Attribution multi-touch : pourquoi la plupart des modèles vous mentent encore

Un directeur marketing d'une enseigne de grande distribution révèle lors d'un comité de direction que ses campagnes display 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 → deux fois supérieur à ses investissements en search. Trois mois plus tard, après avoir réalloué 40 % de son budget, ses ventes en ligne chutent de 18 %. Le modèle 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 → utilisé, un last-click standard, avait simplement attribué les conversions au dernier canal visible avant l'achat, ignorant tout le travail de sensibilisation réalisé en amont. Ce type de scénario se répète dans des entreprises de toutes tailles, y compris parmi celles qui se croient analytiquement matures.

La réalité est que la sophistication technique des outils d'attribution a largement dépassé la capacité des équipes marketing à les utiliser correctement. Ce décalage génère des erreurs de pilotage qui ne sont pas marginales.

L'état réel de l'attribution marketingattribution marketingA 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 → en 2026

L'abandon des cookies tiers par les principaux navigateurs a rendu obsolètes les approches d'attribution qui reposaient sur le suivi individuel cross-domaine. Google a finalement déployé son APIAPIApplication Programming Interface: a standardised interface that lets applications communicate and exchange data without knowing each other's internal workings.Voir la définition complète → Privacy Sandbox à grande échelle, mais les résultats en termes de précision d'attribution restent inférieurs aux méthodes cookiées traditionnelles, selon les premières analyses publiées par des agences indépendantes comme Analytic Partners.

Parallèlement, Google Analytics 4 a généralisé un modèle d'attribution basé sur les données (data-drivendata-drivenAn approach where decisions are systematically informed by data analysis rather than intuition alone.Voir la définition complète → attribution, ou DDA) comme option par défaut. Le DDA applique du machine learning pour distribuer le 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 entre les points de contact. C'est théoriquement supérieur au last-click, mais il fonctionne comme une boîte noire : les équipes marketing ne peuvent pas expliquer précisément pourquoi tel canal reçoit tel crédit. Forrester notait dès 2023, dans ses travaux sur la mesure marketing, que l'opacité des modèles algorithmiques freinait leur adoption réelle dans les processus de décision budgétaire, même lorsqu'ils étaient techniquement disponibles.

Les plateformes publicitaires proposent leurs propres modèles d'attribution, qui tendent structurellement à favoriser leurs propres inventaires. Meta, Google et Amazon mesurent chacun la performance dans leur silo, avec des fenêtres d'attribution et des définitions de conversion qui leur sont propres. Un achat peut ainsi être comptabilisé trois fois comme une conversion, une par plateforme. Ce n'est pas un détail technique : c'est un problème de gouvernance de la donnée.

L'essor du MMM comme réponse partielle

Le Marketing Mix Modeling (MMM) connaît un regain d'intérêt marqué, précisément parce qu'il ne dépend pas du cookie individuel. Meta a publié Robyn, un outil open source de MMM, et Google a lancé Meridian en 2024 dans la même logique. Ces initiatives méritent d'être regardées avec un oeil critique : deux des principaux vendeurs d'espaces publicitaires proposent des outils pour mesurer l'efficacité de leurs propres espaces publicitaires. Les résultats de Robyn et Meridian doivent être croisés avec des analyses conduites par des tiers sans intérêt commercial direct.

Cela dit, le MMM présente des avantages réels : il capture les effets offline, intègre des variables externes (saisonnalité, conjoncture) et offre une vision agrégée moins vulnérable aux biais de plateforme. Ses limites sont tout aussi réelles : il nécessite au minimum 24 mois de données historiques propres, des compétences en économétrie que peu d'équipes possèdent en interne, et il ne fonctionne pas pour des décisions tactiques à court terme.

Ce que cela signifie pour le CMO

La première erreur stratégique est de confier entièrement la question de la mesure aux équipes data ou aux agences média, sans que le CMO définisse lui-même les contraintes de gouvernance. L'attribution n'est pas qu'une question technique : c'est une question de pouvoir budgétaire. Celui qui définit le modèle de mesure définit qui gagne et qui perd dans les arbitrages internes.

Concrètement, cela implique plusieurs décisions que le CMO doit prendre ou valider explicitement.

La définition d'une fenêtre d'attribution unifiée, appliquée de façon cohérente à tous les canaux, est non négociable. Comparer un canal avec une fenêtre de 7 jours et un autre avec une fenêtre de 30 jours revient à comparer des grandeurs différentes. Les équipes qui ne l'ont pas encore standardisé travaillent avec des données non comparables.

Le choix entre attribution multi-touchattribution multi-touchA method that distributes conversion credit across all marketing touchpoints in the customer journey, rather than crediting only the first or last interaction.Voir la définition complète → et MMM n'est pas binaire. Les organisations les plus avancées sur ce sujet, comme Unilever ou Procter & Gamble d'après leurs communications publiques lors de conférences comme le Marketing Analytics Summit, utilisent les deux en parallèle : le MMM pour les décisions stratégiques de réallocation budgétaire trimestrielle, et l'attribution multi-touch pour les optimisations tactiques hebdomadaires. Les deux modèles se valident mutuellement, et leurs divergences sont des signaux d'alerte.

La question du périmètre de la mesure est souvent esquivée. Beaucoup d'organisations mesurent précisément ce qu'elles peuvent mesurer facilement (le digital payant) et ignorent ce qu'elles mesurent mal (le brand, le bouche-à-oreille, les relations presse). Cela conduit mécaniquement à sous-investir dans les canaux non mesurables, même s'ils sont efficaces. C'est un biais de confirmation institutionnalisé.

Pour avancer concrètement

• Auditer les fenêtres d'attribution actuellement utilisées par chaque plateforme (Google Ads, Meta, Amazon, DV360) et documenter les écarts. Ce travail, souvent délégué à une agence, doit être compris et validé par le CMO lui-même.
• Ne pas adopter Robyn ou Meridian sans un regard externe indépendant. Ces outils sont utiles, mais leur configuration initiale détermine largement les résultats. Un consultant sans contrat de régie média avec les plateformes concernées est préférable pour ce calibrage.
• Mettre en place des expériences de géo-lift ou de conversion lift contrôlées sur les principaux canaux. Ce sont les seules méthodes qui permettent d'obtenir une causalité réelle plutôt qu'une corrélation, et elles restent sous-utilisées même dans les grandes organisations.
• Inclure dans les briefs agences une clause obligeant à déclarer explicitement les fenêtres d'attribution et les biais potentiels de chaque reporting. Cela change la dynamique de la relation : l'agence sait que son travail sera évalué avec un oeil critique.
• Accepter que 20 à 30 % des dépenses marketing resteront, structurellement, difficiles à attribuer avec précision. Le vrai indicateur de maturité analytique n'est pas de tout mesurer, c'est de savoir ce qu'on ne peut pas mesurer et d'en tenir compte dans les décisions.

Les organisations qui progressent le plus vite sur ce sujet ne sont pas c