Attribution et incrémentalité : arrêter de payer pour des ventes que tu aurais faites de toute façon

Dans les deux premiers articles, on a vu comment la donnée remonte : UTM, cookies, pixel, server-side, CAPI. Maintenant que tu as des données propres, reste la question qui vaut vraiment de l'argent : quel levier a réellement contribué à la vente, et où dois-tu mettre ton budget ?

Le problème de fond

Tes données te disent : cette personne est venue tel jour via tel levier sans acheter, revenue tel jour via tel autre levier, revenue une troisième fois et a acheté. Six ou huit points de contact pour une vente. Lequel a "fait" la vente ?

Il n'y a pas de réponse parfaite. Il n'existe pas de modèle d'attribution parfait, seulement des modèles plus ou moins adaptés à ton business. Et surtout, il y a un piège dans lequel presque tout le monde tombe.

Le piège du last click (et du retargeting)

Le modèle last click attribue la vente au dernier clic avant conversion. Son biais est structurel : il surévalue massivement tout ce qui touche les gens en fin de parcours, à commencer par le retargeting et la marque en search.

Exemple vécu chez un grand e-commerçant de pièces automobiles où je pilotais plus d'un million d'euros de budget mensuel. Sur ce marché, tu achètes quand ta voiture tombe en panne. La personne dont la voiture est en panne va revenir de toute façon : elle a besoin de sa pièce. Le retargeting la touche entre deux visites et rafle l'attribution last click. Sur le papier, un ROAS superbe. En réalité, environ 300 000 euros par mois dépensés pour des ventes qui se seraient faites de toute façon, avec un incrément réel de l'ordre de 10 000 euros.

C'est la distinction fondamentale : l'attribution mesure la corrélation entre exposition et vente. L'incrémentalité mesure les ventes qui n'auraient pas eu lieu sans la campagne. Seule la deuxième justifie de dépenser.

Pourquoi le ROAS "in platform" ment (un peu)

Même problème avec les chiffres que Meta t'affiche. Quasiment tout le monde est sur Facebook ou Instagram. Meta voit que quelqu'un a visité ton site, le retargette, la personne convertit deux jours plus tard sans même cliquer, et Meta compte une vente en post-view. Techniquement, il a "vu" la vente. Mais il a peut-être simplement retargeté quelqu'un qui allait acheter de toute façon.

Et si un jour un client te propose de rémunérer ton agence uniquement au ROAS in platform, méfiance : n'importe quelle agence sait faire exploser un ROAS Facebook. Il suffit de pousser le retargeting, les coupons, les audiences chaudes. Le ROAS plateforme montera, le chiffre d'affaires réel de l'entreprise, lui, décorrélera. C'est exactement pour ça que ce type de deal désaligne les intérêts au lieu de les aligner.

Mesurer l'incrément : les tests

La seule façon rigoureuse de mesurer l'incrémentalité, c'est le test avec groupe de contrôle : exposer une moitié de l'audience, pas l'autre, et comparer la valeur générée.

Le split de pixel (pour les acteurs de pur retargeting)

Avec un acteur qui ne fait que du retargeting (type Criteo), tu peux déclencher son pixel sur seulement 50 % de tes visiteurs, aléatoirement, via ton tag manager. À la fin du mois, tu compares la valeur du groupe exposé et du groupe témoin. L'écart, c'est ton incrément. Tu le rapportes à la dépense, tu as ton ROAS incrémental réel.

Deux règles d'or. Un : garde la main sur le test. Ne laisse jamais le prestataire construire lui-même son groupe témoin. J'ai vu un acteur "démontrer" son incrément en retargetant le groupe témoin... chez nos concurrents, ce qui faisait mécaniquement baisser la valeur du témoin et gonflait l'écart. Deux : ne fais pas ça sur Meta. Sur Meta tu fais aussi de l'acquisition, et priver l'algorithme de la moitié de ton signal dégraderait tes campagnes. Meta propose ses propres études de conversion lift, mais tu dépends alors de leur méthodologie et de leur bonne foi.

