Machine learning de Facebook : pourquoi et comment en tirer parti

Une quantité colossale de données sur le comportement d’achat à votre disposition

Facebook dispose d’une quantité astronomique de données. Compte tenu de leur puissance combinée, vous devriez toujours inclure Facebook, Instagram et WhatsApp dans votre mix marketing. En naviguant sur Facebook, nous laissons tous des informations derrière nous. Songez à vos préférences en matière de marque, de mode, de boissons ou de technologie ou encore à votre comportement d’achat, etc.

En plus de sa propre base de données, Facebook acquiert des informations provenant de sources tierces comme Epsilon, Acxiom, Datalogix et BlueKai. Celles-ci sont croisées avec vos données démographiques afin de déterminer votre intérêt pour certains produits et services. Facebook s’appuie en outre sur des tests continus pour optimiser la diffusion d’annonces publicitaires auprès des cibles les plus susceptibles de se convertir en fonction de l’objectif choisi.

Des améliorations notables ont été apportées à l’algorithme depuis 2019, ce qui permet aux spécialistes marketing de ne plus se cantonner à l’entonnoir classique et d’accélérer le processus d’achat. 

Bouleversez l’entonnoir de vente traditionnel grâce au machine learning 

Toute campagne commence par une stratégie. Vous commencez alors à visualiser l’entonnoir de vente classique, qui passe de la sensibilisation à la considération pour finir par la conversion (ou rétention). Si une personne a déjà interagi avec votre contenu, la probabilité de conversion augmente. C’est pourquoi nous limitons généralement l’entonnoir aux audiences reciblées acquises, car leur coût par acquisition est plus faible. Mais il est temps de rompre avec cette approche classique et d’exploiter les avantages du machine learning de Facebook :

• Au cours de la phase de sensibilisation, créez des audiences basées sur l’intérêt (y compris des audiences similaires à forte valeur). Adoptez la vidéo, le format le plus performant, pour raconter l’histoire d’un produit ou d’une marque en 20 secondes maximum.
• Vous ne publierez les publicités statiques de considération et de conversion qu’auprès des personnes ayant déjà visionné la vidéo, ayant interagi avec des pages à forte valeur ou avec votre page Facebook/Instagram.
• Vous continueriez d’intégrer ces audiences reciblées dans votre campagne, mais vous diffusez maintenant toutes les publicités de toutes les phases et laissez de côté les personnes déjà converties.

Pourquoi ? Parce que le système doit recueillir suffisamment de données pour tendre au mieux vers l’objectif fixé et pour maximiser la probabilité de conversion. Vous devez laisser toutes les publicités actives simultanément et, en les surveillant étroitement et en optimisant le système pour atteindre le CPA (coût par acquisition) le plus bas, vous obtiendrez des résultats de conversion plus rapidement qu’auparavant. Muchas gracias, machine learning !  

Vous voulez une preuve ? Pas de problème ! Prenons l’exemple d’un client e-Commerce qui vend un complément vitaminique peu connu. Nous avons lancé une campagne destinée à booster les ventes de quatre produits sur son site web. La campagne a décollé et les KPI comme le CPM, le CPC et le CTR ont tous affiché de bons résultats. En revanche, les conversions étaient quelque peu à la traîne. Nous avons alors décidé de diffuser tous les tests A/B et formats publicitaires possibles à toutes les audiences, quelle que soit la phase dans laquelle elles se trouvaient. Nous avons ainsi enregistré une augmentation des conversions de 300 % au cours de la deuxième semaine de test. 

 Comment optimiser votre machine learning

Voici quelques conseils pour maximiser vos résultats :

• Installez toujours le pixel Facebook sur votre site web et activez la correspondance avancée (afin que les profils des visiteurs de votre site web correspondent mieux à ceux des personnes ciblées sur Facebook). Cette méthode est la seule à garantir une collecte des données sur le site web et à améliorer la précision des cibles.
• Connectez vos sources de données de conversion hors ligne (si vos produits sont également en vente dans des magasins physiques) afin que les consommateurs hors ligne puissent être associés à leurs profils en ligne.
• Utilisez autant de placements publicitaires que possible (minimum 4).
  Plus vous aurez de placements, par exemple le fil d’actualité, les stories, Messenger et Audience Network (= atteindre les gens sur les sites/applications partenaires de Facebook, comme Tinder et TikTok), plus le système pourra s’améliorer et rechercher les plateformes ayant le CPA le plus bas.
  En ce qui nous concerne, nous personnalisons toujours nos publicités en fonction du placement.
• Effectuez des tests A/B selon les visuels, formats publicitaires et droits d’auteur. Nous conseillons d’utiliser au moins 3 formats publicitaires différents (vidéo, carrousel, lien de redirection, collection…) en fonction de votre objectif.
• Évitez de mettre à jour votre système trop fréquemment, puisque cela réinitialiserait le processus d’apprentissage.
• Prévoyez des budgets médias suffisants : un faible budget ne permet ni au système d’atteindre suffisamment de personnes, ni à l’algorithme d’optimiser votre campagne (gardez à l’esprit qu’il faut environ 50 événements de conversion sur votre site web pour pouvoir sortir de la phase d’apprentissage). 

L’avenir du machine learning

À mesure que la technologie se perfectionne, des systèmes comme Google et Facebook gagnent en connaissances et en performances. En tant que spécialistes du marketing en ligne, nous (et vous) profitons énormément de toutes ces données qui nous permettent de personnaliser toujours plus notre contenu et de rester pertinents pour nos clients. Combinez la puissance du machine learning aux publicités contextuelles ciblées, et vous obtenez le cocktail parfait pour maximiser vos résultats.