Attribution marketing : le vrai parcours de vos clients

L'attribution marketing détermine quelle interaction publicitaire reçoit le crédit d'une conversion. C'est elle qui décide, en creux, où repart votre budget le mois suivant. Le problème : la majorité des annonceurs pilotent encore avec des réglages par défaut qu'ils n'ont jamais questionnés, et ces réglages varient radicalement d'une plateforme à l'autre.

Attribution marketing : définition et enjeu réel

L'attribution marketing est la méthode qui répartit le crédit d'une conversion entre les différentes interactions publicitaires qu'un utilisateur a eues avant de convertir. Un même client peut voir une publicité Meta, cliquer sur une recherche Google deux jours plus tard, revenir via un email, puis acheter après une recherche de marque. L'attribution décide quelle part de ce parcours revient à quel levier.

L'enjeu n'est pas académique. C'est votre allocation budgétaire qui en dépend. Un modèle d'attribution mal calibré surpondère systématiquement certains canaux, typiquement la recherche de marque et le retargeting, faciles à mesurer, et sous-pondère les canaux d'acquisition en haut de funnel, qui préparent la conversion sans la fermer.

Sur les comptes que nous auditons à Alt'Ad, c'est l'un des biais les plus fréquents : un client coupe son budget prospection parce que le dernier clic ne lui montre pas les touchpoints qui ont réellement construit la conversion.

Post-click et post-view : la brique que personne n'explique correctement

Toute fenêtre d'attribution repose sur deux types d'interaction, et confondre les deux fausse la lecture de vos rapports.

Le post-click, aussi appelé post-engagement, attribue une conversion à un utilisateur qui a cliqué sur votre publicité puis converti dans un délai défini. C'est le signal le plus fiable : un clic est une intention explicite.

Le post-view, ou view-through, attribue une conversion à un utilisateur qui a simplement vu votre publicité, sans cliquer, puis converti plus tard par un autre chemin : recherche directe, saisie de l'URL, retour via un favori. C'est un signal beaucoup plus fragile. Il capture une part réelle de l'impact publicitaire sur la notoriété et la considération, mais il sur-attribue mécaniquement : une personne qui avait déjà décidé d'acheter et qui croise votre bannière au passage fait gonfler vos conversions post-view sans que la publicité ait rien changé à sa décision.

Chaque plateforme priorise ces deux signaux différemment quand plusieurs interactions se chevauchent : en général, le clic gagne toujours sur la vue si les deux sont dans leur fenêtre respective. C'est ce mécanisme de priorité, combiné à des fenêtres très inégales d'une régie à l'autre, qui explique pourquoi vos dashboards Meta, Google et LinkedIn ne raconteront jamais la même histoire pour le même client.

Un point d'actualité à connaître si vous pilotez Meta Ads : en mars 2026, Meta a redéfini ce qui compte comme un clic. Avant ce changement, un like, un partage ou un commentaire comptait comme clic. Ce n'est plus le cas : ces interactions basculent désormais dans une catégorie séparée, l'engage-through, avec sa propre fenêtre d'un jour. Concrètement, si vos conversions post-click Meta ont chuté depuis mars sans que rien d'autre n'ait changé dans votre compte, c'est très probablement la cause (centre d'aide Meta Business, modèles et réglages d'attribution).

Comparatif des modèles et fenêtres d'attribution par plateforme en 2026

Voici le point que la majorité des guides paid media survolent : chaque régie applique son propre modèle et sa propre fenêtre par défaut. Comparer un ROAS Meta à un ROAS LinkedIn sans tenir compte de ces réglages revient à comparer deux devises différentes sans taux de change.

Trois lectures à en tirer. D'abord, aucune de ces sept plateformes ne propose de vrai modèle multi-touch nativement : toutes appliquent une variante du dernier clic ou un modèle propriétaire fermé à leurs propres données. Ensuite, les fenêtres varient d'un facteur 30, de 1 jour à 90 jours, selon la régie, ce qui rend toute comparaison brute de ROAS inter-plateforme trompeuse. Enfin, chaque changement de fenêtre reconfigure aussi l'optimisation algorithmique de la plateforme, pas seulement le reporting : élargir une fenêtre change qui l'algorithme cible, pas seulement ce qu'il affiche.

Pourquoi le parcours client a rendu l'attribution complexe

Il y a dix ans, le parcours d'achat tenait sur deux ou trois interactions. Aujourd'hui, un cycle B2B SaaS ou un achat e-commerce à panier élevé peut mobiliser cinq à huit points de contact, sur plusieurs appareils, étalés sur des jours ou des semaines.

