Comment justifier, optimiser et hiérarchiser les investissements marketing et communication par l’utilisation des outils économétriques ?

Introduction

Le rôle du mar­ket­ing dans l’en­tre­prise est de con­tribuer à dévelop­per ou défendre les parts de marché, notamment : 

• . en sou­tenant les canaux de ventes de l’en­tre­prise (dis­trib­u­teurs, réseaux de fran­chis­es, forces de ventes) par des actions de mise en avant et de val­ori­sa­tion de l’of­fre (cam­pagne de pub­lic­ité, rela­tion presse, rela­tion publique, organ­i­sa­tion d’événe­ment, pro­mo­tion sur le lieu de vente, Inter­net, etc.) ; 
• au tra­vers d’ac­tions directes vers les clients fin­aux (ventes sur Inter­net ou par télé­phone, pro­gramme de fidéli­sa­tion ou de rétention). 

Alors que cette pra­tique est courante dans les pays anglo-sax­ons, la quan­tifi­ca­tion de l’im­pact sur les ventes des actions mar­ket­ing et des cam­pagnes de com­mu­ni­ca­tion est très peu exploitée en France. Les agences de com­mu­ni­ca­tion et les prestataires mar­ket­ing dans leur grande majorité ne pro­posent qu’une approche ” qual­i­ta­tive ” de l’ef­fi­cac­ité. On mesure le taux d’ex­po­si­tion à un mes­sage pub­lic­i­taire, la pres­sion pub­lic­i­taire sur la cible (Gross Rat­ing Point), le taux de retour, le taux de clic pour les médias inter­ac­t­ifs, la notoriété et l’im­age de la mar­que par des enquêtes d’opinion… 

Ces méth­odes mesurent indi­recte­ment la per­for­mance des actions mar­ket­ing et com­mu­ni­ca­tion à par­tir d’indi­ca­teurs non économiques. Elles n’au­torisent pas en l’é­tat une éval­u­a­tion du retour sur investisse­ments, pris au sens financier du terme. 

Or de plus en plus, les direc­tions générales comme les direc­tions mar­ket­ing vien­nent à con­sid­ér­er le bud­get mar­ket­ing comme un investisse­ment dont la rentabil­ité doit être pilotée comme les autres investisse­ments con­sen­tis par l’en­tre­prise. Comme l’ont fait d’autres fonc­tions dans l’en­tre­prise (fonc­tions achats, fonc­tion en charge des sys­tèmes d’in­for­ma­tion…), les investisse­ments mar­ket­ing et com­mu­ni­ca­tion font aujour­d’hui l’ob­jet d’une atten­tion par­ti­c­ulière, et d’une pro­fes­sion­nal­i­sa­tion crois­sante dans leur gestion. 

B & BC, cab­i­net de con­seil en mar­ket­ing et man­age­ment, a dévelop­pé une approche basée sur l’é­conométrie, per­me­t­tant d’é­val­uer quan­ti­ta­tive­ment la con­tri­bu­tion en pro­pre des actions mar­ket­ing et com­mu­ni­ca­tion (le ” mix-mar­ket­ing ”) sur les ventes. 

Cette approche répond aux objec­tifs de jus­ti­fi­ca­tion des investisse­ments en mar­ket­ing et com­mu­ni­ca­tion par le cal­cul du ROI financier, d’op­ti­mi­sa­tion des bud­gets, et de hiérar­chi­sa­tion des actions mar­ket­ing et communication. 

Par exten­sion, ce type d’ap­proche per­met d’ap­porter une réponse aux ques­tions suivantes : 

• quel est le bud­get néces­saire par nature d’ac­tions mar­ket­ing et com­mu­ni­ca­tion, pour obtenir le niveau de ventes souhaité, pour une offre donnée ? 
• quelle est l’in­flu­ence des élé­ments externes tels que la saisonnalité ? 
• quelles sont les actions de la con­cur­rence (pro­mo­tions, baisse de prix…) qui ont l’im­pact le plus négatif sur les ventes ? 
• quelle est la durée de l’ef­fet de chaque com­posante d’une campagne ? 
• les dif­férents médias ou actions sont-ils plus effi­caces lorsqu’ils sont util­isés ensem­ble, etc. 

Qu’apporte l’économétrie au marketing ?

