Implcit

Catégorie : Non classé

  • Le préfunnel publicitaire

    Le préfunnel publicitaire

    Quand on parle de funnel publicitaire, on se limite habituellement à une approche macro : exposition publicitaire, interaction, visite, mise en panier, paiement, validation.

    Mon néologisme prefunnel entre dans le détail de l’exposition, en suivant la même logique de l’entonnoir de conversion. En effet, funnel mélange la notion d’entonnoir (le nombre de contacts diminue à chaque étape), et de tunnel (on est souvent dans le noir et on ne voit que le résultat final, au bout du tunnel).

    Donc, de même, l’exposition publicitaire peut s’analyser comme un entonnoir dont l’objectif est de mener à une interaction, une visite, etc.

    Partons donc d’un million d’impressions publicitaires.

    Supposons que l’acheteur média parvienne à obtenir 80% d’impressions sur cible (un excellent résultat, à mon avis il utilise les services d’Implcit 😉). On a donc 800 000 impressions sur la cible.

    Parmi ces impressions, 70% sont visibles (encore un excellent résultat, il doit vraiment utiliser Implcit). On obtient donc 560 000 impressions visibles sur cible.

    Après la visibilité, l’attention. Une publicité visible dans un environnement encombré n’attirera pas l’attention. Sans attention une publicité passe inaperçue. L’attention n’est pas un attribut mesurable facilement, encore moins une notion quantifiable comme la visibilité (vue / pas vue). Mais on imagine bien qu’il y a une nouvelle déperdition ici.

    Pour la simplification de l’exercice supposons qu’une publicité sur deux attire l’attention. Restent 280 000 impressions.

    Exposer sa cible à une publicité, c’est bien. L’exposer à plusieurs publicité c’est mieux.
    En effet, il faut une certaine répétition pour qu’un message publicitaire soit mémorisé. Cette répétition optimale dépend de l’attention que l’on porte à la publicité, et donc de son environnement. On définit alors habituellement des seuils de répétition utile.
    Supposons qu’on considère que l’individu doit être exposé entre 3 et 5 fois. En dessous, il a peu de chance d’avoir retenu le message, au dessus, il ne le mémorise pas tellement mieux qu’à la 5ème fois, ce sont donc des répétitions coûteuses voire inutiles.

    Sur l’ensemble des individus exposés à des publicités visibles, qui attirent potentiellement leur attention, la distribution des contacts permet de quantifier l’audience utile (ceux qui sont exposés entre 3 et 5 fois).

    Supposons que la moitié des contacts sont exposés entre 3 et 5 fois, et que les impressions sur ces contacts représentent la moitié du total. Restent donc 140 000 impressions

    Mises bout à bout, ces différentes conditions réduisent drastiquement les volumes efficaces. Seules restent, en théorie, les impressions sur cible, visibles, qui attirent l’attention, et contribuent à une répétition utile.

    Seules 140 000 impressions sur un total d’un million remplissent toutes les conditions du prefunnel publicitaire. 14% donc.

    Chabert n’est pas très attentif…
    Crédit https://www.kaakook.fr/citation-12931

    Donc avant même l’entonnoir de conversion, il existe un entonnoir d’exposition, tout aussi important.

    Que de pertes ma bonne dame me direz-vous ! En effet, au final, une conversion pour 10 000 publicités (en appliquant le deuxième funnel de conversion, ordre de grandeur non contractuel) c’est très peu. Mais cela reste suffisant pour justifier que la publicité, lorsqu’on la maîtrise, ça marche !

    Cible, visibilité, attention (bientôt, suivez-nous !), répétition. Ce sont les indicateurs qu’Implcit vous permet de contrôler. Pour plus d’efficacité publicitaire.

    PS : si vous n’avez pas vu Le Péril Jeune de Cédric Klapish, louez-le sur votre plateforme de streaming favorite. Ensuite, vous ferez peut-être comme moi : j’ai fait apprendre à mes garçons à répondre « Euh, 14% m’sieur » s’ils sont surpris à papoter en classe. On ne sait jamais, ils peuvent tomber sur un prof qui adore ce film ! 😉

  • Le sens du sacrifice des panélistes

    Le sens du sacrifice des panélistes

    Dans le monde d’après (les cookies tiers, pas la fin du monde), la majorité des internautes ne partagera plus ses données personnelles et de navigation.

    Ils seront protégés par la loi qui impose déjà le recueil de leur consentement, et par leurs navigateurs, qui bloqueront tous les cookies tiers.

    Bref, les internautes pourront se dire qu’ils ne sont plus trackés sans leur consentement. Leur légitime paranoïa publicitaire diminuera peut-être. Internet sera un lieu plus apaisé. Si les acteurs de la publicité en ligne ne reproduisent pas les mêmes erreurs, mais c’est un autre sujet…

    Cette insouciance sera peut-être permise par le « sacrifice » de certains.