Trois facteurs ont complexifié la mesure :

• La multiplication des canaux. Search, social, display, email, influence, retargeting : chaque levier intervient à un moment différent du funnel, avec sa propre fenêtre d'attribution comme on vient de le voir.

• La fragmentation des appareils. Un utilisateur découvre sur mobile, compare sur desktop, achète en magasin ou sur tablette. Le raccordement identitaire entre ces sessions n'est jamais garanti à 100 %.

• La disparition progressive des signaux. Restrictions ITP sur Safari, blocage des cookies tiers, consentement RGPD refusé dans une part significative des cas : une partie du parcours devient structurellement invisible, quel que soit le modèle d'attribution choisi.

Ce dernier point est le plus mal compris. Beaucoup d'annonceurs pensent qu'un meilleur modèle d'attribution résout le problème du tracking incomplet. C'est faux. Un modèle d'attribution répartit le crédit sur les données qu'il reçoit. Si la moitié du parcours n'est pas trackée, aucun modèle, aussi sophistiqué soit-il, ne la fait réapparaître.

Les modèles d'attribution disponibles sur Google Ads et GA4 en 2026

Le paysage a changé récemment et beaucoup de contenus en ligne restent obsolètes sur ce point. Google a retiré ses quatre modèles basés sur des règles, premier clic, linéaire, dépréciation dans le temps et basé sur la position, de Google Ads en 2023. Il ne reste que deux options natives dans la plateforme : le dernier clic et l'attribution basée sur les données (modèles d'attribution Google Ads).

L'attribution basée sur les données (documentation Google sur la DDA) est aujourd'hui le standard par défaut sur Google Ads, et GA4 applique une logique équivalente au niveau cross-canal, tous canaux confondus et pas seulement Google Ads (attribution dans Google Analytics). Le problème n'est plus de choisir entre cinq modèles à la main. Il est de savoir ce que ce modèle mesure réellement, et ce qu'il ne mesure pas.

La limite structurelle de tout modèle multi-touch

Voici la prise de position qui distingue une vraie approche d'attribution d'une case cochée dans une interface : un modèle multi-touch, même data-driven, reste corrélationnel. Il observe que des utilisateurs exposés à une publicité convertissent plus souvent, et en déduit une contribution. Il ne prouve jamais que cette publicité a causé la conversion.

C'est une différence fondamentale. Un utilisateur qui recherche déjà votre marque aurait peut-être converti sans voir votre campagne de retargeting. Le modèle d'attribution, lui, attribuera quand même une part du crédit à ce retargeting, parce qu'il fait partie du chemin observé.

C'est pour cette raison qu'on distingue attribution multi-touch et media mix modeling. Le MTA reconstruit un parcours utilisateur à partir de données individuelles et reste précis sur le digital, mais aveugle sur l'offline et fragile face aux pertes de tracking. Le MMM agrège les dépenses et les résultats business sur des périodes longues, sans dépendre du moindre pixel, mais réagit lentement et demande un historique conséquent (comparaison MTA vs MMM).

Ni l'un ni l'autre ne remplace un test d'incrémentalité. Seul un test causal, geo-lift, holdout test, split géographique, prouve qu'un canal génère des conversions qui n'auraient pas eu lieu sans lui. C'est la seule méthode qui répond vraiment à la question qui compte : si je coupe ce budget, est-ce que je perds réellement ces ventes ?

Les outils qui structurent la mesure au-delà du natif plateforme

Au-delà des réglages natifs de chaque régie, un écosystème d'outils tiers existe pour reconstituer une vision cross-canal fiable. On distingue quatre familles principales, que nous détaillerons dans un prochain article dédié.

• Les MMP, mobile measurement partners, pour le tracking d'app cross-plateforme et la déduplication des installs entre régies.

• Les plateformes de mesure unifiée, qui agrègent les données de tracking server-side de plusieurs plateformes publicitaires pour reconstruire un parcours cross-canal cohérent.

• Les outils de Media Mix Modeling accessibles, y compris certains frameworks en open source publiés par les plateformes elles-mêmes, qui démocratisent une approche autrefois réservée aux gros annonceurs.

• Les plateformes de test d'incrémentalité, spécialisées dans les protocoles geo-holdout et la mesure causale.

Le choix entre ces familles dépend du volume de données, du budget de mesure et de la maturité du compte. On y reviendra en détail dans un prochain article.

Comment structurer son dispositif d'attribution

Une approche mature ne repose jamais sur un seul modèle. Elle combine trois niveaux, chacun avec un rôle précis.

