Qu’est-ce que le potentiel de clic d’une création, et peut-on le prédire avant de dépenser ?

La cliquabilité d'une création est la probabilité prédite qu'une annonce génère plus ou moins de clics que des annonces comparables, estimée à partir de la création elle-même avant que tout argent média ne soit dépensé. Vous pouvez le prédire, comme une probabilité plutôt que comme une promesse : un modèle entraîné sur des publicités dont les résultats sont connus trie les nouvelles créations selon les catégories Élevé, Normal ou Faible. Utilisez le bracelet pour décider ce qu'il faut réparer, couper et tester en premier, pour ne pas sauter le test.

Points clés

• La cliquabilité est relative et probabiliste. Un score indique la probabilité qu'une création batte, corresponde ou suive des annonces similaires en termes de clics, et non quel sera son taux de clics.
• Les modèles apprennent des publicités étiquetées, en reliant le contenu de l'image, de la copie et de la configuration aux performances des publicités similaires.
• Lorsque SOMIN a évalué 631 annonces provenant de fournisseurs d'optimisation publicitaire (du 2025 octobre au 2026 octobre), 15 % sont sortis élevés, 68 % normaux et 18 % faibles. Sur Meta, 40 % des publicités vidéo ont obtenu un score élevé et aucune n'a obtenu un score faible.
• Les scores sont les plus faibles là où le modèle en voit le moins : annonces de recherche textuelles, formats inconnus et résultats au-delà du clic.
• Dans un plan de test, corrigez ou supprimez Low, testez High par rapport à votre meilleur actuel et conservez un caractère générique pour vérifier le modèle.

Que signifie la cliquabilité créative ?

Il s'agit d'une prévision de clics relatifs, réalisée avant le lancement. Le taux de clics (CTR) correspond aux clics divisés par les impressions, et il ne peut être mesuré qu'après qu'une annonce a été diffusée et payée. La cliquabilité estime sur quel côté du benchmark une création est susceptible d'atterrir avant que cela ne se produise.

La prévision est relative pour une raison pratique. Un CTR de 1 % peut être fort pour un emplacement et un objectif et faible pour un autre, donc un nombre brut voyage mal. La question utile est plus précise : par rapport à des annonces comme celle-ci, diffusées dans des endroits similaires, cette création est-elle susceptible d'obtenir de meilleurs résultats, à peu près les mêmes ou pires ?

Dans les données de SOMIN, chaque création notée comporte trois probabilités, pour un clic inférieur à la moyenne, moyen et supérieur à la moyenne, qui totalisent un. D’une manière générale, le groupe est le plus probable des trois. Deux publicités vidéo Madgicx de l'espace de travail d'optimisation des publicités montrent comment cela se lit :

• Une vidéo intitulée "Tuez vos dépenses publicitaires gaspillées", qui a débuté le 5 octobre 2026, a obtenu un score de 0.76 supérieur à la moyenne, de 0.23 moyen et de 0.01 inférieur à la moyenne. Il est élevé, avec une marge nette.
• Une vidéo sur des vacances sans soucis pour les propriétaires de commerce électronique a obtenu un score de 0.56 en moyenne et de 0.39 au-dessus de la moyenne. Il est normal, mais proche d'Élevé, et mérite plus d'attention qu'un Normal avec 0.10 de chances de battre la référence.

Alors lisez les probabilités, pas seulement l’étiquette. Deux créatifs avec le même groupe peuvent avoir des cotes très différentes.

Comment fonctionne un modèle de cliquabilité, en termes simples ?

Il apprend des publicités dont les résultats sont déjà connus, puis applique cette expérience à des créations qu'il n'a jamais vues. Les étapes sont simples à décrire, même si l’ingénierie ne l’est pas.

