Attribution omnicanale : frameworks et méthodologie

Votre responsable analytics revient avec la seule question qui compte avant que quiconque n'écrive une ligne de code : valeurs de Shapley ou modèle de Markov par effet de retrait, exécuté sur quelle table, et comment saurons-nous que le résultat est juste ? Choisir un algorithme d'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 → de 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 est un choix sous contrainte, pas une préférence. Il est contraint par le nombre de touches que vous enregistrez réellement par chemin de conversion, par la part de votre spend qui n'atterrit jamais dans cette table, et par votre capacité à monter une expérience pour vérifier la réponse. Inversez l'ordre de ces contraintes et vous commanderez un modèle produisant des chiffres assurés que personne ne pourra défendre en comité budgétaire.

Adaptez l'algorithme aux données de touches dont vous disposez

Calculez quatre indicateurs sur vos propres données de conversion avant de présélectionner un modèle.

• Nombre médian de touches par chemin de conversion, et part des chemins comportant exactement une touche enregistrée.
• Part du spend média total sur des canaux qui n'émettent jamais de touche au niveau utilisateur : TV linéaire, affichage, presse, sponsoring, la plupart du retail media en magasin.
• Conversions par mois et par canal, à l'intérieur de la fenêtre d'attribution posée dans la leçon sur les fondations.
• Part des chemins où l'identité se rompt en cours de route, laissant les touches antérieures dans un autre profil.

Ces quatre chiffres choisissent le modèle à votre place. Si la plupart de vos chemins de conversion ne portent qu'une seule touche enregistrée, le MTAMTAMéthode 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 → n'a rien à répartir et n'importe quel modèle multi-touch se contentera de rebaptiser le last-click avec quelques décimales en plus. Si un canal produit quelques dizaines de conversions par mois, un modèle appris par machine surajustera son bruit ; Google Ads a longtemps exigé de l'ordre de plusieurs dizaines de milliers de clics et plusieurs centaines de conversions sur une fenêtre de 30 jours avant d'accepter d'ajuster un modèle data-driven, minimums abandonnés vers 2021. Ces seuils relevaient d'une intuition statistique raisonnable, même si la barrière a disparu.

Et si plus d'un quart environ de votre spend se situe sur des canaux qui n'émettent aucune touche, aucun modèle au niveau des touches ne peut servir d'instrument de planification. Il attribuera le crédit de ce quart au canal traçable qui se trouvait à proximité.

Les quatre familles de modèles et ce que chacune peut porter

Logique par règles

Rapide, peu coûteuse, et bâtie sur des hypothèses que vous avez choisies plutôt que sur ce que vos clients ont fait. Acceptable comme vérification directionnelle, pas comme base d'allocation au-delà d'environ 5 millions de dollars. Une note opérationnelle si votre équipe vit dans Google Analytics : GA4 a retiré le first-click, le linéaire, la décroissance temporelle et le position-based en 2023, et a aussi abandonné le last-click pour le reporting cross-canal, si bien que le 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 → est le seul modèle cross-canal qu'il propose. Toute comparaison par règles que votre équipe cite vient d'ailleurs, et vous devriez savoir d'où.

Attribution data-driven

Deux algorithmes dominent. La valeur de Shapley traite chaque canal comme un joueur et moyenne sa contribution marginale sur tous les ordonnancements du chemin. Les chaînes de Markov modélisent le chemin comme une suite d'états et calculent un effet de retrait : on supprime le canal et on observe combien de probabilité de conversion s'échappe du graphe. Le DDA de Google est contrefactuel dans le même esprit, comparant les chemins avec et sans un point de contact. Adobe en vend aussi : Attribution IQ dans Analysis Workspace fait tourner un modèle algorithmique à côté des modèles par règles sur le même jeu de données, ce qui est la façon la moins chère de voir à quel point votre réponse dépend du choix d'algorithme. Si Shapley et Markov divergent sur le classement des canaux, ce désaccord est votre véritable résultat, et il signale en général des données de chemin trop minces plutôt qu'une subtilité de modélisation.

