Image upklyak sur Freepik
 

Les entreprises dépensent des milliards chaque année en publicité pour accroître la notoriété de leurs produits et l'intérêt des consommateurs, ce qui conduit à davantage d'achats. Des publicités ou campagnes ciblées sont lancées pour atteindre un public plus large afin d'acquérir de nouveaux clients pour leurs produits. Les publicités sont diffusées sur plusieurs médias : à la télévision, à la radio, dans les magazines, en ligne, sur les réseaux sociaux et même dans les magasins pour toucher un large public. En raison de l’abondance des options et de l’impératif de maximiser le retour sur investissement (ROI), l’allocation efficace des ressources publicitaires présente un défi de taille. C’est là que la modélisation du mix média devient primordiale pour les entreprises afin d’optimiser leurs dépenses publicitaires et de maximiser leur retour sur investissement. En estimant combien d'argent devrait être dépensé sur certains canaux médiatiques pour atteindre des objectifs spécifiques (tels que l'augmentation des ventes ou la notoriété de la marque), la modélisation du mix média est un outil utile pour les entreprises. Cela leur permet de comparer les performances des différents canaux, d'identifier les opportunités d'amélioration et de dépenser les ressources de manière judicieuse. Les informations basées sur les données permettent aux entreprises d'affiner leurs approches marketing, d'augmenter la valeur de leurs dépenses et d'accélérer le processus permettant d'atteindre leurs objectifs commerciaux. La modélisation du mix média est une technique d'analyse statistique dans laquelle on analyse les données publicitaires historiques, notamment les dépenses, les impressions publicitaires ou les clics délivrés, les ventes de produits, les nouveaux clients acquis, etc. afin de comprendre l'impact des différents canaux médiatiques sur les résultats commerciaux. Cela permet aux entreprises d’optimiser leur portefeuille de budget publicitaire et d’augmenter leur retour sur investissement.

Outre l'impact des canaux médiatiques, la modélisation du mix média prend également en compte des facteurs externes, tels que le fait que l'entreprise ait organisé des promotions, des vacances ou tout autre événement spécial susceptible d'avoir un impact sur les ventes. Ceci afin d'éviter toute forme de surestimation de l'impact de la performance des canaux médiatiques.

Mais l’un des facteurs les plus critiques que les entreprises doivent prendre en compte et intégrer dans leurs modèles de mix média est la saisonnalité.

En termes simples, nous pouvons définir la saisonnalité comme une caractéristique des données de séries chronologiques dans laquelle nous pouvons observer un comportement prévisible et régulier qui se répète chaque année. Ainsi, on peut dire que toute fluctuation comportementale prévisible et récurrente chaque année est un comportement saisonnier.

Mais en quoi la saisonnalité diffère-t-elle de l’effet cyclique ? Les effets cycliques sont ceux qui peuvent s’étendre sur différentes périodes. Ils peuvent durer plus ou moins d'un an, comme par exemple l'augmentation des ventes d'appareils de filtration d'eau dans une région en raison d'un défaut susceptible de survenir dans la conduite d'eau. Ce type d’effet n’est ni régulier ni prévisible et pourrait ne pas se répéter chaque année. En revanche, une augmentation des ventes de médicaments contre la grippe due à la saison grippale peut être qualifiée de saisonnière puisqu'elle se répète chaque année de décembre à février et peut être prédite.

Mais pourquoi la saisonnalité est-elle importante pour la publicité dans les médias ? La saisonnalité affecte principalement la modélisation du mix média de deux manières. Premièrement, on observe un changement dans les modes de consommation des médias, et deuxièmement, un changement dans l'efficacité de la publicité. Comme nous l'avons expliqué ci-dessus, la modélisation du mix média peut aider les spécialistes du marketing à comprendre l'impact des différents canaux médiatiques sur leurs ventes ou d'autres indicateurs de performance clés tels que l'acquisition de nouveaux clients. L'intégration de la saisonnalité dans ces modèles permet aux annonceurs de refléter plus précisément les changements dans les performances publicitaires qui se produisent tout au long de l'année. Par exemple, pendant les périodes de fêtes, diverses chaînes médiatiques peuvent observer une augmentation de l’audience ou un engagement plus élevé, ce qui leur permet de mieux atteindre leurs publics cibles respectifs. Les annonceurs sont en mesure de maximiser l'efficacité de leurs plans d'allocation média lorsqu'ils reconnaissent et prennent en compte la saisonnalité. Ils sont capables de modifier leurs budgets publicitaires, leurs campagnes et leur sélection de canaux afin de s'aligner sur les tendances saisonnières et la demande des consommateurs. Cela garantit que les efforts marketing sont concentrés aux moments où ils sont les plus susceptibles de générer un impact maximal, optimisant ainsi le retour sur investissements publicitaires.

