EN
… ou comment augmenter votre vitesse d’optimisation x1000!
Les algorithmes automatisés d’optimisation des enchères peuvent avoir un impact considérable sur le ROI des campagnes PPC, mais ils nécessitent une quantité importante de données de performance afin d’effectuer les bons changements d’enchères au niveau des mots-clés. Les campagnes ciblées localement (PPC local) sont désavantagées car les budgets sont souvent trop faibles pour réagir automatiquement aux changements de comportement de recherche dans un délai convenable. La nature peut-elle nous aider à réagir plus rapidement aux tendances et à augmenter le retour sur investissement des campagnes locales ?
Le problème de la rareté des données
Le problème majeur pour optimiser efficacement les campagnes PPC de recherche locale pour les leads et les conversions est le manque de données disponibles. Une campagne de recherche locale typique d’une PME peut dépenser 500 $ par mois, en utilisant 50 à 100 mots-clés à travers 5 à 10 groupes d’annonces. La campagne reçoit alors environ 100 à 200 clics et – selon le type de lead qui est mesuré, génère normalement de 3 à 6 leads par mois.
Exemple de campagne ppc locale.
Les algorithmes d’optimisation commencent par des valeurs initiales pour les enchères des mots-clés, puis les modifient au fil du temps via des règles ou un apprentissage basé sur les données collectées jusqu’au moment de la prise de décision. Les données indiquent à l’algorithme les performances d’un mot-clé de la campagne par rapport à un autre. La performance est souvent mesurée par le coût par lead, qui peut être calculé en divisant le prix du clic par le pourcentage de clics qui aboutissent à un lead (Lead-thru-rate). Le lead-thru-rate est initialement inconnu et diffère selon les mots-clés.
Étant donné que les algorithmes ne peuvent pas comprendre la signification sémantique des mots-clés, ils doivent s’appuyer sur des calculs ou des règles qui indiquent à l’algorithme quand tirer une conclusion des données collectées et donc modifier l’enchère. La sagesse du marché nous dit qu’il faut attendre environ 30 conversions avant de pouvoir optimiser efficacement une campagne. Il s’agit, bien entendu, d’une indication très approximative. Le temps d’attente réel dépend de facteurs tels que le nombre de groupes d’annonces et de mots-clés utilisés dans la campagne et le degré de confiance que le décideur souhaite avoir avant de prendre la décision de pousser (augmenter les enchères) ou de ne pas pousser (diminuer les enchères) pour un groupe d’annonces ou un mot-clé.
Intervalles de confiance à 90 % pour deux objets soumissionnables sur la base d’une hypothèse de distribution binomiale pour les lead-thru-rates.
Le niveau de confiance du taux de pénétration calculé des mots-clés augmente avec le nombre de clics réalisés et les limites de l’intervalle de confiance à 90 % convergent vers le » vrai » taux de pénétration du mot-clé. Dans l’exemple ci-dessus, l’algorithme devrait attendre d’atteindre 200 clics pour chacun des deux mots-clés pour être en mesure de prendre une décision statistiquement valable selon laquelle l’objet rouge a un taux de pénétration plus élevé que l’objet bleu. Compte tenu du faible nombre de clics dans les campagnes de marketing local, les temps d’attente qui en résultent sont souvent plus longs que la durée de vie de la campagne de la PME.
Intelligence collective
Dans la nature, certains animaux sont confrontés à un défi similaire. Pensez aux abeilles qui s’envolent pour récolter du nectar. Chaque abeille doit décider dans quelle direction voler pour trouver un champ en fleurs. Si chaque abeille devait trouver cette direction par elle-même, la reine et le couvain de la ruche mourraient très probablement de faim. Cependant, les abeilles communiquent par des danses pour partager des informations sur le meilleur terrain à butiner. Ensemble, elles obtiennent d’étonnants résultats ! Les fourmis utilisent une approche similaire : lorsqu’elles ont trouvé de la nourriture, elles échangent des informations en déposant des phéromones comme trace sur le chemin du retour au nid. Une fourmi qui quitte le nid utilise les phéromones des autres fourmis et est ainsi plus efficace pour trouver de la nourriture. Chaque abeille ou fourmi est trop limitée dans ses capacités à agir ou à recueillir des informations par elle-même. Ensemble, elles sont très performantes. Elles partagent des atouts importants tels que le savoir, la mémoire, la créativité, les forces et les capteurs. Cela les rend plus aptes à survivre, en augmentant leurs capacités de recherche de nourriture, d’évitement des prédateurs, de reproduction, de motivation, d’économie d’énergie et de motivation sociale.
