De meilleures performances pour les campagnes utilisant Sponsored Display

• Dans la première approche, nous avons créé et comparé trois groupes de marques en fonction de leur adoption des produits publicitaires :
• Sponsored Products uniquement,
• Sponsored Products + Sponsored Brands, ou
• Sponsored Products + Sponsored Brands + Sponsored Display.
• Dans la seconde approche, nous avons comparé les ventes réelles des annonceurs ayant adopté Sponsored Display par rapport aux ventes prévues sans adoption de Sponsored Display (sur une période de 50 semaines).
• Dans la dernière approche, nous avons utilisé le machine learning pour déterminer l'impact causal de l'ajout de Sponsored Display aux campagnes publicitaires sur le mois suivant.

Dans la première approche, nous avons comparé le succès d'une année sur l'autre (en glissement annuel) des ventes totales, des ventes attribuées à la publicité et du retour sur investissement publicitaire (ROAS) en analysant trois combinaisons de produits publicitaires différentes :

• Sponsored Products uniquement (valeur de référence)
• Sponsored Products + Sponsored Brands (augmentation de 6 % des ventes totales et de 10 % des ventes attribuées à la publicité, en glissement annuel, et ROAS 0,8 fois plus élevé)
• Sponsored Products + Sponsored Brands + Sponsored Display (augmentation de 16 % des ventes totales et de 25 % des ventes attribuées à la publicité, en glissement annuel, et ROAS 2,6 fois plus élevé)

En résumé, nous avons découvert que la combinaison publicitaire la plus efficace en termes de ventes totales, de ventes attribuées à la publicité et de ROAS était celle utilisant les trois produits publicitaires.

La dernière approche a mesuré l'impact de l'activation de Sponsored Display (ciblage par produits) sur le mois suivant, en particulier sur les premiers achats de la marque, les vues de la page produit, les impressions publicitaires et les ventes totales.

Les marques qui ont commencé à utiliser le ciblage par produits Sponsored Display pour la première fois ont observé, en moyenne, 33,9 % d'impressions, 3,6 % de vues de la page produit et 2,6 % de premiers achats de la marque supplémentaires le mois suivant, par rapport aux marques qui ne l'ont pas fait. De la même manière, les marques qui ont créé une campagne de ciblage par produits Sponsored Display pour la première fois ont observé, en moyenne, 28,8 % de ventes totales, 4,2 % de vues de la page produit et 2,6 % de premiers achats de la marque supplémentaires le mois suivant, par rapport aux marques qui ne l'ont pas fait.

En utilisant plusieurs méthodes pour tester l'efficacité de Sponsored Display, nous pouvons conclure que les marques ayant intégré Sponsored Display en plus de Sponsored Products, ou en plus de Sponsored Products et Sponsored Brands, ont enregistré une hausse de 10 à 29 % de leurs ventes totales, ainsi qu'une augmentation des impressions, des vues de la page produit, des premiers achats de la marque, des ventes attribuées à la publicité et du retour sur investissement publicitaire (ROAS), par rapport aux marques qui ne l'ont pas fait. Nous recommandons donc aux annonceurs d'envisager d'ajouter Sponsored Display à leur combinaison publicitaire.

Nous venons également de terminer une autre étude visant à tester l'efficacité de l'ajout de Sponsored Brands vidéo à des campagnes, et celle-ci a montré des résultats positifs similaires. À l'avenir, nous allons tester l'efficacité des quatre produits publicitaires pour découvrir s'il existe une combinaison optimale.

Nous avons analysé un peu plus de 43 000 annonceurs entre avril 2020 et juin 2021, en utilisant trois approches :

• Premièrement, nous avons effectué une analyse comparative sur 11 000 de ces marques afin de déterminer s'il existait une corrélation entre les augmentations supplémentaires et l'intégration de Sponsored Display à la combinaison de Sponsored Brands et Sponsored Products sur le long terme.
• Ensuite, nous avons analysé l'impact de l'activation de Sponsored Display sur 284 de ces marques pour déterminer si les audiences Sponsored Display étaient à l'origine d'améliorations sur une période de 20 semaines.
• Troisièmement, nous avons utilisé une analyse d'inférence causale en nous appuyant sur le machine learning pour déterminer si Sponsored Display était à l'origine d'une amélioration des indicateurs clés de performances le mois suivant l'activation, à court terme. Nous avons trouvé des correspondances pour environ 4 600 marques sur les 43 000.

