Attribution omnicanale : fondations et concepts clés

Une cliente voit un produit dans une vidéo TikTok le dimanche soir et ne clique pas. Le mardi, elle cherche le nom de votre marque et arrive sur le site. Le jeudi, elle ouvre un email promotionnel. Le samedi, elle achète l'article en magasin. Une vente, quatre contacts, trois systèmes qui ont chacun enregistré un fragment, et aucun système qui a enregistré l'ensemble. Décider lequel de ces contacts a généré le chiffre d'affaires, c'est l'attributionattributionUn framework qui attribue le crédit d'une conversion aux différents touchpoints y ayant contribué, afin de mesurer quels canaux et quelles interactions génèrent réellement des résultats.Voir la définition complète →. La décision n'est pas une écriture comptable théorique : le chiffre que vous publiez détermine quels canaux seront financés le trimestre prochain et lesquels seront coupés. Cette leçon pose l'objet lui-même, les modèles qui répartissent le crcrLe pourcentage de visiteurs ou de prospects qui réalisent une action attendue (achat, inscription, formulaire de contact), calculé en divisant les conversions par le nombre total d'opportunités.Voir la définition complète →édit, les fenêtres temporelles qui bornent la question, et les limites d'identité qui font de chaque réponse une approximation.

Ce que signifie réellement l'attribution

L'attribution assigne le crédit d'une conversion aux touchpoints marketing qui l'ont précédée. Un touchpoint est toute interaction enregistrée entre une personne et votre marketing : un clic payant, une impressionimpressionLe nombre total de fois qu'une publicité ou un contenu est affiché, indépendamment des clics. Chaque affichage compte pour une impression, même auprès de la même personne.Voir la définition complète → publicitaire diffusée mais jamais cliquée, l'ouverture d'un email, une visite en magasin scannée sur une carte de fidélité, un appel entrant. Une conversion est l'événement auquel vous avez décidé d'accorder de la valeur, généralement un achat, un lead qualifié ou le début d'un abonnement. L'attribution répond à deux questions sur un ensemble de touchpoints : lesquels reçoivent du crédit, et combien chacun en reçoit.

Trois mots sont employés de façon floue et méritent d'être distingués :

• Touchpoint : une interaction enregistrée, avec un horodatage et un canal.
• Path : la séquence ordonnée de touchpoints rattachée à une seule identité, se terminant soit par une conversion, soit par rien.
• Crédit : la part fractionnaire de la valeur d'une conversion assignée à un touchpoint.

Cette troisième définition porte tout le sujet. Le crédit est produit par un modèle. Il n'est jamais observé. Vos logs montrent qu'une personne a été exposée à certaines choses et a ensuite acheté quelque chose. Ils ne montrent pas ce que cette personne aurait fait autrement. Tout chiffre d'attribution que vous lirez est l'opinion d'un modèle sur une part causale, habillée en nombre.

L'attribution omnicanale est l'attribution sur des touchpoints qui couvrent des environnements digitaux et physiques, et des appareils et plateformes qui ne partagent pas d'identifiant. Elle est plus difficile que l'attribution purement digitale pour une raison pratique plus que conceptuelle : les événements offline et issus des app stores arrivent en retard, par lots, rattachés à autre chose qu'un cookie de navigateur, et parfois pas du tout.

Sous-concept 1 : les modèles d'attribution

Un modèle d'attribution est la règle ou l'algorithme qui répartit le crédit d'une conversion entre les touchpoints du path. Deux familles existent.

Les modèles à base de règles appliquent une formule fixe quelles que soient les données :

• Le last click donne 100 % du crédit au dernier touchpoint. Google Analytics a reporté ainsi par défaut pendant des années, ce qui explique qu'une grande partie de l'intuition du secteur soit construite dessus. Il flatte le brand search, le retargetingretargetingDiffuser des publicités aux utilisateurs ayant déjà visité votre site ou interagi avec votre marque, pour les faire revenir et déclencher la conversion.Voir la définition complète → et les affiliés à coupons, parce qu'ils sont les plus proches de la caisse.
• Le first click donne 100 % au touchpoint d'ouverture, gonflant le prospecting et le display.
• Le linéaire répartit le crédit à parts égales, traitant un pre-roll passé et une visite de page produit comme équivalents.
• Le time decay pondère davantage les touchpoints proches de la conversion, sur une courbe de décroissance que vous choisissez.
• Le position-based, souvent 40/40/20, donne 40 % au premier contact, 40 % au dernier, et répartit 20 % sur le milieu.