L’analyse économétrique per­met de lier les vari­a­tions des ventes (ou de toute autre vari­able que l’on veut expli­quer comme la fréquen­ta­tion d’un site Inter­net, le nom­bre de voyageurs sur une liai­son aéri­enne…) aux vari­a­tions de toute une série de fac­teurs causals. L’é­conométricien pro­duit donc un mod­èle math­é­ma­tique qui exprime les ventes en fonc­tion de tous les fac­teurs ayant une influ­ence sig­ni­fica­tive sur celles-ci. 

Chaque pro­jet d’é­conométrie débute par un recense­ment exhaus­tif de tous les fac­teurs ayant poten­tielle­ment un impact sur les ventes. 

En effet, se lim­iter à l’é­tude des investisse­ments de pub­lic­ité sans tenir compte de paramètres externes (saison­nal­ité, con­cur­rents) peut con­duire à des erreurs d’in­ter­pré­ta­tion (par exem­ple, dif­fi­culté de sépar­er l’in­flu­ence de la pub­lic­ité et con­di­tions météorologiques dans la vente de bois­sons fraîch­es en été). Cette pre­mière étape de la démarche peut pren­dre la forme d’un groupe de tra­vail avec l’équipe mar­ket­ing de l’en­tre­prise, afin d’ac­quérir une com­préhen­sion fine des mécaniques et leviers de leur métier. 

Le nom­bre de vari­ables qu’il est pos­si­ble d’in­cor­por­er dans le mod­èle étant lim­ité par la pro­fondeur d’his­torique, il est néces­saire d’ef­fectuer un tri par­mi toutes les vari­ables poten­tielles recen­sées dans la pre­mière étape. À ce niveau du mod­èle, on peut déjà effectuer des tests sta­tis­tiques de cor­réla­tion des vari­ables. On peut ain­si regrouper cer­taines vari­ables, en sup­primer d’autres… À ce stade, il faut aus­si réfléchir à la manière de mod­élis­er les vari­ables. En effet, le mod­èle util­isé est linéaire mais l’in­flu­ence réelle des vari­ables l’est rarement : il est donc sou­vent néces­saire de trans­former cer­taines vari­ables afin d’être plus proche de la réal­ité (la vari­able util­isée dans le mod­èle sera alors une fonc­tion de la vari­able réelle). 

La mod­éli­sa­tion des actions mar­ket­ing répond, quant à elle, à la théorie dite des ” adstocks “, qui tient compte de la décrois­sance expo­nen­tielle de l’ef­fet d’une cam­pagne après le jour J, avec éventuelle­ment un effet retard (notam­ment si la péri­ode de mesure est le jour). Cette théorie s’ap­plique aus­si à tout événe­ment ponctuel ayant un effet étalé. Le mod­èle per­me­t­tra de mesur­er quel est le taux de décrois­sance de chaque com­posante et ain­si de dis­tinguer les effets à court terme des effets à long terme. Elle est illus­trée sur la fig­ure 1. 

Après ce tra­vail pré­para­toire, on peut effectuer la régres­sion mul­ti­l­inéaire pro­pre­ment dite. Le proces­sus de mod­éli­sa­tion per­met d’i­den­ti­fi­er les fac­teurs ayant eu une influ­ence sig­ni­fica­tive, de sépar­er leurs effets et de cal­culer les poids qui s’ap­pliquent à cha­cun dans la con­tri­bu­tion aux ventes par exem­ple. Le résul­tat est une équa­tion du type de celle de la fig­ure 2. Dans la pra­tique, l’équa­tion peut pren­dre une forme plus com­plexe, notam­ment pour tenir compte des inter­ac­tions entre les dif­férentes vari­ables. Cer­tains fac­teurs ont un impact posi­tif et d’autres un impact négatif et chaque coef­fi­cient pos­sède un inter­valle de con­fi­ance pro­pre. On peut alors con­fron­ter le mod­èle à la réal­ité en traçant un graphe du type de la fig­ure 3. 

Il y a tou­jours un écart entre le mod­èle et la réal­ité appelé erreur de pré­dic­tion du mod­èle. Elle provient prin­ci­pale­ment de trois sources :. 