Media mix modelling

Régression sur le spend agrégé et les résultats dans le temps, sans cookies, capable d'absorber la TV, la météo, le prix et la distribution. La contrainte que l'on sous-estime est le nombre de degrés de liberté : trois ans de données hebdomadaires font environ 156 observations, et un modèle avec une douzaine de canaux plus la saisonnalité, le prix et un indicateur de promotion en a déjà consommé la majeure partie. La seconde contrainte est la multicolinéarité. Si vos canaux sont toujours activés ensemble, en hausse au T4 et en baisse en janvier, la régression ne peut pas les séparer et répartira le crédit presque arbitrairement entre deux courbes corrélées. Le correctif se situe en amont du modèle : décalez les dates de flight, faites varier le spend par région, créez la variation dont le modèle a besoin. Meridian, l'outil open source de Google (qui a remplacé LightweightMMM), et Robyn de Meta sont deux points de départ gratuits que votre équipe data science peut exécuter sans acheter de boîte noire.

Tests d'incrémentalité

Votre étalon de mesure pour tout ce qui précède, et la seule méthode qui produit un chiffre que le modèle n'a pas présupposé. Deux réalités de conception déterminent si un test peut fonctionner. D'abord, dans un geogeoRendre votre marque et vos contenus visibles et citables dans les réponses générées par des IA comme ChatGPT, Gemini et Perplexity.Voir la définition complète → test l'unité de randomisation est la zone géographique : avec 30 marchés, votre échantillon effectif est de 30, pas de trois millions d'utilisateurs. Ensuite, la taille d'échantillon requise évolue comme l'inverse du carré de l'effet : passer d'un lift détectable de 20 % à 10 % coûte environ quatre fois plus de données, et descendre à 5 % en coûte seize fois plus. C'est cette arithmétique, et non l'enthousiasme, qui décide quels canaux vous pouvez tester ce trimestre. La manière dont les résultats pilotent ensuite le budget, et la politique de holdout que vous écrivez autour, relèvent de la leçon playbook.

Validation : comment savoir que le modèle ne ment pas

Backtestez sur des semaines mises de côté et comparez les conversions prédites aux conversions réelles. Puis calibrez : Meridian accepte des priors sur le ROIROIReturn on Investment : le rapport entre le profit net et le coût d'un investissement. Un ROI de 300 % signifie que chaque dollar investi en rapporte 3.Voir la définition complète → des canaux informés par les résultats d'expériences, ce qui transforme un test de lift en input plutôt qu'en opinion séparée. Vérifiez la stabilité du classement en réajustant sur une autre fenêtre ; si un canal bouge de trois places, le modèle lit du bruit. Le mode de défaillance à surveiller est la boucle auto-confirmante. Chaque réajustement s'entraîne sur des chemins produits par le budget qu'a choisi le modèle précédent : un modèle qui sous-crédite le haut de funnelfunnelLe parcours client de la découverte à l'achat, généralement Awareness, Interest, Consideration, Decision, Action, avec des prospects de moins en moins nombreux à chaque étape.Voir la définition complète → verra moins de données de haut de funnel le trimestre suivant et le sous-créditera davantage. Seules des expériences externes brisent cette boucle.

Ce que les stacks des éditeurs décident à votre place

Google

GA4 applique désormais par défaut son modèle data-driven à tous les rapports cross-canal : le choix du modèle a donc été fait pour la plupart des équipes en 2023, sans décision d'achat. En parallèle, Google publie Meridian pour le MMMMMMApproche statistique qui estime la contribution de chaque canal marketing aux ventes, pour orienter l'allocation budgétaire.Voir la définition complète → et sa méthodologie de geo-experiment GeoX, tous deux gratuits. À garder en tête : Google vend le média que ses modèles notent, un conflit d'intérêts dont la leçon playbook vous dit comment arbitrer.

Adobe

Adobe Analytics permet de changer de modèle à l'intérieur d'un même rapport, et Adobe a intégré MMM et attribution au niveau des touches dans une seule gamme de produits. Adobe vend des logiciels d'attribution : traitez ses modèles par défaut comme n'importe quel réglage par défaut d'un éditeur. Le véritable apport méthodologique est la permutation de modèles sur un même jeu de données : elle transforme la question « quel modèle ? » d'un projet de six semaines en une après-midi de tests de sensibilité.