    Si par défaut on ne peut pas mesurer le comportement des internautes, on a quand-même besoin d’information. Sans information, pas de décision éclairée. Sans information, pas de ciblage. Sans ciblage, pas de publicité. Sans publicité, presque plus aucun service internet, presque plus aucune information.

    Alors, disposer d’un échantillon d’internautes dont le comportement est connu peut s’avérer clé pour le marché de la publicité digitale.

    D’un certain point de vue, ces internautes sacrifient la protection de leur vie privée pour que tous les autres la protègent.

    En sont-ils conscients ?
    Les panels comme ceux de Médiamétrie sont recrutés avec un contrat clair : leur comportement est mesuré anonymement, et les données servent à toute l’industrie.

    Savent-ils qu’ils sont mesurés ?
    Lorsqu’on vous demande d’installer un logiciel « meter » sur votre ordinateur, votre mobile et votre tablette, vous faites un acte volontaire, consciemment. Rien de comparable donc au tracking par cookies qui se fait dans votre dos, ni au cookie-matching qui permet l’échange de vos données entre différents fournisseurs, voire entre différents appareils.

    Cette conscience impacte-t-elle leur comportement ?
    Lorsque NetValue a créé le premier panel d’audience en France en 1998, Nico (cofondateur d’Alenty et d’Implcit) et moi étions déjà là. Je me souviens avoir passé des heures et des heures à analyser la base de données du panel. En plus des statistiques agrégées que l’on produisait, j’avais accès aux données individuelles.
    Je n’avais aucune information personnelle évidemment, ça ne m’intéressait pas.

    Non, ce qui est passionnant avec un panel, c’est qu’on voit l’activité réelle des panélistes. On peut suivre leur navigation. On se demande comment ils passent si vite du coq à l’âne. On voit les tendances apparaître, des sites nouveaux trouver leur audience, des comportements improbables émerger.

    Et à en juger par la proportion de sites « pour adultes » que l’on voit dans les données des panels, je peux vous assurer que les panélistes ne modifient pas leur comportement parce qu’ils appartiennent à un panel.

    En fait il faut trouver le bon équilibre entre « je sais que je suis mesuré » (et je donne donc un véritable consentement éclairé) et « j’oublie que je suis mesuré » (et je ne change donc rien à mon comportement).

    Cette subtile alchimie met aussi en jeu un sentiment d’utilité.

    Je n’ai jamais été chargé de recruter le panel, mais j’ai participé à de nombreuses réunions à ce sujet. Permettre à des milliards d’Euros d’être dépensés en publicité (c’est le cas pour les panels télé), donne à certains panélistes un sentiment de fierté.

    J’imagine que c’est aussi un argument pour ceux qui testent des médicaments (la rémunération aussi, ne soyons pas naïfs)…

    A cette source de motivation, on peut ajouter maintenant un certain sens du sacrifice. OK, ils ne sauvent pas des vies, ne donnent pas leur sang, n’aident pas les SDF.
    Mais ils acceptent que leurs données soient mesurées pour justement, que celles des autres ne le soient pas.
    Partager toutes les données sur son comportement digital, c’est utile pour la société.

    Donc à tous les panélistes qui sacrifient la protection de leur vie privée, pour protéger la nôtre, merci !

  • Répétition et clics

    Répétition et clics

    On le sait, le taux de clic n’est pas un bon indicateur. Meilleur que le tristement célèbre taux de visites post-view, mais pas terrible quand même..

    Il a quand-même d’énormes avantages :

    • il est facile à calculer
    • Il est cohérent quel que soit le format
    • Il se mesure avec des méthodes simples (redirections) dont les différences de résultats entre les acteurs sont connues et s’expliquent facilement

    Mais le clic a aussi des limitations :

    • Il peut être involontaire
    • Il peut ne pas conduire à une visite sur le site (à cause des redirections, on a le temps de réfléchir, ou de se rendre compte qu’on a cliqué involontairement)
    • Il semble (à tort) se compter impression par impression.

    Ce dernier point mérite qu’on s’y attarde un peu. Le taux de clic se calcule en divisant le nombre de clics par le nombre d’impressions, je ne vous apprends rien. 

    Mais ce nombre d’impressions seul ne signifie pas grand-chose. On peut avoir bombardé une seule personne ou à l’inverse avoir touché une personne différente à chaque impression.

    Ceux qui connaissent mes marottes me voient venir : ça dépend de la répétition. 

    On trouve finalement assez peu d’études sur les liens entre la répétition et les clics.

    Les études montrent que le taux de clic baisse avec la fréquence et la récence. C’est la loi des rendements décroissants qui s’applique naturellement.
    Est-ce à dire qu’il ne faudrait exposer les internautes qu’une seule fois ?

    Non, parce que la fréquence correspond à la répétition divisée par une période de temps. 

    Il y a un effet « deux lames » avec la publicité : la première lame soulève le poil et la deuxième le coupe. 

    Premier rasoir à deux lames !

    Avec les clics, c’est pareil. Une première impression prépare le cerveau et une autre le fait passer à l’action. 

