Comprendre et analyser votre attribution en affiliation

 

Nous avons vu que l’attribution et la déduplication ne reflétaient pas la complexité du parcours d’un internaute dans un acte d’achat, et que les méthodes actuellement utilisées menaient à une mauvaise répartition des budgets pubs et faisaient fuir les affiliés les plus qualitatifs.

Il devient donc urgent de changer les méthodes d’attribution classiques, et de « partager » les résultats des conversions pour tenir compte des contributions apportées par tous les canaux. Mais un nouveau problème se pose désormais: Quel impact a eu chaque canal dans chaque conversion ?

Alors n’ayant pas la possibilité de sonder la psychologie des clients pendant un acte d’achat, il va falloir faire dans un premier temps des hypothèses.

Il y a 2 grandes écoles pour définir l’impact d’un canal.

 

La position dans le tunnel de conversion

 

Le tunnel de conversion signifie l’ensemble des actions/canaux déclenchés par l’internaute avant qu’il finalise sa commande.

Ici, l’impact du canal est fonction de sa position dans le tunnel de conversion. Est-ce que le canal intervient au début de l’acte d’achat (ex: Google adWords), ou bien à la fin (ex: site de code promo).

On va donc attribuer un pourcentage à chaque position du tunnel de conversion, par exemple: le premier comptera à 40% dans l’acte de vente, le second à 20% et le dernier à 40%.

Il est d’usage d’attribuer un bonus au premier canal qui a attiré l’internaute, et au dernier qui a finalisé la conversion.

Mais ce mode d’attribution a un défaut: Est-ce que l’internaute aurait quand même passé sa commande s’il n’avait eu un code promo ? Pour la plupart des annonceurs la réponse est oui, et il n’est pas correct d’attribuer autant de poids au dernier maillon du tunnel de conversion lorsque celui-ci est un site de code promo.

Alors Affilae a développé en 2012 une nouvelle école qui consiste à attribuer l’impact en fonction de la typologie du canal.

 

La typologie du canal

 

Le concept est de booster ou pénaliser l’impact de certains canaux que les annonceurs jugent plus ou moins pertinent dans les tunnels de conversion, via un mécanisme de calcul par pondération.

Exemple: l’annonceur attribue un poids de 5 à adWords, et un poids de 3 au site de code promo. Lorsque ces deux canaux auront contribué à la même conversion, Un calcul de pondération attribuera l’impact qu’a eu chaque canal.

Formule: % impact = (poids du canal x 100) / poids total.

AdWords aura donc contribué à hauteur de 62,5% et le site de code promo à hauteur de 37,5 %.

Mais n’étant toujours pas dans la tête des clients lors de leur acte d’achat tout cela est purement subjectif. L’avantage que cette solution apporte, est qu’elle permet de booster les affiliés ayant plus de valeur ajoutée aux yeux des annonceurs, tels que les bloggeurs qui vont rédiger des articles uniques et faire un plus gros travail d’acquisition que de transformation.

 

Peut-on faire mieux ?

 

La réponse ultime réside probablement dans une sauce complexe de big-data et de machine-learning, où des modèles mathématiques fiables émergeraient pour définir quel poids doit être appliqué dans chaque situation, aussi unique soit-elle.

L’affect que l’annonceur pourrait avoir avec tel ou tel canal serait alors hors-jeu, laissant place à la rigueur de la machine. Bien entendu sous réserve que les taux de conversion soient réellement améliorés lorsque l’annonceur réparti son budget pub proportionnellement au poids moyen attribué à chaque canal.

Exemple: en général les blogs de type X ont un impact 30% supérieur sur les ventes qu’un retargeting, il faudra alors que l’annonceur investisse 30% de budget en plus dans les blogs de type X.