Dans l’univers du marketing digital, les innovations ne manquent pas. Pourtant, derrière cette effervescence, parfois jargonneuse, se cache des bouleversements profonds qu’il est important pour tout professionnel de maîtriser.
C’est là qu’intervient la session de rattrapage. Cette nouvelle rubrique sur la Réclame .mark&tech va s’attaquer à chaque sujet complexe adtech / média dans une forme à la fois experte et pédagogique. Sur le pupitre, pour mener ce grand travail d’enquête et de restitution : Vincent Balusseau, professeur de marketing à Audencia Business School, et Guilhem Bodin, partner chez Converteo.
—
Performance Max chez Google dès 2021. Advantage+ chez Meta depuis 2022. Performance Max chez Microsoft en 2023. Performance+ sur la DSP d’Amazon, en mars 2024. Performance+ Suite chez Pinterest et Smart+ chez TikTok (après GMV max), ce mois d’octobre, après l’équivalent pour Reddit en septembre. Une solution similaire dans les tuyaux chez Apple. Aucun annonceur, petit ou grand, n’échappera aux solutions publicitaires automatisées et boostées à l’IA, poussées par les grandes plateformes.
« À terme, les annonceurs n’auront qu’à nous communiquer un budget et un objectif, et Meta gérera l’intégralité de la campagne », annonçait d’ailleurs Mark Zuckerberg fin juillet 2024, lors de la publication des résultats trimestriels de Meta. Voilà que les machines pourraient un jour mettre au rebut leurs opérateurs, et, qui sait, les graphistes et les rédacteurs.
Les experts Google Ads, et les spécialistes du Search au premier plan, ont vu la vague de l’automatisation arriver avant les autres. Avec la généralisation des annonces responsives (Responsive search ads), du ciblage large (Broad match) et des enchères intelligentes (Smart bidding), les IA de Google ont fini par déterminer, et optimiser en temps réel, le rendu final de l’annonce, le choix de l’individu à exposer ainsi que le niveau d’enchère. Mais les PMax, Advantage+ ou Smart+ franchissent un pas supplémentaire, et montrent la direction prise par l’industrie (d’autant que les géants de la tech, dont Google, imposent de fait leur adoption par leurs agences partenaires et par les annonceurs).
À ce titre, il nous paraît important qu’elles soient mieux comprises par tous les acteurs du monde de la publicité, et pas simplement par ceux qui opèrent les campagnes digitales. Qu’est-ce que ça veut dire, finalement, une « campagne automatisée reposant sur l’IA » ? Pour répondre à cette question, nous nous sommes penchés sur les campagnes PMax disponibles dans Google Ads, autour desquelles nous avons interrogé un ensemble d’experts (et mobilisé les retours d’expériences de Converteo). Notons que les grands principes exposés ici valent, en moins en partie, pour les autres solutions commercialisées par les autres plateformes – et ce bien que leurs objectifs et les fonctionnalités diffèrent.
Bien nourrir la machine
Avec PMax, tout part d’un budget et d’un objectif business communiqués par l’opérateur à la plateforme : générer des ventes en ligne, des leads, ou du trafic en magasin physique. À ces objectifs peuvent s’ajouter des contraintes d’efficience, comme un CPA (Coût Par Action) ou un ROAS (Return On Advertising Spend) cibles : imaginons par exemple un prestataire de service souhaitant obtenir des leads, mais à un coût par formulaire rempli ne dépassant pas 5 euros. Ces objectifs sont ensuite traduits en actions de conversion que la plateforme doit pouvoir tracker et comptabiliser (par exemple, un achat et la valeur de cet achat dans une boutique en ligne ; un formulaire rempli, etc.)
Dans le cadre du budget de la campagne, PMax promet alors aux annonceurs d’aller chercher « le maximum » de conversions, de revenu ou de leads en diffusant leurs annonces non plus sur un seul réseau (à l’instar d’une campagne Search) mais sur l’ensemble des inventaires de Google. En ne paramétrant qu’une seule campagne, les annonceurs peuvent ainsi toucher des utilisateurs en Search, avec des annonces texte, sur Google Shopping (pour les retailers, e-commerçants et autres DTC qui vendent des produits physiques), sur le réseau Display, sur YouTube, mais aussi, potentiellement, sur Gmail et Google Maps (pour la création de trafic au point de vente). Il s’agit bien de laisser la possibilité à ses IA d’aller chercher les meilleures opportunités de conversion… où qu’elles se trouvent, nous dit Google.