    Le Docteur Dorothée Rieu appellerait-elle cette première lame « amorçage » ?

    En d’autres termes, la bonne nouvelle , c’est qu’il existe une répétition optimale pour obtenir des clics.

    La mauvaise nouvelle, c’est que cette répétition dépend de la campagne, mais aussi du contexte, et enfin de l’individu.

    On parle souvent de 5 ou 6 impressions, mais il faut prendre ces valeurs pour un ordre de grandeur plutôt que pour un objectif chiffré.

    Quels enseignements peut-on tirer de ces réflexions ?

    Encore une fois, que le capping n’est pas une gestion intelligente de la répétition ! Il ne sert qu’à borner un nombre maximum d’impressions par individu, alors que l’inverse est aussi important : imposer un nombre minimum d’impressions par individu !

    Une conséquence directe pour les acheteurs : de petites campagnes sur des populations importantes conduisent mécaniquement à des niveaux de répétition très faibles (1 à 1,1). 

    Comparer les taux de clics d’une campagne avec un GRP de 2 et une autre avec un GRP de 200 n’a aucun sens (un GRP de 100 correspond à autant d’impressions que d’individus dans la cible). 

    La première n’aura pratiquement jamais été répétée à un même individu, la deuxième l’aura été au moins deux fois.

    Encore une fois, sans le vouloir, on donne une prime aux gros, qui n’en ont pas besoin !

    Mais il existe des solutions, Continuez de nous lire pour en savoir plus !

  • On n’est pas monomaniaques !

    On n’est pas monomaniaques !

    C’est un fait établi, l’homo occidentalus passe sa vie sur Internet. Autrement dit, nos centres d’intérêts se retrouvent immédiatement sur notre consommation Internet.

    On ne s’en rend souvent même plus compte. On dégaine nos smartphones à la moindre question. On oublie même souvent qu’on a fait telle ou telle recherche.
    Et après on croit que nos téléphones nous espionnent !

    En 1998, j’ai rejoint une start-up (le mot même n’était pas très connu), NetValue. Nous y avons développé un logiciel (meter) que des volontaires (panélistes) installaient sur leur ordinateur. J’ai adoré ce job : avec un panel, on est au courant de toutes les nouvelles tendances, on connaît tous les centres d’intérêts, on découvre d’improbables corrélations.

    Les données étaient évidemment anonymes, donc on pouvait sans voyeurisme suivre un individu tout au long de sa consommation digitale. Les changements de thématiques étaient aussi soudains qu’intrigants, la variété des centres d’intérêts (nous étions en 2000 !) préfigurait notre addiction actuelle.

    NetValue a été rachetée en 2002 par Nielsen / NetRatings, et les panels de Médiamétrie / NetRatings en sont aujourd’hui les héritiers.

    Entre temps, Internet est devenu mainstream. 54 millions de personnes se connectent mensuellement et le temps passé a explosé. Avec notre accès unique aux données désagrégées du panel Internet de Médiamétrie, je peux recommencer mes investigations. Et je retrouve la même passion aujourd’hui, 24 ans plus tard !

    Là où certains contenus manquaient en 2000, tout est aujourd’hui disponible sur Internet. Le constat que je faisais chez NetValue trouve maintenant sa plus complète réalisation : tout ce qui intéresse un individu est tôt ou tard consulté. Certains chercheurs en sociologie ne s’y trompent pas, les panels internet fournissent de magnifiques laboratoires de la société.

    Il devient souvent plus efficace de simplement regarder ce que font les gens sur Internet plutôt que de leur demander. Trouver les individus intéressés par telle ou telle problématique est donc pour nous un jeu d’enfants.

    « voiture électrique » ? « allaitement » ? « réchauffement climatique » ? En une seconde, on isole une population spécifique. Et on sait alors tout d’elle : sa taille, son profil socio-démographique, les sites qu’elle visite. Tout.

    Mais ce qui nous intéresse chez Implcit c’est son exposition aux publicités.

    Nos algorithmes trouvent les pages où cette population est la plus sur-représentée. Évidemment, les femmes (ou les hommes) qui se renseignent sur l’allaitement se retrouvent souvent sur des sites d’allaitement. Mais aussi, sans que l’on ait besoin de faire la moindre analyse de proximité sémantique, sur des sites de bébés, de couches, de santé post-partum, etc. Le lien comportemental permet de relier des concepts entre eux. Simplement parce que ce sont les mêmes personnes qui leur marquent de l’intérêt.

    Il n’y a qu’à voir la pertinence des propositions que fait notre interface quand on tape les premières lettres d’un mot : les premiers thèmes proposés sont vraiment les plus pertinents. Le secret, c’est l’humain : le panel est composé d’humains, qui raisonnent peu ou prou comme vous et moi.

    Mais ce caractère humain présente un autre avantage de taille.

    Les femmes qui allaitent, les amateurs de trek, les intentionnistes voiture, etc. ne font pas qu’allaiter, marcher ou conduire. Ils et elles sont aussi des amateurs de mode, d’information locale, de foot.

