De l’urgence de revoir les ciblages de vos campagnes de notoriété sur YouTube

En haut du funnel marketing, les investissements vidéo, notamment ceux consentis sur les plateformes vidéo — YouTube en tête, sont en grande majorité déployés sur des audiences affinitaires. Les segments achetables ou proposés par les plateformes et partenaires data regorgent de ces fans et enthousiastes de tout genre. Dans la grande majorité des cas, ce sont les segments les plus performants dans nos campagnes de vidéo en ligne, affichant les VTR (taux de visionnage) et CPV (coût à la vidéo vue) les plus intéressants.

Cependant, tout regard sur les performances sur site, la simple visite après impression par exemple, laisse perplexe. A quel point ces audiences sont-elles en affinité avec la marque ? A quel point la campagne a-t-elle eu un impact sur la notoriété ou la considération de marque ? A ces questions, nous avons répondu par des tests et des comparaisons avec des ciblages contextuels de volumes similaires sur strictement les mêmes dispositifs de campagne YouTube en Europe.

Les résultats sont sans appel. Les taux de visionnage moyens et les coûts à la vidéo vue sont certes à la faveur des stratégies d’audiences affinitaires : jusqu’à -20% de VTR et CPV. Les coûts au reach restent généralement similaires entre les 2 types de ciblage. Toutefois, les coûts à la visite sur site s’emballent, les audiences affinitaires affichant entre 3 et 8 fois ceux des stratégies contextuelles, marquant une proximité bien plus nette de ces dernières avec les marques annonceur.

Cette proximité est également démontrée par les derniers indicateurs de performance observés, qui sont clés dans cette étude : les résultats des Brand Lifts. Séparant les ciblages publicitaires en deux bassins hermétiques, un bassin non exposé à la campagne et l’autre exposé, auxquels sont soumises les mêmes questions, ils permettent de mesurer l’évolution (le lift) de la notoriété ou de la considération de marque après exposition à la campagne.

Ce lift est un indicateur classique pour des campagnes de notoriété. Dans le cadre de nos tests, les lifts observés sont en moyenne légèrement à l’avantage des ciblages contextuels (+2 points), qui semblent un peu plus réceptifs. Nous avons alors complété notre étude avec un indicateur généralement bien moins suivi : la Baseline Positive Answers, qui correspond au taux de réponses positives du bassin contrôle, c’est-à-dire les personnes affirmant connaître ou considérer la marque sans avoir pour autant été exposées à la campagne publicitaire en question.

Un tel indicateur ne reflète donc pas la performance de la campagne, mais il permet de mesurer la notoriété organique de la marque auprès de la cible. Si les Baseline Positive Answers varient énormément en fonction des marques suivies, elles restent toujours bien plus importantes sur les ciblages contextuels, de 10 points en moyenne.

Ainsi, si nos ciblages contextuels proposent des indicateurs média quelquefois moins reluisants (taux de visionnage, coût à la vidéo vue), ils affichent une proximité à la marque bien plus importante et une réceptivité aux messages publicitaires supérieure, sans cependant nuire au coût au reach ou à la capacité des annonceurs à atteindre un certain volume d’audience.

C’est une nouvelle approche YouTube à intégrer, qui consiste à considérer les stratégies YouTube à l’image des stratégies display et vidéo web, c’est-à-dire en priorité comme des stratégies d’inventaires. Une telle approche a 3 implications majeures :

Quand, au sein d’une stratégie display ou vidéo web, un ensemble de quelques URLs peut préempter une grande partie des investissements d’une campagne, la densité de l’inventaire YouTube rend un tel résultat impossible. Conserver une certaine visibilité et compréhension des inventaires de diffusion relève donc de la gageure. Cependant, via une approche data-centrée de catégorisation et d’enrichissement d’ensembles de mots-clés, nous avons construit des catégories d’inventaires d’une pertinence inégalée.

De benchmarks construits sur des taux de visionnage et de coûts à la vidéo vue, nous les construisons aujourd’hui aussi sur des indicateurs de Brand Lifts et de Baseline Positive Answers. Cela implique d’optimiser certains budgets ou certaines durées de campagne pour garantir la probité et la granularité des résultats. Cela implique aussi et surtout d’automatiser l’extraction et le traitement des données de BLS pour assurer la lisibilité des performances d’une campagne ou d’une marque/produit au regard d’autres campagnes ou d’autres marques/produits.

Sur des campagnes de notoriété cherchant à couvrir une cible donnée, parler de bassins d’audiences a comme avantage de parler d’individus (souvent cachés certes derrière plusieurs cookies ou profils utilisateurs) : les afficionados des documentaires animaliers sont tant de millions, mon budget et ma pression publicitaire doivent donc être de tant. Face à cela, une approche média qui reconstitue les cibles marketing par une combinaison d’inventaires et d’audiences, et surtout par la priorisation des premiers sur les secondes, tend à générer de l’incompréhension au sein des équipes marketing annonceur car elle décorrèle, en apparence, les stratégies marketing et média au sein d’une plateforme YouTube dont la complexité est souvent ignorée.

Ce sont des tournants que nous avons pris avec certains de nos annonceurs très actifs sur YouTube, tournants qui impliquent donc de repenser nos stratégies de ciblage en intégrant et en traitant plus de données et de manière plus fluide. Si nous continuons nos tests, ils cherchent désormais davantage à définir les typologies de ciblages contexuels prioritaires afin de trouver les meilleurs équilibres possibles entre granularité des segments et capacités de diffusion. Un travail essentiel pour maintenir la lisibilité, la pertinence et la performance de nos activités dans un environnement technologique et législatif mouvant, qui devrait à terme, et nous en voyons déjà des signes avant-coureurs, voir la précision et la taille de nos chères audiences durement réduites.