Basiquement, l’algorithme Google doit disposer de 20 conversions dans les 45 derniers jours sur une campagne Smart.
C’est le volume minimum de data nécessaire pour que le machine learning combine les signaux de conversion, les interprète et prenne les bonnes décisions. La Smart Shopping va ainsi chercher à atteindre un target ROAS imposé, en mettant en avant des produits jugés à potentiel.
MAIS, cet algorithme défavorise certains produits par rapport à d’autres et va pousser :
- soit une marque ou un type de produit fortement recherchés
- soit un panier moyen plus intéressant
Nous notons donc deux freins :
- le potentiel de produits à forte saisonnalité risque d’être sous-estimé, car l’algorithme n’identifie pas l’opportunité de les pousser sur une période fil rouge.
- des produits très rentables pour votre business ne vont pas être priorisés par rapport à d’autres sous prétexte que le ROI est inférieur à celui demandé sans tenir compte de votre marge brute par exemple.
La segmentation joue donc un rôle capital pour répondre à ces freins. Elle permet de valoriser une typologie de produits qui a été défavorisée en nous permettant de calibrer :
- un budget dédié à cette catégorie
- un objectif de rentabilité adapté en fonction de votre enjeux business en interne (tous canaux confondus)
Le Processus :
Selon la stratégie de segmentation choisie, la catégorisation peut se faire via :
- la marque
- la catégorie de produit
- le panier moyen
- ou tout autre kpi
Une nouvelle campagne est créée avec un calibrage adapté de son ROI, correspondant à la performance de la catégorie produit, relevée sur les 30 derniers jours. Le budget accordé à cette campagne doit être suffisamment conséquent (montant variable selon les comptes) en prenant en compte l’éventuelle sur-dépense qui peut se former sous la contrainte d’apprentissage de l’algorithme.
Cette technique permet de faire face à tout type de saisonnalité ou de mettre en avant une catégorie à fort potentiel en terme de marge ou de déstockage; et à bien d’autres éléments business ne pouvant être identifiés par le machine learning.