Il revient à l’annonceur de fournir à la machine une palette d’assets créatifs de qualité, et adaptés à cette diffusion multi-réseaux : un ensemble d’accroches, d’images, de descriptions et CTA pour les annonces destinées à apparaitre sur le réseau de recherche par exemple, et une ou plusieurs vidéos si la marque souhaite apparaitre sur YouTube. Et l’intégration de Gemini et Imagen 2 dans PMax doit permettre aux (petits) annonceurs de générer facilement des composants textes et des images, et donc de nourrir la solution avec une multiplicité d’éléments créatifs qu’elle pourra tester.
À l’annonceur, aussi, de fournir un certain nombre de données à PMax, pour faciliter son travail d’apprentissage : les « signaux d’audiences », qui incluent les données first-party de l’annonceur (comme les listes de remarketing) ainsi que des exemples de cibles sur représentées chez les clients de l’annonceur (centres d’intérêt ou socio démographiques), offrent des premières pistes dont l’algorithme tiendra compte dans sa période d’apprentissage. Les « thèmes de recherche » (qui incluront les mots clés les plus performants de l’annonceur) constituent une autre piste qui viendra « inspirer » l’algorithme… Attention toutefois : l’algorithme ne se limitera pas à ces seules audiences dans son travail d’exploration et de test, pas plus qu’il ne se limitera à ces seuls thèmes de recherche pour déclencher la diffusion des publicités de l’annonceur.
Les retailers et e-commerçants se doivent eux d’optimiser le flux produit qui contient les informations relatives à l’ensemble des produits qu’ils souhaitent vendre via PMax (une sorte de fichier Excel dont les lignes correspondent à des produits, et les colonnes aux attributs/informations à fournir à Google). Sur Google Shopping en effet, les décisions de ciblage (quel individu exposer, à quel produit) sont essentiellement basées sur ce que Google découvre de ce flux.
Faisons un point d’étape : une campagne « bas de tunnel », adossée aux objectifs business de l’annonceur. Un reach assurément plus élevé que dans des campagnes « mono-réseau ». Un travail de paramétrage facilité (du moins sur le papier), ce qui ne peut-être qu’une bonne nouvelle vu la complexité croissante de la publicité digitale. Des algorithmes de machine learning très sophistiqués, nourris par un ensemble de données propres à l’annonceur (flux produit d’un e-commerçant, données clients, assets créatifs…), prêts à aller chercher un « maximum de conversions » ou un « maximum de valeur », au niveau d’efficience demandé, pour peu qu’on leur lâche la bride.
… et lui lâcher la bride
Alors justement, que se passe-t-il ensuite, une fois la campagne lancée ? L’intelligence artificielle prend un ensemble de décisions en temps réel, amenant à :
1. Cibler un utilisateur qu’elle considère comme pertinent, sur le réseau de diffusion et l’emplacement qu’elle estime le plus judicieux, au bon moment ;
2. Assembler à la volée la création la plus susceptible de l’engager (un fonctionnement similaire à celui des annonces responsives, en Search ou en Display) ;
3. Définir un coût « optimal » pour l’annonceur (avec les enchères intelligentes, Google fait varier le niveau d’enchère, au coût par clic, en fonction de la probabilité de conversion d’un individu, estimée à partir de la quantité de données à sa disposition. Une enchère plus élevée fait sens si la probabilité de conversion est aussi plus élevée).
Et ces décisions sont ajustées et optimisées à mesure que s’accumulent les données de conversion (à mesure que la campagne apprend, autrement dit).
Ces données de conversion sont donc essentielles. Ce sont elles qui permettent aux modèles Google de s’adapter – de se « fine-tuner » – à la configuration spécifique de l’annonceur. Les experts Google Ads s’accordent tous pour dire que PMax ne fonctionnera pas, ou pas bien, sous un certain volume de conversions – 30 à 50 sur une période de 30 jours -, d’où l’importance, aussi, de bien faire remonter les actions de conversion, avec un tracking optimisé, incluant, entre autres, le suivi avancé des conversions. Comme le précise Austin LeClear, co-fondateur de l’agence américaine GrowMyAds, avec PMax, « Google Ads s’est progressivement transformé en un système qu’il faut nourrir avec des données de qualité, afin qu’il puisse faire son travail d’apprentissage sur les clients et le business de l’annonceur, et qu’il puisse aller chercher les résultats attendus. Il faut dès lors considérer la période d’apprentissage d’une campagne PMax comme un investissement à effectuer par l’annonceur, en vue de récupérer de la donnée ».
