Comment les marketeurs peuvent fiabiliser la mesure média

La fragmentation de la mesure peut commencer avant même l’arrivée du premier résultat. La structure de la campagne, la taxonomie, le tracking et les exigences des partenaires déterminent quelles informations existeront au moment où la mesure commencera. Si deux équipes utilisent des définitions ou des identifiants incompatibles, un analyste doit faire correspondre ces champs avant de pouvoir les comparer. Certains problèmes de mesure sont créés lors de la conception de la campagne et des achats.

Concevoir la mesure avant l’activation

Une fois la diffusion média lancée, certains choix de mesure sont figés. Une campagne ne peut pas capter un signal d’exposition qui n’a jamais été enregistré, ni reconstituer le sens d’un identifiant dont les attributs sous-jacents n’ont jamais été conservés. Une comparaison expérimentale valide dépend également de choix effectués avant l’activation. Les exigences de mesure doivent donc orienter la conception de la campagne tant que ces choix peuvent encore évoluer.

Commencez par la question métier. La direction peut vouloir savoir quels points de contact ont contribué aux conversions, comment l’activité marketing est liée aux ventes dans le temps, ou si la publicité a provoqué un résultat incrémental. Chaque question exige des preuves différentes. La structure de la campagne, le tracking, les définitions et les exigences des partenaires doivent préserver les éléments nécessaires pour répondre aux questions que la direction a retenues.

La traduction révèle un problème de gouvernance

Prenons le cas de deux agences qui décrivent des attributs de campagne équivalents avec des taxonomies différentes, c’est-à-dire des systèmes de sens servant à nommer et classer l’information. Les analystes doivent déterminer quelles catégories se correspondent et si des métriques similaires ont été calculées de la même manière avant que les données puissent étayer une comparaison valide. Une structure sous-jacente commune réduit ces traductions tout en permettant à chaque organisation de conserver sa vue de reporting préférée.

Les métadonnées de campagne créent le même problème à plus petite échelle. Supposons que la direction souhaite comparer les performances par message, format, audience ou version créative. Si les identifiants de campagne et les noms de fichiers créatifs n’ont jamais conservé ces attributs, une analyse ultérieure ne pourra pas les reconstituer de manière fiable à partir des seuls noms. La limite du reporting commence par une décision antérieure sur les informations à enregistrer.

Cela fait de la gouvernance de la taxonomie et des métadonnées un enjeu opérationnel. Les équipes de campagne décident quels identifiants créer, les équipes achats décident quelles informations les partenaires doivent fournir, et les équipes de mesure décident quelles définitions et quels mappings l’analyse exige. Lorsque ces décisions sont déconnectées, les incompatibilités se transmettent en aval. La gouvernance donne à ces fonctions des exigences communes avant que l’argent ne soit engagé et que les données ne commencent à s’accumuler.

La personnalisation peut rester possible dans ce cadre. Une marque peut avoir besoin de catégories et de hiérarchies de reporting adaptées à son organisation, tandis qu’une agence ou un partenaire peut utiliser une vue interne différente. Des mappings documentés peuvent relier ces vues à un ensemble partagé de définitions. L’exigence clé est de préserver le sens de chaque champ à mesure que l’information circule entre les systèmes.

L’architecture de campagne détermine ce qui peut être mesuré

L’attribution multi-touch (MTA), le marketing mix modeling (MMM) et l’incrémentalité montrent comment différentes questions de mesure créent différentes exigences de conception. La MTA estime comment les points de contact observés ont contribué à un résultat. Le MMM utilise des variations historiques agrégées pour estimer les relations entre l’activité marketing et les résultats business. L’incrémentalité estime les résultats causés par une intervention en comparant ce qui s’est produit avec un contrefactuel crédible.

Ces distinctions comptent, car une conception de campagne unique ne peut pas automatiquement répondre à toutes les questions de mesure. L’absence d’informations d’exposition limite ce qu’un processus MTA peut examiner, tandis que des changements inexpliqués dans les catégories de canaux ou de campagnes peuvent rendre difficiles à comparer les données historiques d’entrée du MMM. Une conception d’incrémentalité qui dépend de groupes test et de comparaison doit établir ces groupes au moment approprié du test.

