Kellanova
scoring predictif de l'efficacite creative avant diffusion
Kellanova a mene avec Vidmob et MMA Global une etude de 12 mois sur 443 assets creatifs (10 marques, paid social Meta) montrant un scoring predictif du VTR 3 secondes a 83% de precision, une performance multipliee par 2,16 et un Profit ROI en hausse de 11% sur les assets notes.
L'essentiel
- Scoring predictif de l'efficacite creative avant diffusion, sur 443 assets et 10 marques.
- Plateforme Vidmob Aperture avec machine learning et Google Gemini.
- VTR 3 secondes predit a 83%, performance x2,16, Profit ROI +11%.
- Preuve B, statut confirme.
Objectif
Comprendre quels elements creatifs font performer une annonce, predire l'efficacite avant diffusion, guider la production creative et refonder la relation avec les agences sur une metrique quantitative plutot que subjective.
Le déploiement
Kellanova, proprietaire de Pringles, Pop-Tarts, Cheez-It et Rice Krispies Treats, a mene avec Vidmob et l'association MMA Global une etude de douze mois sur la performance de 443 assets creatifs, repartis sur dix marques, diffuses aux Etats-Unis sur les unites publicitaires Meta. La plateforme Aperture de Vidmob s'appuie sur du machine learning, des donnees historiques et des LLM dont Google Gemini. L'analyse a etabli 19 criteres de scoring transverses et 11 criteres par categorie, communs aux assets atteignant un view-through-rate d'au moins trois secondes, puis a construit deux modeles predictifs (un pour le salle, un pour le sucre). Kellanova rapporte que le scoring predictif prevoit le VTR a trois secondes avec 83 pour cent de precision, ameliore la performance de 2,16x et contribue a une hausse de 11 pour cent du Profit ROI sur les assets notes. L'entreprise utilise ces resultats pour resserrer sa production creative et pour passer d'une metrique subjective a une metrique quantitative dans ses relations d'agence. Le cadre est d'abord applique au paid social, avec une extension prevue vers TikTok, Pinterest et Reddit.
Résultats Preuve B
Etude chiffree publiee conjointement par Vidmob, Kellanova et MMA Global (communique via Businesswire), corroboree par la presse specialisee (Digiday, Adweek) citant nommement Kellanova et ses chiffres. Pas de resultats financiers isoles, donc B.
Comment ça fonctionne
Architecture documentéeLa stack en détail
- plateforme Vidmob Aperture plateforme de creative analytics : tagging des elements creatifs et scoring predictif d'impact avant diffusion
- llm Google Gemini LLM utilise par Aperture pour l'analyse des assets creatifs
- llm Modeles predictifs par categorie (salle, sucre) deux modeles ML entraines sur les criteres creatifs correles au VTR 3 secondes, precision de 83%
- infra Donnees de performance Meta VTR 3 secondes et performances des unites publicitaires Meta, signal d'entrainement et de validation
- integrateur MMA Global association sectorielle qui a cadre l'etude de douze mois avec Kellanova et Vidmob
Comment ça tourne, concrètement
Pour les équipes ops-
1Collecte et tagging IA / Vidmob
Analyse de 443 assets sur dix marques, extraction de 19 criteres transverses et 11 par categorie.
-
2Construction des modeles IA / equipe data
Deux modeles predictifs (salle, sucre) entraines sur les criteres correles au VTR 3 secondes.
-
3Scoring avant diffusion marketing / IA
Chaque nouvel asset recoit un score d'impact predictif avant mise en media.
-
4Production et relation agence marketing
Les insights guident la production creative et servent de metrique quantitative dans les contrats d'agence.
Le view-through-rate a trois secondes sur Meta, benchmark de reference. Sans donnees de performance historiques suffisantes, les modeles predictifs perdent en precision.
