Percer la boîte noire : décrypter les données publicitaires de Meta au niveau des produits

Mais que se passe-t-il réellement à l’intérieur de ces annonces ? Et existe-t-il un moyen d’optimiser ce format de publicité produit dynamique (DPA) qualifié de « boîte noire » ?

Les annonceurs peuvent accéder aux performances des annonces, mais sans avoir d’informations natives sur les produits spécifiques qui sont affichés, cliqués ou ignorés dans une DPA étendue.

L’algorithme prend-il les bonnes décisions ?

Voilà la question à laquelle nous avons voulu répondre.

Les marques tombent souvent dans trois pièges courants :

1. Sur-segmentation : Les marques désireuses d’obtenir plus de visibilité décomposent leur catalogue en ensembles de produits de niche avec de nombreuses DPA.

• Avantages : Vous pouvez donner à chaque annonce un nom personnalisé qui indique exactement ce qui est servi. Pratique !
• Inconvénients : Cela réduit la densité des données et peut ruiner le retour sur investissement. De plus, il y a une tendance à essayer de prédire quels publics répondront à quels produits, ce qui n’est plus efficace pour la plupart des marques depuis les améliorations d’Andromeda de Meta.

2. Rapports complexes : Les marques tentent de déduire les priorités de Meta en associant les données de session de Google Analytics 4 (sessions par produit) aux données des annonces Meta (les campagnes/annonces à l’origine de ces sessions).

• Avantages : Permet une certaine analyse sans tomber dans le piège de la « sur-segmentation ».
• Inconvénients : Long à mettre en place et incomplet. Cette méthode ne nous informe pas sur l’engagement spécifique au produit au sein de Meta ; nous ne faisons que deviner le taux de clics, les dépenses et les impressions.

3. « Laisser faire et oublier » : Les marques abandonnent tout contrôle et laissent Meta prendre les rênes.

• Avantages : Évite les problèmes de sur-segmentation.
• Inconvénients : Risque important de faire confiance à l’algorithme. Vous pourriez pousser des produits qui obtiennent beaucoup d’impressions mais peu de ventes, brûlant ainsi votre budget et perdant en efficacité.

Prendre des décisions uniquement à partir des données de l’interface utilisateur de Meta Ads Manager est risqué. De nombreux marketeurs restent circonspects face aux campagnes alimentées par l’IA.

Dans mon agence, nous avons développé une technologie pour surmonter ce défi. N’ayez crainte, je vais vous guider à travers les étapes exactes pour que vous puissiez faire de même pour votre marque.

Notre client pilote pour cette nouvelle technologie était un grand détaillant de salle de bain qui investissait massivement dans les DPA au sein de campagnes de conversion.

Parcourons les trois phases de notre parcours pour surmonter ce défi du e-commerce.

Phase Un : Mettre en lumière les données d’engagement

La première étape était la visibilité : comprendre ce qui se passait actuellement dans ces formats DPA « boîte noire ».

Comme mentionné ci-dessus, Meta ne rapporte pas directement quel produit spécifique a conduit à un achat dans une DPA via l’interface Ads Manager. Ce type de détail n’est pas disponible comme peuvent l’être l’âge, le placement, etc.

La bonne nouvelle est qu’une mine d’informations est enfouie dans les API de Meta :

1. Meta Marketing API (en particulier l’Insights API) est l’API principale que nous utilisons pour obtenir toutes les données de performance des annonces. C’est ainsi que nous extrayons les métriques clés comme les dépenses, les impressions et les clics pour chaque ad_id et product_id.
2. Meta Commerce Platform API (ou Catalog API). Cette API fournit la liste de tous les product_ids et leurs détails associés (comme le nom, le prix, la catégorie, etc.).

Voici les étapes :

1. Commencez par diriger les données API vers un entrepôt de données (nous avons utilisé BigQuery). Assurez-vous d’extraire les métriques suivantes de l’Insights API : impressions, clics, dépenses, ad_id, product_id. Si vous n’êtes pas développeur, vous pouvez utiliser des connecteurs ETL (comme Supermetrics, Funnel.io) pour obtenir ces données dans BigQuery ou Google Sheets, ou utiliser des scripts Python si vous avez une équipe de données.
2. Une fois que vous avez ces deux flux de données, joignez ces API dans une table, en utilisant une clé de jointure spécifique. Nous avons utilisé Product ID ; ce fil conducteur doit exister à la fois dans les données publicitaires et les données du catalogue pour que la connexion fonctionne.

Une fois cela fait, vous pouvez consulter vos données de performance publicitaire (clics, impressions), mais désormais avec une ventilation par produit.

Ce nouvel ensemble de données combiné a ensuite été visualisé dans un modèle de rapport Looker Studio. D’autres options de rapport sont également disponibles.

Pour donner un sens aux données, nous avions besoin d’un rapport facilement navigable plutôt que de pages de données brutes. Nous avons créé les visualisations suivantes :

Graphique de dispersion des produits : Séparation de chaque produit en quatre catégories distinctes :

• « Performeurs étoiles » : Nombre élevé d’impressions et de clics.
• « Produits prometteurs » : Faibles impressions mais un taux de clics élevé.
• « Passants » : Nombre élevé d’impressions mais très peu de clics.
• « Basse priorité » : Faibles clics et impressions.

