Vous pouvez prédire les performances des annonces avant de dépenser en évaluant chaque création avec un modèle formé sur de grands ensembles d'annonces étiquetées. Le modèle lit la copie, l'image, le ciblage et les paramètres et estime le clic probable. Utilisez le score pour éliminer les concepts les plus faibles et concentrer les tests en direct sur les appels rapprochés. La prédiction rétrécit le champ ; cela ne remplace pas un test, et il doit s'expliquer.
Points clés
- La création reste le principal moteur des résultats publicitaires, et l’IA générative a multiplié le nombre de créations en compétition pour le même budget.
- La notation prédictive estime les performances de l'annonce elle-même. Elle fonctionne donc avant le lancement et avant qu'un compte n'ait un historique.
- Un score n’est utile que lorsqu’il est accompagné de raisons ; les modèles explicables transforment un numéro en une modification.
- Le flux de travail qui tient le coup consiste à prédire, couper, tester, puis renvoyer les résultats réels afin que le modèle reste calibré.
Pourquoi pré-tester la création dans 2026 ?
Parce qu'il y a plus d'annonces parmi lesquelles choisir que n'importe quel budget ne peut en tester. La créativité décide en grande partie du résultat, et l’offre de créativité a explosé.
L'analyse de Nielsen de près de 500 campagnes a révélé que la création reste le principal contributeur à l'augmentation des ventes, même si la part des médias est passée de 15 % à 36 % sur onze ans. Pendant ce temps, l'équipe d'ingénierie de Meta a signalé que plus d'un million d'annonceurs ont utilisé ses outils d'IA générative pour créer plus de 15 millions d'annonces en un mois, et s'attend à ce que le nombre de créations dans ses systèmes continue d'augmenter de manière significative.
Les tests A/B en direct restent la référence, mais chaque variante doit être dépensée avant que son résultat ne soit lisible. Si une équipe produit quarante concepts et peut se permettre d’en tester six, la vraie question est de savoir lesquels. Les pré-tests y répondent.
Que peut prédire un modèle à propos d’une publicité, et qu’est-ce qu’il ne peut pas prédire ?
Un modèle peut estimer la probabilité que les internautes interagissent avec une annonce, notamment en cliquant, à partir des fonctionnalités qu'il peut voir dans la création et sa configuration. Il ne peut pas voir les enchères de la semaine prochaine, le lancement d'un concurrent ou un changement dans l'actualité.
- Prévisible : clics relatifs entre les concepts, l'effet des choix visuels et de copie, et l'adéquation entre une création et son ciblage d'audience.
- Harder : conversion et revenus, qui dépendent également des pages de destination, du prix et du stock ; effets de marque à long terme ; et des formats que le modèle n'a jamais vus auparavant.
- Hors de portée : événements extérieurs, changements soudains de plateforme et pression des enchères un jour donné.
Un score est donc une aide au classement avec un niveau de confiance, et non une prévision des résultats. Dans les agents SOMIN, les prévisions sont toujours affichées comme des prévisions, et rien ne peut être dépensé sans l'approbation d'une personne.
Comment fonctionne la notation créative prédictive ?
Il apprend la relation entre le contenu d'une annonce et les performances d'annonces similaires, puis l'applique à une nouvelle création. Nos recherches évaluées par des pairs au SOMIN ont abordé trois parties de ce problème.
- Scoring avant le lancement. SoCraft, présenté au WSDM 2023, est un modèle multimodal qui note les créations publicitaires Meta d'un annonceur à partir de leur texte, image, ciblage et paramètres avant le lancement.
- Explication du score. "Contre l'opacité" (ACM Multimedia 2023) prédit le taux de clics pour les nouvelles créations publicitaires et explique les moteurs avec un assistant LLM, SODA.
- Transformer les scores en actions. "Fusing Predictive and Large Language Models for Actionable Recommendations in Creative Marketing" (ACM TOIS 2025) associe des modèles de prédiction des performances publicitaires avec des LLM, de sorte que les scores créatifs deviennent des recommandations sur lesquelles un spécialiste du marketing peut agir.
En production, le modèle de notation derrière l'agent média payant de SOMIN est formé sur des dizaines de milliers d'annonces étiquetées et atteint une précision de prédiction des clics de 78 % sur l'ensemble des références clients, soit environ trois fois la référence humaine. Dans l'étude de cas SAMY, cette lecture sur la création avant les dépenses médiatiques faisait partie des preuves derrière un argumentaire qui a remporté une provision de plusieurs millions de livres. La liste complète des articles se trouve sur notre page de recherche .
Quelle méthode de pré-test devriez-vous utiliser ?