Abeilles à miel qui dansent
Cette collaboration entre les membres du groupe est appelée intelligence collective, de groupe ou d’essaim. Dans la société humaine, l’intelligence collective peut être comprise comme la capacité accrue qui est créée lorsque des personnes travaillent ensemble, souvent avec l’aide de la technologie, pour mobiliser un plus large éventail d’informations, d’idées et de points de vue. L’intelligence collective émerge lorsque ces contributions sont combinées pour devenir plus que la somme de leurs parties à des fins telles que l’apprentissage, l’innovation et la prise de décision. Google, Wikipedia ou d’autres résultats issus du mouvement open source ont démontré le potentiel des outils numériques et des réseaux d’individus pour générer des formes d’intelligence collective.
L’intelligence collective apporte des idées de big data au marketing local.
L’intelligence collective peut également être utilisée pour le marketing local. Nous pouvons agréger des informations provenant des campagnes de différents clients, à condition que ces campagnes présentent un certain niveau de similitude. L’utilisation de modèles de marketing peut garantir que les campagnes d’entreprises similaires sont normalisées et comparables. Si, par exemple, chaque campagne réalisée pour un nouveau client dentiste est créée à partir de zéro, toutes les campagnes seront suffisamment différentes pour que vous ne puissiez pas comparer des pommes avec des pommes entre deux campagnes de dentistes. Si, en revanche, le responsable de la campagne utilise des modèles préétablis pour le nouveau client, qu’il adapte ensuite à la situation spécifique du dentiste, alors la structure générale et le contenu de toutes les campagnes des dentistes seront assez similaires. Plus les éléments, allant des mots-clés et du texte publicitaire aux pages de destination utilisées, sont similaires, mieux c’est pour l’intelligence collective. Les informations partagées de chaque client individuel sont plus significatives pour le groupe afin d’être utilisées pour prendre des mesures sur toutes les campagnes du groupe.
L’intelligence collective en action
Les résultats peuvent être étonnants : nous avons utilisé une campagne modélisée sur 500 sites d’une même verticale et observé le comportement des enchères. Sur une période de sept mois, nous avons constaté 200 modifications d’enchères pour améliorer les performances des prospects pour les enchères au niveau du groupe d’annonces qui ont été faites avec un niveau de confiance de 90% en se basant uniquement sur les informations recueillies pour le site individuel. Comme prévu, c’est un nombre vraiment faible. Cependant, le logiciel de gestion des enchères d’Adplorer qui combinait en plus les informations de groupes d’annonces similaires sur les 500 emplacements ont pu effectuer 200 000 changements d’enchères avec un niveau de confiance de 90%. Une efficacité d’optimisation multipliée par 1 000 !
Les avantages sont multiples pour les agences qui utilisent cette technologie :
- Lorsqu’on utilise des modèles, les campagnes peuvent être facilement préparées à l’avance et il suffit ensuite de les ajuster légèrement pour le client spécifique. C’est un avantage bien connu et souvent capitalisé.
- Avec un algorithme d’intelligence collective, les optimisations systématiques des enchères et du budget peuvent être effectuées beaucoup plus tôt. Le client verra donc des effets beaucoup plus rapidement que sans de tels algorithmes.
- Les résultats globaux pour les clients seront meilleurs car moins de clics improductifs sont achetés dans la phase d’apprentissage de l’algorithme. L’apprentissage ne se produit pas seulement au début d’une campagne, mais aussi lorsqu’il y a des changements dans le comportement de recherche, des ajustements de goût et de saisonnalité.
- Les nouveaux clients bénéficient des données des clients existants. Par exemple, un nouveau plombier qui rejoint une agence qui a déjà de nombreuses campagnes de plombiers à gérer bénéficiera immédiatement des paramètres de toutes les autres campagnes.
- Cela entraînera des effets de réseau pour les agences. Les agences qui construisent de telles taxonomies et utilisent l’intelligence collective auront un avantage stratégique. Plus elles ont de clients du même secteur, plus leurs performances s’améliorent. Par conséquent, les nouveaux clients de ce secteur ont intérêt à rejoindre cette agence plutôt qu’une autre agence ne disposant pas de ces connaissances.
Depuis l’Antiquité, les savants ont été fascinés par l’intelligence en essaim des animaux, allant parfois jusqu’à attribuer leurs actions à la volonté des dieux. Aujourd’hui, les universitaires et les praticiens ont appliqué les principes de base de l’intelligence collective à la résolution de problèmes modernes dans de nombreux domaines. Le temps est venu pour le marketing local d’exploiter également le pouvoir du plus grand nombre. Rejoignez le groupe !
