Application concrète du GRP, du TRP et des métriques offline

Le 4 février 2010, Old Spice met en ligne un spot de 30 secondes et, le week-end du Super Bowl, « The Man Your Man Could Smell Like » de Wieden+Kennedy passe sur les chaînes nationales sans achat pendant le match. En une semaine, P&G disposait de deux versions de ce qui s'était passé, et elles ne concordaient pas. L'une était la couverturecouvertureLe nombre de personnes uniques exposées à votre message sur une période donnée. Contrairement aux impressions, le reach compte chaque personne une seule fois, quel que soit le nombre d'expositions.Voir la définition complète → d'audience reportée par le panel Nielsen. L'autre, un pic de recherches sur la marque, de vues YouTube et de trafic vers les propriétés Old Spice qu'aucun panel n'avait mesuré. Passer de deux versions à un verdict unique, c'est le vrai travail ici ; cette leçon reste donc sur une seule campagne plutôt que d'en survoler cinq. Tout ce qui suit présuppose la currency elle-même : les impacts, le GRP face au TRP, le reach et la fréquence tels que la leçon de fondamentaux les pose, et l'arithmétique de plan que la leçon sur les frameworks déroule.

Étape un : lire le chiffre du panel pour exactement ce qu'il est. Nielsen publie des audiences nationales à partir d'un échantillon de people meters d'environ 40 000 foyers américains, et Nielsen vend la currency qu'il mesure : le fournisseur et l'étalon sont la même organisation. Au niveau national, sur un programme à forte audience, cet échantillon se tient. Un cran en dessous, il ne se tient plus. Les panels de marchés locaux comptent quelques centaines à quelques milliers de foyers : une audience faible dans un DMA de taille moyenne peut reposer sur une douzaine de foyers répondants, et deux dayparts que vous cherchez à classer l'un par rapport à l'autre ont souvent des intervalles de confiance qui se recouvrent totalement. Pour Old Spice, la couverture nationale était solide. Toute affirmation marché par marché sur les endroits où le spot « avait marché » n'était que du bruit habillé en décimale. Et en 2010, le panel ne comptait que le visionnage linéaire à domicile, tandis que la seconde vie de la campagne — des dizaines de millions de vues YouTube dès la première semaine et les 186 films de réponse de juillet qui ont fait de la chaîne de la marque la plus regardée de la plateforme à l'époque — se situait entièrement hors currency. Traitez le chiffre du panel comme un plancher d'exposition, pas comme un total.

Étape deux : construire le côté réponse à partir des logs de diffusion, pas d'un rapport mensuel. Les stations émettent des attestations as-run qui donnent la seconde exacte de passage de chaque spot. Rapprochez ces horodatages des sessions du site à la minute et du volume de requêtes sur la marque, modélisez une baseline pour cette minute de ce jour de la semaine, et comptez l'excédent. Deux choses décident de la réponse avant toute analyse. D'abord la fenêtre. Les travaux publiés au niveau du spot constatent généralement que la réponse en recherche de marque culmine en une à deux minutes et s'est largement éteinte au bout de dix ; une fenêtre de trois minutes perd donc le téléspectateur qui cherche à la coupure publicitaire suivante, tandis qu'une fenêtre de trente minutes importe toutes les autres causes de la terre. Choisissez la fenêtre à l'avance et gardez-la fixe sur toute la vague, sinon vous choisissez votre propre résultat. Ensuite la baseline. Un spot sur le câble à 2h du matin produit un lift en pourcentage énorme sur un volume absolu dérisoire : c'est ainsi que des dayparts faibles se retrouvent promus dans les decks d'agence. Le week-end du Super Bowl, c'est l'image inversée : le trafic de base est anormal dans les deux sens, donc le contrefactuel est la partie difficile et l'arithmétique est triviale.

Le rapprochement lui-même relève plus souvent de la plomberie que de l'analytics. Il vous faut une seule horloge et une seule identité à travers les sessions web, les referrals de recherche, les ouvertures d'app et les commandes. Segment (un éditeur de customer data platformcustomer data platformLogiciel qui unifie les données client de toutes les sources en un profil unique et durable, exploitable par le marketing, les ventes et le service.Voir la définition complète →, à lire en conséquence) a bâti une activité sur ce problème parce que l'alternative, c'est quatre exports CSV réconciliés à la main chaque lundi, ce qu'aucune équipe ne tient au-delà de la troisième semaine de vague.

