La publicité facebook algorithme – l’expression sonne un peu barbare, mais c’est exactement ce dont on parle quand on dit qu’il faut « faire confiance à la machine ». Joseph Donio, consultant Facebook Ads et fondateur de Neomedia, a été invité fin 2019 à un événement interne chez Facebook appelé Liquidity and Beyond, réservé aux grosses agences. Ce qu’il en a ramené n’est pas un simple compte rendu de PowerPoint. C’est un changement de paradigme complet sur la façon dont on structure une campagne.
Et franchement, quand j’ai entendu ça pour la première fois, mon réflexe a été de résister. Lâcher le contrôle sur les audiences, sur les placements, sur l’allocation du budget – pour quelqu’un qui a passé des années à bidouiller des ciblages à la main, ça ressemble à une capitulation. Sauf que les chiffres ne mentent pas. Et Donio non plus, apparemment.
Le cœur du sujet : depuis 2019, Facebook pousse activement ses annonceurs vers l’automatisation. Pas pour leur simplifier la vie – enfin, pas seulement. Mais parce que les systèmes de Machine Learning de la plateforme traitent des volumes de données qu’aucun humain ne peut analyser en temps réel. CPM, CTR, CPA de chaque ensemble, audiences qui convertissent à 23h un mardi, placements qui performent mieux sur mobile le week-end… Impossible à piloter manuellement. Même avec trois moniteurs et trop de café.
Donio structure ça autour de six leviers. Dans cette première partie, on couvre les trois premiers : les signaux, les audiences, et le CBO. Et c’est déjà beaucoup.
La métaphore du cheval – ou pourquoi la NASA a raison sur la publicité facebook algorithme
En 2006, les ingénieurs de la NASA se posent une question embarrassante. Leurs fusées deviennent de plus en plus automatisées. Les astronautes saisissent des commandes, gèrent des séquences, mais pilotent de moins en moins « à la main ». Comment garder l’humain dans la boucle sans brider la machine ?
La réponse s’appelle la H-Métaphor – Horse Metaphor. Donio l’explique simplement :
« Un humain qui monte un animal intelligent comme un cheval n’a pas besoin de diriger chaque pas du cheval, de lui expliquer comment tourner à chaque virage ou d’éviter un arbre, puisqu’un cheval sait marcher, sait tourner et évitera instinctivement tout obstacle. »
Dit comme ça, ça a l’air simple. Et pourtant, la plupart des annonceurs Facebook font exactement le contraire : ils veulent dicter chaque pas.
L’analogie avec les Facebook Ads tient parfaitement. L’annonceur définit l’objectif – la destination. La machine ajuste en temps réel la puissance, l’angle, la trajectoire. Ce n’est pas une perte de contrôle. C’est une division du travail entre ce que l’humain fait bien (définir la stratégie, créer des contenus pertinents, choisir les bons signaux) et ce que la machine fait mieux (analyser des millions de points de données pour placer chaque euro au bon endroit).
Le concept derrière tout ça, Facebook l’appelle la liquidité. Pendant l’événement Liquidity and Beyond, un ingénieur l’a défini ainsi :
« Sur une place de marché aussi fluide que celle-ci, l’apprentissage automatique permet d’identifier les impressions les plus importantes. Lorsque chaque euro est autorisé à générer l’impression la plus précieuse, nous appelons cette condition la liquidité et la liquidité est rendue possible lorsque les humains laissent les commandes au système. »
Traduction concrète : plus tu bloques, découpes, et segmentes ta campagne, moins l’algorithme peut circuler librement vers les meilleures opportunités. Et c’est là que ça coûte.
Les signaux : ce que tu envoies à Facebook détermine ce qu’il fait pour toi
Premier levier. Et celui que le plus de gens bâclent (ce qui est dommage, parce que tout le reste en dépend).
La publicité facebook algorithme repose sur des données. Pas sur des intuitions, pas sur des personas créés en atelier post-it. Sur des événements réels, mesurables, tracés. Chaque interaction génère un signal : un like, un ajout au panier, un achat, une vidéo vue à 75%, une inscription à une newsletter. Facebook a accès à tout ce qui se passe sur sa plateforme. Ce que toi, en tant qu’annonceur, tu dois lui fournir, c’est ce qui se passe ailleurs – sur ton site, dans ton app, en point de vente physique.
Donio distingue deux niveaux d’action côté annonceur.
D’abord, l’optimalité des événements. L’idée, c’est de mapper chaque étape de ton tunnel de conversion avec un événement standard Facebook. Pas juste l’achat final. Aussi la consultation d’une fiche produit, l’ajout au panier, l’inscription à ta newsletter, la lecture d’un article. Pour que ça serve, chaque ensemble de publicité doit générer au moins 50 occurrences par semaine sur l’événement d’optimisation choisi – c’est le seuil recommandé par Facebook pour sortir de la phase d’apprentissage. En dessous, l’algo tâtonne. Au-dessus, il apprend. La nuance est importante. Si tu veux aller plus loin sur l’installation technique, l’épisode sur le pixel Facebook couvre tout ça en détail.