Salesforce

Salesforce (également éditeur ici) expose des modèles d'influence de campagne dans le modèle objet du CRM, avec des options de répartition égale et de pondération personnalisée, plus une variante apprise par machine. Ce qui compte méthodologiquement, c'est le cas limite B2B : quand un deal prend neuf mois et implique six personnes chez un même compte, votre unité de crédit est l'opportunité, pas la commande, et toute fenêtre assez courte pour l'e-commerce tronque la première moitié du chemin. Modélisez au niveau du compte, étendez la fenêtre à votre cycle de vente réel, et acceptez que le MTA classe les canaux selon leur capacité à apparaître tard dans un long processus d'achat, sauf correction de votre part.

Plan d'action pour le CMO

• Calculez les quatre indicateurs de diagnostic ci-dessus dans les 30 prochains jours et consignez les réponses : nombre médian de touches par chemin, part des chemins à touche unique, part du spend non tracké, conversions par canal et par mois. Cette page détermine votre modèle, et elle prend deux jours à un analyste.
• Commandez un test d'incrémentalité ce trimestre sur un canal représentant plus de 20 % du spend digital. Faites d'abord le calcul de puissance : si le design ne peut pas détecter un lift inférieur à 40 %, revoyez-le ou choisissez un autre canal plutôt que de lancer un test qui ne pourra renvoyer que « non concluant ».
• Rédigez un document d'architecture de mesure qui fixe quelle méthode répond à quelle décision : DDA pour l'optimisation hebdomadaire des campagnes, MMM pour la planification trimestrielle, expériences pour la stratégie annuelle de canaux et pour calibrer les deux autres. Nommez le propriétaire de chaque modèle et la cadence de réajustement.

Erreurs fréquentes qui ruinent les résultats

Choisir l'algorithme avant de compter les chemins. Des équipes achètent un outil fondé sur Shapley puis découvrent que la plupart des chemins de conversion ne contiennent qu'une touche : le modèle coûteux reproduit le last-click et la facture du prestataire achète une fausse impression de rigueur.

Traiter la sortie d'un MMM comme précise plutôt que directionnelle. Un modèle peut vous dire que la TV génère 23 % du chiffre d'affaires alors que l'intervalle va de 15 % à 35 %. Utilisez le MMM pour la direction et l'ordre de grandeur du changement, et lisez l'intervalle avant de déplacer neuf chiffres.

Ajuster un MMM sur des spends synchronisés. Si tous les canaux montent et descendent ensemble, les coefficients sont instables et changeront de signe d'un réajustement à l'autre. Faites varier le plan média délibérément, par géographie ou par calendrier de flights, pour que le modèle ait quelque chose à apprendre.

Mener des expériences pendant des périodes anormales. Un geo holdout lancé pendant une grosse promotion ou une rupture de stock mélange votre effet de traitement avec des conditions que les deux groupes n'ont pas partagées. Testez en régime stable, et journalisez toute exception pour que le prochain réajustement sache se méfier de ces semaines.

Points clés à retenir

• Le modèle est choisi par vos données, pas par votre préférence : part des chemins à touche unique, part du spend non tracké et volume de conversions par canal déterminent ce que vous pouvez légitimement ajuster.
• Shapley et Markov sont les deux algorithmes MTA courants. Quand ils divergent sur le classement des canaux, c'est un signal de données trop minces qui vaut plus que l'un ou l'autre résultat.
• Le MMM vit ou meurt selon la variation et les degrés de liberté. 156 lignes hebdomadaires et une douzaine de canaux colinéaires ne soutiendront pas une réponse fiable, quoi qu'en dise le deck du prestataire.
• Validez avec des semaines mises de côté, la stabilité des réajustements et la calibration par expérience. Meridian accepte des priors informés par les expériences, la façon la plus propre de faire en sorte qu'un test de lift améliore votre MMM au lieu de le contredire.
• Surveillez la boucle auto-confirmante : les modèles réentraînés sur les budgets qu'ils ont façonnés continuent de se donner raison. Les expériences externes sont la seule coupure de ce circuit.