Conversions modélisées : combler les trous de suivi

Ce que sont les conversions modélisées

Les conversions modélisées sont des chiffres que Meta inclut dans ses rapports qui n’ont pas été directement observés via un déclenchement de pixel, un événement d’application ou un signal côté serveur, mais qui ont été estimés par modélisation statistique. Quand une conversion ne peut pas être directement associée à une annonce en raison de cookies manquants, d’un identifiant d’appareil bloqué, ou d’un utilisateur ayant refusé le suivi, Meta peut tout de même estimer la probabilité qu’une conversion ait eu lieu et en attribuer une part modélisée à l’annonce, en se fondant sur des schémas issus de conversions observées et comparables.

Ces chiffres se trouvent dans les mêmes totaux rapportés que les conversions directement observées, généralement sans étiquette visible qui distingue l’une de l’autre, sauf si vous creusez dans les répartitions ou la documentation.

Comment cela fonctionne

Meta construit son modèle en utilisant comme données d’entraînement les conversions qu’il peut observer directement. Il examine la relation entre l’exposition à l’annonce, les caractéristiques d’audience et les conversions confirmées chez les utilisateurs dont le suivi est intact, puis applique cette relation pour estimer les résultats des utilisateurs dont le suivi direct a échoué. La méthodologie exacte n’est pas entièrement publique, mais l’approche générale est standard dans le secteur : utiliser la population observable pour déduire le comportement de la population non observable.

La proportion de conversions modélisées par rapport aux conversions observées dans votre compte dépend fortement de votre mix de trafic. Les comptes avec une large base d’utilisateurs iOS, ou dans des régions et navigateurs plus restrictifs en matière de confidentialité, tendent à avoir une part plus élevée de conversions modélisées. Les comptes avec un trafic majoritairement Android et une couverture complète de l’API Conversions dépendent moins de la modélisation.

Pourquoi cela compte

Les conversions modélisées existent pour que les chiffres rapportés ne s’effondrent pas simplement quand le suivi est bloqué. Sans modélisation, les rapports de Meta sous-estimeraient fortement la performance pour tout segment d’audience à forte perte de suivi, ce qui pourrait pousser les annonceurs à réduire le budget de campagnes qui fonctionnent en réalité très bien. La modélisation lisse cet écart, mais cela signifie aussi qu’une partie de chaque total rapporté est une estimation plutôt qu’un décompte ferme, et les estimations comportent une marge d’erreur.

Cela compte le plus quand vous comparez la performance entre périodes ou segments d’audience avec une couverture de suivi différente. Une campagne qui a évolué vers davantage de trafic iOS peut afficher un total de conversions similaire à avant, mais une part plus importante de ces chiffres est désormais modélisée plutôt qu’observée, ce qui change le niveau de confiance à accorder au total rapporté.

Comment agir en conséquence

Ne partez pas du principe que chaque chiffre de conversion rapporté est un fait directement observé. Quand la précision compte pour une décision de budget importante, croisez les chiffres rapportés avec vos propres données back-end ou votre CRM quand c’est possible, car elles reflètent des résultats réels indépendants de toute hypothèse de modélisation d’une plateforme. Améliorez votre signal directement observé en implémentant correctement l’API Conversions, car un taux plus élevé d’événements observés réduit la dépendance du modèle à l’inférence et améliore généralement aussi la précision de la part modélisée.

Utilisez des tests d’incrémentalité, comme des études de lift de conversion, comme vérification indépendante quand les conversions modélisées représentent une part significative de vos rapports.

Erreurs courantes

Traiter un nombre de conversions rapporté comme un chiffre exact et audité ignore qu’une part significative peut être modélisée. Comparer la performance entre campagnes ou périodes avec des couvertures de suivi très différentes, sans tenir compte de la différence de part modélisée, peut produire des conclusions trompeuses. Négliger l’implémentation de l’API Conversions, qui réduirait la dépendance à la modélisation, est un écart courant et évitable. Paniquer face à une baisse rapportée des conversions sans vérifier d’abord si la couverture de suivi a changé mène souvent à des changements de campagne inutiles.

Comment YieldBI aide

YieldBI suit la couverture du pixel et de l’API Conversions aux côtés de la performance des campagnes, ce qui facilite le repérage des cas où une grande part des conversions rapportées peut être modélisée plutôt que confirmée, et ses modèles d’attribution incrémentale intègrent cette incertitude dans les chiffres qu’il affiche.