Ensuite, la correspondance avancée. C’est une option dans les paramètres de ton Pixel, et elle est récente – six mois environ au moment où Donio en parle. Son principe : si quelqu’un remplit un formulaire sur ton site mais utilise un bloqueur qui empêche le Pixel de charger, la correspondance avancée lit le contenu du formulaire (prénom, email) et tente de retrouver cette personne dans la base d’utilisateurs Facebook. Résultat : des conversions qui auraient été perdues sont quand même attribuées.
Les chiffres avancés par Facebook : +13% de conversions attribuées en mode automatique, +31% en manuel. Ce n’est pas anodin. Si tu crois que tes campagnes ne convertissent pas, il se peut que tu rates juste entre 10 et 30% de tes vraies conversions dans ton reporting – et que tu coupes des budgets qui fonctionnaient.
Sur le sujet de l’attribution justement, Donio mentionne une interview de Vincent Chevalier dans un épisode précédent – si vous voulez creuser les modèles d’attribution Facebook Ads, c’est une bonne entrée.
Audiences larges : le virage à 180° que personne n’a vu venir
Pendant des années, la logique dominante en Facebook Ads était la segmentation maximale. Tu découpais ton audience en tranches fines, tu testais chaque segment indépendamment, tu identifiais lequel convertissait le mieux, tu coupais les autres. Du bon sens, en apparence.
Donio le dit clairement : c’est terminé.
« Il fut un temps où je recommandais à mes clients de segmenter un maximum leurs audiences afin de tester beaucoup de ciblage différents. C’est plus du tout le cas aujourd’hui. Je dirais même que on a opéré un virage à 180° en 2019. La plupart du temps, plus vous ciblez large, mieux c’est. »
Ca casse l’intuition de beaucoup de media buyers. Et pourtant, l’argument tient.
Quand tu restreins ton audience à ton cœur de cible – disons, femmes 28-35 ans, Paris, intéressées par la cosmétique naturelle – tu interdis à l’algorithme de chercher ailleurs. Or, il se peut qu’il y ait des opportunités à 42 ans, en dehors de Paris, sur des centres d’intérêt adjacents que tu n’aurais pas identifiés. Le Machine Learning peut trouver ces profils. Mais seulement si tu lui laisses la place de circuler.
La donnée qui convainc : dans une étude publiée en 2019 intitulée Liquidity in Action, Facebook affirme que le ciblage détaillé (renseigner plein de centres d’intérêt) coûte 2,2 fois plus cher que le ciblage large. Deux virgule deux. Sur un budget de 10 000 euros par mois, ça représente plus de 5 000 euros de dépensés en trop pour les mêmes résultats – ou pire.
Mais – et c’est la condition sine qua non – ça ne marche que si tu fournis des signaux de qualité. Cibler large avec un Pixel mal configuré et des événements au hasard, c’est donner les clés de ta voiture à quelqu’un qui n’a pas le permis. L’algo a besoin de données pertinentes pour savoir où aller. Sans ça, la liquidité devient juste… du budget qui part dans tous les sens.
Pour ceux qui veulent comprendre comment les audiences similaires s’intègrent dans cette logique de ciblage large, l’épisode sur les audiences similaires est un complément naturel à ce qu’explique Donio ici.
CBO : laisser la publicité facebook algorithme décider où mettre le budget
Troisième levier. Le CBO – Campaign Budget Optimization, ou optimisation du budget de campagne – existait avant 2019, mais Facebook l’a rendu obligatoire par défaut à partir de cette période. Ce n’est pas un hasard.
Le principe : au lieu de définir un budget par ensemble de publicité, tu définis un budget au niveau de la campagne. L’algorithme décide ensuite combien allouer à chaque ensemble en fonction des performances en temps réel. Un ensemble commence à sur-performer à 21h un jeudi ? Il reçoit plus de budget. Un autre stagne ? Il en reçoit moins. Automatiquement, sans que tu touches à quoi que ce soit.
La question de Patrick – un auditeur de l’émission – illustre bien la confusion que ça génère : quand on ajoute un nouvel ensemble dans une campagne en CBO déjà active, est-ce que l’algo va le tester ou ignorer ce qui fonctionnait déjà ? La réponse de Donio est pragmatique : en théorie, le nouvel ensemble est intégré et le budget commence à circuler dessus. En pratique, si rien ne se passe après un ou deux jours, la solution basique c’est de mettre la campagne en pause une heure, puis de la relancer. Ça réinitialise le système. Pas très glamour comme conseil, mais ça marche.
