Ciblage large ou par centres d'intérêt : comment choisir

Le ciblage par centres d’intérêt restreint un ensemble de publicités aux personnes dont l’activité sur Meta correspond à des données démographiques, centres d’intérêt ou comportements sélectionnés. Le ciblage large supprime entièrement cette restriction, seuls la localisation, l’âge et le genre subsistent, et confie le reste de la décision à l’algorithme de diffusion de Meta, qui s’appuie sur bien plus de signal (recherches récentes, visionnage complet de vidéos, activité du panier) qu’un simple centre d’intérêt ne pourrait en capturer à lui seul.

L’arbitrage, et pourquoi il a évolué

Le ciblage par centres d’intérêt échange de la portée contre de la pertinence : un bassin plus restreint et plus précis en échange de savoir approximativement qui il contient. Le ciblage large échange la pertinence contre la reconnaissance de motifs propre à l’algorithme. À mesure que les modèles de Meta se sont améliorés, le large a de plus en plus comblé cet écart, et sur des comptes avec un solide historique de conversion, il surpasse fréquemment les piles de centres d’intérêt choisies à la main, en particulier au-delà de 200 €+/jour de dépense.

Quand chacun trouve sa place

Là où le ciblage par centres d’intérêt échoue seul

Empiler trop de centres d’intérêt avec une logique ET. Exiger une correspondance sur plusieurs centres d’intérêt étroits à la fois peut réduire un bassin à quelques dizaines de milliers de personnes, trop peu pour que le système de diffusion de Meta puisse en apprendre quelque chose, aussi précisément que le profil de l’acheteur soit décrit.

Choisir des centres d’intérêt assez larges pour ne rien signifier. Un libellé comme « shopping » ou « technologie » correspond à des centaines de millions de personnes, l’ensemble de publicités paie alors des CPM de niveau Fil d’actualité sans bénéficier d’aucune des précisions que le ciblage par centres d’intérêt était censé apporter.

Ne jamais faire tourner un ensemble de publicités large en contrôle. Supposer que les centres d’intérêt battent toujours le large sans jamais le tester revient à laisser un compte ignorer indéfiniment une option potentiellement moins chère et plus performante.

Là où le ciblage large échoue seul

Lancer du large sans historique de conversion. Le ciblage large ne vaut que le signal dont Meta dispose pour travailler. Avec un pixel vide, il se rapproche d’une distribution aléatoire plutôt que d’un ciblage intelligent.

Restreindre les emplacements tout en allant large sur l’audience. Associer une audience large à une sélection de emplacements étroite va à l’encontre de l’intérêt du large. L’algorithme a besoin de marge à la fois sur les emplacements et sur l’audience pour véritablement trouver où les conversions sont les moins chères.

Juger avant que la phase d’apprentissage ne se termine. Le ciblage large a lui aussi besoin des ~50 conversions hebdomadaires habituelles pour se stabiliser, les coûts initiaux resteront élevés quelle que soit l’approche de ciblage.

Comment cela se traduit dans l’Assistant de campagne

Chaque critère d’inclusion de ciblage détaillé sélectionné dans l’Assistant de campagne devient sa propre variante d’ensemble de publicités. Un test large-contre-centres d’intérêt se structure donc naturellement en deux variantes distinctes dans le même flux de l’assistant, plutôt qu’en un exercice de duplication manuelle, le nombre de variantes et le modèle de nommage suivant lequel est lequel.

Comment YieldBI applique ceci

Les insights de chiffre d’affaires et de découverte d’audience au niveau de l’annonce remontent selon votre modèle d’attribution configuré, de sorte que la contribution réelle d’un ensemble de publicités large est mesurée sur le même pied que celle d’un ensemble de publicités basé sur des centres d’intérêt. Cela permet aux Contrôles de croissance de comparer les deux honnêtement, au lieu que l’un paraisse artificiellement plus fort simplement parce qu’il se trouve reporté sous une fenêtre d’attribution plus courte.