Intégrer l’expertise AdTech dans les workflows IA

Un modèle généraliste est un élève doué. Il ne sait pas pour autant quels paramètres d’enchères et quelles sources d’inventaire conviennent à un objectif de campagne donné, pour un annonceur donné. Ce savoir vient de l’expérience, et c’est souvent lui qui distingue un résultat générique d’un résultat réellement exploitable par une équipe.

Ce qui manque à un modèle généraliste

Pour être utile dans les opérations quotidiennes, un workflow ne peut pas se contenter de connaissances génériques. Il doit tenir compte :

• Des spécificités des plateformes : les règles d’achat sur Google Ads diffèrent de celles de Meta, qui diffèrent elles-mêmes de celles de The Trade Desk, par exemple. Ces différences doivent être explicitées pour le workflow.
• Des objectifs de campagne : une campagne orientée ventes (ROAS) ne se pilote pas comme une campagne de branding. Les indicateurs (visibilité, VTR ou taux de clic, par exemple), les stratégies d’enchères correspondantes et les approches créatives diffèrent.
• Des subtilités opérationnelles : de la bonne limite de CPM sur un site donné aux combinaisons d’audience et d’inventaire qui conduisent à une mauvaise diffusion, le workflow a besoin des ficelles du métier.
• Des exigences de l’équipe : il doit aussi respecter les standards internes de l’équipe, comme les conventions de naming et la façon de structurer les line items et les ensembles de créations.
• Des critères d’escalade : il doit savoir quelles situations sortent de son périmètre et qui doit les examiner.

Exemple : un playbook pour les campagnes de branding vidéo

Le playbook est une façon concrète de formaliser ces connaissances.

Voici un exemple simplifié pour la gestion de campagnes de branding en vidéo :

Le playbook indique aussi comment tester le workflow. Par exemple, soumettez-lui une campagne au taux de complétion faible et vérifiez qu’il prend en compte la durée du preroll et la politique de skip avant de recommander une modification des enchères ou du ciblage.

Le problème du playbook unique

Il est tentant de réunir toutes vos connaissances AdTech dans un seul playbook massif. Mais on obtient alors un document trop volumineux pour qu’un workflow (ou une personne, d’ailleurs) puisse s’y retrouver efficacement.

Construisez plutôt une bibliothèque structurée de guides plus courts. C’est ainsi qu’une entreprise forme un nouveau collaborateur : avec un ensemble de guides pratiques, et non une encyclopédie unique et confuse.

Commencez par les situations que votre équipe rencontre le plus souvent. Testez explicitement les exceptions, consignez les lacunes et définissez quand le workflow doit demander de l’aide.

Relier la bibliothèque au workflow

Un workflow qui prend des décisions suit un cycle proche de celui d’un spécialiste. La boucle OODA (observer, s’orienter, décider, agir) en offre un modèle utile : le système analyse la situation, se forge une compréhension, planifie une ligne d’action et l’exécute. Les connaissances pertinentes doivent être disponibles à chaque étape de cette boucle, et pas seulement à la fin.

La récupération peut s’organiser comme un petit pipeline autour du workflow principal. Elle repose généralement sur quelques composants :

Vérifier que les connaissances sont appliquées

Avoir accès aux bons éléments ne signifie pas qu’ils sont correctement utilisés. C’est l’évaluation qui referme la boucle :

Traiter le workflow comme un nouveau membre de l’équipe

Considérez un workflow IA non comme une boîte noire, mais comme un nouveau membre compétent de l’équipe. Pour bien faire son travail, il a besoin de ce que vous donneriez à une nouvelle recrue :

L’objectif n’est pas de remplacer le jugement de l’équipe, mais de rendre ses connaissances disponibles sous une forme qu’un workflow peut utiliser, et de vérifier qu’elles sont correctement utilisées.