Ce qui m’agace un peu dans la communication de Facebook sur le CBO, c’est qu’on présente ça comme une baguette magique. La réalité est plus nuancée. Le CBO est puissant quand tes ensembles sont suffisamment différenciés pour que l’algo ait des comparaisons pertinentes à faire. Si tous tes ensembles ciblent des audiences qui se chevauchent à 80%, le budget va se concentrer sur un seul et les autres mourront de faim – pas parce qu’ils sont moins bons, mais parce que l’algo optimise sur les premières données disponibles et se renforce dans sa direction initiale. C’est une limite réelle, et Donio l’évoque indirectement quand il insiste sur la qualité des signaux en amont.
Pour les annonceurs qui découvrent ces mécanismes, l’épisode sur les erreurs classiques en publicité Facebook donne un bon cadre de référence avant de plonger dans les options avancées.
Ce que Bosworth a dit – et pourquoi personne ne veut vraiment l’entendre
En marge du sujet principal, Donio rapporte une déclaration d’Andrew Bosworth – alias Boz – ancien directeur de la publicité chez Facebook, publiée dans un post privé révélé par le New York Times. Le contexte : le débat sur le rôle de Facebook dans l’élection de Trump en 2016.
Bosworth démonte Cambridge Analytica sans ménagement – il les qualifie de charlatans dont les campagnes avaient de moins bonnes performances que d’autres agences partenaires de Facebook. Et sur l’influence russe, il est direct : 100 000 dollars de budget publicitaire ne font pas élire un président américain. En revanche, la création organique de polarisation via des pages, groupes et événements réels – ça, oui.
Sa conclusion est tranchante :
« Trump n’a pas été élu à cause de la désinformation russe ou du cabinet Cambridge Analytica, il a été élu parce qu’il a mené la meilleure campagne de publicité sur Internet que j’ai jamais vue. Point final. Ils ont simplement utiliser les outils qu’on fournit à tous les annonceurs pour montrer le bon contenu créatif à la bonne personne et selon moi, l’utilisation des audiences personnalisées, de la vidéo, de l’e-commerce et de contenu créatif frais et originaux reste aujourd’hui la meilleure façon de faire des bonnes campagnes de marketing digital. »
C’est exactement le problème. Parce que si la meilleure campagne politique de l’histoire récente utilisait les mêmes outils que toi – audiences personnalisées, vidéo, créas fraîches – la question n’est pas « est-ce que ces outils sont puissants ». La question c’est : est-ce que tu les utilises aussi bien ?
Et là, la maîtrise des audiences personnalisées devient une compétence fondamentale, pas un bonus optionnel.
Ce qu’on ne te dit pas sur le machine learning de Facebook
Il y a une tension dans le discours de Facebook que Donio reconnaît sans vraiment l’appeler par son nom. D’un côté, « faites confiance à la machine, les résultats seront meilleurs ». De l’autre, « mais vous devez fournir les bons signaux, les bonnes audiences, la bonne structure de campagne ».
Autrement dit : la machine est autonome, mais elle ne fonctionne que si tu fais bien ton travail en amont. Ce n’est pas un outil passif. C’est plus proche d’un collaborateur très compétent qui a besoin d’un brief précis pour délivrer.
Ce que j’aurais voulu qu’on me dise plus tôt – enfin, ce que j’aurais voulu lire avant de perdre du budget sur des comptes mal configurés – c’est que l’automatisation amplifie. Si tes données sont bonnes, elle amplifie les performances. Si tes données sont mauvaises, elle amplifie les erreurs. La liquidité dont parle Facebook, c’est aussi la liquidité des erreurs de ciblage qui se propagent à toute la campagne.
Le contexte politique et économique de 2020 ajoutait une couche : Facebook refusait de modifier ses règles sur la publicité politique (seule concession – les utilisateurs pouvaient voir moins de pubs politiques s’ils le souhaitaient) et les cinq premiers annonceurs sur la plateforme en France selon Kantar Media étaient Netflix (13 millions d’euros sur janvier-novembre 2019), Free, McDonald’s, Orange et SFR. Deux opérateurs télécoms dans le top 5 – ça dit quelque chose sur les secteurs qui ont compris avant les autres que la publicité facebook algorithme n’est pas une option, c’est l’infrastructure.
La suite – les trois autres leviers du Power Five – concerne les créas dynamiques, le placement automatique et les campagnes en entonnoir. Mais avant d’y arriver, la vraie question c’est : est-ce que ton Pixel est configuré correctement ? Est-ce que tu as activé la correspondance avancée ? Est-ce que ton CBO a assez de données pour apprendre ?
Si la réponse à l’une de ces trois questions est non, les leviers suivants ne serviront pas à grand-chose. Et comprendre comment fonctionne le système d’enchères de Facebook en parallèle n’est pas un luxe – c’est ce qui explique pourquoi l’algo fait les choix qu’il fait.