Comment vos clients perçoivent ce type d'usage
Études sourcéesC'est la famille la moins acceptee : 68% des Americains jugent inacceptable un score financier personnel calcule par algorithme et 67% l'analyse video automatisee d'entretiens d'embauche (Pew Research, 2018). La demande d'explication et de recours est massive : 83% veulent savoir quelles donnees l'IA utilise et 91% veulent pouvoir corriger des donnees erronees (Consumer Reports, 2024). A l'echelle mondiale, seuls 46% se disent prets a faire confiance aux systemes d'IA et 70% jugent une regulation necessaire (KPMG / Universite de Melbourne, 2025).
Conditions d'acceptation
- Transparence sur les donnees utilisees : 83% des Americains la reclament (Consumer Reports 2024)
- Droit de correction des donnees erronees : 91% le demandent (Consumer Reports 2024)
- Explication de la logique de decision : 44% des consommateurs sont plus enclins a utiliser un agent IA si sa logique est clairement expliquee (Salesforce 2024)
- L'acceptabilite depend du contexte de la decision : 50% des Americains jugent equitable un score de risque criminel pour la liberation conditionnelle, contre 32% pour un score financier applique aux consommateurs (Pew Research 2018)
Lignes rouges
- La decision opaque et sans recours sur l'emploi, le credit ou le logement : 45% tres mal a l'aise pour l'embauche, 39% pour le pret, 39% pour le logement (Consumer Reports 2024)
- Le scoring des personnes a partir de donnees comportementales : 68% le jugent inacceptable pour les offres financieres (Pew Research 2018)
Sources : Pew Research Center 2018 · Consumer Reports 2024 · KPMG / Universite de Melbourne 2025 · Salesforce 2024
Voir l'acceptation complète : par pays, par usage, par génération
Comment répliquer
Inférence - non sourcéPrérequis data
- historique d'assets creatifs tagges
- donnees de performance media par asset (VTR, vues)
- volume suffisant pour entrainer des modeles par categorie
Prérequis orga
- alignement media / creation / agences sur une metrique commune
- gouvernance de la production creative pilotee par le score
Stack possible
- plateforme de creative analytics (type Vidmob Aperture)
- LLM pour l'analyse d'assets
- connecteurs aux plateformes media (Meta, TikTok)
Le plan, étape par étape
- Étape 1Rassembler l'historique d'assets et les performances media par asset (viser plusieurs centaines d'assets)Livrable : Dataset assets-performances consolide
- Étape 2Tagger les elements creatifs selon une grille de criteres transverses et par categorieLivrable : Assets tagges avec grille documentee
- Étape 3Correler criteres et VTR 3 secondes, construire un modele predictif par categorieLivrable : Modele avec precision mesuree sur echantillon de reserve
- Étape 4Scorer les nouveaux assets avant mise en media et guider la productionLivrable : Process de scoring pre-diffusion integre au workflow creatif
- Étape 5Faire du score une metrique contractuelle avec les agences et etendre aux autres plateformesLivrable : Metrique quantitative dans les briefs et les contrats d'agence
Première étape : Tagger un historique d'assets paid social et correler les elements creatifs au VTR 3 secondes.
Le même pattern, prouvé dans d'autres industries
Bayer Consumer Health
prevision de la demande par machine learning sur tendances de recherche pour piloter le media
Rakuten
prediction d'acheteurs futurs pour le ciblage publicitaire
Rovio
prediction de LTV pour piloter l'acquisition (pLTV)
Sources
- S1 Behind Kellanova's AI-powered push to improve creative and alter agency fees Presse établie archive à générer
- S2 Vidmob, Kellanova, and MMA Global Collaborate on a Study Proving the Power of Predictive Impact Scoring Officiel intéressé archive à générer
- S3 Vidmob, Kellanova, and MMA Global Release Study Presse établie archive à générer
Une erreur, une info plus récente, une source ?
Cette fiche vit de sa justesse. Si un chiffre a bougé, si le déploiement a changé, ou si vous avez une source de meilleure qualité, dites-le nous. Toute correction sourcée est vérifiée avant publication.