Comment interpréter correctement les données PPC (même si vous n'avez jamais étudié les statistiques)

Imaginez que cet e-mail client arrive dans votre boîte de réception:

« J’ai lu qu’il était préférable de présenter le nom de marque d’une entreprise dans les annonces textuelles. Devrions-nous inclure notre nom de marque dans tous nos textes publicitaires? « 

Étant donné que vous disposez déjà de données sur les performances de vos variantes d’annonces textuelles, vous devez vous concentrer sur les chiffres:

«Oui», répondez-vous.

« Les annonces qui mentionnent la marque sont près de 3 fois plus susceptibles d’être cliquées! J’échangerai de nouvelles annonces textuelles de marque d’ici la fin de la semaine. « 

Cinq minutes s’écoulent, lorsque votre client répond:

« Intéressant. Et je suppose que vous contrôlez si la marque est un mot clé de recherche? « 

« Bien… »

Bouleversé, vous refaites le calcul, cette fois en tenant compte du fait que les requêtes de recherche étaient de marque.

Votre nouvelle conclusion contredit celle que vous venez de fournir.

« Pour les requêtes de recherche qui n’incluent pas la marque, les annonces sans nom de marque sont en fait 50% plus susceptibles d’être cliquées. »

Que s’est-il passé ici?

Vous êtes fier d’être un spécialiste du marketing quantitatif axé sur les données.

Mais maintenant, vous devez expliquer à votre client pourquoi votre analyse était erronée jusqu’à ce qu’il revérifie votre processus.

Alors, qu’est-ce qui a causé l’erreur?

Nous pourrions dire que les spécialistes du marketing portent de nombreux chapeaux et peuvent faire des erreurs lorsqu’ils sont précipités.

Mais le vrai problème est plus profond.

La plupart des spécialistes du marketing numérique ne sont pas des statisticiens, des analystes ou des scientifiques des données formés.

Collectivement, nous sommes toute une industrie qui pirate notre chemin vers la maîtrise des données alors que nous nous efforçons d’améliorer les performances des comptes.

Dans un monde idéal, chaque agent de commercialisation serait un statisticien.

Mais si vous n’avez pas la bande passante pour entreprendre une deuxième carrière, voici comment éviter la surcharge de données et trouver des informations de grande valeur dans vos données PPC.

1. Soyez un penseur critique et votre plus grand sceptique

Vous avez probablement bâti votre carrière de chercheur rémunéré sur la recherche de gains et d’opportunités, sans remettre en cause vos propres conclusions.

Oui, il est plus amusant d’organiser des fêtes pour la croissance que nous supposons conduire.

Mais cela conduit en fait à une pensée paresseuse qui peut améliorer les performances.

Les vrais statisticiens sont formés pour être sceptiques quant aux conclusions et observations faciles.

Vous pouvez avoir du mal à percer des trous dans votre propre analyse (surtout au début). Mais c’est tellement pire de:

• Faites contester vos conclusions par une personne en position d’autorité après avoir déjà engagé vos idées dans un rapport PDF.
• Faites appliquer vos recommandations et regarder les revenus baisser en conséquence.

Il est temps d’améliorer votre réflexion critique et votre interprétation des données PPC.

Voici à quoi cela peut ressembler.

Scénario: «Traitement publicitaire A» a surpassé le «Traitement publicitaire B»

Pensée paresseuse

Je ne suis pas un expert en conception et je ne peux pas vous dire pourquoi, mais je sais que le traitement A a un CTR plus élevé, nous devons donc adopter cette conception.

Esprit critique

• Quelle était la différence entre les deux traitements? Les deux traitements ont-ils conduit à la même page de destination avec la même offre? Notre hypothèse est-elle appuyée?
• Le «traitement A» s’est-il mieux comporté dans tous les publics et emplacements, ou seulement dans certains segments?
• Ai-je comparé le CTR et le taux de conversion? Qu’avons-nous appris que nous pouvons appliquer à notre prochaine série de tests?

