Dans le précédent article, nous vous avons montré comment nous avions mis en place un catalogue de courbes d’impact qui nous aident à déterminer si un visiteur vient grâce à la publicité TV ou pas. Dans cette seconde partie, nous abordons une approche plus représentative de la réalité.
Le vrai problème
Jusqu’ici nous avions considéré uniquement le cas idéal dans lequel la forme du trou de la boîte est connue et les formes géométriques à placer sont parfaitement identifiées.
En pratique, nous ne connaissons pas la forme géométrique que peut prendre le trou de la boîte. Que se passe t’il lorsque le trou de la boîte est une étoile ?
Dans cette configuration, l’algorithme mettra uniquement le plus petit cercle dans la boîte, ce qui sera très loin d’être optimal. Même utiliser le filtre sur l’échelle de la forme ne permettra pas d’obtenir une solution optimale !
Une solution
Une approche plus rigoureuse consiste, en plus du filtre sur les conditions de diffusion du spot, à apprendre en profondeur quels sont les différents types de forme d’impact que l’on peut rencontrer.
C’est une nouvelle fois en se basant sur notre historique de TPS (Trafic Post Spot) que l’apprentissage est possible. Dans notre analogie, il s’agit de prendre toute les boîtes rencontrées précédemment afin de construire un catalogue de formes géométriques, combiné aux échelles possibles.
En identifiant préalablement l’étoile comme forme existante, notre algorithme redevient simple et continue à fonctionner de manière optimale.
Une solution complète
Jusqu’à présent, nous avons expliqué les choses sur un modèle encore trop idéal, l’analogie n’étant pas totalement fidèle à la réalité. La réalité est que le TPS est « bruité » et l’échelle de la forme d’impact parfois trop faible. Pour ajouter ces facteurs à notre analogie, il suffit de « bruiter » également le trou de la boîte.
Ici, nous n’avons plus un cercle bien délimité mais un cercle dont les bordures ont été altérées par un « bruit » similaire au « bruit » généré par la baseline. En regardant bien, nous remarquons que la solution optimale trouvée par notre algorithme est une étoile, quand bien même la vraie forme du trou est un cercle.
Une façon de réduire ce risque est de ne plus décider de la forme d’impact en se basant uniquement sur le TPS (Trafic Post Spot), mais d’utiliser l’information sur le contexte de diffusion du spot : la chaîne, l’heure de diffusion, …. Ainsi, seulement après que les formes d’impact aient été découvertes (section précédente), nous entraînons un algorithme d’apprentissage automatique (machine learning) qui apprendra à reconnaître la forme d’impact la plus probable en prenant en compte le contexte. Ces connaissances orientent la décision de l’algorithme d’assignation des formes d’impact et améliore ainsi sa pertinence.
Dans le cas de notre analogie, il s’agirait de considérer que la boîte a une certaine étiquette nous donnant des informations, desquelles nous pouvons tirer la forme géométrique de son trou la plus probable.
Conclusion
Les formes d’impact sont d’une importance capitale pour comprendre de manière précise la répartition du trafic après la diffusion du spot.
Cette compréhension nous permet :
- D’être plus juste dans le calcul du nombre de visites directes.
- D’identifier les individus issus de la TV.
- D’être plus précis quant à la répartition des visites sur des spots en collision.
L’identification de la courbe d’impact est à l’épreuve de deux obstacles importants : la diversité des formes d’impact et le « bruit » de la baseline. Le premier obstacle peut être franchis en utilisant un algorithme efficace d’identification des courbes d’impact basé sur les TPS (Trafic Post Spot) et le second par l’apprentissage de l’effet entre le contexte de diffusion du spot et la forme d’impact observée. Avec près de 300000 spots dont les impacts ont été analysés, Realytics dispose d’une des bases de connaissances les plus abouties du marché.