Comment Pmax apprend
Si le modèle doit pouvoir apprendre, il ne part pas de rien, et il est même capable d’apprendre et de performer relativement vite, sur la base d’un volume de données de conversion somme toute assez réduit (on évoque une durée d’apprentissage de 6 semaines, en moyenne). Bien que le modèle teste de multiples combinaisons (en termes de ciblage d’audience et de mots clés, de permutations d’éléments créatifs, de formats, d’emplacement, de localisation, d’heure de la journée, de produits à pousser pour les e commerçants…), il est en mesure, assez rapidement, d’aller chercher les conversions les plus faciles à obtenir, en misant sur des combinaisons qu’il sait « gagnantes ». Comment ? Il prend appui 1. sur les données historiques de l’annonceur 2. sur les données communiquées en amont de la campagne (des signaux d’audiences aux thèmes de recherche, des assets créatifs aux pages d’atterrissage en passant par le flux produit pour les e-commerçants)… mais, aussi, 3. sur la quantité d’enseignements obtenus en analysant les historiques de recherche, les préférences de clic, de visite, de conversion, de tous les utilisateurs Google (et de ceux qui ressemblent aux consommateurs historiques de l’annonceur), sur l’ensemble des réseaux à sa disposition. Ce faisant, Google met à jour des « patterns », des corrélations ou combinaisons gagnantes qui lui permettent, même avec assez peu de données de conversion (d’une nouvelle campagne PMax), de s’adapter, plus ou moins rapidement à un nouveau contexte (et donc d’amender/de fine-tuner le modèle général au nouveau cas rencontré).
L’automatisation – et les gains de temps qu’elle est censée apporter – conjuguée, à l’optimisation continue des performances permise par le machine learning constituent les points forts de ces solutions (et de PMax en particulier). Les experts tendent aussi à s’accorder sur la capacité de PMax à effectivement aller chercher du volume/de la valeur additionnels, conformément aux objectifs fixés par l’annonceur. En assurant une diffusion auprès de l’ensemble des cibles jugées comme pertinentes par le modèle, sur l’ensemble des inventaires Google, PMax contribue à générer des surcroîts de conversions et de revenu – relativement à ce qui peut être obtenu via, par exemple, des investissements exclusivement dédiés au Search ou au Shopping. Il devient donc possible, pour un petit annonceur, de scaler ses efforts d’acquisition, avec un seul type de campagne et des efforts de paramétrage et de suivi censément réduits, en laissant « un périmètre d’action aussi large que possible aux algorithmes de Google… qui, sur le long terme, sont généralement plus performants que des êtres humains », note l’expert Google Ads Matthieu Tran-Van dans son (excellent) ouvrage. Yoann Ferrand, consultant indépendant paid media, insiste également sur le fait que PMax assure une présence publicitaire autour d’individus intentionnistes qui va au-delà des seuls leviers Search (ou même Display retargeting). Et ceci peut s’avérer important sur des parcours d’achats dans des catégories à implication plus élevée, requérant souvent plusieurs touches ou contacts publicitaires.
La perte de contrôle
Mais lâcher la bride à l’algorithme implique – forcément – de perdre le contrôle.
Avec PMax, l’annonceur ne contrôle plus le ciblage, pas plus qu’il ne contrôle l’allocation budgétaire (donc la répartition de la diffusion) entre les différents réseaux/types d’emplacements Google, maintenant pris en charge par le système d’enchères intelligentes. Précisons bien que la perte de contrôle ne pose pas nécessairement de problème : elle constitue même la condition de fonctionnement de ce type de solutions, qui, rappelons-le, misent sur la capacité de l’IA à aller chercher des conversions supplémentaires sur un terrain de jeu étendu. François Loviton, directeur solutions et partenaires marketing chez Google France, nous mettait en garde contre les velléités de contrôle accru (sur l’audience ciblée, ou sur les inventaires sur lesquels les annonces sont diffusées) qui peuvent conduire à « un retour en arrière », et, partant, à perdre les bénéfices du machine learning. « Le contrôle, les annonceurs l’ont en amont, en intégrant les données les plus fines possibles, pour que l’algorithme puisse optimiser les résultats par rapport à l’objectif qui lui a été confié. Et ils l’ont en aval, avec des outils de mesure adaptés ».