Scénario: les conversions sont en baisse de 20% d’un mois à l’autre

Pensée paresseuse

Les conversions sont en baisse car moins de personnes sont intéressées par vos produits ce mois-ci.

Vous avez besoin de meilleures offres.

Esprit critique

• Les conversions ont diminué de 20% d’un mois à l’autre, mais si nous effectuons un zoom arrière, nous constatons qu’elles augmentent de 128% d’une année à l’autre. Nous constatons généralement une baisse saisonnière importante, mais les conversions sont élevées en mai.
• Qu’est-ce qui contribue à cette augmentation?
• Comment les budgets et les coûts d’acquisition se comparent-ils d’année en année?

Pensée paresseuse ou critique

Les «réponses paresseuses» dans chacun de ces scénarios sont des réponses réelles que j’ai reçues des candidats à un poste PPC.

La pensée paresseuse tire une conclusion sans examiner des données plus approfondies.

Si vous ne savez pas comment dépasser la conclusion la plus évidente, imaginez que votre patron (ou client, ou responsable du recrutement) vient de remettre en question votre analyse.

• Qu’ont-ils trouvé que vous avez peut-être oublié?
• Qu’est-ce qui a pu conduire au résultat que vous avez vu, en dehors de votre observation initiale?
• Pourquoi ne serait-ce pas la bonne (ou la meilleure) interprétation?

Avant d’accepter vos propres conclusions, passez plus de temps à essayer de vous prouver que vous n’avez pas raison.

2. Connaissez vos KPI et calculs

Si vous n’avez pas de formation formelle en statistiques ou en marketing, ces calculs et cadres vous éviteront de faire des erreurs de débutant dans votre analyse.

Conversions et revenus

Commencez avec des indicateurs de performance clés (KPI)

Vos indicateurs de performance clés devraient être les paramètres qui conduisent à la croissance de l’entreprise.

Priorisez vos indicateurs de performance clés (tels que les conversions ou les revenus) et faites attention aux statistiques qui les génèrent (tels que les clics et le taux de conversion).

Ne vous laissez pas distraire par chaque nombre ou point de données disponible à analyser.

La « conversion » n’est pas une métrique normalisée

Si vous avez des conversions avec des valeurs différentes (comme un abonnement à la newsletter et un achat important), ne regroupez pas le nombre de conversions sur l’ensemble du compte.

Vous obtiendrez beaucoup plus de conversions de pages vues que de prospects ou de ventes, mais elles ont moins de valeur pour l’entreprise et ne devraient pas recevoir le même poids dans les optimisations.

ROAS (retour sur les dépenses publicitaires) n’est pas rentable

Que vous vendiez des produits ou des services, il y a un coût pour faire des affaires au-delà des dépenses publicitaires.

Ne vous trompez pas en dépensant 1 000 $ et en obtenant 1 000 $ de revenus comme un «seuil de rentabilité».

Formules couramment mal comprises

Les formules de comparaison ne sont pas réversibles

Google Ads dispose d’un outil intégré pour comparer différentes périodes.

Vous ne pouvez pas inverser les directions et conserver les valeurs: une baisse de 63% du CPC de l’année 1 à l’année 2 ne se traduit pas par une augmentation de 63% de l’année 2 à l’année 1.

Utilisez cette calculatrice si vous avez du mal à calculer le pourcentage d’augmentation ou de diminution.

Ne faites pas une moyenne

Si votre statistique est déjà une moyenne ou un ratio (comme le CPC moyen, le CTR, le taux de conversion, le retour sur investissement), vous ne pouvez pas la recalculer pour un grand total, car elle ne tient pas compte des quantités de chacun.

Cette erreur est un exemple d’une erreur écologique qui confond le groupe et les moyennes totales.

Vous devez calculer le ratio en utilisant les totaux bruts de vos mesures.

Par ailleurs, l’erreur dans notre problème de copie d’annonce au début de cet article tombe dans cette catégorie, en particulier l’erreur de division de Simpson’s Paradox: ce qui est vrai de l’ensemble ne l’est pas toujours de ses parties.

