Introduction

Il y a quelques mois, j’ai écrit l’article “Boostez vos campagnes digitales avec de la data météorologique”. L’objectif de celui-ci était d’expliquer comment nous étions capable, d’un point de vue technique, de contextualiser les sessions de Google Analytics avec des données météorologiques. Le but de cette implémentation personnalisée était de mesurer le rôle/l’impact de la météo sur le comportement des visiteurs de notre site web. Et finalement, de répondre aux questions suivantes:

  • Quel scénario météorologique influence positivement ou négativement les visites sur mon site ?
  • Quel scénario météorologique influence positivement ou négativement mes ventes en ligne ?

L’objectif de ce deuxième article est d’une part de partager comment nous avons identifié les scénarios météorologiques spécifiques qui pourraient avoir un impact sur les performances de notre site. D’autre part, le but est également d’expliquer comment utiliser ces scénarios pour optimiser automatiquement et en temps réel nos campagnes publicitaires en fonction des conditions/données météorologiques.

Methodologie

Pour déterminer les scénarios météorologiques les plus importants, nous sommes passés par différentes étapes:

1) Définition des valeurs du statut météorologiques - cette étape consiste à déterminer les dimensions météorologiques que nous voulions analyser. En effet comme expliqué dans le premier article, L’Open Weather API nous permet d’extraire les quatre principales données météorologiques. Après avoir fait un brainstorming sur le sujet, nous avons décidé de nous concentrer sur deux dimensions principales qui permettent de catégoriser le temps avec suffisamment de précisions:

2) Définition des indicateurs clefs - La deuxième étape a permis de déterminer les indicateurs que nous voulions croiser avec les dimensions météorologiques. La priorité de notre client était de générer des transactions en ligne sur son site. Néanmoins, nous avons également choisi de nous concentrer sur le volume de sessions pour avoir une réponse à la première question mentionnée plus haut. Par ailleurs, tenir compte uniquement du volume de transactions/sessions par scénario météorologique pourrait induire un biais puisque chaque scénario ne se produit pas le même nombre de fois. Par conséquent, nous avons créé un index qui correspond au volume de transactions/sessions divisé par le nombre de fois que le scénario météorologique est arrivé. Ceci résulte donc en un ratio pondéré en fonction du volume.

3) Visualisation des résultats - La troisième étape a servi à construire une matrice et une carte thermique dans lesquels nous pouvions croiser les indicateurs et dimensions de manière visuelle. Nous avons utilisé Supermetrics add-on pour extraire automatiquement toutes les données (dimensions et indicateurs) et ainsi avoir toujours des données à jour. Voici un tableau qui donne un aperçu de la visualisation finale:

2017July JDV Article Weather2

4) Définir les cas testés les plus pertinents - Une fois que la matrice a été créé, il était plus évident d’identifier les scénarios météorologiques les plus importants pour les différents indicateurs pondérés, mentionnés précédemment. Pour commencer l’expérience et tester l’optimisation de nos campagnes publicitaires en temps réel, nous avons choisi de nous concentrer sur deux scénarios par indicateur pondéré. Voici par exemple, deux scénarios:

Grâce à ces scénarios, nous avons été capable de passer à la troisième partie du projet.

Output

Comme expliqué dans le premier article sur ce sujet, aujourd’hui nous voyons encore beaucoup de professionnels en marketing qui utilisent leur instinct pour prendre des décisions business. En plus de l’objectif d’améliorer nos campagnes publicitaires avec les données météorologiques en temps réel, le but implicit était d’avoir des données qui pourraient challenger cet instinct et nous permettre de prendre nos décisions business basés sur des faits tangibles.

En se basant sur les scénarios météorologiques définis précédemment, nous avons dû définir les actions spécifiques à prendre sur nos campagnes publicitaires. Différentes actions ont été identifiées:

Pour réaliser ceci, nous avons développé un custom script qui a été placé dans la plateforme AdWords. Ce script est lié à un fichier externe dans lequel nous pouvons relier nos scénarios météorologiques et les actions requises. Ainsi, à chaque fois qu’une de nos publicités est éligible, le script va suivre l’arbre de décision représenté ci-dessous:

2017July JDV Article Weather2 2

 

Evidemment, toutes ces étapes sont réalisées instantanément et en temps réel. En ce qui concerne la suite du projet, nous allons maintenant suivre les performances de nos campagnes et les optimiser étant donné que les différents scénarios et les actions viennent d’être lancées. Ensuite, il s’agira de mesurer l’uplift apporté à nos campagnes.

Finalement, dans un troisième article, nous couvrirons les résultats concrets de nos tests. Il est tout de même important de garder à l’esprit que c’est un test en cours et donc un processus d’apprentissage dans lequel nous devons continuellement affiner nos scénarios météorologiques et adapter les actions qui en découlent.

 

Tags: