Le eRetail media a dépassé le milliard d’euros en 2023 avec une hausse de +23% par rapport à l’année précédente, selon l’Observatoire du SRI. Un écosystème dynamique dans le marché de la publicité mais qui demeure encore (trop) complexe. Bien que jeune, le segment n’a pas manqué de défis au cours de l’année écoulée. Avec l’objectif de créer une base de référence commune pour l’échange entre tous les acteurs de cet écosystème, Alliance Digitale, qui publie un référentiel dédié et un livre blanc, s’est heurté à diverses interprétations et définitions contradictoires autour de la mesure.
Uniformiser la mesure
Le sujet est unique, les méthodes divergent et la mesure, elle, est plurielle. Afin d’apporter une réponse objective et un document de travail commun, Alliance Digitale a souhaité uniformiser les méthodes. « Dès le départ, l’idée était d’uniformiser et d’établir des normes », explique Florence Breban, à la tête du groupe de travail « Mesure » et cofondatrice de Datagram, « mais la réalité s’est avérée plus complexe que prévu ». Notamment autours des différences d’interprétations et de définition autour de la mesure.
Si le marché est encore jeune et immature, l’attente quant à une uniformisation est très forte. Dans l’élaboration du référentiel, l’accent a été mis sur la déconstruction des ratios et la clarification des paramètres, dans le but d’obtenir une lecture objective, sans interprétation. Ainsi, trois étapes ont été entreprises pour y parvenir : un livre blanc à la rentrée 2022 pour poser les problématiques, suivi de l’élaboration d’un référentiel exhaustif. La troisième étape a consisté à travailler sur l’incrémentalité, l’un des enjeux majeurs identifiés dans les tendances de 2024. Qui fera l’objet d’un référentiel dédié.
La disponibilité des données a également été un point crucial, reflétant les divers niveaux de maturité technologique des acteurs du marché.
Des tensions persistent sur certains indicateurs clés tels que le ROAS (Return On Advertising Spend), et les discussions sur l’incrémentalité demeurent ouvertes. Si les méthodes AB test et de modélisation restent des références, « il est essentiel de reconnaître que se positionner sur l’incrémentalité n’est pas toujours évident compte tenu des divers objectifs et capacités des acteurs », poursuit Florence Bréban.
Les indicateurs varient en fonction des activités, comme l’illustre l’exemple des publicités sponsorisées, où l’attention se porte sur la conversion d’achat ou le taux de clic selon le format publicitaire.
Vers plus de transparence
Concernant la transparence sur le marché, « des progrès sont nécessaires », avoue Florence Bréban. Bien que certains acteurs fassent preuve de transparence, il subsiste encore des réserves, notamment autour de la disponibilité des données et la méthodologie de mesure. « Il est donc impératif d’œuvrer à différents niveaux pour accroître la transparence, en mettant notamment l’accent sur la personnalisation des fenêtres d’attribution et la mise à disposition de données nécessaires au calcul de l’incrémentalité », détaille-t-elle, et de poursuivre : « Il y a encore une chasse gardée de la data qui est un asset important pour les distributeurs ».
Outre-Atlantique, Amazon, Wallmart ou encore Target, ont ouvert l’accès à leurs données sous forme d’API. S’il existe une volonté d’aller vers plus de transparence aux États-Unis, le phénomène peine à arriver dans l’Hexagone. « Plus de transparence amène plus de confiance et donc plus d’investissements. C’est un vrai catalyseur de la croissance du retail média », poursuit la cofondatrice de Datagram.
À divers égards, la transparence concernant les ventes attribuées quotidiennement, par code EAN, constitue un premier pas significatif. La fenêtre d’attribution est l’un des indicateurs sur lesquels les retailers communiquent. En fonction du produit et des objectifs, la fenêtre d’attribution se doit d’être personnalisée. Pour Florence Bréban, « cette capacité à personnaliser à travers la transparence est un enjeu majeur ».
Les données nécessaires au calcul de l’incrémentalité sont également cruciales. Dans le cadre de la modélisation, par exemple, les intelligences artificielles requièrent une quantité considérable de données, y compris des modèles de ventes très détaillés. Une nécéssité de partager ces données avec des tiers de confiance est aujourd’hui naissante.
Les biais des méthodes de mesure précédentes, tels que la fenêtre d’attribution mal calibrée ou la complexité du calcul du ROAS, devraient ainsi être corrigés pour garantir une évaluation précise des performances publicitaires.
