+150 XP

Cibler et mesurer la publicité sur un paysage d'écrans fragmenté

# Cibler et mesurer la publicité sur un paysage d'écrans fragmenté

Un foyer de l'Ohio regarde une émission de cuisine en streaming sur une TV connectée. Au milieu de l'épisode, un spot de 30 secondes pour un SUV de taille moyenne est diffusé. Cette seule impression a traversé un segment d'audience, une enchère en temps réel et un pipeline de mesure avant d'atteindre l'écran. La suivre de bout en bout montre comment fonctionne réellement la publicité TV moderne, et où les chiffres induisent discrètement en erreur ceux qui dépensent l'argent.

L'écran qui s'est fragmenté

Pendant des décennies, la publicité TV était simple à acheter et simple à mesurer. Vous achetiez un écran sur une chaîne, et une mesure d'audience issue d'un panel vous indiquait approximativement combien de personnes avaient regardé.

Ce monde s'est disloqué. Les téléspectateurs répartissent désormais leur temps entre la TV linéaire (diffusion traditionnelle et câble), les applications de streaming et la vidéo courte sur mobile. Le basculement le plus important, c'est la CTV, ou connected TV : tout téléviseur qui diffuse de la vidéo via internet, que ce soit par une smart TV, une clé de streaming ou une console de jeu.

La CTV compte parce qu'elle est adressable. Contrairement à un spot en broadcast que tout le monde voit sur une zone donnée, une publicité CTV peut être ciblée sur un foyer précis. Cette précision est toute la raison du transfert des budgets vers ce canal, et c'est aussi la source de nouveaux casse-tête de mesure.

Étape 1 : le segment d'audience

Notre impression SUV commence par un segment : un groupe défini de foyers que l'annonceur veut atteindre. La marque auto peut cibler « les foyers susceptibles d'être en marché pour un nouveau véhicule, avec enfants, dans certaines aires métropolitaines ».

Comment une plateforme sait-elle quels foyers correspondent ? Quelques sources courantes :

  • Données first-party : les informations que l'annonceur possède, comme les visiteurs de son propre site ou les membres de son programme de fidélité.
  • Données third-party : des segments d'audience sous licence auprès de fournisseurs de données, souvent construits à partir de comportements d'achat ou de données démographiques.
  • Données ACR : automatic content recognition, une fonctionnalité présente dans de nombreuses smart TV qui identifie ce qui est affiché à l'écran. Avec le consentement du consommateur, elle indique aux fabricants et à leurs partenaires ce qu'un foyer a réellement regardé, ce qui est très utile pour mesurer l'exposition publicitaire.

L'annonceur ne voit presque jamais de noms individuels. Les segments sont construits autour de foyers ou d'identifiants hachés, pas de personnes nommées. Les réglementations sur la vie privée comme le California Consumer Privacy Act déterminent quelles données peuvent être collectées et comment les consommateurs s'y opposent.

Étape 2 : l'enchère

Quand notre foyer de l'Ohio ouvre l'émission de cuisine, l'application de streaming signale qu'un emplacement publicitaire est disponible. Cela déclenche un achat programmatique : des transactions publicitaires automatisées, aux enchères, qui se déroulent en millisecondes.

L'application envoie une bid request décrivant l'impression disponible (en gros : genre du contenu, type d'appareil, et si ce foyer correspond à des segments connus). Les systèmes des annonceurs l'évaluent et enchérissent. La plateforme de la marque auto reconnaît ce foyer comme « acheteur de SUV en marché » et enchérit en conséquence. L'enchère pertinente la plus élevée gagne, et la publicité s'affiche.

Tout cela se produit avant que la seconde suivante de l'émission de cuisine ne soit diffusée. Pour aller plus loin dans la plomberie, l'IAB Tech Lab maintient les standards ouverts sur lesquels l'essentiel repose : voir la spécification OpenRTB.

Étape 3 : reach et fréquence

C'est là que le problème de mesure commence. L'annonceur ne veut pas seulement des impressions. Il veut savoir deux choses :

  • Reach : combien de foyers uniques ont vu la publicité au moins une fois.
  • Fréquence : combien de fois, en moyenne, chaque foyer l'a vue.

Ce sont les deux monnaies de base d'une campagne. Une campagne peut servir un million d'impressions et ne toucher que 200 000 foyers si chacun a vu la publicité cinq fois. Cela peut être intentionnel ou du gaspillage, selon l'objectif.

Voici le point difficile. Le même foyer regarde la publicité SUV sur une smart TV au salon, sur une tablette dans la cuisine et sur un mobile dans les transports. Trois appareils, un foyer. Sans les relier, la plateforme compte trois foyers « touchés » et sous-estime largement la fréquence.

C'est le problème de la déduplication : rattacher les impressions à travers appareils et applications au même foyer. Le résoudre exige un identity graph, un système qui relie les identifiants d'appareils à un identifiant commun de foyer ou d'utilisateur.

Pourquoi la fragmentation gonfle le reach

Si deux applications de streaming déclarent chacune avoir touché un foyer, et qu'aucune ne communique avec l'autre, l'annonceur croit avoir touché deux foyers. Multipliez cela par des dizaines d'applications et le reach déclaré enfle pendant que le reach réel stagne.

La conséquence pratique : un acheteur média croit que sa campagne touche largement de nouvelles audiences alors qu'elle frappe les mêmes foyers encore et encore. Les sociétés de mesure indépendantes et les organismes sectoriels comme le Media Rating Council existent en partie pour auditer et accréditer ces chiffres afin que les acheteurs puissent s'y fier.

