L’optimisation des campagnes Google ads s’appuie de plus en plus sur l’analyse automatisée de la data marketing permise par le machine learning.
Cette technologie est désormais indispensable à toute stratégie publicitaire s’appuyant sur l’analyse des données. C’est particulièrement le cas pour la publicité Google. Voyons comment le machine learning peut servir l’optimisation de vos campagnes, et ses limites.
Data marketing et machine learning
Le machine learning a pour objet le développement de la capacité des ordinateurs à améliorer leurs performances. Objectif assigné à l’ordinateur : résoudre des tâches de manière autonome, sans intervention humaine.
Appliqué au marketing, le machine learning permet de tirer parti de la richesse des données collectées (la data marketing) par une entreprise, dans un objectif business bien sûr.
Dans un parcours client, ces données peuvent être issues des formulaires renseignés, des cookies enregistrés ou des cartes de fidélité. Il peut également s’agir des données de géolocalisation, des données comportementales collectées sur les moteurs de recherche, les plateformes vidéos, les réseaux sociaux, les objets connectés…etc.
En croisant la multitude de ces données marketing, l’algorithme finit par comprendre les besoins du consommateurs. Il devient capable de prédire et devancer ses attentes.
Dans la vie de tous les jours, il suffit d’utiliser Amazon, Netflix, Deezer ou encore YouTube pour se voir proposer automatiquement des suggestions qui correspondent de manière troublante à nos goûts.
La data marketing est considérée par certains comme le nouvel or noir. Selon Stephen Gold, ancien directeur marketing d’IBM, 90% des données digitales qui existent ont été créées au cours des deux dernières années.
Grâce à l’exploitation de ces données collectées, les marketeurs poursuivent un but ultime avec le machine learning : mieux comprendre les clients pour leur offrir la meilleure expérience possible afin de fidéliser plus et vendre davantage. C’est également le travail attendu d’un expert Google ads digne de ce nom et certifié Google partner
Selon une étude le machine learning pourrait multiplier par 10 les performances marketing des entreprises, tout en réduisant par 5 les risques financiers d’ici 2030. Voyons comment le machine learning peut être exploité pour l’optimisation Adwords.
Comment exploiter le potentiel de la data marketing avec la puissance du machine learning ?
Les consommateurs d’aujourd’hui sont plus curieux et exigeants et s’attendent à faire les choses plus rapidement en raison du mobile. Ils s’attendent à ce que vos annonces Google soient utiles et personnalisées.
Le machine learning permet à Google Ads de répondre à cette attente grâce aux :
> Annonces responsives,
> Enchères automatiques,
> Ciblages intelligents.
# Les annonces responsives de recherche sont une réponse au besoin grandissant de pertinence. En testant différentes combinaisons de titres et descriptions, Google apprend quelle publicité produit la meilleure performance pour une requête de recherche considérée.
Cette fonctionnalité garantit que vous fournissez la meilleure version de votre annonce à la bonne personne.
Ainsi, des internautes recherchant la même chose pourraient voir des annonces différentes basées sur le contexte. Dans les cas des annonces responsives de recherche, le machine learning paie déjà : Google annonce en moyenne jusqu’à 15% de clics en plus pour atteindre plus de clients potentiels. (données Google).
# Les stratégies d’enchères automatisées comme le “Cpa cible” ou “Maximiser les conversions”, permettent de personnaliser l’enchère pour chaque internaute, en fonction de sa maturité à convertir.
Ceci est rendu possible par l’utilisation et la combinaison de millions de signaux : historique de recherche, position géographique, navigateur, données comportementales…etc.
L’apprentissage automatique permet par conséquent d’augmenter le nombre de conversions, et ainsi de mieux maîtriser ses coûts d’acquisition.
# La fonction Ciblage intelligent permet de détecter le moment opportun pour présenter une annonce. La plupart du temps nous regardons notre téléphone ou notre ordinateur à de « micro-moments ». Le choix du moment pour l’affichage publicitaire est donc crucial. Là encore le choix du moment le plus efficace est défini grâce au machine learning.
Deux nouvelles solutions en display reposent entièrement sur le machine learning. Il s’agit du Smart Display et du Smart Shopping. Ces solutions se fondent sur l’automatisation pour déterminer les enchères, le positionnement et le ciblage les plus performants..
Prenons l’exemple de Smart Shopping. Les annonces Google Ads peuvent se retrouver sur des millions de sites, c’est le machine learning qui détermine où elles s’afficheront. L’algorithme arbitre entre Google.com, Google Search Images, YouTube ou des millions de sites partenaires du réseau Display Google).
Le machine learning prend en compte un large éventail de signaux, comme la demande saisonnière et la tarification, pour sélectionner le meilleur produit à présenter.
Grâce aux campagnes Shopping intelligentes, la marque GittiGidiyor, filiale d’Ebay (source Google 2017), a augmenté son retour sur les dépenses publicitaires de 28 % et ses ventes de 4 %, tout en gagnant du temps dans la gestion des campagnes.
Quelles sont les limites du machine learning dans l’exploitation de la data marketing ?
En favorisant la corrélation des données pour identifier, analyser ou prévoir les tendances, le machine learning permet de maximiser l’optimisation Adwords et donc vos performances publicitaires.
3 caractéristiques sont cependant nécessaires pour qu’un apprentissage automatique donne des résultats probants, il s’agit du principe des 3V :
> Volume : plus les données sont importantes, plus rapide se fait la période d’apprentissage,
> Vélocité : les données doivent être rapidement obtenues,
> Variété : les données doivent être de tout type, c’est à dire qu’il faut nourrir la machine avec des bons et des moins bons signaux.
Ces prérequis sont nécessaires pour développer l’efficacité des prédictions et la vitesse d’adaptation aux changements :
Le volume et la vélocité dépendent avant tout de la structure du compte et des campagnes Google Ads. Sur un compte Google Ads avec peu de clics, dispersés dans une multitude de campagnes, il y aura peu de données et elle seront trop dispersées : l’algorithme aura du mal à trouver une cohérence entre les données.
Afin de pouvoir guider la machine, une restructuration du compte Google Ads est nécessaire. Il est nécessaire de regrouper un maximum de campagnes, groupes d’annonces et mots clés. De façon générale, la structure de vos campagnes est absolument centrale pour l’analyse et donc l’atteinte des meilleures performances Google Ads.
La variété dans les données étant également un paramètre important, il est important d’avoir maximisé les sources :
> Déployez un plan de taggage robuste et précis avec Google Tag Manager qui enregistre des micro conversions,
> Déployez les audiences webmarketing principales au niveau des campagnes.
> Multipliez les titres et descriptions pour les annonces responsives.
De façon générale, il existe une limite au machine learning et à l’automation lorsqu’il s’applique à la stratégie d’enchères. L’algorithme de Google se fonde sur l’historique des données.
Les solutions d’automatisation de Google sont le futur du marketing opérationnel fondé sur l’analyse de la data marketing. Ceci afin que vous puissiez concentrer davantage de temps et d’effort sur la stratégie. Notre Agence SEA vous accompagne dans l’optimisation de vos résultats et du ROAS de vos campagnes.
N’hésitez pas à nous contacter pour un audit SEA.
Si vous n’êtes pas encore accompagné, pour faire le bon choix consultez notre article pour aider à choisir la meilleure agence SEA.