Nous avons constaté qu'une stratégie équilibrée intégrant les trois produits était corrélée à l'augmentation des performances des 11 000 marques que nous avons étudiées à l'aide d'une analyse comparative.

En ce qui concerne les analyses individuelles :

• Premièrement, alors que nous effectuions une analyse d'impact causal pour mesurer l'augmentation d'indicateurs de performances spécifiques due à la tactique de ciblage Sponsored Display (ciblage par produits et audiences), nous avons complété cette analyse en créant une vision de plus haut niveau des avantages liés à l'utilisation de Sponsored Display, et ce en réalisant une analyse non causale sur une période à plus long terme d'un an. Plus précisément, nous avons analysé 11 394 annonceurs sur la marketplace des États-Unis (vendeurs et fournisseurs), en les divisant en groupes en fonction de leur utilisation des trois produits publicitaires que nous analysions (Sponsored Products, Sponsored Brands et Sponsored Display). Les trois différents groupes analysés, définis selon leur utilisation des produits publicitaires, étaient les suivants :
• Sponsored Products uniquement (ce que nous avons considéré comme la référence)
• Sponsored Products + Sponsored Brands (ce groupe pouvait utiliser Sponsored Display avec un faible investissement (<4 %))
• Sponsored Products + Sponsored Brands + Sponsored Display (ce groupe utilisait Sponsored Display avec des tactiques de ciblage par produits (>70 %) et d'audiences (>10 %))
• Deuxièmement, nous avons mené une analyse d'impact causal pour les annonceurs utilisant pour la première fois les audiences Sponsored Display afin d'en déduire l'impact causal sur le total des ventes, en fonction d'un modèle état-espace de diffusion-régression qui prédit la réponse contrefactuelle qui se serait produite si l'action de ciblage publicitaire n'avait pas eu lieu dans un délai moyen de 20 semaines. Pour cette étude, nous avons sélectionné 284 annonceurs qui ont satisfait à des conditions spécifiques dans une période de 50 semaines. Plus précisément, ces annonceurs ont utilisé Sponsored Products et/ou Sponsored Brands pendant au moins 30 semaines en 2021 avant l'activation de l'audience Sponsored Display. En outre, au cours des 20 dernières semaines de la période à moyen terme analysée, la seule action qu'ils ont entreprise a été de lancer une campagne d'audience Sponsored Display sans aucune autre action spécifique à la publicité. Nous avons ensuite calculé l'impact des ventes pour les 20 semaines suivant l'activation de l'audience Sponsored Display en prédisant le contrefactuel. Le modèle est entraîné en utilisant les 30 premières semaines pour prédire la réponse contrefactuelle pour les 20 semaines suivantes, si aucune mesure n'avait été prise. L'augmentation des ventes est mesurée en soustrayant les ventes observées (valeur réelle) des ventes contrefactuelles (ventes prévues). La prévision utilise 10 covariables, y compris les ventes, les unités, les vues de pages produit, etc. à un niveau d'agrégation verticale et compare les mêmes covariables pour 600 annonceurs qui n'ont jamais activé Sponsored Display au cours de la même période.
• Troisièmement, pour mesurer l'impact causal des annonceurs qui ont adopté le ciblage par produits Sponsored Display pour la première fois, nous avons utilisé le machine learning afin de déterminer l'effet d'une action sur les performances de l'annonceur dans un délai plus court d'un mois. Notre méthodologie actuelle est basée sur une méthode appelée PG en 2 étapes (Processus gaussien en 2 étapes) qui montre des performances améliorées sur diverses statistiques de performance d'inférence causale par rapport aux méthodologies existantes, telles que le Double Machine Learning et les forêts causales, lorsqu'elles sont appliquées dans le cadre de la publicité.