Le machine learning va-t-il rendre les marketeurs à la performance obsolètes ?

Avant de commencer, quelques éléments de contexte t'aideront à comprendre pourquoi je me pose cette question. J'ai passé beaucoup de temps dans le marketing à la performance au cours de ma carrière. Je me souviens encore de mes débuts, quand Google Adwords était complètement différent de ce qu'il est aujourd'hui. Par exemple, il y avait une règle selon laquelle si le taux de clics de ton mot-clé était inférieur à 0,5 %, ton mot-clé devenait « inactif » et il était extrêmement difficile (voire impossible) de récupérer un mot-clé inactif.

Facebook a été fondé la même année, donc il n'y avait pas encore de publicité Facebook. :D

Rapide avance à 2022, le machine learning est au centre des plateformes publicitaires de Google et Meta (et de nombreuses autres comme Amazon). Les deux entreprises préconisent une simplification de la configuration du compte (ce qui donne à la machine plus de données avec lesquelles travailler), un ensemble diversifié de créations (à la fois les formats et les concepts), et bien sûr, le tagging du site/API de conversion pour donner à la machine le signal de résultat (alias conversion) qui intéresse les annonceurs.

L'époque où nous devions mettre en place une structure de campagne de recherche granulaire ou une structure de campagne display pour personnaliser chaque segment d'audience avec des créations pertinentes est révolue. Maintenant, au lieu de cela, on nous conseille de mettre en place une seule campagne (dans le cas de Performance Max pour Google), et la machine trouvera automatiquement la bonne source d'inventaire (recherche, YouTube, Gmail, etc.) et servira les meilleures créations à l'audience (via le format d'annonce responsive). L'optimisation des enchères se fera automatiquement via des stratégies d'enchères appropriées disponibles sur chaque plateforme. L'optimisation du budget entre les campagnes peut également se faire de façon semi-automatique.

Alors que faisons-nous toute la journée ? :D faire des rapports Excel ? :P

Le machine learning n'est qu'un outil

Oui, c'est un outil puissant mais, au bout du compte, un outil. Cela signifie que la machine ne sait pas ce qui est bon pour ton entreprise. (Une brève pause ici.)

La machine est incroyable pour atteindre le résultat (conversion ou ROI) que tu fixes au bon niveau d'efficacité. Cependant, elle ne sait pas si atteindre cet objectif convient à ton entreprise.

Elle ne sait pas si tu devrais diffuser des Google Ads, des Meta Ads, ou de la publicité du tout.

La machine ne sait pas beaucoup de choses.

• Elle ne connaît pas tes marques ni tes clients potentiels.
• Elle ne sait pas pourquoi tes clients potentiels choisissent ta marque plutôt que la concurrence.
  • Elle ne peut pas créer des messages engageants ou des expériences de page de destination pour tes clients potentiels sans une grande quantité de données d'entraînement.
• Elle ne sait pas si la diffusion de publicités apporte des revenus incrémentiels à ton entreprise.
  • Le revenu incrémentiel est le revenu qui ne se matérialiserait pas si tu ne diffuses pas les publicités.
  • Potentiellement, la machine peut connaître le revenu ou la conversion incrémentielle d'un seul canal mais pas au niveau global pour ton entreprise.

Les jardins clos limitent la machine.

Elle peut faire un travail incroyable d'optimisation dans l'écosystème Google, l'écosystème Meta, Amazon ou TikTok, etc... mais pas entre eux. Ce fait est peu susceptible de changer de sitôt, étant donné l'accent mis sur la vie privée des consommateurs.

Cela signifie que l'humain décide où diffuser les publicités et combien dépenser dans chaque jardin clos.

Dans les 3 à 5 prochaines années

Donc pour l'instant au moins, je ne suis pas inquiet que mon travail soit remplacé par une machine, pas dans les 3 à 5 prochaines années. Mais je devrais m'inquiéter de la façon de continuer à apporter plus de valeur à l'entreprise. Par exemple, je devrais continuer à m'inquiéter/apprendre plus sur :

• Connaître la marque et ses clients potentiels.

• Comprendre le pouvoir que l'entreprise a ou peut ne pas avoir.

• Est-ce que ça a même du sens de faire de la publicité ?

• Si la publicité est nécessaire, comment peut-on évaluer l'impact commercial incrémentiel de la publicité sur l'entreprise ? Le mot clé ici est incrémentiel.

  • L'impact sur l'entreprise peut se produire sur une courte période (dans les trois mois) ou sur une période prolongée (des années), donc nous avons besoin de différentes solutions de mesure.

• Comment préparer la machine au succès avec le marketing à la performance ?

  • Étant donné les différentes lois et réglementations en matière de confidentialité dans le monde, quel est le cadre pour s'assurer que nous respectons la vie privée des utilisateurs, suivons la loi et donnons à la machine les signaux dont elle a besoin pour réussir ?
    • L'époque où les marketeurs à la performance collectaient autant de données que possible pour les renvoyer à la plateforme publicitaire est révolue.
    • Maintenant, nous devons être délibérés sur les raisons pour lesquelles certaines données sont importantes ou autorisées à être collectées/utilisées. Et comment les renvoyer à la machine de la bonne façon.
  • Message créatif et expérience utilisateur globale : la diversité des formats, des concepts, des images, de la représentation, etc... semble être le message que de nombreuses plateformes préconisent.

• Comment préparer la machine au succès avec d'autres activités non publicitaires.

Qu'en penses-tu ? Vois-tu le machine learning changer ton travail quotidien dans le marketing à la performance, et si oui, sur quelles compétences te concentres-tu pour rester en avance ?

Cordialement,

Chandler