1. Collectez des exemples étiquetés. Rassemblez de nombreuses annonces avec des impressions et des clics réels, et étiquetez chacune d'elles selon que son CTR était supérieur, proche ou inférieur à une référence pour des annonces comparables.
2. Décrivez chaque annonce. Transformez la création en fonctionnalités que le modèle peut comparer : ce que montre l'image et comment elle est composée, la quantité de texte qui y figure, ce que propose la copie et comment elle sonne, le format, l'emplacement et le public visé.
3. Train. Le modèle apprend quelles combinaisons de caractéristiques ont tendance à donner des résultats supérieurs ou inférieurs à la moyenne, et dans quelle mesure il peut être sûr.
4. Score une nouvelle création. Une nouvelle annonce obtient les trois probabilités et sa bande.
5. Explain. Un modèle utile indique quelles fonctionnalités ont poussé le score vers le haut ou vers le bas, afin qu'un concepteur sache quoi changer.
6. Recalibrate. Les résultats en direct sont réinjectés dans le modèle, de sorte que son idée de « moyenne » suit celle du marché.

Étant donné que le modèle lit uniquement la création et sa configuration, il n'a pas besoin d'accéder au compte de l'annonceur. C'est ce qui permet à SOMIN d'évaluer les publicités des concurrents à partir des bibliothèques publicitaires publiques, comme dans l'exemple ci-dessous, et d'évaluer les brouillons d'une marque avant qu'ils n'existent en tant que publicités.

Nos travaux publiés couvrent plusieurs de ces étapes. SoCraft, une démonstration au WSDM 2023, évalue les créations Meta d'un annonceur à partir du texte, de l'image, du ciblage et des paramètres avant le lancement. "Contre l'opacité" (ACM Multimedia 2023) prédit le CTR des nouvelles créations et explique les facteurs dans un langage simple. Un article 2025 dans ACM Transactions on Information Systems associe des modèles de prédiction à de grands modèles de langage pour transformer les scores en recommandations. Tous sont répertoriés sur la page de recherche SOMIN. Pour un choix plus large entre les panels, les tests A/B et les modèles, consultez notre guide pour pré-tester la création avant de dépenser .

À quoi ressemble une répartition élevée, normale et faible dans les données réelles ?

Généralement normal, avec un niveau élevé rare. Nous avons utilisé le filtre de clicabilité dans l'espace de travail d'optimisation des annonces de SOMIN pour compter les scores de chaque annonce diffusée par Smartly, Madgicx, Strike Social et Adzooma à tout moment entre le 18 octobre 2025 et le 17 octobre 2026. Sur les 633 annonces, 631 ont été diffusées. une partition.

Les méta-annonces sont à nouveau divisées par format. Les décomptes sont les étiquettes de type média de SOMIN, et une annonce avec plusieurs types apparaît sur plusieurs lignes.

Trois lectures suivent, chacune accompagnée d'une mise en garde.

• Normal est la valeur par défaut. Deux annonces sur trois atterrissent là-bas, donc un score Normal n'est pas une raison pour supprimer. Cela signifie « aucun signal fort de toute façon ».
• Vidéo asymétrique élevée et publicités multi-créatives asymétriques faible. Mais le format est enchevêtré avec l'annonceur : Madgicx a réalisé 44 des 63 vidéos et Smartly a réalisé la plupart des publicités créatives dynamiques. Comparez les formats au sein d’une même marque avant de tracer une règle.
• Les annonces Google ont obtenu des résultats inférieurs, probablement en raison du format plutôt que de la qualité..305 des 331 annonces Google étaient des annonces textuelles, qui donnent à un modèle beaucoup moins de signaux visuels qu'une image ou une vidéo, alors traitez ces scores avec soin.

Les versions comptent aussi. Parmi les 128 méta-annonces comportant plusieurs versions, les chances de clics supérieurs à la moyenne différaient généralement peu entre les versions, d'une médiane de 0.05. Dans une annonce, l'écart entre sa meilleure et sa pire version était de 0.68. Notez chaque version, pas seulement l'annonce.

Ce que les fournisseurs promettent dans ces publicités est une histoire distincte, que nous abordons dans , ce que promettent les plateformes d'optimisation publicitaire dans leurs propres publicités.

Qu'est-ce qu'un score de cliquabilité ne peut pas vous dire ?

Il ne peut pas vous dire quoi que ce soit que le modèle ne voit pas. Ce sont les limites que nous vérifions en premier.

