Retour au blog

Le casse-tête de l’analyse du ROI des promotions

Julien - Lucky Cart

Par Julien Guitard
Chief Data and Science Officer
Le 7 mars 2018

Cet article est issu de notre ebook « Promotions : comment améliorer les performances de vos investissements », que vous pouvez télécharger gratuitement.

 

Près de 3 shoppers sur 4 se disent fortement influencés par la promotion (source : Nielsen). Mais face à une telle surenchère promotionnelle, leur comportement a changé et les consommateurs se sont adaptés aux stratégies des distributeurs et des marques. Il en résulte de nombreux effets indésirables qui sont largement amplifiés ces dernières années.
Pour objectiver ce constat, il faut définir des mesures de l’efficacité promotionnelle qui sont à la fois convaincantes pour les décideurs et fiables scientifiquement pour garantir la solidité et la reproductibilité des résultats.

À la recherche d’une mesure de l’efficacité promotionnelle

Les industriels et distributeurs rencontrent plusieurs difficultés dans cette analyse convaincante et fiable. Si l’on considère la promotion comme un investissement, le ROI est la mesure qui répond à ces critères et l’on peut partir des formules suivantes :

  • Chiffre d’affaires généré (CA) / Investissement
  • Marge générée / Investissement
  • Extension de l’empreinte client / Investissement

Dans toutes ces formules, le dénominateur est défini sans ambiguïté : c’est le budget promotionnel lui-même. En revanche, le numérateur n’est pas défini de manière univoque : il existe plusieurs métriques possibles. Pour chaque métrique, plusieurs définitions sont possibles. Par exemple, si l’on s’intéresse au CA généré, trois options sont envisageables. On peut :

  • Utiliser l’ensemble du CA éligible à la promotion
  • Prendre aussi en compte le CA généré pendant et un peu après la promotion
  • Tenir compte des consommateurs qui auraient acheté de toutes façons

Limites des méthodes traditionnelles

La première option est la plus simple mais elle a l’inconvénient majeur d’inclure les effets d’opportunisme de certains consommateurs qui n’ont pas changé leurs comportements d’achats tout en profitant de la promotion. Par ailleurs elle ne tient pas compte des effets stockages ou d’anticipation.

La deuxième option permet de mieux prendre en compte les effets de stockage et d’anticipation, mais à condition d’avoir une idée de la temporalité de ces effets (1 semaine, 1 mois, etc.) qui dépend en général des produits et des habitudes de consommation. Par ailleurs cette deuxième option ne résout pas la question des effets d’aubaine.

La troisième option permet de faire cela justement mais pose immédiatement une difficulté méthodologique : comment isoler les personnes qui auraient consommé de la même façon sans la promotion ? Compter le CA éligible ou le volume de promotions ne suffit plus, il faut définir un contrefactuel.

Exemple 1

Une campagne promotionnelle a duré 10 jours avec un budget de 100K€ avec un taux de remise moyen de 5%. Le budget a entièrement été consommé et aucun A/B testing n’a été réalisé. La base de consommateurs est de 1M de personnes.

Sur les dix jours précédents la campagne le CA total était de 9M€, sur les 10 jours de la campagne le CA était 12M€ et sur les 10 jours suivants de 10M€.

Quel est le ROI de la campagne ?

Si l’on part de la formule ROI = CA généré/Investissement, on sait déjà que le numérateur est égal au budget consommé soit 100K€. Le calcul du numérateur est plus compliqué :

  • Le CA a augmenté de 3M€ entre l’avant-campagne et la campagne (•12M€ – 9M€)
  • Cette augmentation de 3M€ ne peut être attribuée uniquement à la campagne, car on constate que le CA a augmenté de 1M€ après la campagne (10M€ – 9M€).
  • Enfin, le CA incrémental ne peut pas être supérieur au CA éligible à la promotion, qui est de 2M€ (100K€ ÷ 5%).

Le numérateur est une fraction de ces 2M€ sans que l’on puisse en dire plus. On réalise bien que sans A/B testing il est impossible de calculer le ROI d’une promotion.

Le salut vient de l’économétrie et du machine learning

Heureusement cette notion de contrefactuel a beaucoup été étudiée en marketing et plus généralement en sciences sociales et des techniques pour le quantifier existent. C’est notamment le cas de l’A/B Testing quand il est réalisé sérieusement, de l’économétrie (qui généralise la notion d’A/B Testing), ainsi que le machine learning et l’analyse prédictive qui généralise elle-même l’A/B Testing et l’économétrie. Dans tous les cas l’idée est la même. On répartit de manière aléatoire et avant le début de la promotion les consommateurs en deux groupes :

  • Le groupe de contrôle ou groupe témoin qui ne recevra pas de promotion
  • Le groupe test qui lui recevra la promotion

Ensuite, on vérifie que les deux groupes se comportent de la même façon avant la promotion. Dans ces conditions, on peut attribuer toutes les différences de comportements (chiffres d’affaires par jour et par personne ou choix de produits par exemple) à la promotion. En pratique, le choix aléatoire des groupes demande une technologie assez fine pour réduire les biais et les bruits d’échantillonnage, et garantir l’équivalence de comportement. En effet, le comportement avant la promotion ou en l’absence de promotion peut être modélisé de diverses manières :

  • De manière simple, en calculant des moyennes comme dans le cas de l’A/B testing ou de l’économétrie
  • De manière plus sophistiquée en faisant appel à du machine learning

Exemple 2

La même campagne promotionnelle est lancée, cette fois avec un groupe de contrôle qui représente 20% des consommateurs.

Les 2 groupes sont constitués de façon à ce que leur consommation soit quasi-identique sur les 10 jours précédant la campagne :

  • 0,9005€ / jour / consommateur dans le groupe de contrôle
  • 0,9003€ / jour / consommateur dans le groupe de test

Pendant la campagne ces consommations passent à :

  • 1,0402€ / jour / consommateur dans le groupe de contrôle
  • 1,2402€ / jour / consommateur dans le groupe de test

L’AB testing réalisé, basé sur un groupe de contrôle qui consomme de façon identique au groupe de test, permet cette fois de calculer le différentiel de consommation attribuable à la promotion : 0,2€ / jour / consommateur (1,2402 – 1,0402) soit 1,6M€ sur toute la durée de la campagne (0,2 x 80% x 1M).

Il est donc possible de calculer le ROI de cette promotion : 16, soit 16 euros de CA incrémental pour chaque euro investi (1,6M€ / 100K€).

Vous voulez en savoir plus ?

Découvrez comment Lucky Cart peut vous aider à augmenter le R.O.I. de vos promotions.