    Trek en Nouvelle-Zélande

    Personne n’est monomaniaque !

    Cela signifie que l’on peut trouver des jeunes mamans sur des sites de mode, des amateurs de trek sur des pages hyperlocales, et des intentionnistes voiture électrique sur des sites sur le réchauffement climatique.

    L’intérêt pour nous, c’est que les publicités auxquelles ces populations sont exposées ne se trouvent pas que sur les pages qui parlent d’allaitement, de trek ou de voitures. L’inventaire disponible est démultiplié par rapport au ciblage d’une thématique donnée.

    Ensuite, nos algorithmes viennent trier, sélectionner, pour ne garder que les pages où la population ciblée est la plus sur-représentée.
    Évidemment les pages thématiques sont éligibles. Mais en fonction de l’objectif d’affinité, le nombre de pages éligibles (visitées par la même population, mais sur d’autres thématiques) est très significativement augmenté.

    Les inventaires publicitaires disponibles sont donc bien plus importants avec cette approche.

    Tout cela ne serait pas possible si nous étions tous monomaniaques, ou si l’on ne regardait les pages qu’une par une…

  • Granularité et efficacité

    Granularité et efficacité

    Il y a longtemps, bien longtemps ;-), j’avais écrit cet article, Small is Beautiful, dans lequel je calculais les affinités maximales en fonction de la taille de la cible et de l’audience du site. J’arrivais à la conclusion, toute théorique à l’époque, que les affinités ne pouvaient être élevées que pour les petites cibles sur les petits sites.

    Pour rappel, l’affinité sur une cible se calcule à partir du pourcentage d’impressions ciblées. Plus précisément :

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

    Une affinité de 200 signifie qu’on fait deux fois mieux que sans ciblage, 300, trois fois mieux etc.

    L’affinité est donc un indicateur d’efficacité.

    Depuis cet article, Implcit a sorti ses produits, signé ses clients et s’est frotté à la réalité du marché.

    On décrit parfois notre activité comme du médiaplanning. Il y a en effet des similitudes : utilisation d’un panel, ciblage contextuel… Mais la comparaison s’arrête là.

    Je parle parfois de médiaplanning sous amphétamines programmatiques.

    Pourquoi ? Parce que le programmatique offre une granularité incomparable avec le médiaplanning classique. Que ce soit en télévision (quelques dizaines de chaînes, certaines avec des audiences supérieures à 10%), ou sur internet (analyse au niveau de domaines), la granularité reste assez large.

    En programmatique, il est possible de travailler au niveau des URLs. Et là, on obtient une granularité optimale !

    On le constate, les niveaux d’affinités que l’on obtient sont pratiquement toujours au dessus de 200, et très souvent de l’ordre de 300 ou 400 !

    Pour mes lecteurs habitués à la télévision, où une affinité de 150 commence à être intéressante, c’est une petite révolution, non ?

    Le programmatique explique la granularité des supports publicitaires.

    L’adaptation des cibles aux besoins réels achève d’expliquer ces fortes affinités. En effet, vous ne pouvez pas dépasser une affinité de 200 sur une cible (les femmes par exemple), qui dépasse 50% de la population. Or le digital a apporté à la publicité les concepts de l’ultraciblage et du ciblage comportemental.

    Sur Internet, personne ne cible les femmes. On cible les femmes intéressées par la mode, ou qui cherchent des lieux de vacances. Sur Internet, on a donc des cibles plus petites qu’en médiaplanning classique.

    Et qui dit petite cible, dit affinité maximale plus élevée.

    Autrement dit, la double granularité des cibles et des supports permet des affinités, et donc des efficacités bien plus élevées.

  • Clics et visibilité

    Clics et visibilité

    Les clics sont bizarres.
    Dans cet article j’avais déjà ressuscité une vieille analyse du temps d’Alenty : les clics sont inversement proportionnels à l’intérêt du contenu.

    On croit les trouver ici, mais parfois ils sont là. Tels l’homme invisible, ils sont difficiles à appréhender.

    Invisibles, les clics ? Je pose ici une question : peut-on améliorer les clics justement en jouant sur la visibilité ?

    Une publicité qui n’est pas vue ne peut pas être cliquée. Jusque là, nous sommes d’accord.

    Mais le problème du clic, c’est son ordre de grandeur. A 0,1% (j’arrondis pour simplifier les calculs), le taux de clic ne joue pas dans la même catégorie que la visibilité (qui varie entre 10% et 90% en gros).
    Comme je l’avais montré chez Alenty, on peut avoir un taux de visibilité très faible, et un taux de clic élevé. C’est ce qui se passe sur des contenus de bas de page :

    • faible taux de visibilité
    • mais il n’y a plus de contenu à consommer
    • donc l’internaute est plus réceptif au clic

    Prenons un exemple fictif d’une page qui cible parfaitement les cliqueurs d’une campagne, mais qui affiche une publicité tout en bas. Supposons qu’elle obtienne un taux de visibilité de 1% (vraiment pourri), mais que tous ceux qui sont exposés cliquent (je répète, c’est théorique). On obtiendra donc un taux de clics de 1%, ce qui est 10 fois la norme !

    Un exemple plus réel serait d’une visibilité de 10% et d’un taux de clic sur pub vue de 1%. On obtient donc un taux de clic global de 0,1%, soit la moyenne du marché.

    A l’inverse, une visibilité de 90% dans un article hyper intéressant pourrait voir son taux de clic sur pub vue réduit à 0,5%. Le taux de clic global sera donc de 0,45%, donc en dessous de la moyenne.

    De plus, si on fait entrer le coût dans l’équation, celle-ci tourne à l’avantage des bas de page !

    En effet, un espace visible sera plus cher qu’un espace moins visible. A taux de clics équivalents, cela donne un coût par clic plus élevé pour les espaces visibles !

    Tous ces exemples sont théoriques, mais ils montrent combien la corrélation entre les clics et la visibilité sont compliqués à démontrer et encore plus à mettre en œuvre.

    Le tableau et le graphique ci-après montrent une simulation (fictive mais possible) du CPC en fonction de la visibilité. Le tableau applique les principes suivants :

    • le CPM baisse avec la visibilité mais moins vite qu’elle
    • le taux de clic par pub vue est maximal en haut et en bas de page
    • Les taux de clic et CPC sont simplement calculés en fonction des autres colonnes

    En gros, ce graphique (qui n’est rappelons-le une fois encore qu’une illustration et non une étude quantitative) montre que, pour faire des clics, il faut concentrer ses achats sur du haut de page visible, ou sur du bas de page s’il n’est pas cher, et éviter les milieux de pages (assez chers et peu cliqués).

  • Ils ont bon dos, les développeurs !

    Ils ont bon dos, les développeurs !

    J’ai été développeur, je code encore un peu (SQL surtout, parfois python). On peut donc m’accuser de partialité envers cette profession avec qui j’adore bosser… Si vous voulez, mais lisez le reste de l’article avant !

    Meta (aka Facebook, mais j’utiliserai aussi l’ancien nom lorsque je fais référence à des années où il s’appliquait) a reconnu en Avril 2022, avoir corrigé un bug important. Alleluhia ! Un bug a été corrigé ! Bravo Meta !

    Quel était ce bug ? Il donnait plus de visibilité à des contenus « douteux » (appelons un chat un chat, des fake news).
    De quand date ce bug ? On parle d’Octobre 2021, histoire de faire croire qu’il a été corrigé somme toute assez vite. Mais Octobre 2021, c’est la date de sa découverte. Visiblement, il remonte à 2019 !

    Ce bug est le dernier né d’une série de bugs majeurs :

    • En 2016, la durée de visibilité des vidéos sur Facebook était surestimée, parfois de 80%, à cause d’un « bug »
    • En 2019, les conversions apportées sur la plateforme étaient aussi surestimées, à cause d’un « bug » qui n’a été corrigé qu’en 2020.

    Tous les développeurs vous le diront : un bug qui donne de bons résultats est plus dur à détecter et à corriger qu’un bug qui impacte la performance. On a connu ce dilemme chez Alenty : nos clients râlaient quand les chiffres de visibilité que l’on donnait étaient plus bas que ceux fournis par nos concurrents. Alors fallait-il laisser passer des bugs qui auraient satisfait nos clients ?

    Mais remarquez que j’utilise Alenty, micro startup française, en comparaison avec Meta. Comment se fait-il que l’on arrive dans des petites structures comme Alenty ou Implcit à obtenir des niveaux de qualité qu’un Meta n’atteint pas ?

    Parce qu’on le veut !

    On peut avancer que Meta est devenue tellement gros que le code atteint une complexité qui dépasse les capacités de l’être humain.
    Soit, mais la construction aéronautique aussi, non ?

    La conception d’un avion, impose des normes de traçabilité qui au final conduisent à fournir un code de très haute qualité. C’est normal, me direz-vous, en cas de crash, il y a des vies en jeu. Et comme le dit Nico : « dans la pub, on ne sauve pas des vies, mais on ne tue personne ».

    Et bien, non, je ne suis pas d’accord. L’impact d’une société comme Meta est gigantesque. Les montants en jeu se comptent en milliards. Les fake news ont un impact réel sur nos vies : influence des élections, désinformation médicale… Combien de morts du Covid avaient suivi des recommandations fausses ? Combien de jeunes filles souffrent (voire sont mortes) d’anorexie devant les flux addictifs et infinis d’Instagram ?

    Quand on atteint une taille systémique, on a des responsabilités à la hauteur de ses impacts. Et les moyens, Meta les a. 39 milliards de dollars de bénéfice net en 2021 !!! 39 000 000 000 ! On en paie des développeurs, et des modérateurs avec ça ! Et c’est tous les ans pareil !

    Non, ils ont bon dos les développeurs.

