Pourquoi l'attribution incrémentale et pas seulement les modèles multi-touch ?
Pendant des années, j'ai observé des équipes marketing s'entêter à répartir des conversions entre les différents points de contact à l'aide de règles fixes (first-click, last-click, linear). Ces modèles sont simples, mais ils ignorent la question fondamentale : chaque canal a-t-il créé de la valeur supplémentaire ? L'attribution incrémentale se concentre sur ce point. Elle mesure le bénéfice marginal d'une action marketing en comparant un groupe exposé à un canal et un groupe non exposé.
Autrement dit, plutôt que de demander "à quel point ce canal mérite-t-il un pourcentage de la conversion ?", on demande "que se passe-t-il si je coupe ce canal ?" C'est une démarche expérimentale et pragmatique — parfaite quand on veut prouver la valeur d'un canal aux dirigeants ou optimiser le budget.
Les principes simples d'un système incrémental que j'utilise
- Mesurer l'effet marginal : comparer performance avec et sans le canal.
- Isoler les groupes : s'assurer que les groupes test et contrôle sont comparables.
- Prioriser la simplicité : démarrer petit, itérer, automatiser ensuite.
- Combiner expérimentation et analyse observatoire quand l'expérimentation pure n'est pas possible.
- Se focaliser sur KPI business (CA, LTV, ROAS ajusté) plutôt que sur des métriques de vanité.
Étape 1 — Préparer les données et les KPI
Avant toute expérimentation, posez clairement les KPI que vous mesurez : chiffre d'affaires, taux de conversion, panier moyen, inscriptions qualifiées, ou LTV. Définissez aussi la fenêtre d'attribution (7, 14, 30 jours selon votre cycle de vente).
Rassemblez ces sources :
- Plateformes publicitaires (Google Ads, Meta Ads) pour les dépenses et les impressions.
- Analytics centralisé (GA4, Matomo ou votre propre datawarehouse) pour les conversions et le comportement.
- CRM pour relier les leads à la valeur réelle (LTV).
Un travail souvent négligé : alignez les définitions. Par exemple, "conversion" dans Ads doit correspondre à "conversion" dans votre analytics. Sinon vos tests seront bruités.
Étape 2 — Choisir la méthode d'incrémentalité adaptée
Il existe plusieurs approches. J'en recommande trois pour commencer, du plus fiable au plus pragmatique :
- Holdout / groupe témoin : désactivez la diffusion d'annonces pour un échantillon aléatoire d'utilisateurs et comparez.
- Test A/B de campagne : lancez deux campagnes identiques et supprimez l'une pour une audience similaire.
- Analyse observatoire avec modélisation : quand on ne peut pas couper un canal (TV, SEO), utilisez des méthodes statistiques (regression, propensity score) pour estimer la contribution.
Pour démarrer, je conseille le holdout simple sur 10-20% d'audience (selon la taille de votre trafic). C'est robuste et facile à expliquer.
Étape 3 — Concevoir l'expérience et le suivi
Voici un plan d'expérience minimaliste :
- Définir la population : utilisateurs éligibles (ex: visiteurs FR, 18-65, non clients récents).
- Randomisation : assigner aléatoirement chaque utilisateur au groupe test (exposé) ou contrôle (non exposé).
- Durée : au moins une ou deux semaines pour campagnes digitales courtes ; plusieurs cycles si vous avez un cycle d'achat long.
- Mesures secondaires : engagements, visites répétées, coût par lead, LTV sur 30/90 jours.
Techniquement, vous pouvez implémenter la randomisation côté serveur (cookie/ID) ou via les plateformes publicitaires en créant des audiences exclues. Pour une exécution propre, documentez chaque étape et conservez les logs d'impressions/dépenses.
Étape 4 — Calculer l'effet incrémental (méthode simple)
La formule basique que j'utilise :
- Effet incrémental = KPI_moyen_groupe_test − KPI_moyen_groupe_contrôle
- Lift (%) = (Effet incrémental / KPI_moyen_groupe_contrôle) × 100
- ROAS incrémental = Valeur incrémentale générée / Coût du canal pour le groupe test
Exemple chiffré résumé dans un tableau :
| Mesure | Groupe test | Groupe contrôle | Incrémental |
|---|---|---|---|
| Visites (sur 14 jours) | 10 000 | 8 500 | 1 500 |
| Conversions | 500 | 350 | 150 |
| Valeur (CA) | 25 000 € | 17 500 € | 7 500 € |
| Dépense pub | 3 000 € | - | - |
| ROAS incrémental | 7 500 / 3 000 = 2,5 | ||
Dans cet exemple, la campagne génère 7 500 € de CA additionnel pour 3 000 € dépensés, soit un ROAS incrémental de 2,5 — une info précieuse pour arbitrer des budgets.
Interpréter les résultats et éviter les biais
Quelques règles et pièges que j'ai appris à mes dépens :
- Vérifiez la significativité : un lift apparent peut être dû au hasard. Utilisez des tests statistiques simples (t-test) pour valider.
- Attention aux spillovers : les utilisateurs du groupe témoin peuvent être exposés indirectement (partage social, recherche organique). Cela réduit l'effet observé.
- Effet différé : certains canaux (content marketing, SEO) ont une valeur sur le long terme ; l'incrémentalité courte peut sous-estimer leur rôle.
- Changements externes : périodes promo, saisonnalité ou incidents techniques peuvent fausser l'expérience — évitez ces fenêtres.
Quand l'expérimentation pure n'est pas possible
Pour des canaux impossibles à désactiver (publicité TV, affichage, SEO), j'utilise une approche mixte :
- Regressions avec variables de contrôle (saisonnalité, dépenses médias, promotions).
- Propensity score matching pour créer un groupe "équivalent" observé.
- Modèles Bayésiens ou uplift modelling pour estimer la probabilité d'achat incrémental selon exposition.
Ces méthodes demandent plus de données et de rigueur, mais elles restent exécutables avec un datawarehouse et un analyste ou un freelance data.
Automatiser et industrialiser — mon approche pragmatique
Une fois que vous avez des tests récurrents (ex : tests hebdos sur Search vs. Performance Max), automatisez :
- Script de randomisation et tracking des cohortes.
- Tableau de bord automatique (Data Studio, Looker Studio, ou un dashboard interne) qui affiche lift, p-value et ROAS incrémental.
- Processus mensuel d'arbitrage budgétaire basé sur ces métriques.
Automatiser ne veut pas dire arrêter d'interpréter. Chaque test est un signal, pas une vérité absolue ; il faut combiner plusieurs cycles pour avoir une vision robuste.
Quelques conseils pratiques avant de lancer
- Commencez par les canaux où vous avez le plus de contrôle (paid social, search, display).
- Documentez vos tests : hypothèse, population, durée, résultats et décisions prises.
- Communiquez les résultats en langage business : quel impact sur le CA et le coût d'acquisition ajusté ?
- Pensez long terme : measure early, scale fast si le test est positif, ou reassigner le budget si négatif.
Si vous voulez, je peux vous fournir un template de plan d'expérimentation et un petit fichier de calcul pour automatiser le calcul du lift et du ROAS incrémental — dites-moi votre canal prioritaire (Google Ads, Meta, display…) et la taille approximative de votre trafic, et je vous prépare ça.