Le géo-testing (pour le branding et le haut de funnel)

Pour mesurer l'impact d'une couche d'awareness, la méthode classique est géographique : tu actives le budget branding sur certaines zones, pas sur d'autres, sans rien toucher d'autre, et tu compares l'évolution des conversions par zone (dans ta donnée back-office, pas dans la plateforme).

C'est faisable, je l'ai fait, mais il faut connaître les conditions de validité, parce qu'elles sont exigeantes.

D'abord, tes zones doivent être comparables. Exclus les zones atypiques (Paris, les villes où tu as des boutiques, les zones sur-représentées en CSP+). Ensuite, vérifie la stabilité historique : regarde le ratio entre tes deux géographies sur les mois passés. S'il est stable, tu as une baseline. S'il bouge de 10 ou 20 points d'un mois à l'autre, ton bruit de fond sera supérieur à l'effet que tu cherches à mesurer : un incrément réel de 5 % (ce qui serait déjà excellent) sera invisible.

Enfin, et c'est le point dur : le budget. Plus ton groupe de test est petit, plus il est volatil. Avec 10 000 euros par mois de branding, tu ne verras rien, même si l'effet existe. Sur des tests de ce type menés sur des campagnes TV et affichage à plusieurs centaines de milliers d'euros, on obtenait à peine de la significativité. Quand Meta te dit qu'il faut un budget conséquent pour un conversion lift, ce n'est pas (que) pour se faire plaisir : c'est de la statistique.

Une alternative pragmatique pour le haut de funnel : le first click. Si tes campagnes de branding génèrent au moins un peu de clics, regarde un modèle d'attribution first click dans ton analytics. Tu verras si ces campagnes initient des parcours qui convertissent ensuite, même si la conversion finale est attribuée ailleurs.

Le cas des écarts entre plateformes (TikTok vs ton back-office)

Symptôme classique : TikTok annonce 100 ventes, ton back-office en voit 5. Faut-il couper ?

Pas si vite. Première hypothèse : un problème de tracking. Si ton flux server-side ou l'Events API TikTok n'est pas en place, TikTok ne voit presque rien remonter et toi non plus. Vérifie le setup avant de juger la performance.

Deuxième réflexe : demande la donnée. Les plateformes ont le détail des conversions qu'elles s'attribuent. Demande la liste des ventes (ID de commande, horodatage de l'exposition et de l'achat) et croise avec ta donnée interne, à la main, sur 30 commandes. Si tu vois des achats "direct" ou "organique" qui surviennent dix minutes après une vue TikTok, l'attribution est plausible : c'est ton tracking qui sous-mesure, et tu peux retraiter ton CAC en conséquence. Si l'exposition date de cinq jours avant et qu'entre les deux il y a trois clics Facebook et une session SEO, la plateforme s'attribue des ventes qui ne lui appartiennent pas.

Et quand une plateforme te répond "on ne se mesure pas au clic, regardez votre organique monter" : d'accord, mais alors qu'elle n'affiche pas 100 ventes attribuées dans son dashboard. On ne peut pas revendiquer les deux.

Choisir son modèle selon son business

Pour finir, le choix du modèle d'attribution par défaut dépend de la nature de ta demande.

Si ton produit répond à un besoin déclenché par un événement (une panne, une urgence), l'enjeu est d'être présent au moment du besoin : un modèle orienté last click ou position a du sens, et le retargeting doit être regardé avec une extrême méfiance.

Si ton produit doit créer sa demande (une marque de cosmétique, un produit de rupture), l'enjeu est la découverte : le first click te dira quels leviers font entrer des nouveaux clients dans le funnel, ce qui est ta vraie question.

Dans tous les cas : ne pilote jamais sur un seul modèle. Regarde trois ou quatre modèles en parallèle dans ton analytics, compare, et garde en tête que la seule vérité terrain reste le test d'incrémentalité.