Niveau 1, le pilotage quotidien. L'attribution native de chaque plateforme, calibrée sur les bonnes fenêtres, reste l'outil du quotidien pour optimiser les enchères et arbitrer entre campagnes à court terme. Elle exige un tracking propre : balises correctement posées, pixel Meta et Conversions API installés en parallèle pour limiter la perte de signal côté navigateur, consentement bien géré.

Niveau 2, la vision cross-canal. Le comportement d'achat traverse Google Ads, Meta, LinkedIn et l'organique, chacun avec sa propre fenêtre comme on l'a vu plus haut. Comprendre comment ces canaux se relaient dans le parcours, notamment sur les stratégies de retargeting cross-plateforme, permet d'identifier les combinaisons qui fonctionnent réellement plutôt que d'arbitrer canal par canal en silo.

Niveau 3, la validation causale. Pour les décisions structurantes, couper un canal, doubler un budget, arbitrer entre Meta Ads et Google Ads sur une même enveloppe, rien ne remplace un test d'incrémentalité. C'est particulièrement vrai quand le ROAS plateforme semble excellent : dans la majorité des audits que nous menons, l'écart entre ROAS affiché et ROAS incrémental est significatif, et c'est souvent ce chiffre, pas le modèle d'attribution en lui-même, qui doit trancher un arbitrage budgétaire.

Les erreurs les plus fréquentes en attribution

Comparer des fenêtres différentes sans le savoir. Un ROAS Google Ads à fenêtre 30 jours n'est pas comparable à un ROAS Meta à fenêtre 7 jours. C'est l'erreur la plus répandue et la plus rarement corrigée.

Changer de modèle sans laisser de période d'apprentissage. Un modèle data-driven a besoin de volume de données pour stabiliser ses calculs. Basculer et juger les résultats après trois jours fausse toute lecture.

Confondre attribution et incrémentalité. C'est l'erreur la plus coûteuse. Un canal peut recevoir 30 % du crédit dans votre modèle d'attribution et générer 5 % de conversions incrémentales réelles. Les deux chiffres répondent à des questions différentes.

Négliger le tracking avant d'optimiser le modèle. Changer de modèle d'attribution sur un tracking troué revient à changer de règle de calcul sur des données déjà fausses. La priorité reste toujours la qualité de la remontée de données.

FAQ

Quelle est la différence entre attribution et incrémentalité ?

L'attribution répartit le crédit d'une conversion entre des interactions observées, de façon corrélationnelle. L'incrémentalité mesure, par un test causal avec groupe témoin, si ces conversions auraient eu lieu sans l'exposition publicitaire. Les deux sont complémentaires, mais seule l'incrémentalité prouve un impact réel.

Quelle est la différence entre post-click et post-view ?

Le post-click attribue une conversion à un utilisateur qui a cliqué sur la publicité avant de convertir. Le post-view attribue une conversion à un utilisateur qui a seulement vu la publicité, sans cliquer, avant de convertir par un autre chemin. Le post-view est un signal plus fragile qui tend à sur-attribuer des conversions qui auraient eu lieu de toute façon.

Pourquoi mon ROAS Meta et mon ROAS Google Ads ne sont-ils jamais comparables ?

Parce que les deux plateformes n'utilisent ni le même modèle ni la même fenêtre d'attribution. Meta applique par défaut 7 jours de clic et 1 jour de vue, Google Ads applique 30 jours de clic sur Search et Shopping. Le même client peut être crédité différemment selon la plateforme qui l'a converti en dernier dans sa propre fenêtre.

Peut-on utiliser un même modèle d'attribution sur toutes les plateformes publicitaires ?

Non. Chaque régie calcule son attribution avec ses propres données et sa propre fenêtre de conversion, et aucune des grandes plateformes publicitaires ne propose aujourd'hui de véritable modèle multi-touch nativement. C'est pour cela qu'une vision cross-canal, via GA4 ou un outil tiers de mesure, est nécessaire pour arbitrer entre plateformes.

Le Media Mix Modeling est-il accessible aux PME ?

Un MMM complet demande un historique de données conséquent et un budget significatif, ce qui le réserve historiquement aux comptes matures. Des versions simplifiées se démocratisent, mais un test d'incrémentalité ponctuel reste souvent plus accessible et tout aussi éclairant pour une PME.

Comment savoir si mon tracking d'attribution est fiable ?

Comparez le volume de conversions remonté par votre outil de mesure à votre CRM ou vos ventes réelles. Un écart supérieur à 15-20 % signale un problème de tracking à corriger avant toute optimisation de modèle. La mise en place d'un tracking server-side limite généralement cet écart.