• l’er­reur d’échan­til­lon­nage des don­nées qui est juste du bruit et qui ne peut pas être modélisée, 
• l’er­reur de mesure des données, 
• les fac­teurs ponctuels qui n’ont pas été inclus dans le mod­èle soit parce qu’ils sont incon­nus, soit parce qu’ils sont impos­si­bles à mesur­er, soit parce que les don­nées disponibles ne les reflè­tent pas bien (par exem­ple vari­a­tion locale de température).
   

L’er­reur stan­dard du mod­èle est la moyenne de ces erreurs de pré­dic­tion : sa valeur peut être inter­prétée comme la pré­ci­sion du mod­èle et apporte des infor­ma­tions sur ce qu’il est pos­si­ble de mesur­er ou non. Ain­si, pour être sig­ni­fica­tive­ment dif­férent de 0 à l’in­ter­valle de con­fi­ance de 95 %, un fac­teur inter­venant sur une péri­ode doit avoir un impact supérieur à deux erreurs stan­dard, s’il agit sur deux péri­odes, l’im­pact doit être de 1,4 fois l’er­reur stan­dard et ain­si de suite jusqu’à 0,63 erreur stan­dard pour un impact sur 10 péri­odes par exem­ple. Un bon mod­èle a en général une erreur stan­dard com­prise entre 3 et 4 % mais il n’est pas rare de ren­con­tr­er des erreurs de 6–8 %, auquel cas il devient assez dif­fi­cile de mesur­er les fac­teurs peu prépondérants, comme, par exem­ple, une pro­mo­tion ayant eu lieu sur une seule période. 

Exam­inons main­tenant com­ment cette méthodolo­gie s’ap­plique sur un cas pra­tique et quelles dif­fi­cultés peu­vent être rencontrées. 

Illustration avec la Lettre recommandée électronique de La Poste

Six mois après le lance­ment en grand pub­lic de la Let­tre recom­mandée élec­tron­ique (LRE), cette approche économétrique a été util­isée afin de mesur­er la per­for­mance des pre­mières actions mar­ket­ing et com­mu­ni­ca­tion. Leurs impacts en pro­pre sur les inscrip­tions et les ventes du pro­duit LRE ont per­mis de déter­min­er une rentabil­ité finan­cière et ali­menter du même coup la con­struc­tion de scé­nar­ios d’in­vestisse­ments mar­ket­ing selon des hypothès­es d’ac­croisse­ment ou de repli budgé­taire (voir le témoignage d’O­livi­er Argaut en encadré). 

Out­re de tra­di­tion­nelles inser­tions dans la presse et de ban­nières sur Inter­net, ce lance­ment avait béné­fi­cié d’im­por­tantes rela­tions presse. Lors de la pre­mière étape de la démarche, il est apparu qu’il y avait plusieurs sortes de clients du site : ceux qui, après avoir enten­du par­ler de la LRE, s’in­scrivaient mais sans envoy­er de let­tre immé­di­ate­ment (l’in­scrip­tion étant oblig­a­toire) et ceux qui s’in­scrivaient pour envoy­er une let­tre. L’en­voi pou­vait donc avoir deux sources : dépen­dre directe­ment d’une inscrip­tion (néces­saire avant l’en­voi) ou être fait par un util­isa­teur récur­rent ou jusqu’alors inac­t­if. Il fal­lait donc con­stru­ire un mod­èle en cas­cade puisque les envois dépendaient d’un traf­ic récur­rent (con­stante dans l’équa­tion), de l’ac­tiv­ité de com­mu­ni­ca­tion et des inscrip­tions (dépen­dant elles-mêmes de l’ac­tiv­ité de com­mu­ni­ca­tion). Le mod­èle était donc con­sti­tué de deux sous-mod­èles, l’un per­me­t­tant de com­pren­dre les inscrip­tions en fonc­tion des activ­ités de com­mu­ni­ca­tion et des critères externes (saison­nal­ité), le sec­ond per­me­t­tant d’ex­pli­quer les envois par les inscrip­tions, les activ­ités de com­mu­ni­ca­tion et la saisonnalité. 

Une des dif­fi­cultés du mod­èle était la con­cen­tra­tion de l’ac­tiv­ité de com­mu­ni­ca­tion dans les trois mois suiv­ant le lance­ment et la faible pro­fondeur d’historique. 