Étape trois : nommer les contaminants avant que quiconque ne cite un chiffre. Old Spice est un cas utile précisément parce qu'il était contaminé. La gamme de gel douche était relancée avec de la distribution et de la mise en avant en magasin derrière elle, un coupon un acheté un offert était en marché, et la campagne de réponse de juillet est venue s'ajouter au poids TV de février. Les chiffres largement repris de P&G — ventes en hausse de 27 % sur six mois et de 107 % le mois suivant les films de réponse — ont circulé comme des affirmations plutôt que comme des lectures auditées, et les analystes du secteur s'interrogeaient à l'époque sur la période de base à laquelle ces 107 % étaient mesurés, tandis que les données scanner sur une partie de la même période paraissaient plus molles que le titre. Rien de tout cela ne dit que la campagne a échoué ; le résultat culturel était réel et le Grand Prix de Cannes a suivi. Cela dit qu'un chiffre causal non contaminé n'a jamais été disponible, et que quiconque en citait un affirmait plus que ce que la preuve pouvait porter.

Il existe un effet de second ordre qui coûte discrètement son budget à la TV. Un téléspectateur qui voit un spot et tape la marque dans la barre du navigateur arrive en trafic direct. Votre stack analytics le classe en direct ou en organique, et le rapport par canal montre alors une TV qui ne contribue presque à rien pendant que l'« organique » progresse. C'est l'artefact de mesure, pas le média, qui perd l'arbitrage à la prochaine réunion de planning. La modélisation de réponse au niveau du spot et le marketing mix modelingmarketing mix modelingApproche statistique qui estime la contribution de chaque canal marketing aux ventes, pour orienter l'allocation budgétaire.Voir la définition complète → existent tous deux pour corriger cela, l'un à la résolution de la minute, l'autre à la semaine sur l'ensemble du plan.

Étape quatre : écrire le verdict sous forme de fourchette, avec une date et un test attachés. Une réconciliation défendable sur une campagne de ce type se lit ainsi : le poids TV des semaines une à trois a généré une réponse incrémentale comprise entre X et Y, mesurée dans une fenêtre fixe de dix minutes après le spot, avec un drop de coupons et une extension de distribution simultanés et non séparables. Puis elle ajoute une prédiction falsifiable pour la vague suivante. Le moyen le moins coûteux de l'obtenir est un holdout géographique : retirez le poids TV d'un ensemble de marchés appariés, faites tourner tout le reste à l'identique, et comparez. Dix à quinze pour cent de votre poids en GRP mis de côté vous achètent une lecture propre qu'aucune modélisation post-hoc ne produira.

Actions pour le CMO :

• Exigez que les données d'attestations as-run soient livrées à votre équipe analytics, pas seulement à la comptabilité fournisseurs pour vérification de facturation. Sans horaires de passage exacts, il n'y a tout simplement pas de côté réponse au bilan.
• Fixez la fenêtre de réponse et la méthode de baseline avant le lancement de la campagne, et inscrivez les deux dans le plan de mesure que l'agence signe. Le choix post-hoc de la fenêtre est la façon la plus courante de faire passer une vague médiocre pour une vague forte.
• Intégrez un holdout géographique dans toute vague au-delà d'environ 5 millions de dollars. Le reach perdu sur ces marchés est le prix à payer pour savoir ce que les autres marchés ont réellement fait.
• Demandez quels contaminants étaient en marché pendant la lecture. Si personne en réunion ne peut lister les promotions, les changements de prix et les mouvements de distribution qui tournaient en parallèle des spots, le chiffre sur la slide n'est pas un verdict.

Erreurs courantes qui tuent les résultats :

• Comparer des audiences de panels de marchés locaux comme si elles étaient précises. Au niveau du DMA, les petits écarts sont dans l'erreur d'échantillonnage, et reconstruire un plan autour d'eux est une superstition coûteuse.
• Citer un pourcentage de lift sans la base absolue en dessous. Doubler 400 visites et ajouter 40 000 visites se ressemblent dans une colonne de pourcentages et ne sont pas le même événement.
• Laisser le dashboard digital juger la TV. Le trafic direct et la recherche de marque sont l'endroit où la réponse TV va se faire mal classer, et un rapport par canal construit sur le last-click montrera toujours la réponse que son modèle d'attributionattributionUn framework qui attribue le crédit d'une conversion aux différents touchpoints y ayant contribué, afin de mesurer quels canaux et quelles interactions génèrent réellement des résultats.Voir la définition complète → a été conçu pour produire.
• Publier un chiffre causal unique alors que la fenêtre était contaminée. Les 107 % d'Old Spice sont l'exemple de référence : un vrai résultat, une vraie campagne, et un chiffre qui ne pouvait jamais supporter le poids qu'on lui demandait de porter.