tion. Leurs impacts en propre sur les ins­crip­tions et les ventes du pro­duit LRE ont per­mis de déter­mi­ner une ren­ta­bi­li­té finan­cière et ali­men­ter du même coup la construc­tion de scé­na­rios d’in­ves­tis­se­ments mar­ke­ting selon des hypo­thèses d’ac­crois­se­ment ou de repli bud­gé­taire (voir le témoi­gnage d’O­li­vier Argaut en encadré).

Outre de tra­di­tion­nelles inser­tions dans la presse et de ban­nières sur Inter­net, ce lan­ce­ment avait béné­fi­cié d’im­por­tantes rela­tions presse. Lors de la pre­mière étape de la démarche, il est appa­ru qu’il y avait plu­sieurs sortes de clients du site : ceux qui, après avoir enten­du par­ler de la LRE, s’ins­cri­vaient mais sans envoyer de lettre immé­dia­te­ment (l’ins­crip­tion étant obli­ga­toire) et ceux qui s’ins­cri­vaient pour envoyer une lettre. L’en­voi pou­vait donc avoir deux sources : dépendre direc­te­ment d’une ins­crip­tion (néces­saire avant l’en­voi) ou être fait par un uti­li­sa­teur récur­rent ou jus­qu’a­lors inac­tif. Il fal­lait donc construire un modèle en cas­cade puisque les envois dépen­daient d’un tra­fic récur­rent (constante dans l’é­qua­tion), de l’ac­ti­vi­té de com­mu­ni­ca­tion et des ins­crip­tions (dépen­dant elles-mêmes de l’ac­ti­vi­té de com­mu­ni­ca­tion). Le modèle était donc consti­tué de deux sous-modèles, l’un per­met­tant de com­prendre les ins­crip­tions en fonc­tion des acti­vi­tés de com­mu­ni­ca­tion et des cri­tères externes (sai­son­na­li­té), le second per­met­tant d’ex­pli­quer les envois par les ins­crip­tions, les acti­vi­tés de com­mu­ni­ca­tion et la saisonnalité.

Une des dif­fi­cul­tés du modèle était la concen­tra­tion de l’ac­ti­vi­té de com­mu­ni­ca­tion dans les trois mois sui­vant le lan­ce­ment et la faible pro­fon­deur d’historique.

Ces deux don­nées du pro­blème nous ont contraints à faire le choix d’un modèle dont la période de temps est le jour, créant ain­si deux dif­fi­cul­tés sup­plé­men­taires : cer­tains phé­no­mènes ponc­tuels non appa­rents à une échelle heb­do­ma­daire ou men­suelle venaient per­tur­ber la régu­la­ri­té de la sai­son­na­li­té et la modé­li­sa­tion des actions de com­mu­ni­ca­tion était ren­due plus dif­fi­cile en rai­son d’un effet retard dans l’im­pact de chaque action.

Cette ana­lyse nous a per­mis tout d’a­bord de vali­der (sans sur­prise compte tenu du pro­duit et de sa forte expo­si­tion), que les rela­tions presse avaient un impact bien plus impor­tant que la publi­ci­té clas­sique puis­qu’elles auraient géné­ré plus de la moi­tié des ins­crip­tions. Ensuite, le modèle a per­mis de com­pa­rer l’ef­fi­ca­ci­té des dif­fé­rents canaux uti­li­sés en tenant compte du coût de chaque sup­port. Ain­si, la com­mu­ni­ca­tion Inter­net s’est avé­rée être la plus ren­table, tan­dis que cer­tains sup­ports de presse se sont révé­lés assez peu rentables.

Utilisation des résultats

Le cas de la lettre recom­man­dée élec­tro­nique n’est qu’un exemple d’ap­pli­ca­tion par­mi d’autres. En effet, il s’a­git de l’é­tude d’un lan­ce­ment, avec mise en évi­dence de la phase d’ap­pren­tis­sage, cor­res­pon­dant à un régime tran­si­toire. Il a per­mis d’é­clai­rer La Poste sur les fac­teurs de per­for­mance d’ordre mar­ke­ting et com­mu­ni­ca­tion liés au lan­ce­ment de ce produit.

D’autres modèles plus glo­baux et plus orien­tés vers le long terme peuvent être conçus avec la même métho­do­lo­gie : il est par exemple pos­sible de construire un modèle avec une pério­di­ci­té men­suelle, tenant compte des évo­lu­tions macroé­co­no­miques du mar­ché, de l’ac­ti­vi­té de la concur­rence… Un tel modèle, s’il repré­sente une acti­vi­té que l’on peut consi­dé­rer en régime per­ma­nent, peut être uti­li­sé pour son carac­tère prédictif.

L’ap­pli­ca­tion immé­diate de cette méthode per­met un rééqui­li­brage du bud­get mar­ke­ting et com­mu­ni­ca­tion au pro­fit des sup­ports que le modèle a démon­tré être les plus effi­caces (voir figure 4).

Cepen­dant, il n’est jamais conseillé d’o­pé­rer de coupes dras­tiques d’un des élé­ments. En effet, pro­cé­der par ajus­te­ments pro­gres­sifs per­met de ne pas négli­ger les effets com­bi­nés des cam­pagnes : même si la presse était moins effi­cace que les ban­nières Inter­net dans le cas de La Poste, rien ne dit que les ban­nières auraient eu le même effet sans le sup­port de la cam­pagne presse. De plus, le modèle dis­pose d’un domaine de vali­di­té propre, dont il faut veiller à ne pas s’écarter.

