YieldBI pour le SaaS

Le SaaS a un problème structurel avec le social payant que la plupart des autres secteurs n’ont pas : vous êtes payé mensuellement, et vous payez le client d’avance.

Une marque e-commerce sait en un jour si une commande était rentable. Une entreprise SaaS qui acquiert un client à 400 € sur un plan à 49 €/mois n’atteint le seuil de rentabilité qu’au bout de huit mois, et seulement si le client reste. Chaque décision d’optimisation que vous prenez repose sur un pari concernant la rétention, et la plateforme publicitaire n’a aucune idée que tout cela se passe.

Le coût par démo est le mauvais indicateur phare

C’est le chiffre que tout le monde rapporte parce que c’est celui disponible dès le premier jour. C’est aussi celui le moins lié à la réussite réelle de la campagne.

La chaîne qui compte est : clic → essai ou démo → activation → paiement → rétention au-delà du seuil de rentabilité. Chaque étape a un taux de conversion qui varie selon la publicité, et la variance se compose. Deux campagnes avec un coût par démo identique diffèrent régulièrement d’un facteur 2 à 3 sur le coût par client retenu, parce qu’elles ont attiré des profils différents.

Le seul chiffre autour duquel construire le compte est le délai de rentabilisation : combien de mois de revenus faut-il pour récupérer le coût d’acquisition. Il transforme un argument abstrait sur la qualité des leads en décision concrète : pouvez-vous vous permettre ce client à ce prix, et c’est déjà le chiffre qu’utilise votre équipe finance.

Pourquoi le self-service et la vente accompagnée ont besoin de configurations différentes

Self-service. Le volume est suffisamment élevé pour que le début d’essai puisse porter l’optimisation directement. Le piège, c’est que le début d’essai est trivialement facile à convertir, donc Meta trouvera avec plaisir des personnes qui démarrent un essai et ne s’activent jamais. Optimisez plutôt sur l’événement d’activation, à condition qu’il atteigne environ 50 événements par ensemble de publicités et par semaine. Si ce n’est pas le cas, optimisez sur le début d’essai et évaluez sur l’activation.

Un cas concret rend le mécanisme plus clair. Un outil SaaS en self-service vendu à 79 €/mois a fait tourner deux ensembles de publicités sur la même page d’atterrissage, tous deux optimisés sur le début d’essai. Le premier a produit 220 essais à 9 € pièce. Le second a produit 140 essais à 15 € pièce. Sur le coût par essai, le premier ensemble de publicités gagnait largement. Trois mois plus tard, le premier ensemble de publicités avait converti 4 essais en clients payants, et le second en avait converti 19. Les essais bon marché étaient en grande partie des personnes testant un outil gratuit sans intention de payer, et Meta en avait simplement trouvé davantage. Basculer le critère d’optimisation vers l’activation, définie comme connecter une source de données et compléter un rapport, a inversé le classement en l’espace d’une semaine de données. La leçon n’est pas que les essais bon marché sont mauvais. C’est que l’événement sur lequel vous optimisez indique à Meta quel type de personne trouver, et le début d’essai sélectionne la curiosité plutôt que l’intention.

Vente accompagnée. Le volume de demandes de démo n’est presque jamais suffisant pour que Meta apprenne au niveau de l’ensemble de publicités, et le résultat réel n’arrive que dans plusieurs mois. Optimisez sur l’événement en amont, réinjectez le résultat d’opportunité qualifiée via les conversions hors ligne, et acceptez que l’optimisation de diffusion tourne sur un proxy pendant que vos décisions budgétaires reposent sur le pipeline.

Essayer de piloter une démarche de vente accompagnée en optimisant directement sur les affaires conclues est l’erreur coûteuse la plus courante ici. Il n’y en a pas assez, cela arrive trop tard, et les ensembles de publicités ne sortent jamais de l’exploration.

Meta est un canal de création de demande, et la mesure doit en tenir compte

La recherche capte des personnes qui savent déjà qu’elles ont votre problème. Meta interrompt des personnes qui ne le savent pas. Cela signifie une considération plus longue, davantage de conversions assistées, et une sous-attribution systématique dans le reporting au dernier clic.

La conséquence est prévisible : le social payant paraît moins performant qu’il ne l’est, se voit définancé, et le volume de recherche de marque décline discrètement un trimestre plus tard. Si vous avez le budget pour le faire, un test de retrait géographique tranche le débat mieux que n’importe quel modèle d’attribution, car il mesure ce qui se passe sans le canal plutôt que de discuter du crédit à lui accorder.

Ce qu’il faut tester

Les différences qui comptent portent sur à qui la publicité s’adresse, pas sur quel format elle utilise :

• Conscient du problème contre conscient de la solution. Nommer la douleur touche une audience bien plus large que nommer votre catégorie. Nommer votre catégorie touche des personnes plus proches de l’achat.
• Le rôle. La personne qui a la douleur et la personne qui a le budget sont fréquemment des personnes différentes qui ont besoin d’arguments différents.
• L’alternative de remplacement. La plupart des SaaS ne se vendent pas contre un concurrent. Ils se vendent contre un tableur et l’inaction, et un créatif qui s’adresse au tableur surpasse généralement un créatif qui s’adresse au concurrent.

Où YieldBI intervient

YieldBI maintient l’événement de diffusion et l’événement d’évaluation séparés, de sorte que l’optimisation tourne sur quelque chose disposant d’assez de volume pour être stable, tandis que les décisions budgétaires sont jugées sur l’activation, le pipeline ou le délai de rentabilisation. Les variantes créatives sont générées et lancées dans la même boucle qui lit le résultat, de sorte que le message qui produit des clients qui restent davantage soit identifié plutôt que dilué dans une moyenne.

Si vous êtes avant le product-market fit et que votre courbe de rétention bouge encore, rien de tout cela n’aide pour l’instant. Optimiser l’acquisition sur un délai de rentabilisation instable produit des décisions confiantes bâties sur un chiffre qui sera différent le trimestre prochain.