Nous pouvons intégrer la saisonnalité dans les modèles de mix média en utilisant des facteurs saisonniers ou des variables factices pour représenter des événements saisonniers spécifiques tels que les vacances. Ces facteurs capturent l'influence de différentes périodes sur la réponse des médias et aident à ajuster les prédictions du modèle en conséquence. Ces variables capturent l'impact de différentes périodes sur la réponse des médias et facilitent la prédiction du modèle.

En Python, nous avons une bibliothèque Statsmodel appelée décomposition_saisonnière, cela peut nous aider à générer des variables de saisonnalité. La bibliothèque divise une série chronologique en trois composants, à savoir la tendance, la saisonnalité et les résidus. La saisonnalité peut être représentée par deux types de modèles, additifs ou multiplicatifs. 

Pour simplifier, supposons que nous avons affaire à un modèle additif. Un modèle additif peut être utilisé lorsque la variance de la série chronologique ne change pas selon les différentes valeurs de la série chronologique. Mathématiquement, nous pouvons représenter un modèle additif comme suit dans lequel les composantes individuelles de tendance, de saisonnalité et de résidu sont additionnées.

 
Figure 1 : Décomposition saisonnière du chiffre d’affaires sur 8 mois

Facteur de tendance

La composante tendance décrit le changement dans la série chronologique qui se produit sur une période plus longue et est plus systématique. Il reflète l'augmentation ou la diminution fondamentale de la série et fournit une indication de la tendance globale ainsi que de l'ampleur des données collectées sur une période prolongée. Il est utile pour déterminer le modèle sous-jacent des données ainsi que la directionnalité des données. Dans la figure 1, nous avons la décomposition saisonnière des revenus sur 8 mois, et si l'on regarde la tendance, nous observons qu'il y a une baisse des revenus pendant les mois d'été de l'année. Cette information peut être cruciale pour les annonceurs car ils peuvent concevoir un changement de stratégie ou de modèle de dépenses.

Facteur de saisonnalité

Le facteur de saisonnalité fait référence à des tendances récurrentes qui se produisent sur des périodes plus courtes, souvent sur l’espace d’un an. Il s'agit d'une représentation des oscillations fréquentes qui se produisent en raison d'influences externes telles que la météo, les vacances ou d'autres événements culturels. Les hauts et les bas récurrents caractéristiques de la saisonnalité sont le reflet des régularités qui peuvent être anticipées dans les données. Dans la figure 1 ci-dessus, nous pouvons voir qu'il y a des pics tous les deux mois, ce qui peut aider les entreprises à identifier certaines influences externes ayant un impact sur les revenus.

Facteur résiduel

Les variations aléatoires et inexpliquées qui ne peuvent être attribuées à la tendance ou à la saisonnalité sont représentées par la composante résiduelle, également appelée composante d'erreur ou de bruit. Il prend en compte les fluctuations ou anomalies encore présentes après prise en compte des composantes de tendance et de saisonnalité. La fraction des données qui est imprévisible et dépourvue de modèle systématique est désignée par la composante résiduelle.

