« Le Black Friday a fait +210 %. » Une phrase comme celle-ci est soit la ligne la plus importante de la présentation, soit totalement vide de sens, et la différence tient à une chose : a-t-on maintenu quoi que ce soit constant pendant la mesure ?
Ce graphique en est la version honnête. Six événements, chacun avec son uplift et son intervalle à 95 %, estimés nets du mois, du jour de la semaine et de la tendance.
Black Friday : +210 %. Noël : +116 %. Puis la longue traîne, où se jouent les décisions intéressantes : soldes d’été +42 %, une campagne ponctuelle +42 %, Pâques +37 %, soldes d’hiver +36 %.
Deux choses à remarquer avant le classement.
Les intervalles sont étroits, et tous les six restent à l’écart de zéro. Voilà à quoi ressemble un modèle d’événements bien spécifié quand les événements sont réellement importants et réellement datés. Quand un intervalle croise zéro, la bonne lecture est que l’événement n’a rien produit que l’on puisse prouver, et le produit le dit au lieu de le classer quand même. Classer une série de chiffres qui contient du bruit, c’est construire un calendrier promotionnel à pile ou face.
La seconde est l’arithmétique qui n’arrive jamais jusqu’à la synthèse. Le Black Friday apparaît 18 fois dans ce fichier et rapporte +210 % sur un jour normal. Les soldes d’hiver apparaissent 45 fois et rapportent +36 %. Lequel vaut le plus sur une année ? Celui dont l’uplift est le plus petit, et de loin, parce qu’il revient deux fois et demie plus souvent. L’uplift est un taux. La contribution est un taux multiplié par un nombre d’occurrences, et un seul des deux finit dans le titre.
La façon dont l’estimation est construite compte aussi. Chaque événement est une variable indicatrice qui prend les jours où il a réellement eu lieu, ajustée avec des termes de mois et de jour de la semaine. Sans ces contrôles, le Black Friday absorbe toute la fin novembre, Noël absorbe décembre, et les effets de mois disparaissent dans les événements. Avec eux, chaque terme doit gagner son coefficient face aux autres, et les chiffres cessent de se disputer le même mérite.
Une dernière discipline. Les événements se chevauchent : des soldes qui débordent sur un jour férié, un lancement sur un week-end de pointe. Quand deux indicatrices couvrent les mêmes jours, le modèle ne peut pas les séparer, et TEA signale le chevauchement au lieu de partager le mérite en silence.
La version pratique de tout cela tient en une ligne. Avant de comparer deux événements, vérifiez que les deux intervalles sont à l’écart de zéro, puis multipliez chaque uplift par sa fréquence. Le classement obtenu n’est souvent pas celui du bilan de fin d’année.
Et quand un événement croise zéro, c’est un constat sur lequel agir plutôt qu’un trou dans l’analyse. Cela signifie généralement que l’événement est trop petit pour se distinguer de la saison dans laquelle il tombe, et les options honnêtes sont de le faire plus souvent, de le faire plus fort, ou d’arrêter de le payer.
Le graphique est le résultat réel du module Saisonnalité et impact des événements dans TEA.
tea, le produit
Votre fichier, cette question
Quinze analyses sur un CSV de données hebdomadaires, avec les intervalles et les diagnostics sous les yeux, et une phrase claire quand les données ne peuvent pas répondre. Gratuit pendant la bêta, sur invitation.
Demander une place dans la bêta→tea, le produit
Quinze analyses économétriques sur votre propre CSV : Saisonnalité et impact des événements, courbes de saturation, élasticités, allocation budgétaire. Les intervalles et les diagnostics sous les yeux, et une phrase claire quand le fichier ne peut pas répondre.
Gratuit pendant la bêta, sur invitation.
Demander une place dans la bêta →Cet article vous a plu ? Lancez l’analyse sur vos propres données.
TEA lance Saisonnalité et impact des événements et quatorze autres analyses sur n’importe quel CSV hebdomadaire, en quelques minutes. Gratuit pendant la bêta, sur invitation.