Ceci dit, les leviers de contrôle et la transparence contribuent à limiter les effets de bord de ces solutions. Trop d’annonceurs ont vu, en particulier, leurs annonces s’afficher sur des mots clés clairement inadaptés à leur business. L’incapacité à exclure simplement des mots clés des campagnes a mis à l’épreuve la patience des agences spécialisés et de leurs clients. Les dernières nouveautés annoncées en septembre 2024 vont dans le bon sens. Outre l’exclusion facilitée de mots clés au niveau de la campagne, attendue par le marché, comme le reconnait François Loviton, on citera la possibilité d’accéder aux données de conversions pour chaque asset créatif, ou l’accès aux parts d’impression en Search et Shopping.
Ces nouveautés viennent aussi remédier, pour partie, aux difficultés causées par le manque de données transmises par la plateforme, bien plus limitées que sur les campagnes traditionnelles… qui oblige les annonceurs souhaitant « ouvrir le capot de la machine » à recourir à des scripts (pour obtenir, entre autres, des informations relatives à la diffusion et aux performances obtenues par réseaux/types d’emplacements).
Une boite noire et des griefs
L’absence de contrôle et la transparence réduite dans les reporting PMax, auxquelles vient s’ajouter le fonctionnement opaque des algorithmes de machine learning ont d’ailleurs amené le marché à qualifier cette solution, comme celles des concurrents de Google, de « boite noire ». Là encore, l’opacité du système ne constitue pas, en elle même, un « red flag ». Toutefois, les experts interrogés pointent vers quelques problèmes récurrents, qui font écho aux multiples points de vue, parfois très critiques, sortis dans la presse spécialisée depuis 2022.
Si notre propos n’est pas de dresser un énième bilan de la solution, qui vaudrait pour les e-commerçants comme pour les annonceurs cherchant à générer des leads, les éléments présentés ci-dessous viennent éclairer le mode de fonctionnement de la solution, et méritent par conséquent d’être passés en revue.
Premier grief, et pas des moindres : « L’objectif de PMax n’est pas d’atteindre une performance maximale, mais d’atteindre une performance qui satisfait l’annonceur », résume Jéremy Lacoste, Head of Acquisition chez Meilleurtaux. PMax va en effet chercher à dépenser l’intégralité du budget de l’annonceur en atteignant l’objectif fixé (par exemple, un CPA à 5 euros du formulaire rempli), mais n’ira pas au-delà, ce qui lui permettra de monétiser des inventaires (en Display ou sur YouTube, notamment) qui n’auraient pas été achetés par un annonceur gardant le contrôle manuel de sa campagne. PMax illustre bien « cette tension permanente qui existe, chez Google, entre le besoin de monétiser ses inventaires et celui de satisfaire les annonceurs », souligne Matthieu Tran Van. D’autres, comme Austin LeClear vont plus loin. Quitte, selon lui, à « verser dans la théorie du complot », le bundling des inventaires YouTube dans PMax pourrait bien répondre avant tout à l’objectif de croissance des revenus publicitaires de la plateforme vidéo, mis en avant lors d’un précédent « earning call » d’Alphabet.
Et ces inventaires vendus « avec le reste » peuvent s’avérer de bien piètre qualité. On se souviendra des résultats de l’étude menée par Adalytics en 2023, et qui montrait comment les annonceurs américains utilisant PMax se retrouvaient, malgré eux, à diffuser leurs publicités sur certains sites vraiment peu recommandables des partenaires du réseau de recherche (et bien que Google ait contesté les conclusions de cette étude, de nouvelles options de contrôle de la brand safety ont été mises en place à la suite de sa publication). Plusieurs experts interrogés insistent bien sur la qualité « assez relative » des inventaires Display monétisés par PMax, pour, à l’arrivée, des publicités qui peuvent être affichées sur des sites de jeu, et soumis de surcroit à un niveau de fraude important. Ces petits annonceurs, moins accompagnés ou moins experts, peuvent particulièrement en faire les frais : pour peu que ces derniers omettent d’exclure les mots clés de marque de leur campagne, PMax ira atteindre l’objectif en surinvestissant sur ceux-ci, pour ensuite, potentiellement, diffuser sur des inventaires (très) médiocres.
