Pourquoi ce nombre trompe les équipes
L'affichage à travers les revenus apparaît souvent comme un paramètre convaincant parce qu'il attribue les ventes aux impressions publicitaires même lorsque les utilisateurs ne cliquent pas sur les annonces. Cela peut gonfler l'efficacité perçue de la campagne et créer un faux sentiment de succès. Les équipes peuvent voir une vue élevée par le numéro de conversion et supposer que les annonces ont directement causé ces achats, ce qui n'est pas nécessairement vrai.
La principale question est que la vue par conversions repose sur une fenêtre de temps après une impression publicitaire pendant laquelle un achat est crédité à l'annonce. Cette fenêtre est arbitraire et peut varier considérablement entre les plateformes et les campagnes. Par exemple, une fenêtre de 24 heures ou de 7 jours peut être utilisée. Tout achat au cours de cette période est considéré comme influencé par l'annonce, indépendamment d'autres facteurs.
Pour cette raison, le point de vue par le biais des revenus peut inclure les ventes qui auraient eu lieu de toute façon ou ont été influencées par d'autres canaux de marketing. Cela entraîne une surattribution et peut induire en erreur l'allocation budgétaire. Les équipes pourraient augmenter les dépenses consacrées aux annonces qui semblent générer des revenus, mais qui ont en fait un impact différentiel limité.
Un autre défi est que le point de vue des conversions ne prouve pas la causalité. Ils montrent seulement la corrélation entre voir une annonce et faire un achat plus tard. Sans données supplémentaires ou expérimentation, il est impossible de confirmer que l'impression publicitaire était le véritable moteur de la vente.
Ce que signifie réellement la métrique
Voir à travers les revenus mesure la valeur des achats effectués après qu'un utilisateur a été exposé à une annonce mais n'a pas cliqué dessus. Il saisit les effets latents potentiels de la publicité, tels que la sensibilisation à la marque ou les effets de rappel, qui peuvent influencer indirectement les décisions d'achat.
Cette mesure est utile pour comprendre l'impact plus large de l'affichage ou des publicités vidéo où les clics directs sont moins fréquents. Il aide à quantifier la contribution des annonces au parcours client au-delà des interactions de clic immédiates.
Cependant, la perception par le biais des recettes doit être interprétée comme une estimation de l'influence publicitaire, qui est liée à la limite supérieure, plutôt que comme une mesure précise des ventes supplémentaires. Il reflète les ventes totales effectuées après l'exposition à la publicité, et non les ventes additionnelles causées par la publicité.
Dans la pratique, la visualisation par conversion complète les indicateurs de revenus induits par le clic en fournissant une image plus complète de la performance publicitaire. Les revenus générés par le clic montrent une réponse directe, tandis que la vue à travers les recettes capture les effets retardés ou indirects.
Lorsque l'interprétation est interrompue
L'interprétation se décompose lorsque les équipes considèrent la perception par les revenus comme une preuve de causalité ou l'utilisent comme la seule base pour la prise de décision. Sans contrôler d'autres variables, cette mesure peut être trompeuse.
Par exemple, si un utilisateur voit plusieurs annonces sur différentes plateformes ou canaux de marketing, attribuer la vente à une seule impression publicitaire est inexact. Les interactions entre les canaux et les facteurs organiques influencent également le comportement d'achat.
Un autre piège commun est d'ignorer la longueur de la fenêtre d'attribution. Les fenêtres plus longues augmentent les chances d'inclure des ventes non liées, gonfler la vue par le biais des revenus. Les fenêtres plus courtes peuvent sous-estimer les effets retardés, mais réduire le bruit.
Pour éviter une mauvaise interprétation, le point de vue sur les revenus devrait être analysé en même temps que des données expérimentales telles que des tests A/B ou des études d'accroissement. Ces méthodes aident à isoler l'impact causal réel des publicités.
Enfin, les équipes doivent tenir compte du contexte commercial. Pour les produits à longs cycles de considération, la vue par le biais des revenus peut saisir une influence significative. Pour les achats impulsifs, les revenus générés par les clics fournissent souvent des indications plus claires.
Un exemple concret
Imaginez qu'un utilisateur voit une annonce d'affichage pour un produit mais ne clique pas immédiatement dessus. Plus tard, l'utilisateur visite le site ecommerce directement ou par un autre canal et fait un achat. Cette vente est attribuée comme une vue par conversion parce que l'utilisateur a consulté l'annonce mais ne l'a pas cliqué. Supposons que la campagne publicitaire rapporte 100 vues grâce à des conversions générant 5 000 $ en revenus. À première vue, cela pourrait suggérer que la campagne a généré 5 000 $ en revenus sans aucun clic.
Toutefois, cette attribution de recettes ne prouve pas que l'annonce a uniquement causé l'achat. L'utilisateur aurait pu avoir l'intention d'acheter indépendamment de la vue de l'annonce ou pourrait avoir été influencé par d'autres efforts de marketing. Les conversions indiquent une corrélation entre l'exposition à la publicité et l'achat, mais n'établissent pas de lien de causalité. En revanche, les revenus générés par les clics proviennent d'utilisateurs qui ont cliqué activement sur l'annonce, puis convertis, fournissant des preuves plus solides d'influence directe.