Voici une vue simplifiée de ce que la déduplication fait sur les mêmes données brutes :

Raw impression log:
  household_A  smart_tv   10:02
  household_A  tablet     19:30   (même foyer, appareil différent)
  household_B  phone      21:15

Naive count:      3 impressions, 3 "reached" devices
Deduplicated:     3 impressions, 2 households reached
                  household_A frequency = 2

Le log brut n'est pas faux. L'interprétation, elle, l'est. Tout dépend de la capacité de l'identity graph à relier correctement ces deux lignes household_A.

Étape 4 : l'attribution, et là où elle trompe

Notre foyer a vu la publicité SUV mardi. Trois semaines plus tard, quelqu'un dans ce foyer achète le SUV. La publicité a-t-elle causé la vente ? L'attribution est la pratique consistant à attribuer le crédit d'une conversion (un achat, une inscription, une visite en concession) aux contacts marketing qui l'ont précédée.

Le modèle le plus courant et le plus dangereux est l'attribution last-touch : accorder 100 % du crédit à la dernière publicité ou au dernier clic avant la conversion.

Le last-touch est populaire parce qu'il est simple et facile à mettre en œuvre. Il est aussi fréquemment faux, pour une raison précise.

Pourquoi le last-touch trompe les acheteurs média

Imaginez le parcours d'achat réel :

1. Une publicité CTV fait d'abord découvrir le SUV au foyer (haut de funnel).

2. Quelques publicités social maintiennent la marque à l'esprit.

3. L'acheteur cherche la marque par son nom et clique sur une annonce search.

4. Achat.

Le last-touch attribue tout le crédit au clic search sur la marque. Mais ce clic n'a eu lieu que parce que la publicité CTV a créé l'intérêt. Le search a « capté » une demande que la CTV a « créée ».

L'acheteur qui regarde des données last-touch conclut que la CTV ne fonctionne pas et que le search fonctionne, puis déplace le budget hors du canal même qui a lancé le parcours. À terme, la demande se tarit parce que rien n'alimente plus le haut du funnel. C'est l'une des erreurs les plus fréquentes et les plus coûteuses en mesure média.

De meilleures approches existent : l'attribution multi-touch (répartir le crédit entre les contacts) et les tests d'incrémentalité : isoler un groupe de contrôle qui ne voit pas la publicité, puis mesurer le lift des conversions chez ceux qui l'ont vue. L'incrémentalité répond à la vraie question : qu'est-ce qui s'est produit *à cause* de la publicité et qui ne se serait pas produit de toute façon ?

🎬 [VIDEO: "How Attribution Modeling Works" - youtube.com - une explication claire du last-touch face au multi-touch et des limites de chacun]

Vérification des acquis

1. Quelle propriété clé de la CTV a poussé les marketeurs à y basculer du budget, tout en créant de nouveaux défis de mesure ?

2. Dans le contexte de cette leçon, qu'est-ce qu'un « segment » d'audience ?

3. Pourquoi l'ACR (automatic content recognition) est-il présenté comme puissant pour mesurer l'exposition publicitaire ?

CHOIX MULTIPLES

4. Sélectionnez TOUTES les affirmations qui décrivent correctement en quoi la publicité TV moderne diffère de l'ancien modèle broadcast.

Sélectionnez toutes les réponses correctes.

CHOIX MULTIPLES

5. Sélectionnez TOUTES les affirmations correctes sur les sources de données utilisées pour construire les segments d'audience.

Sélectionnez toutes les réponses correctes.

Mise en pratique : le dashboard de l'acheteur

Un acheteur média qui pilote notre campagne SUV devrait lire les chiffres dans un ordre précis :

  • Reach et fréquence dédupliqués d'abord. Touchons-nous de nouveaux foyers, ou martelons-nous les mêmes ? Une fréquence de 15 signale généralement du gaspillage.
  • Incrémentalité, pas seulement les conversions last-touch. La campagne a-t-elle augmenté les ventes par rapport à un groupe témoin ?
  • Vue cross-screen. Linéaire, CTV et mobile doivent être mesurés ensemble, parce que le même foyer circule entre eux.

Un piège récurrent : juger un canal de haut de funnel comme la CTV avec des métriques de bas de funnel en last-touch. La CTV décroche rarement le dernier clic. Évaluée sur un scorecard basé sur les clics, elle paraît toujours faible, même quand elle fait son travail.

Une remarque sur les données elles-mêmes

Chaque chiffre ici repose sur une qualité de données variable. La couverture ACR dépend des TV présentes sur un marché et du consentement des foyers. Les identity graphs sont des estimations, pas une vérité parfaite. La mesure par panel couvre un échantillon, pas tout le monde. Traitez les chiffres de reach des fournisseurs comme des estimations éclairées et demandez comment la déduplication a été faite avant de faire confiance à une comparaison entre plateformes.

Points clés

  • La CTV, c'est la TV adressable. Sa valeur tient au ciblage d'un foyer précis, ce qui explique aussi pourquoi la mesure s'est compliquée à mesure que la consommation se fragmentait entre applications et appareils.
  • Reach et fréquence n'ont de sens qu'après déduplication. La fragmentation gonfle le reach déclaré et masque la fréquence réelle si les impressions ne sont pas rattachées aux foyers via un identity graph.
  • L'attribution last-touch sous-évalue systématiquement les canaux de haut de funnel comme la CTV, en créditant le dernier clic search d'une demande créée par la publicité antérieure.
  • Les tests d'incrémentalité (un groupe témoin) répondent à la vraie question : ce qui s'est produit grâce à la publicité, pas seulement ce qui s'est produit après.
  • Chaque chiffre est une estimation. Demandez comment le reach a été dédupliqué et comment les conversions ont été attribuées avant de comparer des plateformes ou de déplacer un budget.