Ceci renvoie de manière plus générale à la troisième faiblesse de Pmax : sa capacité à tout faire pour s’approprier des conversions les plus faciles à obtenir, et présenter des résultats favorables1. – quitte, comme le précise Mike Ryan, Head of eCommerce chez Smarter Commerce, à surinvestir en remarketing et sur les mots-clés de marque de l’annonceur moins attentif. Thimo Hoffner, spécialiste Google Ads chez Clicks in Mind, surenchérit, en insistant sur le fait que Pmax « will use every tricks in the book to make the results look good », pour peu que la campagne n’ait pas été bien paramétrée…
Conséquence des points précédents : PMax est loin d’être cette solution facile à utiliser, accessible aux annonceurs moins experts, et qui gèrerait tout, ou presque, de manière automatique. C’est à peu près tout le contraire. « Ce qui a été vendu comme une solution facile d’accès a en réalité compliqué la vie des clients. Cette solution doit être hackée pour bien fonctionner », nous confie Austin LeClear. Pour Jéremy Lacoste, Pmax « n’est pas hands-of… pour aider à obtenir des résultats plus vite, on doit éliminer les combinaisons qui échouent. Ça passe par de l’exclusion, de la mise en pause, de la suppression de certains signaux, ça passe par le changement continu de pistes créatives. PMax peut certes déprioriser certaines combinaisons, mais ne va parfois pas totalement arrêter leur diffusion. »
Même son de cloche chez l’expert SEA Axel Falck : Il faut « impérativement regarder sous le capot » et « remettre de l’humain dans cette solution », « sous peine d’être victime de l’outil ».
Pour le meilleur
« 95 % des tâches pour lesquelles les spécialistes du marketing font aujourd’hui appel à des agences, des stratèges et des professionnels de la création seront facilement, presque instantanément et presque gratuitement prises en charge par l’IA – tout sera gratuit, instantané et presque parfait. Images, vidéos, idées de campagne ? Aucun problème. » La prévision de Sam Altman, fondateur d’OpenAI, en fera sourire certains, qui considèrent, à tort ou à raison, que l’intelligence artificielle, même générale, ne parviendra jamais à égaler ni la créativité, ni le « craft » des humains.
Il importe, toutefois, de se préparer à l’inévitable : PMax, Advantage+ et ces autres solutions, sur lesquelles sont venues se rajouter des couches d’IA générative, préfigurent bien le futur de la publicité et du marketing.
Pour le meilleur, parfois : les stratèges comme les opérateurs des plateformes doivent plus que jamais se pencher sur le business de leurs clients, et appréhender les campagnes comme des écosystèmes dont chaque composant – et plus simplement « la créa » – doit être optimisé, pour aider les algorithmes à mieux performer (du flux produit aux landing pages, autant d’éléments moins sexy pour certains, mais qui font toute la différence). Ce faisant, elles redéfinissent les rôles et les expertises de chacun, et ancrent un peu plus la profession dans les réalités métier des annonceurs.
Pour le pire, aussi. Comme nous l’écrivions dans un chapitre de l’ouvrage Mange ta soupe2, en 2021, « le sujet de la confiance envers des solutions publicitaires toujours moins transparentes va devenir central en publicité (digitale) ». Or la confiance envers les plateformes est au plus bas, et ce pour d’assez bonnes raisons. Difficile d’imaginer un monde où des plateformes empêtrées dans de multiples procès, pour leurs pratiques commerciales et concurrentielles, captent l’essentiel de la manne publicitaire… au travers de solutions de plus en plus opaques. Et le sujet de la confiance prend un nouveau tour avec les multiples initiatives en faveur du respect de la vie privée des utilisateurs, qui obligent les plateformes à modéliser (à estimer) les conversions qu’elles attribuent aux campagnes – ce qui vient alimenter un peu plus les doutes sur les performances effectives desdites campagnes.
__
1. On n’abordera pas ici la fiabilité des données de performance reportées par Google ads, comme le ROAS, dans la mesure où ce sujet dépasse la seule problématique PMax. Précisons néanmoins que PMax crée de nouveaux questionnements. Par exemple, la prise en compte par défaut des conversions post-view dans une campagne qui s’autorise à diffuser en Display ou sur YouTube peut interroger. Plus fondamentalement, mais ceci dépasse encore le sujet du jour, se pose la question du niveau réel d’incrémentalité des ventes que PMax s’attribue. Si Google propose des tests d’incrémentalité propres à PMax, certains annonceurs pourraient considérer avec circonspection des résultats de tests communiqués par une plateforme qui continue à évaluer son propre travail.
2. Le marketeur et l’algorithme, V. Balusseau, G. Bodin et K. Truong, dans « Mange ta soupe ! 20 experts internationaux aident les marques à bien grandir », W. Snidjers et V. Balusseau, Dunod, 2021.