Préparer vos données de prétest

Les données utilisées dans Meridian GeoX sont des séries temporelles quotidiennes de dépenses et de réponses, telles que le nombre de conversions ou le revenu, pour chaque zone géographique.

Dans les graphiques suivants, l'axe des abscisses correspond aux dates et l'axe des ordonnées représente la valeur de la métrique, à savoir la réponse et les dépenses. Chaque ligne correspond à une zone géographique. Les lignes verticales en pointillés marquent la séparation entre les périodes de prétest et de test. L'intervention sur les annonces a lieu pendant la période de test.

Exigences générales concernant les données

Consultez les sections suivantes pour en savoir plus sur les exigences concernant les données pour vos tests géographiques.

Données sur les dépenses

Pour les tests impliquant des conceptions de type "go-dark" ou "heavy-up", y compris les cellules de traitement auxquelles ces types sont attribués au sein d'études multicellulaires, la fourniture de séries temporelles sur les dépenses est obligatoire. Pour les tests de type "holdback", ou les cellules de ce type dans les études multicellulaires, les données sur les dépenses ne sont pas obligatoires.

Métrique de conversion

L'identification d'une métrique de conversion appropriée constitue une condition essentielle pour configurer et évaluer efficacement des tests géographiques. Une métrique appropriée doit respecter des normes commerciales et méthodologiques spécifiques :

• Critères commerciaux : la définition de conversion sélectionnée doit correspondre étroitement au KPI principal qui oriente les actions stratégiques. Cette métrique doit refléter l'influence spécifique du canal média faisant l'objet de l'évaluation. Par exemple, privilégiez les indicateurs situés en haut de l'entonnoir lorsque vous testez des tactiques de notoriété de la marque.
• Critères techniques : les données de conversion doivent être accessibles au niveau géographique utilisé pour le test. Il est conseillé d'exclure les métriques dont la densité des données est faible ou qui présentent une proportion importante d'entrées nulles, car elles peuvent compliquer le processus de modélisation statistique.
• Type de métrique et attribution : la métrique de conversion doit être absolue, comme le revenu ou le nombre de conversions. Les métriques de type ratio, comme le ROAS, ne sont pas acceptées par GeoX. De plus, vous devez utiliser des séries temporelles de conversion brutes et non filtrées au lieu de conversions attribuées. Cela évite que les résultats soient biaisés par une logique d'attribution prédéfinie, qui peut donner une représentation trompeuse de l'incrémentalité causale réelle.

Données au niveau géographique

Vous devez créer des données de séries temporelles de prétest au niveau géographique avant de concevoir un test géographique. À cette étape, vous fournirez au moins 3*N jours de données de réponse, telles que les revenus ou le nombre de conversions, où N est égal à la durée de la période de test réelle. Si votre activité est soumise à une forte saisonnalité ou à des schémas cycliques, vous devez préparer une période historique plus longue (un an ou plus, par exemple) pour entraîner le modèle efficacement et éviter d'introduire des biais dans l'estimation contrefactuelle.

Pour les types de tests impliquant des campagnes existantes, comme ceux de type "go-dark" ou "heavy-up", vous devez également préparer des données de séries de dépenses quotidiennes au niveau géographique. Ces données serviront à calculer le budget de test requis sur la base des statistiques de vos campagnes existantes. Ces données sur les dépenses peuvent généralement être récupérées à partir du compte Google Ads ou des API des éditeurs.

Structure des données

Votre ensemble de données de prétest doit être un DataFrame Pandas et contenir les colonnes suivantes :

• date
• location : différentes zones de marché.
• conversions : les données de conversion récentes sont généralement des données brutes non filtrées sur les conversions ou les revenus, provenant habituellement du CRM de l'annonceur. Les données de conversion doivent refléter les conditions habituelles d'activité.
• spend : données sur les dépenses pour les campagnes incluses dans l'étude. Cette colonne est facultative.

Dans le cas des études multicellulaires, vous devez fournir des colonnes de dépenses distinctes associées à l'intervention propre à chaque cellule. Voici quelques cas d'utilisation :

• Tester différentes stratégies sur le même canal ou la même campagne : comparez différentes stratégies (par exemple, mettre complètement en veille les annonces ou augmenter considérablement les dépenses) sur une même plate-forme, comme YouTube. Étant donné que les deux cellules modifient le même ensemble de campagnes sous-jacent, les cellules de dépenses telles que spend_cell_1 et spend_cell_2 auront des valeurs identiques.
• Tester différents canaux ou différentes tactiques : comparez des approches complètement différentes, comme des annonces YouTube par rapport à des annonces Demand Gen, ou la prospection par rapport au reciblage. Chaque cellule étant associée à une campagne distincte, les valeurs de dépenses seront différentes. La cellule 1 doit refléter les dépenses associées à la première tactique, et la cellule 2 celles associées à la seconde.

Les données de réponse, telles que les colonnes de transactions ou de revenus, ainsi que les données de dépenses, doivent être préparées au format suivant. Sur la période de prétest, chaque paire constituée d'une date et d'un lieu apparaît exactement une fois dans ce tableau.

Voici un exemple d'importation de données pour concevoir un test "go-dark" à une seule cellule :

Voici un exemple d'importation de données pour concevoir un test à deux cellules. La première cellule de traitement doit être de type "go-dark", tandis que la seconde doit être de type "heavy-up" pendant la période du test :

Bonnes pratiques

Suivez ces bonnes pratiques pour vous assurer que votre test géographique est statistiquement fiable.

Métriques avec des valeurs négatives

N'utilisez pas de métriques pouvant contenir des valeurs négatives, comme les revenus nets après remboursement. Les valeurs négatives perturbent la randomisation de la conception et la modélisation statistique.

Vous devez toujours utiliser des valeurs absolues non négatives, telles que le revenu brut ou le nombre brut de conversions. Si les remboursements sont importants, basez la conception et l'analyse sur les ventes brutes, et appliquez un ratio net/brut historique après le test.

Volatilité quotidienne des données

N'agrégez pas vos données par semaine. GeoX exige des séries temporelles quotidiennes et n'accepte pas les données hebdomadaires. Si vos données quotidiennes sont très volatiles :

• Prolongez la durée du test (en passant, par exemple, de quatre à six ou huit semaines) pour recueillir davantage de données.
• Utilisez un KPI situé plus haut dans l'entonnoir, comme l'ajout au panier plutôt que l'achat, pour augmenter le volume et réduire le nombre de jours sans conversion.
• Augmentez la taille du groupe de traitement cible ou ajustez max_conversions_percent dans les contraintes de conception.

Optimisation des KPI

La bibliothèque n'accepte qu'un seul KPI de conversion principal par exécution. Vous ne pouvez pas optimiser une conception pour plusieurs métriques simultanément, comme les nouveaux acheteurs et les acheteurs déjà connus.

Exécutez le moteur de conception et optimisez votre KPI principal afin de garantir une puissance statistique suffisante à l'étude. Après le test, vous pouvez analyser les KPI secondaires avec prudence en exécutant la fonction analyze sur leurs données respectives.