Défis rencontrés dans l’analyse de la saisonnalité

1. Saisonnalités multiples : dans certaines données de séries chronologiques, on peut observer plusieurs modèles de saisonnalité à un niveau quotidien, hebdomadaire et mensuel, ce qui est difficile à capturer avec une simple décomposition saisonnière et peut nécessiter des processus plus complexes.
2. Rareté des données : si nous ne disposons pas de données uniformément réparties sur une période de temps, c'est-à-dire si nous avons rarement échantillonné des données ou très peu de points de données, cela pourrait avoir un impact sur l'estimation de la saisonnalité. Par conséquent, il est recommandé de disposer d’un ensemble de données de niveau quotidien ou hebdomadaire pendant au moins 2 ans pour une estimation de la saisonnalité de meilleure qualité.
3. Non-stationnarité : si les données de la série chronologique présentent une variance changeante, cela aura un impact sur l'estimation de la saisonnalité.

   Des points de données limités ou épars au cours d’une saison particulière peuvent entraver l’estimation précise des effets saisonniers, en particulier lorsqu’il s’agit de séries chronologiques plus courtes ou de données rarement échantillonnées.

4. Irrégularités : nous avons souvent des valeurs aberrantes dans les données en raison de certains facteurs externes qui peuvent fausser l'analyse de saisonnalité. Il est conseillé d'effectuer un filtrage des données avant d'effectuer une analyse de saisonnalité telle que la détection et la suppression des valeurs aberrantes.

Enfin, nous avons vu comment la saisonnalité influence la modélisation du mix média et détermine les décisions commerciales stratégiques. Les spécialistes du marketing peuvent optimiser leurs tactiques publicitaires et leur allocation budgétaire en fonction des changements de comportement des consommateurs et de la dynamique du marché tout au long de l'année en incluant la saisonnalité dans les modèles de mix média. Comprendre les modèles saisonniers permet aux entreprises de cibler le bon groupe démographique, de choisir les meilleurs canaux médiatiques et de planifier leurs campagnes publicitaires pour un impact maximal. Les entreprises peuvent améliorer l'efficience et l'efficacité de leurs activités publicitaires, accroître l'engagement des clients, générer des ventes et, à terme, améliorer leur retour sur investissement en utilisant des informations d'analyse de saisonnalité. La saisonnalité permet aux entreprises d'ajuster et d'adapter leurs tactiques de marketing pour correspondre à l'évolution des demandes et des préférences des consommateurs, leur donnant ainsi un avantage concurrentiel dans un environnement instable.
 
 
Mayukh Maitra est un scientifique des données chez Walmart travaillant dans le domaine de la modélisation du mix média avec plus de 5 ans d'expérience dans l'industrie. De la construction de modèles de recherche sur les résultats basés sur le processus de Markov pour les soins de santé à la modélisation du mix média basée sur des algorithmes génétiques, j'ai été impliqué non seulement pour avoir un impact sur la vie des gens, mais aussi pour faire passer les entreprises au niveau supérieur grâce à des informations significatives. Avant de rejoindre Walmart, j'ai eu l'opportunité de travailler en tant que responsable de la science des données chez GroupM dans le domaine de la technologie publicitaire, associé principal en science de la décision chez Axtria travaillant dans le domaine de l'économie de la santé et de la recherche sur les résultats, et en tant qu'analyste technologique chez Associés ZS. En plus de mes rôles professionnels, j'ai fait partie du jury et du comité technique de plusieurs conférences évaluées par des pairs, j'ai également eu l'occasion de juger plusieurs prix technologiques et hackathons.
 

• Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
• PlatoData.Network Ai générative verticale. Autonomisez-vous. Accéder ici.
• PlatoAiStream. Intelligence Web3. Connaissance Amplifiée. Accéder ici.
• PlatonESG. Automobile / VE, Carbone, Technologie propre, Énergie, Environnement, Solaire, La gestion des déchets. Accéder ici.
• PlatoHealth. Veille biotechnologique et essais cliniques. Accéder ici.
• GraphiquePrime. Élevez votre jeu de trading avec ChartPrime. Accéder ici.
• Décalages de bloc. Modernisation de la propriété des compensations environnementales. Accéder ici.
• La source: https://www.kdnuggets.com/2023/08/media-mix-modeling-ultimate-guide-mastering-seasonality-boosting-business-results.html?utm_source=rss&utm_medium=rss&utm_campaign=the-ultimate-guide-to-mastering-seasonality-and-boosting-business-results