Questions d'entretien Responsable marketing digital

Je commence par l'audience : qui cherchons-nous à atteindre, quels problèmes ont-ils, et où passent-ils du temps en ligne ? Je mappe ensuite cela sur la sélection de canaux, plutôt que de partir du canal. Pour un nouveau produit, je recommande généralement une approche test-and-learn plutôt que de s'engager sur un budget important d'emblée : lancer de petites expériences sur deux ou trois canaux, mesurer le coût par acquisition et la qualité de conversion en aval, puis scaler ce qui fonctionne. Je définis des KPIs clairs avant tout lancement de campagne : pas seulement les impressions et les clics, mais la contribution au pipeline ou au chiffre d'affaires. Une stratégie qui ne peut pas être mise à jour en fonction des données n'est pas une stratégie.

Cela dépend de l'objectif de la campagne. Pour les campagnes de notoriété, j'utilise la portée, la fréquence et la progression des recherches de marque. Pour la génération de demande, je suis les leads, le coût par lead et la qualité des leads en aval : un CPL faible qui génère des leads non qualifiés n'est pas un bon résultat. Pour les campagnes de conversion, je mesure le coût par acquisition, le ROAS et la contribution au chiffre d'affaires. J'essaie toujours de connecter les métriques marketing aux résultats business. J'utilise des paramètres UTM cohérents et je revois les modèles d'attribution multi-touch plutôt que de me baser sur le dernier clic. J'utilise aussi des groupes de contrôle pour mesurer l'incrémentalité.

Je traite l'allocation budgétaire comme une décision dynamique, pas un plan annuel fixe. Je commence par les données de performance historiques pour comprendre quels canaux offrent le meilleur retour à quels niveaux de dépenses, et j'identifie les points de saturation. J'alloue la majorité du budget aux canaux éprouvés, mais je réserve toujours 10 à 15 % pour tester de nouveaux canaux ou formats. Je réévalue l'allocation chaque mois et rééquilibre en fonction des performances. Quand le budget doit être réduit, je coupe les activités au coût le plus élevé et au retour le plus faible en premier, plutôt que des réductions uniformes.

L'IA fait maintenant partie de la plupart de nos processus principaux. Pour le contenu, je l'utilise pour générer des variations de titres et de copies pour les tests A/B : ce qui nécessitait une session créative avec trois personnes me prend maintenant 20 minutes en solo. Pour les briefs de campagne, je peux rédiger un brief structuré à partir de quelques points clés et donner à l'équipe quelque chose de concret sur quoi réagir plutôt que de partir d'une page blanche. Pour le reporting, j'injecte les données de campagne dans un modèle et j'obtiens un résumé narratif que j'adapte pour les présentations clients, ce qui réduit considérablement le temps consacré aux rapports. Ce sur quoi je reste vigilante, c'est la relecture éditoriale : tout ce que l'IA produit passe par moi avant d'être utilisé, car le modèle ne connaît pas la voix de la marque comme je la connais, et le premier jet est presque toujours terne sur le plan du ton. L'IA m'apporte volume et rapidité, j'apporte la direction et le jugement.

J'ai mené une campagne LinkedIn payante ciblant des directeurs RH seniors pour promouvoir un rapport. Le CTR était bien en dessous du benchmark et le coût par téléchargement était trois fois notre cible. J'ai mis la campagne en pause après deux semaines plutôt que de continuer à dépenser. L'analyse post-campagne a montré deux problèmes : le créatif était trop centré produit pour une audience froide, et le ciblage était trop large. J'ai reconstruit la campagne avec un créatif axé sur l'audience et un ciblage plus précis. La deuxième version a atteint notre cible de coût. La principale leçon : ne pas scaler une campagne qui ne s'est pas prouvée sur un petit budget d'abord.

Notre budget médias payants a été réduit de 40 % en raison d'une réduction des coûts. Plutôt que de réduire uniformément, j'ai analysé rapidement quelles campagnes généraient le plus de pipeline par rapport aux dépenses et supprimé les activités les moins performantes. J'ai réorienté une partie du budget restant vers le SEO et le contenu, qui ont un coût par lead plus bas à l'échelle. J'ai aussi investi du temps pour améliorer les taux de conversion des landing pages. Résultat : nous avons manqué notre objectif de volume de leads de 12 %, mais notre coût par lead qualifié s'est amélioré de 8 % en supprimant les dépenses inefficaces.

Nous investissions massivement dans une newsletter hebdomadaire envoyée à toute notre base depuis plus d'un an. Les taux d'ouverture baissaient trimestre après trimestre mais personne ne remettait en question la pratique. J'ai réalisé une analyse de cohorte et constaté que 68 % de notre base n'avait ouvert aucun email en six mois. Nous nuisions à notre réputation d'expéditeur. J'ai proposé et mis en place une campagne de réengagement pour le segment inactif, puis supprimé ceux qui n'avaient pas répondu. Notre taux d'ouverture a augmenté de 34 % et la délivrabilité s'est nettement améliorée.

Je commence par la recherche de mots-clés pour comprendre le paysage de recherche : quels termes notre cible utilise-t-elle, quelle est l'intention derrière ces termes, et quelle est la difficulté compétitive pour se positionner ? Je priorise les mots-clés selon le volume de recherche, l'alignement avec l'intention et le potentiel de positionnement réaliste. J'audite ensuite les fondations techniques : vitesse du site, crawlabilité, expérience mobile et données structurées. Je construis un plan de contenu autour des lacunes identifiées, en priorisant le contenu informatif qui génère des liens et construit l'autorité thématique. Je suis les positions, le trafic organique et les conversions organiques chaque semaine.

Les tests A/B en marketing nécessitent la même rigueur que toute autre expérience. Je commence par une hypothèse claire et définis la métrique principale avant le lancement. Je calcule la taille d'échantillon nécessaire pour détecter une différence significative. Je teste une seule variable à la fois pour isoler la causalité. Je fais tourner le test sur un cycle business complet (au moins deux semaines) pour tenir compte des effets du jour de la semaine. Je lis les résultats incluant les métriques secondaires : une variante gagnante qui améliore le CTR mais réduit la conversion en aval n'est pas une vraie victoire.

L'attribution est l'un des problèmes les plus difficiles du marketing digital et je l'aborde avec humilité. L'attribution au dernier clic déforme significativement les décisions d'investissement en sur-créditant les canaux bas de funnel. Je préfère les modèles d'attribution data-driven quand le volume de données le permet, et quand ce n'est pas le cas, j'utilise un modèle linéaire ou de décroissance temporelle. J'utilise aussi des tests d'incrémentalité pour les investissements de canaux majeurs. Je présente les données d'attribution comme des preuves directionnelles plutôt que comme une vérité précise.