Comment prédire votre volume de conversions avec les régressions linéaires ?
Publié le
« Combien de ventes supplémentaires peut-on espérer générer si on booste le budget de +20% ? ». Voilà le genre de questions que tout Responsable Acquisition se voit régulièrement poser. Mais comment y répondre de manière efficace ?
On sait tous qu’à partir d’un certain montant, doubler les investissements ne doublera pas nécessairement les ventes car la relation entre budget et taux de conversion est rarement stable. En effet, plus on dépense d’argent, plus on génère de trafic, moins ce trafic est qualifié et moins le taux de conversion est bon. Résultat, les coûts d’acquisition augmentent et la rentabilité diminue.
Mais alors, comment estimer le volume de ventes que votre activité peut générer en fonction de votre budget ? Chacun a sa propre méthode, qui se base souvent sur l’expérience et l’observation des périodes passées. Aujourd’hui, je vous propose de faire un peu de Mathématiques et d’utiliser les régressions linéaires pour vous aider à obtenir des estimations plus scientifiques et donc plus précises.
Si les Maths ne sont pas votre point fort, c’est normalement le moment où vous commencez à trembloter devant votre écran. Ne vous inquiétez pas ! Ce n’est pas particulièrement mon point fort non plus. Promis, vous allez tout comprendre sans trop d’efforts.
Les régressions linéaires, c’est quoi ?
La régression linéaire est une forme de Machine Learning (ML) qui permet d’effectuer des prédictions à partir d’un échantillon de données. Il s’agit en fait d’une courbe qui a pour particularité d’essayer de représenter au mieux la distribution de vos données en suivant la tendance globale. Elle peut donc être linéaire comme non linéaire, c’est-à-dire exponentielle, logarithmique, …
Une régression linéaire simple s’appuie sur deux variables : une variable non dépendante (l’hypothèse x) et une variable dépendante (la résultante y). En outre, la valeur de la résultante dépend de la valeur de l’hypothèse de base. Je rappelle qu’une régression linéaire est une courbe, or, toute courbe possède une formule permettant de la tracer. Si l’on sait comment tracer une courbe, on est infine capable de déterminer un point de rencontre entre abscisse et ordonnée. Autrement dit, on est capable de réaliser une prédiction de la valeur de la résultante en fonction de la valeur de l’hypothèse.
Créer une régression linéaire pour Google Ads
Maintenant que vous savez ce que sont les régressions linéaires, voyons voir comment les utiliser pour forecaster un volume de conversions à partir d’un budget cible.
A savoir que cela peut fonctionner pour toute autre plateforme, ce n’est ici qu’un exemple.
Etape 1 : Récupérer les données d’historique
Pour démarrer, il est important de récupérer l’historique de votre compte afin d’avoir un maximum de chiffres, ce qui permettra d’établir une tendance. Si votre compte est trop récent, l’exercice n’aura pas d’intérêt.
Pour ce faire, rendez-vous sur l’interface Google Ads : Rapports > Rapports prédéfinis (dimensions) > Données temporelles > Jour
Supprimez toutes les colonnes sauf les coûts et les conversions, choisissez votre plage de dates et exportez les données au format CSV.
Etape 2 : Utiliser le graphique « Nuages de points » dans Excel
Ouvrez le fichier CSV précédemment généré, sélectionnez les colonnes « Coûts » et « Conversions » et insérez un graphique de type « Nuages de points ».
Etape 3 : Générer une régression linéaire
Maintenant que le graphique est généré, faites un clic-droit sur un des points puis choisissez « Ajouter une courbe de tendance ». Vous verrez alors une courbe se superposer au milieu de vos points.
Etape 4 : Choisir la meilleure régression linéaire
Dans le menu de droite, il est possible de choisir différents types de courbes (Linéaire, Logarithmique, Polynomiale, …). La question est maintenant de savoir quelle courbe représente le mieux la tendance ?
Pour cela, nous allons cocher la case « Afficher le coefficient de détermination (R²) sur le graphique ». Ce coefficient est calculé à partir de la méthode des points carrés, qui est une des méthodes permettant d’estimer la pertinence d’une régression linéaire. De façon générale, plus la valeur de R² est élevée, plus la courbe est adaptée à la tendance. L’idée est donc de sélectionner les différents types de courbes et de sélectionner celle dont le R² est maximal. Vous devriez d’ailleurs remarquer que cette courbe est celle qui semble visuellement la mieux adaptée à la distribution des points de votre graphique.
Etape finale : Comment prédire le budget optimal ?
Tous les éléments nécessaires à cette prise de décision sont là. Si vous regardez la courbe de tendance, vous comprenez aisément que c’est elle qui permet de déduire un volume de conversions en fonction d’une hypothèse de budget initial. On peut même le déduire visuellement, en croisant abscisse et ordonnée au niveau de la courbe.
Mais comment faire pour obtenir une valeur qui n’est pas tracée car vous n’avez encore jamais atteint un tel niveau de dépenses ? Pour cela, nous allons cocher la case « Afficher l’équation sur le graphique » qui permet de visualiser la formule permettant de tracer la courbe de tendance. Finalement, il ne vous reste plus qu’à utiliser cette équation à 2 inconnues, x n’étant pas si inconnue que cela puisqu’il s’agit de votre hypothèse de budget.
Dans mon exemple, la formule obtenue est : y = 79,919ln(x) – 464,93
Autrement dit, pour un budget prévisionnel de 20 000 €, on estime pouvoir réaliser un total de 327 ventes.
Je rappelle que ceci n’est qu’une estimation, basée sur l’historique de données exportée à partir de Google Ads. Si ce chiffre vous semble étrange, certaines questions sont à vous poser. La période de l’historique comporte peut-être des périodes particulières pouvant déformer la tendance ? Par exemple, des promotions très agressives ayant généré des taux de conversion inhabituellement élevés ou au contraire des opérations de Branding ayant généré des taux de conversion inhabituellement faibles peuvent biaiser votre résultat. Retirer ces périodes de votre historique de données peut être une piste d’amélioration de la prédiction.
Pour aller plus loin
Je me suis très fortement inspiré de « Regression analysis to improve Google Ads performance » publié sur Search Engine Land par Mark Meyerson pour la rédaction de cet article. J’ai volontairement abrégé certains points pour rester simple et compréhensible du plus grand nombre. Si vous vous sentez suffisamment confiant pour aller plus loin, je vous invite à le parcourir car il est bien plus complet et rentre davantage dans le détail.