Le même principe s’applique aux définitions de conversion et aux paramètres d’attribution. Une conversion peut représenter un achat, une inscription, un lead qualifié ou un autre événement, tandis que différents systèmes peuvent appliquer différentes fenêtres ou règles lorsqu’ils relient cet événement à l’activité média. Si ces définitions changent, ce changement devient une partie du relevé de mesure. Préserver les définitions et les informations de version permet à une analyse ultérieure de distinguer un changement de performance d’un changement de mesure.

Les dirigeants doivent donc faire se rencontrer les équipes de mesure et les opérations média avant l’activation. L’équipe de mesure précise les éléments de preuve requis pour les questions métier retenues. Les équipes de campagne déterminent si le dispositif proposé peut préserver ces éléments, tandis que les achats établissent ce que les partenaires doivent fournir. Si une exigence ne peut pas être satisfaite, la direction peut arbitrer ce compromis avant que la limitation qui en résulte ne soit intégrée aux données.

Les standards dépendent de leur mise en œuvre tout au long de la chaîne d’achat

Des standards partagés peuvent réduire les besoins de traduction lorsque plusieurs organisations échangent des données de campagne, à condition que les participants mettent en œuvre des définitions compatibles ou maintiennent des mappings fiables. IAB et IAB Tech Lab sont des organismes de normalisation pertinents sur ce marché. Un acheteur peut demander aux agences, éditeurs, plateformes et fournisseurs de technologie quels standards et quelles versions applicables ils prennent en charge, et comment leurs structures internes s’y rattachent. Le test utile consiste à vérifier si le sens est préservé lors du transfert entre participants.

La terminologie seule ne peut pas établir la comparabilité. Deux services peuvent utiliser le même nom de métrique tout en appliquant des définitions, calculs, fenêtres ou filtres différents. Les acheteurs ont besoin des détails de mise en œuvre qui influencent les décisions qu’ils entendent prendre. La documentation des calculs, des modifications, des champs omis et des changements de version fournit aux équipes de mesure les éléments nécessaires pour décider si deux valeurs peuvent être comparées.

Une assurance indépendante peut apporter une autre forme de preuve. La certification, l’accréditation et les audits indépendants peuvent évaluer des mises en œuvre ou des services spécifiés au regard de critères définis. Leur valeur dépend de leur périmètre. Les acheteurs doivent toujours déterminer si la méthode et le service examinés correspondent à leur question de mesure et si le service spécifique qu’ils utilisent a fait l’objet de l’examen indépendant applicable.

Les standards acquièrent aussi une portée pratique par le biais des exigences d’achat. Une entreprise peut être incapable de déterminer comment une plateforme externe conçoit l’ensemble de son système de mesure, mais elle peut décider quelles preuves demander, comment les exceptions sont documentées et quelles exigences influencent la sélection ou le renouvellement. Cela fait de l’interopérabilité une exigence contractuelle et opérationnelle. Cela rend aussi visible la responsabilité lorsqu’une exigence de mapping, de définition ou d’assurance ne peut pas être satisfaite.

L’IA augmente le coût des définitions ambiguës

L’IA peut faciliter l’interrogation de données hétérogènes tout en laissant intactes des définitions incompatibles. Prenons cinq systèmes qui exposent chacun un champ appelé “engagement”, mais le définissent comme un comportement utilisateur différent. Un modèle peut produire une comparaison fluide à partir de ces champs, même lorsque leur combinaison serait analytiquement invalide. Des définitions et des mappings documentés sont des intrants nécessaires lorsqu’un système d’IA doit raisonner sur plusieurs jeux de données.

L’enjeu devient plus important lorsque les organisations utilisent des agents IA, c’est-à-dire des systèmes logiciels capables d’entreprendre des actions en plusieurs étapes vers un objectif, pour comparer l’inventaire, évaluer les résultats ou recommander des allocations. Un tel système a besoin de règles ou de métadonnées indiquant quelles mesures sont comparables et dans quelles conditions. Sinon, une différence sémantique non résolue peut passer des données sous-jacentes à une recommandation automatisée. Une sortie fluide n’établit pas la compatibilité des intrants.

