L’un de nos clients nous a missionné pour analyser l’impact de ses campagnes lancées tout au long de l’année 2019 afin d’en étudier la performance et donc d’être en mesure de prendre des décisions stratégiques pour l’allocation budgétaire 2020/ 2021. Pour analyser la performance, il faut faire une analyse des entonnoirs multicanaux et d’attribution. Le modèle au dernier clic indirect des rapports par défaut de Google Analytics n’est pas le plus pertinent pour mener pareille analyse car il cache souvent toute la découverte de la marque. Nous voulons donc cartographier le rôle de chaque canal dans le chemin de conversion avec des pourcentages précis…
Nos avons isolé 4 rôles distincts, en nous inspirant de la classification de Easyence (ex Mazeberry) :
Les rapports d’entonnoirs multicanaux de Google Analytics permettent d’obtenir de nombreuses informations, mais pas d’établir une telle répartition.
Cette analyse a été faite à posteriori, en 2020. Les canaux par défaut étant les seuls disponibles dans l’API et dans Google Attribution, il n’a pas été possible d’utiliser les API car nous voulions bénéficier des canaux personnalisés.
Voici notre démarche :
Nous avons créé un groupe de canaux personnalisé sur lequel nous avons affiné les règles des différents canaux. Les canaux personnalisés sont rétroactifs, mais ne sont pas accessibles directement via l’API. Nous avons donc dû faire des exports manuels, par trimestre (afin d’éviter l’échantillonnage) depuis Conversions>Entonnoirs multicanaux>Chemins de conversions les plus fréquents. Pour cela, il faut cocher les conversions qui vous semblent le plus pertinentes pour cette analyse et choisissez la longueur de chemin : “1 ou plus” et une fenêtre d’attribution à 90 jours.
Par la suite les 4 fichiers exportés sont consolidés et importés au niveau de BigQuery pour créer un nouveau dataset. Grâce à BigQuery, nous sommes à présent en mesure de faire des requêtes bien plus pertinentes et qui vont déterminer le rôle de chaque canal.
Prenons comme exemple le canal Organic.
En plus de la cartographie obtenue, nous avons également calculé trois KPI supplémentaires :
Exemple de visualisation des rôles d’attribution (données fictives)
Ayant tous les paramètres en main, il était temps de les exploiter pour conseiller le client. Notre client avait une stratégie de branding et d’acquisition de nouveau trafic. Les canaux à fort potentiel “Initiateur” étaient donc privilégiés. Certains canaux lors du lancement de la campagne avaient pour objectif de ramener du nouveau trafic mais nous nous sommes aperçus suite à notre cartographie qu’ils jouaient un autre rôle.
Par exemple, une campagne Ffacebook sponsorisée était censée ramener de nouveaux visiteurs au site du client. Notre analyse faite avec les requêtes BigQuery a démontré que cette campagne n’a pas bien joué son rôle et qu’elle était plutôt passeur. Nous avons donc conseillé au client de modifier le ciblage de son audience et d’opter pour un message plus accrocheur.
D’autres canaux, quant à eux jouaient très bien leur rôle et convertissent bien mais leur taux de présence était faible. Le conseil à ce niveau était d’augmenter l’investissement budgétaire pour ces campagnes là.
Pour finir, les canaux à fort potentiel “Passeur” et dont le taux de présence utile était très faible ont été stoppés.
Voilà donc, si jamais vous avez besoin d’assistance pour mener une pareille analyse n’hésitez pas à prendre contact avec nous.