Small is beautiful : à propos des cibles et des audiences

Comment mesurer la qualité du ciblage d’une campagne publicitaire ?

Il y a plusieurs façons de prendre le problème.

Déjà, comment mesurer son ciblage ? C’est une question fondamentale, qui mérite au moins un article exclusif. Considérons aujourd’hui que l’on a une mesure acceptable du ciblage.

La question qui se pose alors est : quels indicateurs utiliser ? 
On dispose de peu d’informations :

  • Taille de la cible : TailleCible
  • Population totale : PopulationTotale
  • Nombre d’individus de la cible qui ont été exposés à la publicité : IndividusCibleExposés (sur un site)
  • Nombre d’individus exposés à la publicité : IndividusExposés (sur un site)
  • Nombre d’impressions publicitaires qui ont touché  la cible : ImpressionsCiblées (sur un site)
  • Nombre d’impressions publicitaires achetées : ImpressionsAchetées
  • Nombre total d’impressions publicitaires du site : ImpressionsTotalesSite

Le dernier est difficile à obtenir pour un acheteur (seul le site peut le connaître, et encore)…

On peut combiner ces indicateurs de base pour obtenir des indicateurs de performance simples :

\[ tauxExclusivité = {CibleTouchée \over ImpressionsAchetées} \] \[ couvertureSurCible = { IndividusCibleExposés \over TailleCible } \] \[ tauxExposésSurCible = {IndividusCibleExposés \over IndividusExposés} \] \[ poidsDeLaCible = {TailleCible \over PopulationTotale} \]
  • tauxExclusivité : pourcentage des publicités achetées qui ont touché leur cible. Ce taux exprime l’exclusivité du ciblage (peu de perte).
  • couvertureSurCible : pourcentage de la cible touchées par la publicité.
  • tauxExposésSurCible : pourcentage des contacts publicitaires qui sont dans la cible.
  • poidsDeLaCible : pourcentage de la population totale qui est dans la cible.

La grande question qui se pose maintenant, c’est comment analyser ces chiffres ? En effet, si le tauxExposésSurCible est de 10%, est-ce bien ou est-ce nul ?

La réponse est, comme toujours, « ça dépend ». Ca dépend surtout de la taille de la cible.  Si vous ciblez les femmes qui représentent environ 50% de la population, 10% c’est complètement nul.  En revanche, si vous ciblez les fans de J L Borges qui bossent dans le programmatique, (qui d’autre à part moi ? 70 sur 70 millions de français ? Soit 1 sur 1 million ?) atteindre 10% constitue un véritable exploit !

Alors, on a inventé les indices composites, ou index.
Par exemple, si on compare le tauxExposésSurCible (IndividusCibleExposés / VisiteursExposés) avec poidsDeLaCible (TailleCible / PopulationTotale), on répond à cette question de la performance du ciblage.

Pour rendre les indices lisibles, et les distinguer des taux, on les ramène à 100. En dessous de 100, on fait moins bien que l’aléatoire, au dessus, on fait mieux que l'aléatoire.

\[ affinite (individus) = {tauxExposésSurCible \over poidsDeLaCible } \] \[ affinite (individus) = {IndividusCibleExposés / IndividusExposés \over TailleCible / PopulationTotale } \]

Donc pour les femmes dans mon exemple :    

\[ affinité (individus) = 100 * { 10 \over 50 } \] \[ affinité (individus) = 20 \]

Et pour les amateurs de Borges et de programmatique :  

\[ affinite (individus) = 100 * { 10 \over 0,0001 } \] \[ affinite (individus) = 1 000 000 \]

On mesure donc que 10% sur les adulateurs de Borges est un tour de force !

On peut aussi faire un  Indice d’affinité composite (impressions et individus)     

\[ affinite (composite) = 100 * { ImpressionsCiblées / ImpressionsAchetées \over TailleCible / PopulationTotale } \]

C’est l’indice utilisé par DAR de Nielsen. Il présente l’avantage de combiner des mesures publicitaires (ImpressionsCiblées et ImpressionsAchetées) et une référence extérieure (TailleCible et PopulationTotale).

Comment varient de tels indices ?

Il faut avoir en tête que les indicateurs de base sont liés entre eux :    

IndividusCibleExposés < IndividusExposés (il y a moins de personnes de la cibles touchées sur le site que de personnes exposées sur le site)
IndividusCibleExposés < TailleCible (il y a moins de personnes de la cible touchées sur le site que de personnes dans la cible)

\[ {IndividusCibleExposés \over IndividusExposés } < 1\] et \[ {IndividusCibleExposés \over TailleCible } < 1\]

Après quelques développements que je vous épargnerai ici, on arrive à une formule qui relie le maximum d’un indice à la taille du site (sa couverture) et au poids de la cible dans la population totale.

\[ Affinité < 100 * {PopulationTotale * min ( TailleCible , IndividusExposés) \over TailleCible * IndividusExposés} \]

Autrement dit :

  • Plus une cible est petite, plus on peut obtenir un indice d’affinité élevé
  • Plus un site est petit, plus on peut obtenir un indice d’affinité élevé

Le graphique ci-dessous présente les différentes valeurs maximales que peut prendre un indice d’affinité en fonction de la taille du site et de la taille de la cible.

Comment ceci se traduit-il opérationnellement ?
Si on choisit des cibles trop larges, on ne pourra pas bénéficier d’affinités importantes.  L’affinité maximale pour toucher la cible femmes est de 200.
Symétriquement, si on choisit de sites à forte audience, on ne pourra pas obtenir d’affinités élevées.  L’affinité maximale d’un site qui fait 50% d’audience est de 200.

Les conclusions de cette petite démonstration sont les suivantes :

  • Les indices d’affinité sont une bonne manière d’estimer la qualité d’un ciblage
  • Il faut connaître leur variabilité pour analyser les résultats obtenus
  • Plus une cible sera petite plus il sera possible d’obtenir des affinités importantes
  • Plus une audience sera petite, plus il sera possible d’obtenir des affinités importantes
  • La combinaison des deux (petite cible sur petit site extrêmement affinitaire) donne les indices les plus élevés

Les petites cibles peuvent être socio-démographiques ou comportementales. Dans le monde post-data, on n'ira jamais au ciblage one-to-one

Une remarque : j’ai fait la démonstration avec une notion de site.  J’aurais aimé pouvoir dire que le ciblage affinitaire favorise les petits sites. C’est vrai si on cible au niveau domaine (ce qui est souvent le cas). Mais si on dispose d’une granularité plus fine, en travaillant par sous-domaine, ou même à l’URL, on peut aussi s’approcher des maxima.

En revanche, il est tout à fait vrai de dire que ça ne sert à rien d’acheter un gros carrefour d’audience pour toucher une cible de taille inférieure à l’audience dudit site…

Alors, Small is beautiful ?  C’est le titre d’un livre de l’économiste d’origine Allemande E. F. Schumacher. Il y défend que l’économie moderne n’est pas durable, que les ressources de la terre sont limitées et que la pollution est un problème planétaire.
Rien de révolutionnaire, donc, en 2021. Sauf qu’il a écrit ça en 1973 ! Il prônait une économie du petit, plus tard appelée économie Bouddhiste…

Alors, en 2021, pour voir précis, voyons petit ?

Laisser un commentaire