Les métadonnées offrent un contrôle pratique. Définitions, versions, mappings, méthodes de calcul et omissions significatives donnent aux personnes et aux systèmes automatisés les informations nécessaires pour évaluer si des champs peuvent être combinés. Lorsqu’une définition change, l’enregistrement de la version préserve ce changement comme faisant partie du sens des données. La même discipline qui soutient la gouvernance humaine de la mesure compte aussi lorsque des logiciels peuvent prendre ou recommander des décisions à partir de ces mesures.

Transformer les exigences de mesure en exigences d’achat pour 2027

Pour la planification 2027, les entreprises peuvent intégrer les exigences de mesure dans la planification, l’onboarding, la contractualisation, la sélection des partenaires et le renouvellement. Avant l’activation, les équipes doivent savoir comment les informations requises pour les questions de mesure retenues seront structurées, trackées, mappées et évaluées. Les achats comptent, car les acheteurs peuvent demander des preuves et documenter les exceptions avant qu’une relation partenaire ne devienne opérationnelle.

Les exigences peuvent inclure :

• Définir les questions métier auxquelles la MTA, le MMM et l’incrémentalité sont censés répondre, et documenter les exigences de campagne et de tracking pour les méthodes retenues.
• Établir des règles pour les identifiants, la dénomination, les définitions de conversion, les paramètres d’attribution, les configurations de tracking et les changements de version qui affectent la mesure.
• Demander aux partenaires d’identifier les standards et versions applicables de l’IAB et de l’IAB Tech Lab qu’ils prennent en charge, de divulguer les modifications pertinentes ou les champs omis, et de fournir des mappings lorsque les structures diffèrent.
• Exiger une documentation pour les définitions de métriques importantes, les calculs, les fenêtres, les filtres et les changements méthodologiques.
• Préciser quand une certification, une accréditation, des audits indépendants ou une autre forme d’assurance convenue sont requis, y compris le périmètre pertinent pour le service acheté.
• Examiner les mappings, définitions, mises en œuvre et exceptions documentées dans le cadre de la gouvernance des partenaires et du renouvellement.

Ces exigences doivent avoir des responsables dans l’ensemble des fonctions. Les équipes de mesure définissent quels détails techniques affectent la validité analytique, les équipes de campagne mettent en œuvre les règles de configuration correspondantes, et les achats intègrent les exigences convenues dans les décisions relatives aux partenaires. Les exceptions doivent rester visibles afin que la direction sache quelles analyses prévues une campagne peut prendre en charge. Les contraintes de mesure peuvent alors influencer les décisions tant que la conception de la campagne et les conditions commerciales peuvent encore évoluer.

Points clés à retenir pour les décideurs

• Concevoir la mesure avant l’activation : Définissez les questions métier, le tracking, les identifiants et les éléments de preuve requis avant le lancement des campagnes, car les signaux manquants ne peuvent pas toujours être récupérés par la suite.
• Traiter la taxonomie comme un sujet de gouvernance : Établissez des définitions partagées et des mappings documentés entre équipes et partenaires afin que les différences de dénomination et de classification ne compromettent pas les comparaisons.
• Aligner l’architecture de campagne sur les méthodes de mesure : Concevez les campagnes en fonction des exigences spécifiques de la MTA, du MMM ou de l’incrémentalité, plutôt que de supposer qu’une seule configuration peut répondre à toutes les questions de mesure.
• Faire des standards une partie des exigences d’achat : Exigez des partenaires qu’ils documentent les standards pris en charge, les définitions de métriques, les mappings, les modifications et l’assurance indépendante pertinente afin que les données puissent être comparées tout au long de la chaîne d’achat.
• Donner à l’IA un contexte de mesure fiable : Préservez les définitions, les versions, les méthodes de calcul et les mappings afin que les systèmes d’IA ne transforment pas des métriques incompatibles en comparaisons ou recommandations trompeuses.
• Intégrer la mesure dans les achats 2027 : Intégrez les exigences de tracking, de taxonomie, de standards, de documentation et d’assurance dans la sélection des partenaires, les contrats, la gouvernance et les renouvellements afin que les limites soient visibles avant que des engagements ne soient pris.