Aucun de ces modèles ne découle de preuves. Ce sont des conventions, et leur popularité vient du fait qu'ils sont peu coûteux à calculer et faciles à expliquer en réunion.

La data-drivendata-drivenUne approche où les décisions s'appuient systématiquement sur l'analyse de données plutôt que sur la seule intuition.Voir la définition complète → attribution (DDA) estime le crédit à partir de vos propres données de conversion, en comparant les paths qui ont converti à ceux qui n'ont pas converti et en assignant à chaque touchpoint une part fondée sur sa contribution marginale mesurée. Google a fait de la DDA le réglage par défaut dans Google Ads en 2021 et avait, en 2023, retiré la plupart des options à base de règles de son reporting. La DDA est une meilleure réponse que le 40/40/20, mais elle reste un modèle : elle a besoin d'un volume de conversions stable, et elle ne peut peser que les touchpoints que son propre tracking voit. Un canal invisible pour le tracker obtient zéro, ce qui n'est pas la même chose que ne rien apporter.

Sous-concept 2 : les fenêtres d'attribution

Une fenêtre d'attribution (ou lookback window) est la période précédant une conversion pendant laquelle un touchpoint reste éligible au crédit. Hors de la fenêtre, le touchpoint est traité comme s'il n'avait jamais existé.

Il existe deux types de fenêtres. Une fenêtre click-through compte les touchpoints sur lesquels la personne a activement cliqué. Une fenêtre view-through compte les impressions diffusées sans clic, et elle est presque toujours bien plus courte. TikTok Ads Manager, par exemple, applique par défaut une fenêtre de 7 jours au clic et 1 jour à la vue, avec des options de clic allant jusqu'à 28 jours.

Deux conséquences comptent. D'abord, changer la fenêtre change vos conversions reportées sans que rien ne change dans le monde réel. Élargir de 7 à 28 jours fera grimper la performance apparente d'un canal du jour au lendemain. Ensuite, une fenêtre plus courte que votre cycle de considération réel supprime silencieusement le haut du funnel. Si les gens mettent cinq semaines à acheter un matelas et que votre fenêtre est de sept jours, le travail de notoriété paraîtra sans valeur dans tous vos reportings.

Un terme à retenir ici : une conversion self-attributed est une conversion qu'une plateforme revendique avec son propre tracking et sa propre fenêtre, dans sa propre interface. Chaque plateforme n'applique cela qu'aux touchpoints qu'elle peut voir, raison pour laquelle les conversions reportées par les plateformes, additionnées, dépassent régulièrement le nombre de ventes réellement réalisées par l'entreprise.

Sous-concept 3 : le problème de la résolution d'identité

Avant de pouvoir attribuer quoi que ce soit entre canaux, il faut établir que la personne qui a ouvert l'email et la personne qui a payé en caisse sont la même. C'est la résolution d'identité, et sans elle, l'attribution omnicanale est de l'arithmétique sur des lignes sans rapport.

Le matching déterministe relie les touchpoints par un identifiant connu fourni par la personne : un compte connecté, un numéro de fidélité, une adresse email hachée, une confirmation de commande. Les taux de correspondance y sont élevés, couramment au-dessus de 90 % pour le trafic réellement connecté. Le matching probabiliste infère que deux enregistrements anonymes appartiennent à une même personne à partir de signaux partagés comme l'adresse IP, les caractéristiques de l'appareil et le timing comportemental. La précision est nettement plus faible, typiquement entre 60 et 80 %, et les erreurs ne sont pas aléatoires : elles se concentrent dans les foyers et les réseaux partagés.

La contrainte s'est resserrée des deux côtés. Les cookies tiers sont restreints dans Safari et Firefox depuis des années, et le calendrier de Chrome a été repoussé à plusieurs reprises. Sur mobile, l'App Tracking Transparency d'Apple, livrée avec iOS 14.5 en avril 2021, a transformé l'accès à l'IDFA en demande d'opt-in explicite, que la plupart des utilisateurs ont refusée. L'effet pratique est qu'une large part de vos paths ne sont pas des paths du tout. Ce sont des fragments non reliés, et le modèle attribue discrètement chaque fragment comme s'il s'agissait d'un client entier.