    On ne trouve que ce que l’on cherche. On ne corrige que ce que l’on veut bien corriger.

    Dans le cas de la visibilité des vidéos (je revendique une certaine expertise en la matière), Facebook calculait une moyenne en divisant la durée totale de visibilité par le nombre de vidéos vues plus de 3 secondes ! Pas un développeur ne ferait une telle erreur. Et quand bien même, un autre développeur aurait relu son code et corrigé la bourde. Chez nous on appelle ça un bug de platine…

    Pire, une fois détecté, le bug est resté en état « no progress » pendant un an !

    Cette culture du « pas vu pas pris » est très profonde dans la Silicon Valley. On appelle ça la stratégie du « trial and error » . On essaie, et si ça ne marche pas, on arrête.

    Sans aller jusqu’à sous-entendre que ces bugs sont des essais volontaires, ils dénotent selon moi une tendance générale au « laxisme positif ». Je viens d’inventer cette expression qui désigne la propension à ne pas s’intéresser aux problèmes qui sont positifs pour l’entreprise.
    Je mets ma main à couper que des bugs qui impactent négativement les performance de Meta sont traqués, corrigés, et leurs responsables fusillés en place publique !

    Tout le monde sait que les fake news participent au succès de Meta. Ce sont les contenus les plus viraux (une réaction d’énervement vaut dix fois plus qu’un like). Pourquoi alors faire des efforts pour les corriger ?

    On les corrige quand on est obligés, et on fait porter la responsabilité à un développeur.

    Monsieur Malaussène, dans Au Bonheur des Ogres de Daniel Pennac, est bouc émissaire dans un grand magasin. Il est payé pour se faire engueuler par les clients mécontents, et endosser la responsabilité. Devant son air contrit et ses excuses, le client se calme souvent, et l’honneur du magasin est sauf.

    Le développeur, le Malaussène de Meta ?

    The Scapegoat (Le Bouc émissaire), tableau de William Holman Hunt, 1854-1856

  • La valeur publicitaire d’un visiteur

    La valeur publicitaire d’un visiteur

    Lorsqu’un visiteur arrive sur une page d’un site. Combien vaut-il ?

    En d’autres termes, à combien de publicités le site pourra-t-il l’exposer sur un mois donné ?

    Ça dépend bien entendu du temps que l’internaute va passer sur le site, donc du nombre de pages qu’il va consulter. « va passer », « va consulter » : ces critères sont conjugués au futur. Donc quand il arrive, la plupart du temps, on n’en sait rien !

    Avec un CRM et / ou un bon outil site-centric, on peut reconnaître certains visiteurs récurrents. Soit ils sont connectés, soit le site leur a posé un cookie lors d’une précédente visite. Dans ces cas-là, on peut estimer combien de temps il va passer, combien de pages il va voir, donc combien de sous il va rapporter.

    Mais s’il n’est pas connecté, et s’il n’a pas de cookie, que peut-on savoir ? Il peut ne pas avoir de cookie parce qu’il n’est jamais venu, ou parce qu’il les refuse ou parce qu’il les bloque ou parce que son navigateur n’accepte pas les cookies tiers qu’on cherche à lui déposer.

    Dans tous ces cas, il sera indifférentiable d’un visiteur qui vient pour la première fois.

    Quelle est alors la probabilité qu’il soit exposé à seulement une publicité, dix, cent ou mille publicités ?

    J’ai réalisé une petite étude sur nos données (fondées je le rappelle au cas où sur les panels internet de Médiamétrie). Tous les sites sur lesquels nous avons trouvé des publicités sont pris en compte.

    Je regarde combien de visiteurs du site ne sont exposés qu’à une ou deux publicités, trois à cinq, six à dix, etc. sur un mois complet.

    Ensuite je regarde quelle part cela représente : « sur le site A, 33% des visiteurs n’ont été exposés qu’à une ou deux publicités sur un mois », etc.

    Enfin, je regarde combien de sites ont 100% de leurs visiteurs exposés à une ou deux publicités, combien ont 90% à 99% exposés à trois ou cinq publicités, etc.

    Ramenés au nombres de sites analysés, ça donne le tableau suivant :

    Quelques exemples d’interprétation :

    • Pour 6,5% des sites, 100% de leurs visiteurs n’ont été exposés qu’à une ou deux publicités. Ce sont des sites sur lesquels on ne fait que passer, où on ne revient pas.
    • Pour 10% des sites, plus de la moitié de leurs visiteurs ne sont exposés qu’à une ou deux publicités
    • Pour une peu moins d’un tiers des sites, au moins la moitié des visiteurs ne sont exposés qu’à une à cinq publicités
    • Seuls 1,5% des sites ont une majorité de leurs visiteurs exposés à plus de 50 publicités.
    • 0,6% des sites ont quelques visiteurs exposés à plus de 1000 publicités ou plus sur un mois.

    Qu’est-ce que cela signifie ?

    Que les visiteurs récurrents sont rares pour la plupart des sites.

