Limites du modèle

Le modèle précédent est celui qui, en théorie, maximiserait les profits des campagnes publicitaires. À première vue, le modèle peut sembler relativement simple et facile à résoudre. Cependant, en analysant les données de plusieurs mots-clés provenant des diverses banques de données étudiées, nous avons soulevé quelques problèmes qui feraient en sorte que cette approche ne fonctionnerait pas en pratique.

D’abord, plusieurs annonceurs ne tiennent pas compte du revenu associé à chacune des conversions qu’ils obtiennent. Cela est souvent dû à la nature de leur entreprise; il n’est pas toujours possible de déterminer la valeur associée à une conversion. En effet, les conditions d’obtention d’une conversion sont définies par les annonceurs et elles ne sont pas uniquement associées à des achats. Par exemple, une conversion peut être obtenue suite à une inscription, un visionnement, une demande d’information, etc. Dans ces cas, il peut être difficile d’associer une valeur monétaire précise à chacune des conversions obtenues.

De plus, plusieurs annonceurs ne comptabilisent pas les valeurs de revenu associées à chacune des conversions qu’ils obtiennent. En effet, les annonceurs n’ont pas toujours des mécanismes en place pour stocker des données relatives à leurs conversions. Ainsi, ils n’effectuent aucun suivi sur la valeur monétaire associée à chacune de leurs conversions et il est donc impossible de modéliser le comportement du revenu en fonction de la position.

Ensuite, la rareté des conversions fait en sorte que le nombre d’observations n’atteint presque jamais des seuils significatifs pour obtenir des prédictions de qualité. Puisque les revenus sont associés aux conversions, des valeurs de revenu sont enregistrées uniquement lorsqu’une conversion est obtenue. Or, dans la plupart des campagnes publicitaires, les conversions n’ont lieu que très rarement. En effet, les taux de conversion moyens des campagnes publicitaires ont

généralement des valeurs de l’ordre de 0,1% à 1%2, donc même les mots-clés qui génèrent plusieurs centaines de clics par jour n’obtiennent pas plus que quelques conversions.

Le Tableau 3.2 montre un exemple de 60 jours de données provenant d’un mot-clé à haut volume extrait de la campagne d’un des clients d’Acquisio. Supposons que nous voulions modéliser les revenus générés par ce mot-clé en fonction de la position. Puisque les données de revenu de cette entreprise ne sont pas comptabilisées, nous posons l’hypothèse que chaque conversion rapporte en moyenne la même valeur de revenu. La Figure 3.3 montre la répartition des conversions en fonction de la position moyenne pour ce mot-clé. Nous constatons que les valeurs de conversion non nulles ne sont pas suffisamment abondantes pour obtenir des fonctions de prédiction fiables. De plus, puisque les valeurs de conversions sont limitées à un ensemble de valeurs entières, nous observons un phénomène de formation de plateaux de points dans les graphiques lorsque le nombre moyen de conversions est faible.

Sachant que le mot-clé présenté dans cet exemple possède un volume de clics et de conversions relativement élevé comparativement à la moyenne, nous arrivons à la conclusion que le manque de conversions sera un problème pour la forte majorité des mots-clés d’une campagne. Bref, ce mot-clé démontre à quel point les conversions sont rares et pourquoi il est impossible de générer des fonctions de prédiction 6&' en utilisant des méthodes de régression.

Finalement, il n’est pas toujours souhaitable d’optimiser une campagne publicitaire uniquement en fonction des revenus générés par les mots-clés, car un tel modèle ne tient pas compte du cycle de consommation au complet. Dans plusieurs cas, le consommateur exécutera plusieurs requêtes vagues avant de converger vers une requête plus précise à laquelle sera attribuée la conversion (et par conséquent, les revenus). Par exemple, un client qui veut acheter un ordinateur pourra débuter ses recherches avec des requêtes comme « ordinateur », « ordinateurs à vendre » et « acheter ordinateur ». Une fois qu’il aura trouvé une marque qui lui plaît, il pourra alors se renseigner sur les différents modèles offerts par cette marque en exécutant des requêtes telles que « ordinateur de marque X », « ordinateurs de marque X à vendre » et « acheter ordinateur de marque X ». Une fois son choix effectué, il pourrait retourner effectuer une requête très précise comme « ordinateur modèle Y numéro de série Z ». Lorsqu’il effectuera son achat, la conversion ne sera

enregistrée que pour le dernier mot-clé recherché (« ordinateur modèle Y numéro de série Z »). Cela fait en sorte que les requêtes plus spécifiques seront favorisées par rapport aux requêtes plus vagues, même si ces dernières sont parfois essentielles au bon fonctionnement d’une campagne publicitaire.

Tableau 3.2 : Exemple de données historiques (position moyenne, nombre de clics et nombre de conversions) d’un mot-clé typique

Figure 3.3 : Graphique du nombre de conversions en fonction de la position moyenne pour un mot-clé

Considérant tous ces problèmes associés à l’optimisation des campagnes publicitaires en fonction des profits, nous concluons qu’il serait préférable de changer notre objectif. En effet, il est très difficile d’obtenir des fonctions de prédiction _6 fiables pour chacun des mots-clés d’une campagne publicitaire. De plus, il est difficile d’attribuer, à chacun des mots-clés, une valeur de revenu adéquate qui tient compte de son influence dans le cycle d’achat complet. Nous en concluons donc qu’il faudra modifier notre modèle d’optimisation.