Ces deux don­nées du prob­lème nous ont con­traints à faire le choix d’un mod­èle dont la péri­ode de temps est le jour, créant ain­si deux dif­fi­cultés sup­plé­men­taires : cer­tains phénomènes ponctuels non appar­ents à une échelle heb­do­madaire ou men­su­elle venaient per­turber la régu­lar­ité de la saison­nal­ité et la mod­éli­sa­tion des actions de com­mu­ni­ca­tion était ren­due plus dif­fi­cile en rai­son d’un effet retard dans l’im­pact de chaque action. 

Cette analyse nous a per­mis tout d’abord de valid­er (sans sur­prise compte tenu du pro­duit et de sa forte expo­si­tion), que les rela­tions presse avaient un impact bien plus impor­tant que la pub­lic­ité clas­sique puisqu’elles auraient généré plus de la moitié des inscrip­tions. Ensuite, le mod­èle a per­mis de com­par­er l’ef­fi­cac­ité des dif­férents canaux util­isés en ten­ant compte du coût de chaque sup­port. Ain­si, la com­mu­ni­ca­tion Inter­net s’est avérée être la plus rentable, tan­dis que cer­tains sup­ports de presse se sont révélés assez peu rentables. 

Utilisation des résultats

Le cas de la let­tre recom­mandée élec­tron­ique n’est qu’un exem­ple d’ap­pli­ca­tion par­mi d’autres. En effet, il s’ag­it de l’é­tude d’un lance­ment, avec mise en évi­dence de la phase d’ap­pren­tis­sage, cor­re­spon­dant à un régime tran­si­toire. Il a per­mis d’é­clair­er La Poste sur les fac­teurs de per­for­mance d’or­dre mar­ket­ing et com­mu­ni­ca­tion liés au lance­ment de ce produit. 

D’autres mod­èles plus globaux et plus ori­en­tés vers le long terme peu­vent être conçus avec la même méthodolo­gie : il est par exem­ple pos­si­ble de con­stru­ire un mod­èle avec une péri­od­ic­ité men­su­elle, ten­ant compte des évo­lu­tions macroé­conomiques du marché, de l’ac­tiv­ité de la con­cur­rence… Un tel mod­èle, s’il représente une activ­ité que l’on peut con­sid­ér­er en régime per­ma­nent, peut être util­isé pour son car­ac­tère prédictif. 

L’ap­pli­ca­tion immé­di­ate de cette méthode per­met un rééquili­brage du bud­get mar­ket­ing et com­mu­ni­ca­tion au prof­it des sup­ports que le mod­èle a démon­tré être les plus effi­caces (voir fig­ure 4). 

Cepen­dant, il n’est jamais con­seil­lé d’opér­er de coupes dras­tiques d’un des élé­ments. En effet, procéder par ajuste­ments pro­gres­sifs per­met de ne pas nég­liger les effets com­binés des cam­pagnes : même si la presse était moins effi­cace que les ban­nières Inter­net dans le cas de La Poste, rien ne dit que les ban­nières auraient eu le même effet sans le sup­port de la cam­pagne presse. De plus, le mod­èle dis­pose d’un domaine de valid­ité pro­pre, dont il faut veiller à ne pas s’écarter. 

Lorsque la sta­bil­ité math­é­ma­tique du mod­èle est acquise, dans un con­texte de marché sere­in, le mod­èle devient util­is­able en pré­dic­tion. On peut alors tester divers scé­nar­ios, notam­ment par rap­port aux actions de la con­cur­rence, aux événe­ments extérieurs… il n’est pas rare d’avoir des pré­dic­tions à six mois avec une erreur inférieure à 5 %. 

L’a­van­tage apporté par la théorie de la régres­sion mul­ti­l­inéaire est la con­nais­sance par avance et avec exac­ti­tude des inter­valles de con­fi­ance asso­ciés à chaque estimation. 

Limites de la modélisation

Le prob­lème le plus courant est le manque de pro­fondeur d’his­torique dans les don­nées : on peut dire de tels mod­èles qu’ils appren­nent du passé. Plus on dis­pose de don­nées his­toriques, plus le mod­èle pour­ra pren­dre en compte de paramètres : on con­sid­ère que le nom­bre de péri­ode de don­nées disponibles doit être égal à trois fois le nom­bre de vari­ables dont on veut éval­uer l’im­pact pour être à l’aise. L’étroitesse des inter­valles de con­fi­ance est directe­ment liée à la pro­fondeur d’his­torique. Cepen­dant, lorsque cette dernière est insuff­isante, il est pos­si­ble de faire des com­pro­mis en regroupant les vari­ables par type de cam­pagne ou par média afin d’é­val­uer l’im­pact global. 

