Lorsqu'on lance un test d'incrémentalité pour mesurer l'impact d'une campagne publicitaire sur le revenu, on s'attend souvent à des réponses claires : « ça a marché » ou « ça n'a pas marché ». En réalité, la réponse est rarement binaire. J'ai mené et supervisé plusieurs tests d'incrémentalité, et mon expérience m'a appris qu'il faut combiner rigueur méthodologique, compréhension business et interprétation statistique pour obtenir une mesure fiable du revenu publicitaire incrémental.
Qu'est-ce qu'un test d'incrémentalité et pourquoi c'est crucial pour le revenu publicitaire
Un test d'incrémentalité vise à isoler l'effet causal d'une action marketing — ici une campagne publicitaire — sur une métrique business (par exemple le revenu généré). Plutôt que de se fier aux modèles d'attribution classiques, souvent biaisés par l'auto-attribution et le chevauchement de canaux, l'incrémentalité utilise des groupes de traitement et de contrôle pour estimer l'« uplift » réel.
Pour le revenu publicitaire, l'enjeu est double : mesurer non seulement combien de revenu la pub génère directement, mais aussi si elle cannibalise des ventes organiques, si elle influence la fidélité, ou si elle améliore la valeur client à long terme (LTV).
Définir l'objectif correctement
Avant tout test, je clarifie toujours la question métier. Par exemple :
La réponse à ces questions dicte la conception du test (taille d'échantillon, fenêtre d'observation, segmentation, etc.). J'ai vu des tests échouer simplement parce qu'on cherchait l'effet sur 7 jours alors que le produit nécessitait un cycle d'achat plus long.
Conception expérimentale : comment je procède
Voici les étapes que j'applique systématiquement :
Mesures et métriques à suivre
Pour évaluer l'impact sur le revenu publicitaire, j'utilise un ensemble de métriques primaires et secondaires :
| Métriques primaires | Objectif |
| Revenu incrémental (€) | Différence moyenne de revenu entre Treatment et Control |
| Uplift (%) | Pourcentage d'augmentation du revenu par rapport au contrôle |
| ROAS incrémental | Revenu incrémental / Coût média additionnel |
| Métriques secondaires | Complément |
| Taux de conversion | Impact sur l'efficacité du funnel |
| Coût par acquisition incrémentale (iCPA) | Aide à la décision budgétaire |
| Retention / LTV | Effets long terme potentiels |
Problèmes fréquents et comment je les évite
J'ai vu plusieurs pièges récurrents :
Interprétation statistique : ce que je regarde
Au-delà du p-value, j'examine :
Cas concrets et exemples
Récemment, j'ai mené un test pour une marque e‑commerce qui souhaitait savoir si ses campagnes Facebook contribuaient à du new revenue ou seulement à accélérer des achats déjà prévus. En randomisant au niveau utilisateur et en observant sur 45 jours, nous avons constaté :
Autre exemple : pour une app mobile, nous avons mesuré que la publicité augmentait les installations (KPI acquisition) mais n'améliorait pas la LTV sur 90 jours — indicateur clair qu'il fallait travailler le produit et l'onboarding, pas seulement augmenter le budget média.
Approches avancées pour affiner la mesure
Quand on veut aller plus loin, j'utilise ou recommande :
Checklist pratique avant de lancer un test
Mesurer l'impact réel d'un test d'incrémentalité sur le revenu publicitaire n'est pas une simple opération technique : c'est un exercice stratégique qui combine expérimentation, statistiques et sens du business. En appliquant une méthodologie rigoureuse et en interprétant les résultats à la lumière du contexte produit et marché, on transforme des résultats expérimentaux en décisions média et produit intelligentes.