Par tous les moyens, en savoir plus sur les relations de données que ce qui est mentionné ci-dessus.

Mais la compréhension même de ces concepts résoudrait les erreurs d’interprétation des données les plus courantes que je vois commettre par les spécialistes du marketing.

3. Découvrez de fausses relations

«Corrélation fallacieuse» est un grand nom pour un événement quotidien dans la recherche payante.

Nous voyons l’effet mais nous ne sommes pas conscients de la véritable cause.

Des relations fallacieuses se produisent lorsque «deux événements ou variables ou plus sont associés mais ne sont pas liés de manière causale, en raison de la coïncidence ou de la présence d’un certain troisième facteur invisible».

Dans ce graphique, la corrélation entre le taux de divorce du Maine et la consommation de margarine est une coïncidence, mais les fausses relations ne sont pas toujours aléatoires.

Vous savez que «la corrélation n’est pas un lien de causalité». Voyons comment cela a un impact sur la recherche payante.

Variables cachées

Les variables cachées affectent les variables indépendantes et dépendantes, mais elles ne sont pas incluses dans le modèle.

Au lieu de cela, ils se cachent derrière la cause apparente du résultat.

Par exemple, un client demande: « Où devrions-nous concentrer nos efforts de marketing PPC? »

Les spécialistes du marketing inexpérimentés basés aux États-Unis leur diront la même chose à chaque fois:

• Californie
• New York
• Texas
• Floride

Parfois, ils concluent même que ces États devraient recevoir une augmentation des enchères en fonction des performances.

Mais ils ne considèrent pas que les «meilleurs États» ont les populations les plus importantes – la variable qui se cache derrière ce volume élevé de clics et de ventes.

Il est facile de manquer des variables cachées dans l’interface de Google Ads, mais vous pouvez vous entraîner à les trouver.

Voici quelques conseils pour attraper ou éviter les variables cachées:

• Regardez les taux et les ratios plutôt que les chiffres bruts, surtout lorsque la taille de la population est un facteur.
• Segmentez vos tableaux pour repérer les variables causales sous-jacentes comme le type d’appareil (qui a une incidence sur l’expérience de conversion) et le type de réseau (qui indique l’intention).
• Vérifiez les termes de recherche et les données géographiques, qui peuvent ne pas correspondre à vos attentes.

Variables confusionnelles

Les variables de confusion sont une autre cause courante de mauvaise interprétation des résultats PPC.

Il est facile d’oublier qu’en dehors de l’interface, il existe un monde vaste qui influe sur les décisions de recherche et d’achat des utilisateurs.

Par exemple, fin mars 2020, les recherches de Google sur les «aspirateurs» ont augmenté à mesure que les recherches sur «l’entretien ménager» diminuaient:

Bien que cela ait sûrement affecté les performances du nettoyage des comptes de recherche de l’industrie, la cause du changement dans le trafic de recherche est COVID-19, quelque chose de totalement externe aux groupes d’annonces et aux stratégies d’enchères.

Ne présumez pas que chaque modification des performances du compte est due à quelque chose que vous avez fait.

Vérifiez des facteurs tels que:

• Saisonnalité: «L’augmentation et la baisse prévisibles et répétitives des résultats temporels».
• Les promotions: Force de l’offre, modifications apportées à l’offre, dates de début et de fin, efforts de promotion hors ligne.
• Compétition: Utilisez les statistiques d’enchères, mais observez également comment ils positionnent leurs offres.
• suivi changements: Pages cassées, suivi des conversions manquant, nouveaux types de conversion, etc.
• Relations avec les actifs: Les termes de recherche, les annonces et les pages de destination correspondent-ils tous?
• Externe: Utilisez Google Trends et vérifiez les tendances récentes et à long terme.

4. Acceptez l’incertitude

L’attrait d’être «piloté par les données» est l’idée que vous pouvez savoir avec certitude ce qui fonctionne et ce qui ne fonctionne pas.