• Les clics ne sont pas des ventes. La conversion dépend de la page de destination, du prix, de l'offre et du stock. Une création peut gagner le clic et perdre la vente.
• Les clics peuvent être un mauvais objectif. La curiosité et la provocation génèrent des clics de la part de personnes qui n'achèteront jamais. Associez la cliquabilité à une mesure en aval pour toute campagne de conversion.
• La « moyenne » dépend des données d'entraînement. Un score est relatif aux annonces à partir desquelles le modèle a appris. Un format, un marché ou une langue peu connu obtient une estimation plus faible.
• Le contexte se situe en dehors de la création. L'audience, la pression des enchères, le timing, la saisonnalité et la fréquence sont tous des résultats de mouvement, et aucun d'entre eux n'est dans l'image.
• Une probabilité n'est pas un verdict. Une annonce normale avec 0.39 chances de battre la référence la battra souvent. Attendez-vous à des surprises dans les deux sens.
• Les effets de marque sont hors de portée.La capacité de clic ne dit rien sur la mémoire, le caractère distinctif ou la construction d'une marque à long terme.

Comment utiliser les scores élevés, normaux et faibles dans un plan de test ?

Utilisez le groupe pour commander le travail, puis laissez un test approprié décider. Le tableau définit l'action par défaut pour chaque bande.

1. Définissez « comparable ». Score par rapport aux annonces ayant le même objectif, le même emplacement et le même public, ou les groupes signifient peu.
2. Notez chaque version. Incluez chaque élément que vous inséreriez dans une annonce de création dynamique ou flexible, car les versions d'une annonce peuvent différer considérablement.
3. Modifiez avant de dépenser. Découvrez pourquoi un brouillon a obtenu une note faible ou normale, modifiez l'image ou la copie, puis notez-la à nouveau.
4. Construisez le test. Mettez les candidats élevés sous votre contrôle et conservez un caractère générique Normal ou Faible à chaque tour afin que le modèle soit comparé à quelque chose dont il doutait.
5. Utilisez un véritable test fractionné pour la lecture. Le centre d'aide de Meta note que les rapports sur les créations dynamiques regroupent les performances de toutes les variantes et ne le recommandent pas comme substitut aux tests fractionnés.
6. Log prédit par rapport au réel. Après quelques tours, vérifiez si les annonces élevées battent les annonces normales plus souvent que par hasard dans votre compte. C'est votre précision locale.
7. Re-score à mesure que les publicités vieillissent. Une haute créativité s'use toujours ; actualisez-le lorsque la fréquence augmente et que les résultats diminuent.

En pratique, cela change la destination du budget. Dans l'étude de cas Fujifilm UK de SOMIN, , 72 concepts ont été notés pour la cliquabilité prévue avant toute dépense, et 15 ont franchi la barre de 80 % de « potentiel de performance supérieure », de sorte que le budget de test a pu commencer avec ceux-là.

Quelle est la précision de la prédiction de la cliquabilité ?

Suffisamment précis pour classer les créations, mais pas assez précis pour remplacer un test. Le modèle de notation de SOMIN derrière l'agent Paid Media 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.

Un chiffre publié est un point de départ. Ce qui compte, c'est la façon dont le modèle fonctionne sur votre catégorie et vos formats, c'est pourquoi la sixième étape ci-dessus est plus importante que le numéro de titre de n'importe quel fournisseur. Si un modèle ne peut pas vous montrer ses prédictions à côté de vos résultats réels, traitez ses scores comme des opinions.

Pour évaluer les créations de vos concurrents ainsi que les vôtres, commencez par leurs publicités publiques ; notre guide pour recherche d'annonces concurrentes dans la bibliothèque de méta-annonces couvre la collection.

FAQ

Sources

• SoCraft : notation prédictive au niveau de l'annonceur pour les performances créatives sur Meta, WSDM 2023
• Contre l'opacité : IA explicable et grands modèles linguistiques pour une publicité numérique efficace, ACM Multimedia 2023
• Fusion de modèles de langage prédictifs et étendus pour des recommandations exploitables dans le marketing créatif, Transactions ACM sur les systèmes d'information, 2025
• À propos des créations dynamiques dans Meta Ads Manager, Centre d'aide Meta Business