    A 1€ de CPM, un visiteur exposé à 1000 publicités rapporte 1€ sur un mois !

    Mon estimation (qui n’engage que moi), c’est qu’un visiteur inconnu qui arrive sur un site a une espérance moyenne de 38 impressions sur un mois. Soit environ 3,8 centimes !

    Bien-sûr ces chiffres varient énormément d’un site à l’autre.

    Mais ce que je veux dire ici, c’est que :

    • il est faux de penser que la valeur d’un visiteur est égale à la moyenne des pubs servies par visiteur (cette moyenne est principalement conditionnée par les visiteurs récurrents)
    • sans donnée spécifique (cookie, login…), un visiteur inconnu a peu de chances de revenir. Sa valeur ne sera donc bien moins élevée.

    Quelle conséquence sur la stratégie des sites ? A mon avis, on peut envisager des stratégies de monétisation « court terme » de ces nouveaux visiteurs, car à long terme (même un mois), rien n’est garanti.

  • Plus d’encombrement publicitaire

    Plus d’encombrement publicitaire

    J’ai remarqué une tendance nette mais longue (une dizaine d’année) de Google, Youtube et Facebook. Je n’ai rien lu à ce sujet et je m’en étonne, c’est pourquoi je prends ma plume aujourd’hui…

    Quand Youtube s’est lancé avec TrueView (ce nom mérite une palme du marketing, à défaut de mériter celle de l’efficacité, mais j’en parlerai une autre fois), vers 2015, on a vu fleurir des études (payées par Google) qui expliquaient pourquoi une vidéo sur sept seulement était précédée par une publicité. Ces études pointaient évidemment l’encombrement publicitaire qui réduit l’efficacité de la publicité.

    En gros, moins vous voyez de publicités, plus elles sont efficaces. C’est ce que martèle depuis des années le Docteur en neurosciences Dorothée Rieu, fondatrice de MédiaMento, société d’étude de l’efficacité publicitaire. Et comme souvent, je suis tout à fait d’accord avec elle.
    Donc avec moins de publicités, Youtube promet des publicités plus efficaces.

    Mais il y a un effet collatéral, on peut même parler de dommage collatéral, à cette politique du « un pour sept ». Les internautes privilégient les services où la publicité est moins présente. Youtube a donc profité de ce choix pour favoriser son audience. Au détriment de ses concurrents. En effet qui donc que la filiale d’une société hyper-rentable (Google) peut se permettre de ne monétiser qu’un septième de ses contenus ? Personne. Qui se souvient que Dailymotion a été créée avant Youtube ?

    La position de Youtube s’est donc confortée année après année.Son audience a augmenter jusqu’à entrer dans le top 3 des sites les plus visités.

    Ca me rappelle un cours de mon MBA de 2004. Celui après lequel je ne suis plus jamais allé chez Starbucks.

    On étudiait la stratégie de déploiement de Starbucks aux USA dans les années 1980-1990.
    Le café n’était pas très développé à cette époque. Comment savoir où ouvrir un Starbuck ? C’est facile, vous repérez un café dans une rue. Ensuite, vous ouvrez deux Starbucks pas trop loin. Deux, pas un. Vous siphonnez une partie de la clientèle du café pris en tenaille, et vous attendez qu’il ferme. Lorsque la place est libre, vous fermez l’un des deux Starbucks, car il n’y a jamais eu de la place que pour un seul café. Simple, efficace. Ethique ?

    Je ne dis pas que Youtube a sciemment mis en place une telle stratégie, mais que l’effet de son « une video sur sept » a mis à mal la concurrence.

    Et que peut-on se permettre lorsque la concurrence a été affaiblie ? On encaisse !

    Aujourd’hui, allez voir une vidéo sur Youtube. La sacro-sainte règle du « une vidéo sur sept avec pub » est-elle toujours respectée ? Personnellement, j’ai plutôt l’impression qu’on est à « une vidéo sur sept sans pub » !

    Autre exemple, Facebook (je pourrais parler de Méta, car on peut faire le même constat sur instagram).

    Je ne suis pas équipé pour lancer une véritable étude représentative, je ne me fonde donc que sur mon exemple personnel. Mais le changement a été suffisamment soudain pour que je le remarque.

    Aujourd’hui, sur mon fil Facebook, je vois :

    • un contenu d’ami
    • une suggestion d’ami (que je ne connais ni d’Eve ni d’Adam, mais qui doivent être connectés à un « ami » Facebook plus ou moins latin)
    • un contenu de groupe auquel je suis abonné (3 groupes au total)
    • une publicité (contenu « sponsorisé » selon l’euphémisme en rigueur)
    • une suggestion de groupe auquel m’abonner
    • et on recommence (dans un ordre différent)

    Donc sur cinq contenus, j’ai deux contenus désirés, et trois contenus imposés. Ces derniers sont-ils de la publicité ? Aucun doute pour le contenu sponsorisé, mais les suggestions ne sont pour moi que de l’autopromotion, donc de la publicité…pour Facebook !