Mais dans le marketing numérique, c’est rarement le cas.

Interpréter correctement les données signifie ne pas être «dupe du hasard» ou des biais subconscients face à la volatilité, l’incertitude, la complexité et l’ambiguïté (également connu sous le nom de VUCA).

Voici quelques principes directeurs qui vous aideront à analyser vos résultats.

La loi des grands nombres ne fonctionne pas à l’envers

Il existe une théorie des probabilités appelée la loi des grands nombres.

Il indique qu’avec suffisamment d’essais, les résultats agrégés d’événements aléatoires deviennent prévisibles.

La loi des grands nombres s’applique, de manière appropriée, à de grandes quantités de données.

Cela fonctionne pour les casinos ou Amazon.

Elle ne s’applique pas à une petite campagne de quelques dizaines de clics. Il n’y a pas de «loi des petits nombres» où des observations limitées peuvent vous donner avec précision une valeur attendue.

En ce qui concerne la mise à l’échelle, la prévision, la «sélection des gagnants» ou toute autre estimation des performances futures, comprenez les limites d’un petit ensemble d’échantillons.

Si votre seule conversion a eu lieu à 19 h, veuillez ne pas en informer votre client à 19 h. est le «meilleur moment» pour faire de la publicité.

Méfiez-vous de la fausse sécurité de la «signification statistique»

Les spécialistes du marketing aiment citer la «signification statistique» même lorsqu’ils ne comprennent pas ce que cela signifie. (Indice: ce ne sont pas des résultats «significatifs» qui impliquent des statistiques.)

Les tests de signification peuvent être difficiles même pour les experts, qui peuvent confondre signification statistique et «importance substantielle».

De nombreuses études citent à tort une zone grise d’importance, comme ces résultats publiés dans des revues à comité de lecture:

• «Vient d’échapper à la signification» (p = 0,07)
• «Pas entièrement significatif» (p = 0,085)
• «Assez proche de la signification au niveau de 10%» (p = 0,104)

Même votre calculatrice de test en ligne pourrait vous induire en erreur:

Alors que les statisticiens débattent des mérites mêmes de la signification statistique, les spécialistes du marketing pensent souvent que les niveaux de confiance sont quelque chose à poursuivre, et que le p-hack et les données involontaires se frayent un chemin vers des conclusions erronées (s’ils savent même quels sont les niveaux de signification en premier lieu).

Au mieux, la signification statistique vous montre la probabilité d’obtenir votre résultat si l’hypothèse nulle était vraie (c’est-à-dire qu’elle était due au hasard).

Il ne vous dit pas si votre conclusion sur la cause du résultat est correcte, ni n’assure une signification pratique (si le résultat était suffisamment important pour vous en soucier).

Alors, comment cela affecte-t-il votre quête pour interpréter correctement les données PPC?

Cela signifie simplement que le fardeau d’avoir un plan et de connaître votre propre tolérance au risque est sur vous dès le début.

Si vous lancez au hasard, puis essayez de brancher aveuglément des nombres dans une formule pour obtenir des informations, il est peu probable que vous appreniez quelque chose de significatif ou de «significatif».

Déchets dedans, déchets dehors.

Conclusion

Le paradoxe des «décisions basées sur les données» est que les données ne prennent pas de décisions.

Vous devez prendre des décisions concernant les données.

Vous n’avez peut-être pas de formation universitaire en statistique, mais vous pourrez vous en tenir au côté quantitatif du marketing numérique en:

• Développer des compétences de pensée critique.
• Apprenez les calculs clés.
• Creusez plus profondément dans l’histoire de vos données.
• Comprenez les contraintes de votre taille d’échantillon.

Avec votre propre confiance (et votre vocabulaire), vos idées, rapports et relations avec les clients s’amélioreront considérablement.

Plus de ressources:

Crédits d’image

Tableau de corrélation en post: tylervigen.com
Toutes les captures d’écran et images de compilation par auteur, juin 2020