Lorsque la sta­bi­li­té mathé­ma­tique du modèle est acquise, dans un contexte de mar­ché serein, le modèle devient uti­li­sable en pré­dic­tion. On peut alors tes­ter divers scé­na­rios, notam­ment par rap­port aux actions de la concur­rence, aux évé­ne­ments exté­rieurs… il n’est pas rare d’a­voir des pré­dic­tions à six mois avec une erreur infé­rieure à 5 %.

L’a­van­tage appor­té par la théo­rie de la régres­sion mul­ti­li­néaire est la connais­sance par avance et avec exac­ti­tude des inter­valles de confiance asso­ciés à chaque estimation.

Limites de la modélisation

Le pro­blème le plus cou­rant est le manque de pro­fon­deur d’his­to­rique dans les don­nées : on peut dire de tels modèles qu’ils apprennent du pas­sé. Plus on dis­pose de don­nées his­to­riques, plus le modèle pour­ra prendre en compte de para­mètres : on consi­dère que le nombre de période de don­nées dis­po­nibles doit être égal à trois fois le nombre de variables dont on veut éva­luer l’im­pact pour être à l’aise. L’é­troi­tesse des inter­valles de confiance est direc­te­ment liée à la pro­fon­deur d’his­to­rique. Cepen­dant, lorsque cette der­nière est insuf­fi­sante, il est pos­sible de faire des com­pro­mis en regrou­pant les variables par type de cam­pagne ou par média afin d’é­va­luer l’im­pact global.

La per­for­mance du modèle est aus­si étroi­te­ment liée à la qua­li­té des don­nées dis­po­nibles. Au-delà des erreurs de mesure, les méthodes de mesure doivent être stables et doivent reflé­ter la réa­li­té. Par exemple, il convient d’être pru­dent avec le coût d’a­chat de » l’es­pace publi­ci­taire » qui fluc­tue énor­mé­ment au cours de l’an­née, pou­vant intro­duire un biais dans l’analyse.

Conclusion

Connais­sant ces limites, on peut se poser la ques­tion sui­vante : com­ment pré­pa­rer la cam­pagne afin de maxi­mi­ser les chances d’ob­te­nir un modèle performant ?

Idéa­le­ment, l’ap­proche éco­no­mé­trique débute dès le lan­ce­ment des actions mar­ke­ting ou des cam­pagnes de com­mu­ni­ca­tion afin de pré­pa­rer la mesure des fac­teurs poten­tiel­le­ment impor­tants et ain­si opti­mi­ser la per­ti­nence du modèle qui en résultera.

Voi­ci quelques pré­cau­tions qui peuvent s’a­vé­rer béné­fiques pour la per­for­mance du modèle :

1) archi­ver les don­nées de manière pré­cise, notam­ment l’his­to­rique des inci­dents qui est sou­vent igno­ré dans les modèles basiques (his­to­rique des grèves par exemple pour une com­pa­gnie aérienne),
2) voir si l’on peut amé­lio­rer les sources de don­nées, à la fois du point de vue de la cou­ver­ture et de la précision,
3) spé­ci­fier le sys­tème de don­nées en fonc­tion des infor­ma­tions néces­saires au modèle si possible,
4) véri­fier s’il est pos­sible d’ap­por­ter des modi­fi­ca­tions au plan­ning média per­met­tant de faci­li­ter la modé­li­sa­tion par la suite, notam­ment afin d’é­vi­ter de rendre cer­taines variables trop coli­néaires, les ren­dant alors indis­cer­nables par le modèle,
5) bien for­mu­ler les hypo­thèses et les objec­tifs de la modélisation,
6) bien hié­rar­chi­ser les variables prio­ri­taires : le modèle pour­ra alors être conçu afin d’é­va­luer l’in­ci­dence de ces facteurs,
7) être réa­liste sur le résul­tat que l’on est en droit d’at­tendre du modèle en fonc­tion des don­nées disponibles.

L’é­co­no­mé­trie appli­quée au mar­ke­ting se révèle d’une aide pré­cieuse dans la concep­tion et l’a­na­lyse des inves­tis­se­ments mar­ke­ting, à condi­tion de gar­der à l’es­prit les limites de tels modèles. Il faut ain­si accep­ter que la théo­rie n’ex­plique pas tout et qu’un modèle se construit pas à pas : un pre­mier modèle peut appa­raître mal adap­té à la hié­rar­chi­sa­tion des inves­tis­se­ments mais s’a­vé­rer par­fai­te­ment per­ti­nent pour la jus­ti­fi­ca­tion glo­bale des bud­gets enga­gés. Bref, ces modèles sont robustes mais il est par­fois néces­saire de les construire pas à pas pour en tirer tous les bénéfices…

Ain­si, il convient d’être expé­ri­men­té dans l’in­ter­pré­ta­tion des résul­tats et de nuan­cer les déci­sions décou­lant du modèle par une ana­lyse de l’en­vi­ron­ne­ment dans lequel s’in­sèrent l’offre et les actions marketing.

La sur­in­ter­pré­ta­tion est sou­vent le dan­ger qui accom­pagne la robus­tesse et la fia­bi­li­té de tels modèles.

---

Articles similaires :

Les gains de pro­duc­ti­vi­té, moteur prin­ci­pal de la croissance S’organiser pour innover Conseil : low-cost ou value for money ? Faut-il encore inves­tir en R & D ? Expé­rience client : une réalité