Graphiques en barres des produits les plus/moins performants : Visualisez en un coup d’œil les 10 produits les plus et les moins performants en termes d’engagement.

Tableau des détails des produits : Consultez les métriques détaillées pour chaque produit.

Cela pouvait être filtré par nom de produit, type de produit, disponibilité et tout autre métrique que nous souhaitions (couleur, prix, etc.).

Nous avons produit notre tout premier rapport client pour l’engagement publicitaire au niveau du produit, et même avec des données d’engagement uniquement, nous avons beaucoup appris :

Créativité : Nous avons utilisé les données pour améliorer les briefs créatifs.

• Dans notre rapport de données clients, il était intéressant de voir à quel point Meta poussait les produits non blancs (éviers orange, baignoires vertes), malgré le fait que 95 % de leurs ventes de produits soient des variantes blanches traditionnelles.
• Nous n’avions pas priorisé ces produits initialement pour le client, mais avons maintenant créé beaucoup plus de contenu vidéo et de contenus de créateurs mettant en vedette ces variantes hautement cliquables.

Segmentation des produits : Nous avons construit des ensembles de produits puissants et basés sur des données issues de métriques d’engagement réelles.

• Par exemple, nous avons testé l’affichage uniquement de nos produits « Performeurs étoiles » les plus engageants dans des annonces de collections alimentées par le flux dans nos campagnes de haut de l’entonnoir, où généralement l’algorithme dispose de moins de signaux pour optimiser.

Efficacité : Cela a automatisé une analyse complexe qui était auparavant lourde et chronophage.

Crucialement, pour la première fois, nous disposions de suffisamment de preuves pour contester la « meilleure pratique » de Meta consistant à utiliser l’ensemble de produits le plus large possible.

Écueils & Considérations clés

C’était un excellent premier pas, mais nous savions qu’il y avait des domaines clés que le simple accès aux API de Meta ne résoudra pas :

• Engagement Vs. Conversions : Le principal défaut est que les ventilations par produit ne sont disponibles que pour les données de clics et d’impressions, pas pour les revenus ou les conversions. La catégorie « Passants », par exemple, identifie les produits qui obtiennent peu de clics, mais nous ne pouvions pas (à cette phase) dire de manière définitive qu’ils ne conduisent pas à des ventes.
• Le contexte est essentiel : Ces données sont un nouvel outil de diagnostic puissant. Elles nous indiquent ce que Meta affiche et ce que les utilisateurs cliquent, ce qui est une avancée majeure. Le pourquoi (par exemple, « cet article à haute impression et faible clic est-il simplement un produit de grande valeur ? ») nécessite encore l’analyse de notre équipe.

Phase Deux : Évolution des données d’engagement de Meta avec les données de revenus GA4

Nous savions que les données uniquement issues de Meta n’exploraient qu’une partie du parcours. Pour évoluer, nous devions nous associer aux données GA4 pour découvrir ce que les clients achètent réellement après avoir interagi avec nos annonces dynamiques de produits alimentées par le flux.

Le pont technique : Comment nous avons relié les données

Alors que la Phase Un reposait sur des connecteurs ETL pour extraire les données de l’API de Meta, la Phase Deux nécessite un flux différent pour GA4. Nous avons exploité l’exportation native GA4 BigQuery spécifiquement pour les événements d’achat. Cela fournit les données brutes au niveau des événements, des revenus et des unités vendues, pour chaque transaction.

La jonction n’est pas une étape unique – elle repose sur deux clés principales pour connecter les ensembles de données :

• Le pont de l’Ad ID : Pour relier une session GA4 à une annonce Meta spécifique, nous avons capturé l’ad_id via des paramètres UTM dynamiques. En paramétrant vos URL comme utm_content={{ad.id}}, vous créez un pont magique entre le clic et la session.
• La correspondance de l’Item ID : Une fois la session liée, nous utilisons l’Item ID. Il doit être parfaitement aligné pour que votre product_id Meta et item_id GA4 soient identiques ; sinon, le modèle se brise.

Écueils & Considérations clés

Relier les données de Meta et GA4 semble assez simple, mais il y avait des obstacles clés à surmonter.

Données propres. Le modèle entier se brise si votre ID Meta ne correspond pas proprement à vos IDs GA4. Vous devez vous assurer que vos catalogues de produits et votre balisage GA4 sont parfaitement alignés avant de commencer.

Notre deuxième problème est toutefois plus difficile à surmonter : les problèmes d’attribution. Les données GA4 affichent presque toujours des chiffres de conversion inférieurs à ceux de l’interface utilisateur de Meta.

Cela parce que, selon notre expérience, Meta « surcrédite » souvent. Il bénéficie de fenêtres d’attribution plus longues, y compris les conversions par vue, et il s’attribue tout le crédit pour chaque conversion qu’il mesure (plutôt que de répartir sur plusieurs canaux).