Sous-concept 4 : mesure au niveau utilisateur et au niveau agrégé

Deux niveaux de mesure se cachent sous le même mot, et les confondre crée de vraies confusions.

La multi-touch attributionmulti-touch attributionMéthode qui répartit le crédit d'une conversion entre tous les touchpoints marketing du parcours client, au lieu de n'attribuer le mérite qu'à la première ou à la dernière interaction.Voir la définition complète → (MTA) travaille au niveau utilisateur. Elle a besoin d'un path par personne, elle hérite donc de toutes les limites d'identité ci-dessus, et elle est aveugle aux médias qu'elle ne peut pas taguer.

Le marketing mix modelling (MMMMMMApproche statistique qui estime la contribution de chaque canal marketing aux ventes, pour orienter l'allocation budgétaire.Voir la définition complète →) travaille au niveau agrégé. Il régresse des résultats comme les ventes hebdomadaires contre les dépenses, le prix, la saisonnalité, la distribution et d'autres facteurs. Il n'a besoin d'aucune donnée personnelle, il peut donc inclure la TV, l'affichage, le sponsoring et les effets prix, mais il exige des années d'historique et ne vous dit rien sur un individu.

Les deux sont des estimations de la même quantité sous-jacente, prises par des directions opposées. Choisir entre eux, et valider celui que vous retenez, relève du travail méthodologique qui viendra plus tard. Pour l'instant, retenez seulement que la MTA et le MMM répondent à des questions de forme différente et ne seront pas d'accord.

Cas réels

Le déploiement de l'ATT par Apple est l'exemple le plus clair de contraintes d'identité qui redéfinissent ce que l'attribution peut être. Une fois l'accès à l'IDFA passé en opt-in, les annonceurs d'apps iOS sont passés à SKAdNetwork, qui renvoie des données d'installation au niveau campagne avec une valeur de conversion grossière, un délai aléatoire, et la suppression de tout ce qui se situe sous un seuil de taille de population. Les paths au niveau utilisateur ont tout simplement cessé d'exister sur cet inventaire, et la mesure est passée du comptage de parcours individuels à la lecture d'agrégats. À noter qu'Apple vend de la publicité via Apple Search Ads et définit les règles de mesure pour tous les autres sur la plateforme, ce qui n'en fait pas une partie neutre dans la conception du dispositif.

TikTok illustre le problème de la fenêtre sous sa forme la plus pure. Une grande part de l'influence de la plateforme est view-through : les gens regardent, ne cliquent pas, et reviennent des jours plus tard via une recherche de marque ou en tapant l'URL. Avec une fenêtre view de 1 jour et une logique last click, cette vente est créditée au search. Le reporting d'attribution de TikTok compte ce que sa fenêtre peut voir, et comme toute plateforme qui vend à la fois le média et la mesure, ses chiffres sont self-attributed plutôt que vérifiés indépendamment.

Actions pour le CMO

• Notez, sur une page, le modèle et les fenêtres utilisés aujourd'hui par vos reportings, canal par canal. Si personne ne sait les nommer, votre budget est alloué par un réglage par défaut que quelqu'un a accepté il y a des années.
• Suivez votre taux de correspondance déterministe comme un indicateur mensuel : la part du chiffre d'affaires rattachée à un ID client connu. Ce seul pourcentage plafonne la quantité d'attribution omnicanale qui vous est accessible.
• Cartographiez les deux ou trois paths d'achat réels les plus fréquents pour votre produit phare, étapes offline comprises, avant de débattre du crédit. On ne modélise pas un path qu'on n'a jamais décrit.

Erreurs courantes qui détruisent les résultats

• Lire la sortie d'un modèle comme un fait causal. Un canal présent sur de nombreux paths convertis a démontré une présence, pas une influence.
• Comparer ou additionner des chiffres construits sur des fenêtres différentes et des graphes d'identité différents. Deux plateformes revendiquant la même vente est le cas normal, pas une erreur à réconcilier par addition.
• Régler la fenêtre selon le calendrier de reporting plutôt que selon le cycle d'achat, ce qui fait passer des achats réfléchis pour des achats d'impulsion.
• Traiter le choix du modèle comme un paramètre technique. C'est une décision budgétaire, et elle est généralement prise dans un écran de réglages par quelqu'un à qui on ne l'a jamais dit.