Sommaire

Qu’est-ce qu’un modèle statistique de régression ?
Dans le domaine des statistiques, la régression est un ensemble de méthodes permettant de caractériser la relation entre une variable dépendante et une ou plusieurs variables indépendantes. Par exemple, si l’on veut établir un lien entre le revenu d’une personne (variable dépendante) et un certain nombre de variables indépendantes comme son âge, son sexe, son niveau de formation ou sa catégorie socio-professionnelle de référence, on peut utiliser un modèle de régression. Pour ce faire, on utilise soit une fonction linéaire (on parle alors de régression linéaire), soit un algorithme itératif (on parle alors de régression non linéaire). Dans les deux cas, la régression permet d’établir une fonction à partir d’un nuage de points. Voici un exemple de modèle de régression linéaire :
Prédire le volume de conversions en fonction de la dépense publicitaire
L’utilisation la plus simple à mettre en pratique consiste à modéliser la relation entre les dépenses publicitaires liées à une campagne Google Ads et le volume de conversions résultant de cette campagne. Il s’agit donc ici d’établir une régression simple, puisque la relation concerne uniquement deux variables. Pourquoi ce choix ? Essentiellement pour deux raisons :
- Il est bien sûr possible de réaliser des modèles de régression multiple (avec plus de deux variables), mais cela reste beaucoup plus compliqué à mettre en œuvre.
- Toutes nos analyses tendent à montrer que la variable dont dépend le plus le volume de conversions est la dépense publicitaire, loin devant les autres variables.
Au regard de ces deux aspects, il y aurait peu d’intérêt à utiliser un modèle plus complexe, qui ne nous permettrait pas vraiment une analyse plus précise de la réalité. Restons-en donc à notre relation conversions / coût. Pour établir notre modèle de régression, nous avons extrait de Google Ads le rapport de campagne d’un de nos clients sur les trois premiers mois de l’année 2019. Nous avons besoin, pour chaque jour, du coût de la campagne (dépense engagée) et de la valeur des conversions (chiffre d’affaire généré). Cela nous donne un fichier Excel de cette forme :
Optimiser la rentabilité d’une campagne
Le rapport Google Ads nous permet d’associer aux deux variables déjà étudiées d’autres variables comme le CPA (en l’occurrence le coût par conversion) et la marge dégagée. Partons ainsi d’un nouveau fichier Excel, qui intègre ces variables :
Limites des analyses de régression
Si les analyses de régression nous fournissent un puissant outil de prédiction, il faut toutefois les utiliser à bon escient et dans des conditions appropriées. Il est par exemple déconseillé de bâtir un modèle de régression à partir d’un volume de données trop faible. Cette méthode est donc à éviter sur de petits comptes ou sur des campagnes récentes. De même, il faut faire attention lorsqu’on utilise des données réparties sur une longue période. En matière de SEA, les marchés d’enchères évoluent parfois assez rapidement. Par conséquent, les données d’une campagne peuvent évoluer sensiblement sur une période de quelques mois. Aussi, nous recommandons généralement de ne pas utiliser des données datant de plus de six mois, au risque de fausser l’analyse de régression en y intégrant des caractéristiques de marché qui ne sont plus d’actualité. Il faut par ailleurs garder à l’esprit que l’on recherche avant tout à confirmer et chiffrer une tendance. Parfois, un algorithme qui semble décrire la réalité avec beaucoup de précision, parce qu’il a un R² proche de 1, peut vous induire en erreur dans votre analyse. Avant de faire appel aux modèles de régression, il faut donc avoir une idée du phénomène que l’on cherche. Par exemple, si l’on veut analyser le CA généré par rapport aux dépenses, on s’attend à obtenir une courbe amortie (le chiffre d’affaires ne pouvant pas croître à l’infini…). On utilisera donc une fonction logarithmique, comme dans notre premier exemple. En revanche, si l’on veut analyser la marge par rapport au CPA, on s’attend à obtenir une courbe en cloche. On utilisera donc plutôt une fonction polynomiale.
Conclusion
Pour faire un bon usage des analyses de régression, nous vous conseillons de garder à l’esprit les trois grands principes suivants :
- Le rapport Dépense / Conversions est la première piste à exploiter avec les modèles de régression
- S’il n’en ressort rien de très pertinent, il est tout de même intéressant d’optimiser ensuite vos campagnes en appliquant les modèles de régression à d’autres variables (marge, CPA, ROAS, etc.).
- N’utilisez pas la régression si vous n’avez aucune idée de ce que vous cherchez. Si vous bâtissez mal votre modèle mathématique, vous en tirerez de mauvaises conclusions.
Vous voulez tester ces outils d’analyse sur vos campagnes ? N’hésitez pas à demander de l’aide à votre Account Manager.
Les questions fréquentes
Comment fonctionne l'analyse de régression pour améliorer les performances des campagnes Google Ads ?
L’analyse de régression permet d’identifier les facteurs clés qui influencent les performances des campagnes Google Ads. En utilisant des données historiques, elle permet de prédire les résultats futurs et d’optimiser les campagnes en conséquence.
Quels sont les avantages de l'analyse de régression pour les campagnes Google Ads ?
L’analyse de régression offre plusieurs avantages pour les campagnes Google Ads, notamment : l’identification des facteurs clés de performance, la prédiction des résultats futurs, l’optimisation des enchères et des budgets, l’optimisation des mots clés et des annonces, et la maximisation du retour sur investissement.
Comment mettre en place une analyse de régression pour les campagnes Google Ads ?
Pour mettre en place une analyse de régression pour les campagnes Google Ads, il est important de collecter des données historiques sur les performances de la campagne. Ensuite, il est nécessaire d’utiliser un outil statistique pour effectuer l’analyse de régression et identifier les facteurs clés de performance. Enfin, les résultats de l’analyse doivent être utilisés pour optimiser la campagne et améliorer les performances.