    Ce que je veux dire ici, c’est qu’on a atteint je pense le niveau de saturation publicitaire que dénonce Dorothée Rieu. Les géants de la publicité remplissent les caisses, au détriment de l’intérêt pour l’utilisateur (trois contenus sur cinq imposés par Facebook, ça crée un rapide sentiment de lassitude), et au détriment de l’efficacité pour leurs clients, les annonceurs.

    Pour les résultats de recherche dans Google. A l’origine, il y avait un lien sponsorisé par page, et clairement identifiable. Aujourd’hui, seule une mention « Annonce » distingue les pubs des résultats naturels. Et sur toutes les recherches « pubables », les annonces représentent la majorité des liens.

    Cette tendance marque un désintérêt pour l’innovation dans ce qui reste le gros de leur marché. Que l’on croit ou pas au métaverse, la portée de ces mondes virtuels restera limitée. En attendant, le lien digital que nous entretenons avec d’autres être vivants du monde réel se trouve encombré de publicités.
    Ad nauseam.

    Tiens, avec toutes ces boites dont le nom contient « ad » pour « publicité », pourquoi personne n’a pensé à créer une boite boite qui s’appelle « AdNauseam » ? 😉

  • L’audience adressable, une meilleure représentation de la réalité du ciblage ?

    L’audience adressable, une meilleure représentation de la réalité du ciblage ?

    J’ai déjà parlé du vilain petit secret de la couverture sur cible, en mélangeant l’usage des adblockers et surtout l’impact des data.

    Mais mon article précédent m’inspire cette réflexion : l’audience adressable ne devrait-elle pas être un indicateur clé du marché ?

    Qu’est-ce que l’audience adressable ?
    A la différence de la couverture sur cible dont je parlais, l’audience adressable correspond à un maximum absolu.

    Autant on peut saisir à bras le corps la question des cookies, et se dire « pourquoi perdre 50% de ma cible, allez ! je vais faire du ciblage contextuel avec Implict et toucher 100% de ma cible ! ». Autant, l’audience adressable n’offre pas d’alternative.

    Car on ne parle pas ici de choix techniques, mais tout simplement d’individus qu’on ne peut pas toucher.

    Par définition vous ne pouvez pas toucher à la télévision une population qui n’a pas la télé.
    De même, vous ne pouvez pas toucher sur Internet une mamie qui n’a ni smart phone, ni tablette, ni ordinateur, et encore moins de connexion internet !
    Vous ne pouvez pas écrire un courrier à quelqu’un qui n’a pas d’adresse.

    Les annonceurs ont intégré certaines de ces restrictions pour des cibles simples : les jeunes sans télé, les vieux sans internet. Ou les jeunes avec les adblockers.

    Mais il y a de nombreux cas, où l’impact est plus insidieux.

    Quelle est l’audience adressable d’une population définie par des critères comportementaux ? Les visiteurs d’un site, les internautes avec tel centre d’intérêt…

    Dans ce cas, l’audience adressable est la conséquence d’un profil particulier qui n’est pas a priori connu. Et il est facile d’oublier qu’une part massive de la population ciblée peut être équipée d’un adblocker et sortir du périmètre adressable.

    Quand on mesure la qualité d’un ciblage, on utilise la notion d’affinité :

    \[Affinité = 100 {PourcentageDImpressionsCiblées \over Part De La Cible Dans La Population}\]

    Or prenons l’exemple d’une cible qui représente 20% de la population, mais qui utilise des adblockers à 50%.

    Il est donc deux fois plus dur de toucher cette population. Supposons que cela se traduise par une division par deux du pourcentage d’impressions ciblées.

    Alors, mathématiquement, l’affinité se trouve divisée par deux aussi.

    Ne faudrait-il pas introduire une notion de « part adressable » de la cible dans la population » ? Auquel cas, cette part vaudrait 10% et non 20%.

    Si on veut raffiner, ne faudrait-il pas définir une « part adressable », non pas sur la population internaute, mais sur la population internaute adressable ? En effet, la population de référence est la population internaute (soit environ 54 millions d’individus). On ne prend pas comme référence la population française en entier (environ 67 millions d’individus).

    Donc la part adressable d’un groupe quelconque sur Internet pourrait se définir ainsi :

    \[PartAdressable = {NombreDIndividusAdressablesDansLeGroupe \over NombreDIndividusAdressablesDansLaPopulationInternaute}\]

    Dans notre exemple, une cible de 20% des internautes (soit 10,8 millions), dont la moitié utilise un adblocker, représenterait, dans une population adressable de 54 millions, dont 20% (par exemple) utilisent un adblocker, une part adressable de :

    \[PartAdressable = {10,8 * (1 – 50\%) \over 54 * (1 – 20\%)} = {5,4 \over 43,2} = 12,5\%\]

    Donc, la cible adressable représenterait 12,5% de la population adressable. Cette proportion me semble mieux refléter le potentiel de cette cible sur Internet.

    Qu’en pensez-vous ?