La per­for­mance du mod­èle est aus­si étroite­ment liée à la qual­ité des don­nées disponibles. Au-delà des erreurs de mesure, les méth­odes de mesure doivent être sta­bles et doivent refléter la réal­ité. Par exem­ple, il con­vient d’être pru­dent avec le coût d’achat de ” l’e­space pub­lic­i­taire ” qui fluctue énor­mé­ment au cours de l’an­née, pou­vant intro­duire un biais dans l’analyse. 

Conclusion

Con­nais­sant ces lim­ites, on peut se pos­er la ques­tion suiv­ante : com­ment pré­par­er la cam­pagne afin de max­imiser les chances d’obtenir un mod­èle performant ? 

Idéale­ment, l’ap­proche économétrique débute dès le lance­ment des actions mar­ket­ing ou des cam­pagnes de com­mu­ni­ca­tion afin de pré­par­er la mesure des fac­teurs poten­tielle­ment impor­tants et ain­si opti­miser la per­ti­nence du mod­èle qui en résultera. 

Voici quelques pré­cau­tions qui peu­vent s’avér­er béné­fiques pour la per­for­mance du modèle : 

1) archiv­er les don­nées de manière pré­cise, notam­ment l’his­torique des inci­dents qui est sou­vent ignoré dans les mod­èles basiques (his­torique des grèves par exem­ple pour une com­pag­nie aérienne),
2) voir si l’on peut amélior­er les sources de don­nées, à la fois du point de vue de la cou­ver­ture et de la précision,
3) spé­ci­fi­er le sys­tème de don­nées en fonc­tion des infor­ma­tions néces­saires au mod­èle si possible,
4) véri­fi­er s’il est pos­si­ble d’ap­porter des mod­i­fi­ca­tions au plan­ning média per­me­t­tant de faciliter la mod­éli­sa­tion par la suite, notam­ment afin d’éviter de ren­dre cer­taines vari­ables trop col­inéaires, les ren­dant alors indis­cern­ables par le modèle,
5) bien for­muler les hypothès­es et les objec­tifs de la modélisation,
6) bien hiérar­chis­er les vari­ables pri­or­i­taires : le mod­èle pour­ra alors être conçu afin d’é­val­uer l’in­ci­dence de ces facteurs,
7) être réal­iste sur le résul­tat que l’on est en droit d’at­ten­dre du mod­èle en fonc­tion des don­nées disponibles. 

L’é­conométrie appliquée au mar­ket­ing se révèle d’une aide pré­cieuse dans la con­cep­tion et l’analyse des investisse­ments mar­ket­ing, à con­di­tion de garder à l’e­sprit les lim­ites de tels mod­èles. Il faut ain­si accepter que la théorie n’ex­plique pas tout et qu’un mod­èle se con­stru­it pas à pas : un pre­mier mod­èle peut appa­raître mal adap­té à la hiérar­chi­sa­tion des investisse­ments mais s’avér­er par­faite­ment per­ti­nent pour la jus­ti­fi­ca­tion glob­ale des bud­gets engagés. Bref, ces mod­èles sont robustes mais il est par­fois néces­saire de les con­stru­ire pas à pas pour en tir­er tous les bénéfices… 

Ain­si, il con­vient d’être expéri­men­té dans l’in­ter­pré­ta­tion des résul­tats et de nuancer les déci­sions découlant du mod­èle par une analyse de l’en­vi­ron­nement dans lequel s’in­sèrent l’of­fre et les actions marketing. 

La sur­in­ter­pré­ta­tion est sou­vent le dan­ger qui accom­pa­gne la robustesse et la fia­bil­ité de tels modèles. 

---

Articles similaires :

Le pas­sif est un actif FISCALITE : Alli­er voca­tion et intérêt fiscal Prévenir, adapter… et souf­frir (Entre­tien avec Jean-Pas­cal van Ypersele) Trans­met­tre le goût de la science La Stratégie du meilleur prix de revient