Détection de dégradation du ROAS
Deux méthodes en parallèle : z-score vs baseline glissant 30 jours (seuil z < -2,0) et pente de régression linéaire sur 14 jours (seuil < -1,5% par jour). Les deux sont requis pour générer une carte.
Détection d'anomalies
La plupart des détections d'anomalies s'appuient sur les chiffres déclarés par les plateformes. Celle de TrustData s'appuie sur vos métriques first-party dédupliquées, les seuls chiffres qui n'ont pas été gonflés. Les baisses de ROAS détectées ici sont de vraies baisses.
Deux méthodes en parallèle : z-score vs baseline glissant 30 jours (seuil z < -2,0) et pente de régression linéaire sur 14 jours (seuil < -1,5% par jour). Les deux sont requis pour générer une carte.
Symétrique à la dégradation du ROAS, cette méthode détecte les augmentations significatives de coût par acquisition avec la même approche dual-méthode sur les données de conversion dédupliquées.
Les anomalies de sévérité moyenne entrent en période d'observation avant de devenir actionnables. Les baisses à z-score élevé (z < -3,0) sont immédiatement actionnables. Les baisses moyennes attendent 7 à 14 jours pour confirmer que le signal est réel.
Optimiseur budgétaire
L'optimiseur maximise votre production totale pour un budget fixe en trouvant l'allocation où le ROAS marginal est égal sur toutes les campagnes. Quand les rendements marginaux sont égalisés, aucun déplacement de budget ne peut améliorer la production totale. C'est l'optimum mathématique.
La relation dépense-revenu de chaque campagne est modélisée par une fonction Hill qui capture les effets de saturation que les modèles linéaires manquent. Les courbes sont reconstruites chaque lundi depuis vos données de CA dédupliquées réelles.
L'optimiseur utilise scipy SLSQP pour trouver l'allocation de dépenses sur toutes les campagnes qui maximise le CA total sous contrainte de budget total. Chaque déplacement recommandé doit dépasser 500€ pour générer une carte.
Si un facteur de calibration d'incrémentalité existe pour un canal, l'optimiseur utilise votre vrai ROAS incrémental (et non le ROAS déclaré plateforme) pour la modélisation des courbes de réponse. Les canaux testés reçoivent des recommandations matériellement meilleures.
Verdicts avant/après
Suivre une recommandation budgétaire est une hypothèse. TrustData la traite comme telle en suivant le résultat pendant 14 jours avec un groupe de contrôle pour séparer le signal du mouvement ROAS ambiant.
Après qu'une recommandation est suivie, TrustData capture le snapshot de baseline ROAS et commence le suivi. Le calcul du verdict commence après 14+ jours écoulés.
La dérive du ROAS canal sur tous les canaux paid pendant la même période est le contrôle naturel. Le delta ajusté filtre les mouvements de ROAS à l'échelle du marché. Seul le changement au niveau de votre campagne compte.
winner (delta ajusté ≥ 0,3 unités ROAS), likely_winner (≥ 0,1), no_effect (≤ -0,1) ou inconclusive. Ces verdicts alimentent le modèle de courbe de réponse pour le prochain cycle d'optimisation.
Cycle de vie des cartes
De la détection au verdict, chaque action paid a un cycle de vie structuré. Le dashboard à quatre onglets vous donne une vue claire de ce qui est nouveau, actif, et ce que le bilan montre.
Cartes d'anomalies non suivies (sans spend_delta). Cartes de dégradation ROAS et pic CPA avec snapshot contexte : ROAS baseline, ROAS courant, z-score et jours de baisse.
Cartes d'optimisation non suivies (avec spend_delta). Changement d'allocation recommandé par campagne, étayé par les courbes de réponse et la comparaison de ROAS marginal.
Actives affiche les cartes suivies en suivi de leur fenêtre de 14 jours. Conclues affiche le bilan complet avant/après : ROAS baseline, ROAS post-changement, dérive contrôle, delta ajusté et verdict.
Chaque composant du Paid Action Layer.
Toute la détection d'anomalies s'appuie sur le ROAS et le CPA first-party dédupliqués, jamais sur les chiffres déclarés par les plateformes.
Z-score vs baseline glissant 30 jours plus pente de régression linéaire sur 14 jours. Les deux tournent quotidiennement après le pipeline dbt.
Anomalies moyennes en attente 7 à 14 jours avant de remonter. Anomalies haute sévérité (z < -3,0) remontent immédiatement. L'expiration du hold relance la détection sur données fraîches.
Dépense → revenu modélisée par la fonction de saturation Hill. Reconstruites hebdomadairement le lundi depuis les données de CA dédupliquées réelles par campagne.
scipy.optimize.minimize maximise Σ revenu_i(dépense_i) sous contrainte de budget total et bornes par campagne. Bornes de dépense par campagne configurables.
Si un CalibrationFactor existe pour un canal, l'optimiseur multiplie r_max par l'effective_factor (décroissant). Les canaux testés reçoivent des recommandations tenant compte de l'incrémentalité.
Si AdvertiserConfig est configuré avec blended margin et goal = efficiency/profitability, l'optimiseur utilise des courbes de profit plutôt que des courbes de revenu. Cascade ROI 2–4 disponible.
Fenêtre d'observation de 14 jours, delta ajusté par groupe de contrôle, verdicts winner/likely_winner/no_effect/inconclusive. Résultats stockés dans le JSON outcome_tracked.
Questions fréquentes
Essai gratuit 14 jours
Essai gratuit 14 jours. Détectez les anomalies, optimisez votre budget et mesurez ce qui a vraiment bougé l'aiguille.