Cet exemple met en évidence le risque de surévaluation de la vue par le biais des recettes. Le traiter comme l'équivalent de recettes induites par le clic peut conduire à un rendement gonflé sur les dépenses publicitaires (ROAS) et à des décisions budgétaires erronées.
Comment diagnostiquer le problème
Commencez par comparer le rapport de la vue par des conversions à des conversions guidées par un clic. Un ratio très élevé peut indiquer une surattribution pour voir par des conversions. Par exemple, si la vue par les conversions dépasse les conversions guidées par des clics par un facteur de cinq ou plus, elle justifie une enquête plus approfondie.
Ensuite, analysez le parcours utilisateur et le décalage horaire entre l'exposition à la publicité et l'achat. Les conversions avec un long délai peuvent être moins probables en raison de l'annonce. Définir une fenêtre d'attribution raisonnable, comme 1 à 7 jours, aide à filtrer les conversions non liées.
Vérifier le chevauchement avec d'autres canaux de marketing. Si les utilisateurs exposés à l'affichage ont également reçu des campagnes d'email ou recherché le produit, l'achat pourrait être influencé par plusieurs points de contact. Les modèles d'attribution multi-points ou les tests d’incrémentalité peuvent aider à clarifier l'impact réel de la vue par des conversions.
Enfin, examinez la configuration du suivi et la qualité des données. L'implémentation incorrecte de pixel ou les problèmes de cookies peuvent gonfler la vue par des conversions. Assurez-vous que les impressions publicitaires et les conversions sont enregistrées et appariées avec précision.
Comment résoudre ça vous-même
Commencez par établir des règles d'attribution claires qui distinguent entre la vue et les revenus générés par le clic. Attribuer un crédit inférieur ou utiliser des rapports séparés pour la vue par des conversions afin d'éviter de les mélanger avec des revenus en clic direct.
Mettre en place une fenêtre d'attribution raisonnable pour la vue par conversion. Les fenêtres plus courtes réduisent les chances de compter les achats non liés. Par exemple, la vue limite par attribution aux conversions se produisant dans les 3 jours suivant l'exposition à la publicité.
Utilisez des modèles d'attribution multi-points pour distribuer le crédit équitablement parmi tous les points de contact marketing. Cette approche réduit la dépendance à l'égard de la vue par des conversions et offre une vision plus équilibrée de la performance des canaux.
Effectuer des tests d’incrémentalité en exécutant des expériences contrôlées où certains utilisateurs voient les annonces et d'autres pas. La comparaison des taux de conversion entre les groupes permet de mesurer l'augmentation réelle causée par l'exposition à la publicité au-delà de la corrélation.
Vérification régulière des pixels de suivi et des méthodes de collecte de données pour assurer l'exactitude. Corriger rapidement les écarts afin de maintenir des données d'attribution fiables.
En combinant ces étapes, les opérateurs du commerce électronique peuvent mieux comprendre la valeur réelle de la vision par des conversions et prendre des décisions éclairées en matière de budget et de stratégie.
Comment Layer Insights approche
Affichage par conversion désigne un utilisateur qui voit une annonce, mais ne clique pas dessus, puis qui effectue un achat. Cette métrique est souvent utilisée pour estimer l'impact de l'affichage ou des publicités vidéo qui ne génèrent pas de clics immédiats. Bien que la vision par conversion puisse indiquer une exposition à la marque et une influence potentielle sur les décisions d'achat, elles ne prouvent pas une causalité directe.
L'une des principales limites est que le point de vue des conversions ne peut confirmer que l'annonce a été le facteur décisif de l'achat. Les utilisateurs peuvent avoir été exposés à de multiples points de contact marketing ou à des influences externes. L'achat aurait pu être motivé par des recherches organiques, des visites directes ou d'autres canaux sans rapport avec l'impression publicitaire.
De plus, la vue par conversion est vulnérable à la surattribution. Si la fenêtre d'attribution est trop longue ou si le même utilisateur voit plusieurs annonces, les revenus crédités pour visualiser peuvent être gonflés. Cela peut conduire à des conclusions trompeuses sur l'efficacité de la publicité non click.
En résumé, les conversions sont utiles pour comprendre les effets potentiels de l'exposition à la publicité, mais elles doivent être interprétées avec prudence. Ils complètent mais ne remplacent pas les indicateurs de revenus induits par les clics qui lient directement l'interaction utilisateur à l'achat.
La règle de décision
Layer Insights utilise une méthode d'attribution équilibrée qui fait la distinction entre le clic et la vue par les revenus. Nous reconnaissons la valeur du point de vue par le biais de données pour les campagnes de sensibilisation à la marque, mais nous évitons de le créditer comme preuve d'influence directe sur l'achat.
Notre plateforme utilise des fenêtres de temps strictes et des bouchons de fréquence pour minimiser la surattribution en vue de conversions. Nous intégrons également des modèles d'attribution multi-points qui tiennent compte de toutes les interactions utilisateur entre les canaux, offrant une vue globale du parcours client.
En combinant la science des données et la connaissance pratique du commerce électronique, Layer Insights garantit que les opérateurs reçoivent des analyses transparentes et réalisables. Cela permet aux annonceurs de répartir efficacement les budgets entre les interventions directes et les efforts de création de marques.