Attribution marketing : arrêtez de mesurer ce qui est facile, mesurez ce qui est vrai

Un directeur marketing d'une enseigne de distribution européenne confie, lors d'un comité de direction, que ses campagnes paid search génèrent un ROIROIReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Voir la définition complète → de 4,2. Le CFO approuve le budget. Trois mois plus tard, une expérience de géo-incrémentalité, menée en coupant les dépenses search sur deux régions tests, révèle que 60 % des conversions attribuées se seraient produites de toute façon. Le ROI réel était proche de 1,8. L'argent n'était pas perdu, mais la décision d'augmenter ce poste budgétaire reposait sur une illusion.

Ce scénario se répète dans des dizaines d'organisations. Non pas par négligence, mais parce que les outils d'attributionattributionA framework for assigning credit to the touchpoints that contributed to a conversion, so you can measure which channels and interactions actually drive results.Voir la définition complète → dominants ont été conçus pour répondre à une question commerciale, pas scientifique : quelle plateforme peut revendiquer le plus de crcrThe percentage of visitors or prospects who complete a desired action (purchase, sign-up, contact form), calculated as conversions divided by total opportunities.Voir la définition complète →édit sur une conversion déjà réalisée ?

Le problème structurel des modèles d'attribution classiques

L'attribution au dernier clic reste, en 2026, le modèle par défaut dans une majorité de PME et dans plusieurs grandes entreprises. Ses limites sont connues : il récompense le point de contact final, souvent une recherche branded ou un email de relance, au détriment des canaux qui ont initié ou nourri l'intention. Le modèle multi-touch linéaire, sa principale alternative "raisonnable", distribue le crédit de façon arithmétique sans aucune base empirique sur la contribution réelle de chaque exposition.

Les modèles data-drivendata-drivenAn approach where decisions are systematically informed by data analysis rather than intuition alone.Voir la définition complète → proposés par Google Ads ou Meta Ads Manager (Google et Meta étant ici des fournisseurs de plateformes publicitaires, avec un intérêt direct à valoriser leurs propres inventaires) utilisent du machine learning pour pondérer les touches. Ces modèles sont techniquement supérieurs aux règles fixes, mais ils souffrent d'un angle mort fondamental : ils ne voient que les données de leur propre écosystème. Un modèle d'attribution Google ne peut pas observer ce qui s'est passé sur TikTok, dans un magasin physique, ou après qu'un utilisateur a vu une publicité TV.

La dépréciation progressive des cookies tiers a aggravé la situation. L'industrie s'est beaucoup concentrée sur les solutions de remplacement côté tracking, les Privacy Sandbox de Google, les identifiants universels comme Unified ID 2.0 développé par The Trade Desk. Ces solutions partielles traitent un symptôme, pas la maladie sous-jacente : même un tracking parfait ne résout pas le problème de causalité.

Ce que font les organisations les plus avancées

Plusieurs entreprises ont pivoté vers une combinaison de deux approches complémentaires.

La première est leMarketing Mix Modeling (MMM), une méthode statistique qui modélise la contribution de chaque canal à partir de données agrégées, sans requérir de tracking individuel. Meta a publié en 2022 Robyn, une bibliothèque open source de MMM, et Lightweight MMM a émergé de Google. Ces outils ont démocratisé l'accès à la méthode. Attention cependant : Robyn reste un outil édité par Meta, et ses outputs doivent être validés contre des mesures indépendantes.

La seconde est l'expérimentation causale, principalement les tests de géo-incrémentalité et les expériences de conversion lift. L'idée est simple : couper ou réduire les dépenses sur un groupe de marchés tests et comparer l'évolution des conversions par rapport à un groupe contrôle. Des plateformes comme Uber ou Airbnb ont bâti des équipes entières autour de cette discipline. Pour un CMO de marque de taille intermédiaire, l'équivalent pragmatique consiste à intégrer au moins deux à trois tests causaux par an dans le calendrier marketing.

Ce que cela implique concrètement pour le CMO

La première implication est budgétaire. Un modèle d'attribution biaisé déforme les décisions d'allocation. Si le search branded capte du crédit sur des conversions organiques, et si les campagnes display bas de funnelfunnelThe customer journey from awareness to purchase, typically Awareness, Interest, Consideration, Decision, Action, with prospects narrowing at each stage.Voir la définition complète → semblent plus performantes qu'elles ne le sont, le budget glisse progressivement vers ces canaux au détriment des investissements brand long terme, qui sont plus difficiles à mesurer mais souvent plus créateurs de valeur durable. Plusieurs études académiques, dont des travaux publiés par des chercheurs de la Wharton School, documentent ce biais systématique.

La deuxième implication concerne la relation avec le CFO. Un CMO qui arrive en comité de direction avec un ROI par canal issu d'un modèle last-click est vulnérable : il présente des chiffres qui ont l'air précis mais qui ne mesurent pas la causalité. Un CMO qui peut montrer un résultat de test d'incrémentalité, même imparfait, parle un langage plus crédible. La précision apparente d'un tableau d'attribution granulaire est souvent moins utile que l'honnêteté d'une estimation causale plus grossière.

La troisième, souvent négligée, est organisationnelle. Construire une capacité de mesure causale requiert une collaboration entre les équipes data, les équipes médias et les équipes finance qui ne se produit pas spontanément. Les entreprises qui y réussissent ont généralement un sponsor C-suite pour cette initiative, et une définition claire de ce que "performance" signifie avant de choisir les outils pour la mesurer.

Quelques principes d'action

• Auditer votre modèle d'attribution actuel en posant une seule question : est-ce que ce modèle mesure la causalité ou la corrélation ? Si personne dans votre équipe ne peut répondre clairement, c'est un signal.
• Lancer au moins un test de géo-incrémentalité sur votre canal le plus investi dans les 12 prochains mois. L'objectif n'est pas la perfection statistique, c'est de commencer à calibrer vos intuitions contre des données expérimentales.
• Distinguer les décisions qui requièrent une granularité de tracking (optimisation créative, A/B tests de messages) de celles qui requièrent une mesure causale (allocation budgétaire inter-canaux, arbitrage brand versus performance). Ces deux types de décisions n'appellent pas les mêmes outils.
• Traiter les données de performance fournies directement par les plateformes publicitaires comme un point de départ, pas comme une vérité. Systématiser la triangulation avec des données tierces ou des mesures expérimentales.
• Investir dans la formation de votre équipe sur les fondamentaux de la causalité statistique, pas seulement sur la mamaUsing software to automate repetitive marketing tasks and campaigns, enabling personalisation at scale across channels like email, web, and social.Voir la définition complète →îtrise des interfaces des ad-tech. Un analyste qui comprend pourquoi la corrélation ne suffit pas est plus utile qu'un expert certifié sur une plateforme spécifique.

La mesure de la performance marketing restera imparfaite. L'objectif n'est pas d'atteindre une attribution exacte, qui est mathématiquement illusoire dans un parcours clientparcours clientThe full sequence of touchpoints a customer has with your brand before, during and after purchase, spanning awareness, consideration, decision, retention and advocacy.Voir la définition complète → multicanal non linéaire. L'objectif est de réduire l'écart entre ce que vous croyez que vos investissements produisent et ce qu'ils produisent ré