A/B testing : Retour aux sources dans un monde post-IDFA

Le tracking des applications mobiles d'Apple va être bouleversé par le changement des règles concernant l'utilisation de l'IDFA.

Quand avez-vous entendu parler d'A/B testing et d'IDFA dans la même phrase pour la dernière fois ? D'un côté nous avons une méthodologie traditionnelle, datant de plusieurs décennies, qui permet de tester les campagnes publicitaires. De l'autre, le mécanisme de tracking des applications mobiles d'Apple, qui devrait devenir obsolète début 2021 suite à la décision unilatérale de la firme à la pomme avec iOS 14.

A terme, le suivi des applications mobiles nécessitera le consentement des consommateurs, et notre secteur perdra l'un de ses principaux mécanismes de ciblage. Nous ne pouvons en aucun cas nous attendre à ce que l’outil propriétaire d’Apple, le SKAdNetwork, soit utile au-delà de la facturation et de la détection de fraude sur iOS.

La bonne nouvelle, c'est qu'il existe un moyen d'atténuer l'impact de ce changement majeur. Je suis convaincu que la version améliorée de l’A/B testing d’aujourd’hui jouera un rôle essentiel dans la façon dont notre industrie s’oriente vers un modèle de ciblage moins déterministe et qui s’éloigne de l’IDFA et du cookie.

Un retour aux sources redonnera toute son importance à la data science. Nous évoluons dans un environnement où la diminution du nombre d’IDFA disponibles entraînera une baisse inévitable des signaux déterministes des consommateurs. A nous donc d’adopter une approche plus flexible et créative de la modélisation statistique de manière à assurer un ciblage efficace. Nous devrons traiter des données diverses et variées en fonction des segments d’audience, ce qui nécessitera sans aucun doute une analyse et une extrapolation à plus petite échelle de ces mêmes signaux.

Une nouvelle ère de l’A/B testing

La décision d’Apple de reporter les modifications de l’IDFA est l’occasion parfaite pour les spécialistes du marketing de lancer des tests A/B faisant appel à de nouveaux modèles statistiques qui mettent l'accent sur des données telles que l’appareil utilisé (smartphone, tablette, ordinateur…) et la géolocalisation, plutôt qu’un ciblage traditionnel centré sur les cookies et l'IDFA.

Malgré son utilité, s'appuyer uniquement sur l’IDFA pour extrapoler les conversions a toujours été une approche incomplète. Cela est d’autant plus vrai si on considère le Saint Graal comme étant l’attribution omnicanale reliant activations en ligne et résultats en ligne et hors ligne. Une approche plus équilibrée consisterait plutôt à adopter une attribution déterministe des modèles statistiques, de manière à évaluer précisément l’audience cible d'une marque. Cela pourrait révéler qu’une adressabilité moindre ne signifie pas nécessairement moins de retour sur les dépenses publicitaires. Je suis persuadé que la couverture incrémentale des campagnes fondées sur les relations online-offline bénéficiera d’une plus grande attention en tant que paramètre clé pour les futurs modèles d'attribution des annonceurs. Accorder une plus grande importance à l’A/B testing aiderait également les spécialistes du marketing à minimiser les coûts des tests et à équilibrer exploration et exploitation pour convertir leurs clients potentiels et les fidéliser. 

Dans un test A/B classique, je peux allouer les premiers 5% de mon budget de campagne à la phase « d’exploration », pendant laquelle je vais utiliser un large éventail de formats créatifs différents pour déterminer celui qui est le plus performant. L’objectif ici est d’arriver à la phase « d'exploitation » en faisant le moins d'essais possible. En d'autres termes, si le budget de la phase « d'exploration » atteint seulement les 1 ou 2%, ce sera plus efficace que de commencer à 5%. Cela me permet d’enchérir par la suite sur l'inventaire en n’utilisant que mon format créatif phare.

Par ailleurs, les tests A/B faisant appel au modèle du bandit manchot peuvent également être utilisés pour des tests autres que ceux des formats créatifs seuls. Ils peuvent être employés pour tester les canaux multimédias (premium vs non-premium), les plages horaires, la localisation / géographie et les segments d'audience (indépendamment de l’IDFA) afin d'optimiser la conversion.

Pas de chemin facile à suivre

Je n’irais pas par quatre chemins : les spécialistes du marketing vont devoir diversifier leurs ressources de data science et sacrifier un certain degré d'efficacité sans l'IDFA, qui rendait l’A/B testing assez facile en termes de plug-and-play. Mais une modélisation plus intelligente devrait permettre de mieux définir les populations d'utilisateurs à partir d'un patchwork de signaux consommateurs. Bien sûr, cela demandera plus de travail, mais le résultat final pourrait être tout aussi précieux qu’un suivi déterministe tiers, voire plus, pour vraiment engager le public à l'avenir.

Le changement est toujours quelque chose de difficile et d’un peu effrayant. Mais je pense sincèrement qu'un monde post-cookie et sans IDFA pourrait être un monde plus sain et plus équilibré pour notre industrie. L'innovation et la réinvention sont toujours bonnes à prendre et, dans notre cas, seront nécessaires si nous voulons réussir la transition vers le prochain chapitre de la publicité digitale.