Le moins cher qui répond à la question que vous vous posez réellement. La plupart des équipes ont besoin d'un mélange.
| Méthode | Ce qu’elle vous apprend | Temps et coût | Mieux utilisé pour |
|---|---|---|---|
| Test A/B en direct ou fractionné | De vraies performances dans de vraies enchères | Jours ou semaines, plus budget de test par variante | Le choix final entre quelques concepts forts |
| Pré-test d’un panel ou d’une enquête | Comment les gens disent réagir : rappel, compréhension, appréciation | Jours, avec frais par test | Films et émissions de télévision de marque à gros budget |
| Modèle de notation prédictif | Engagement probable par rapport à d’autres concepts, avec raisons | Quelques minutes, sans dépenses média | Tri de nombreux concepts avant le lancement |
| L'avis d'un LLM généraliste | Une critique plausible, non formée aux résultats publicitaires | Secondes | Brainstorming et modifications de copie, pas de prédiction |
Pourquoi les équipes ont-elles du mal à prouver leurs travaux créatifs ?
Parce qu’ils jugent la créativité une fois l’argent dépensé, souvent sur la base de mesures qui ne correspondent pas à l’objectif commercial. L'espace de travail d'optimisation des publicités de SOMIN le montre clairement.
Son modèle de moments de vérité fait apparaître les pensées : « J’aimerais pouvoir montrer le véritable impact de notre travail créatif » et « Comment puis-je donner un sens à toutes ces données ? » pour une personne travaillant sur des mesures de publicité numérique. L'étude des espaces blancs de l'espace de travail d'octobre 2026 sur 128 publications comprend un thème (échantillon 23) sur les entreprises qui se concentrent sur des mesures superficielles telles que le ROAS et le CPA au lieu de la génération de revenus et de leads.
Une idée connexe, « Chasser les illusions nous aveugle sur les véritables opportunités », applique le raisonnement opportunité-coût : lorsque les équipes recherchent des mesures vaniteuses, le budget est dirigé vers des stratégies qui n'augmentent pas les bénéfices (15engagements à travers10messages). Dans l'espace de travail de recherche d'audience, la proposition correspondante est "Sachez qu'une création fonctionnera avant de la payer", avec la conclusion du consommateur "Je peux investir en toute confiance dans des stratégies qui fonctionnent réellement".
Comment créer un workflow de pré-test ?
- Choisissez la métrique par objectif. Clic pour le trafic, un prospect ou un signal d'achat pour la conversion. Ne jugez pas les publicités de notoriété uniquement sur les clics.
- Générer large, pas profond. Écrivez des concepts sous des angles et des tensions distincts, et non dix versions d'un seul titre ; la variété donne au modèle quelque chose à séparer.
- Notez tout et lisez les raisons. L'explication est d'où viennent les montages : une image faible, un bénéfice enfoui, une inadéquation avec le public.
- Couper le niveau inférieur. Les concepts qui obtiennent des résultats nettement inférieurs aux autres ne devraient pas atteindre un budget de test.
- Testez en direct la bande supérieure. Incluez un joker avec un score inférieur à chaque tour, afin que le modèle soit comparé à quelque chose dont il doutait.
- Récupérez les résultats. Comparez chaque prédiction avec le résultat réel. L'agent Paid Media de SOMIN fait cela après chaque tour afin que le suivant soit plus net.
- Surveillez la fatigue. Une publicité à haut score s'use toujours ; re-noter et actualiser à mesure que la fréquence augmente.
FAQ
L’IA peut-elle prédire quelle annonce sera la plus performante ?
Il peut classer les concepts en fonction de l'engagement probable avec une précision utile : le modèle de SOMIN lit les clics avec une précision de 78 % sur l'ensemble des références clients, soit environ trois fois la référence humaine. Il ne peut pas garantir un gagnant, c'est pourquoi le meilleur groupe doit quand même être testé en direct.
Qu’est-ce que le pré-test créatif ?
Évaluer les publicités avant leur diffusion, à l'aide de panels d'audience, de modèles prédictifs ou de petits tests en direct, pour décider quels concepts méritent un budget média.
Ai-je besoin de mon propre historique publicitaire pour prédire les performances ?
Non. Un modèle formé sur de grands ensembles d'annonces étiquetées peut évaluer une création à froid, avant qu'un compte ne dispose de données, puis réévaluer une fois les résultats en direct arrivés.
Les pré-tests remplacent-ils les tests A/B ?
Non. Les tests préalables décident de ce qui mérite d'être testé ; Les tests A/B confirment ce qui fonctionne dans la véritable enchère. Utilisés ensemble, ils réduisent les dépenses inutiles pour les perdants évidents.
Prenez la liste des concepts de votre prochaine campagne et notez-la avant que quoi que ce soit ne soit produit dans son intégralité. Coupez le tiers inférieur, testez la bande supérieure avec un caractère générique et enregistrez les prévisions par rapport aux données réelles pour chaque annonce. Après deux ou trois tours, vous saurez dans quelle mesure vous pouvez faire confiance au score de votre catégorie, et votre budget de test sera consacré aux appels difficiles à passer.