GA4 « sous-crédite » souvent des canaux comme Meta. Il utilise l’attribution basée sur les données pour essayer de créditer plusieurs points de contact. Cependant, il est incapable de suivre complètement les parcours utilisateurs, en particulier ceux qui n’incluent pas de clics vers le site. Cela signifie que GA4 ne sait pas créditer une annonce sociale, même si cette annonce a été le facteur décisif dans le parcours d’achat.

Même si nous aimerions pouvoir obtenir une correspondance 1:1 de chaque achat de produit à un produit spécifique interagi sur Meta, ni GA4 ni Meta ne peuvent facilement obtenir cette vision. Cependant, il y a toujours de la valeur dans les insights relatifs et les tendances.

Voici un exemple :

• Interface de Meta : a rapporté que notre produit « Luxury Bath – Green » était notre meilleur performeur le mois dernier, avec de grands volumes de clics et d’impressions dans nos annonces dynamiques.
• Le problème : Lorsque nous avons relié nos données GA4, nous n’avons vu aucune vente pour ce bain spécifique le mois dernier, de n’importe quel canal !
• L’hypothèse : Si nous utilisions uniquement les données d’engagement publicitaire, nous supposerions que ce produit gaspille des dépenses en générant un trafic de faible qualité.

Mais, en regardant tous les articles achetés dans ces sessions GA4 qui proviennent du produit « Luxury Bath – Green », nous découvrons que de nombreux utilisateurs qui ont cliqué sur le bain ont ensuite converti, mais pour la variation blanche à la place.

L’insight : L’annonce « Luxury Bath » n’était pas un échec ; c’était un produit halo extrêmement efficace pour notre client. En conséquence, elle a attiré des clients aspirants qui ont ensuite converti à acheter d’autres produits.

L’action : Nous pouvons commander en toute confiance du contenu créatif, en mettant l’accent sur le bain vert, pour attirer de nouveaux utilisateurs même si nous savons que les utilisateurs sont susceptibles d’acheter une couleur différente au moment de l’achat.

Phase Trois : Flux optimisés pour la performance

Une fois que nous avions ces données à portée de main, la tentation était de se concentrer uniquement sur les insights et les données.

Le niveau suivant était encore meilleur, en utilisant ces données pour créer des flux supplémentaires automatisés.

Il était temps de ramener ces quatre segments de performance produit de nos graphiques de dispersion.

En utilisant nos outils de gestion de flux, nous avons inséré les segments de performance produit dans notre flux de produits Meta comme nouvelles étiquettes personnalisées. Cela signifie que nous étions en mesure de définir dynamiquement de nouveaux ensembles de produits basés sur la performance des produits. Par exemple, une règle a été créée pour l’ensemble de produits où l’étiquette personnalisée 0 équivaut à Performeur étoile.

Nous avons pu ensuite effectuer les tests d’ensemble de produits suivants :

• « Passants » : (Hautes impressions, faibles clics/ventes). Alimentez-les dans un ensemble d’exclusion pour comprendre si l’efficacité s’améliore lorsque nous les retirons du flux.
• « Produits prometteurs » : (Haut CTR, haute CVR, faibles impressions). Alimentez-les dans un ensemble de montée en gamme avec un budget supplémentaire pour comprendre si la demande est cachée.
• « Performeurs étoiles » : (Hautes impressions, hauts clics). Alimentez-les dans un ensemble de retargeting pour capturer de nouveau les utilisateurs engagés avec nos gammes signature.

Écueils & Considérations clés

Les tests ci-dessus ne sont que des exemples d’hypothèses. Cependant, votre expérience peut varier ! Nous recommandons fortement des expérimentations structurées pour comprendre les impacts sur la performance globale.

Votre marque est-elle prête à sortir de la « boîte noire » ?

Vous pouvez partiellement sortir de la « boîte noire » de Meta, et cela peut être une démarche stratégique pour les marques de e-commerce.

Le parcours passe par la mise en lumière des données d’engagement de base (Phase Un), leur jonction avec des données de vente pour des insights véritables et axés sur le profit (Phase Deux), et finalement, l’automatisation de votre stratégie avec des flux optimisés pour la performance (Phase Trois).

C’est ainsi que vous passez de faire confiance à l’algorithme à le contester avec des preuves. Si vous êtes un décideur se demandant par où commencer, voici trois questions à poser :

1. « Pouvez-vous me montrer quels produits spécifiques de notre catalogue sont priorisés par Meta ? »
2. « Nos product_ids Meta et item_ids GA4 sont-ils identiques ? »
3. « Capturons-nous l’ad.id dans nos paramètres UTM sur chaque annonce ? »

Si les réponses à ces questions sont « Je ne sais pas », vous êtes probablement encore à l’intérieur de la boîte noire. La briser est possible. Cela nécessite simplement les bonnes données, l’expertise technique adéquate, et la volonté de voir enfin ce qui stimule réellement la performance.

Ressources supplémentaires :

Image en vedette : Roman Samborskyi/Shutterstock

À lire en complément : Comment lancer une stratégie SEO axée sur le produit

À découvrir également : Liens internes et SEO : bonnes pratiques

Avez-vous vu cela : Le rôle essentiel de l’expérience utilisateur dans le référencement du commerce en ligne