Attribution multi-touch : lire le ROAS au-delà du dernier clic

Le dernier clic rassure le reporting, mais il appauvrit la décision budgétaire

Dans beaucoup de comités marketing, le ROAS, return on ad spend, ratio entre le revenu attribué et les dépenses publicitaires, reste lu à travers une logique de dernier clic. Le canal qui précède immédiatement la conversion récupère l’essentiel du crédit, les autres points de contact deviennent secondaires, et l’arbitrage budgétaire se réduit progressivement à une question apparemment simple : quel levier ferme le mieux la vente ? Cette lecture a un avantage opérationnel : elle est facile à expliquer, facile à extraire d’un outil analytics et compatible avec des décisions rapides. Mais elle produit souvent une vision déformée de la croissance.

Le dernier clic privilégie mécaniquement les canaux de capture de demande : paid search brand, retargeting, emailing de relance, comparateurs, affiliation de couponing, remarketing social ou display dynamique. Ces leviers sont proches de la conversion, donc très visibles dans l’attribution, méthode qui assigne une conversion ou une part de revenu à un ou plusieurs points de contact marketing. Ils affichent souvent un CPA, coût par acquisition, faible et un ROAS élevé. Mais leur performance apparente ne dit pas toujours s’ils créent une demande additionnelle, s’ils accélèrent le cycle d’achat ou s’ils interceptent une intention déjà formée par d’autres leviers.

À l’inverse, les canaux qui construisent la demande, comme le contenu expert, la vidéo, la programmatique de prospection, les campagnes LinkedIn haut de funnel, les newsletters partenaires ou certaines activations de marque, sont sous-crédités. Ils interviennent plus tôt dans le funnel, entonnoir de conversion allant de l’exposition à l’acquisition, puis à l’activation, la rétention et l’expansion. Ils influencent la préférence, la mémorisation ou l’entrée en considération, mais ne sont pas toujours le dernier point de contact. Dans un modèle last click strict, ils paraissent moins rentables, alors qu’ils peuvent alimenter l’ensemble du pipeline.

Le sujet n’est pas de remplacer un dogme par un autre. L’attribution multi-touch, qui répartit le crédit d’une conversion entre plusieurs interactions, n’est pas une vérité absolue. C’est une grille de lecture qui doit être confrontée à l’incrémentalité, valeur additionnelle causée par une action marketing par rapport à un scénario sans cette action. Une entreprise peut avoir un modèle multi-touch sophistiqué et continuer à surinvestir dans des canaux non incrémentaux si elle confond corrélation et causalité. La maturité consiste donc à lire le ROAS au-delà du dernier clic, mais aussi au-delà du dashboard d’attribution lui-même.

Pour les équipes growth et marketing avancées, l’enjeu est stratégique : déterminer quelle part du budget capture une demande existante, quelle part crée une demande future, quels points de contact raccourcissent réellement le cycle et quelles dépenses doivent être coupées malgré un bon ROAS attribué. Sans cette discipline, les arbitrages favorisent souvent les leviers les plus proches de la transaction, au risque d’assécher progressivement le haut du funnel.

Comprendre les biais du dernier clic avant de choisir un modèle multi-touch

Le modèle last click attribue 100 % de la conversion au dernier point de contact mesurable avant l’achat, la demande de démo ou l’inscription. Si un utilisateur voit une publicité vidéo, lit un article SEO, clique sur une annonce LinkedIn, revient par une recherche brand puis convertit après un email, l’email reçoit tout le crédit. Cette simplification peut être acceptable pour certains parcours très courts, mais elle devient fragile dès que le cycle d’achat comporte plusieurs interactions, plusieurs décideurs ou plusieurs canaux.

Le premier biais est le biais de proximité. Plus un canal intervient près de la conversion, plus il est favorisé. Le paid search brand en est l’exemple classique. Un prospect peut avoir découvert la marque via une campagne de contenu, avoir comparé plusieurs solutions pendant trois semaines, puis taper le nom de la marque dans Google avant de convertir. Le dernier clic attribue la valeur à la requête brand, alors que cette requête est souvent une conséquence de la demande créée plus tôt. Couper le levier amont peut dégrader le volume de recherches brand, même si le ROAS du search brand reste excellent à court terme.

Le deuxième biais est le biais de reciblage. Les campagnes de retargeting, qu’elles soient diffusées via social ads, display ou DSP, demand-side platform, plateforme permettant d’acheter automatiquement des impressions publicitaires sur de multiples inventaires, touchent des utilisateurs déjà exposés ou engagés. En RTB, real-time bidding, système d’enchères en temps réel impression par impression, les algorithmes peuvent identifier des profils proches de la conversion et leur servir une impression juste avant l’achat. Le reporting attribue alors beaucoup de revenu au retargeting, mais une partie de ces ventes aurait eu lieu sans exposition additionnelle.

Le troisième biais est le biais de mesurabilité. Les canaux les plus trackables récupèrent davantage de crédit que les canaux moins observables. Un clic email est facile à attribuer. Une exposition vidéo, une recommandation orale, une impression en média retail, une lecture d’article sans clic immédiat ou une interaction avec un commercial sont plus difficiles à intégrer. Le dernier clic ne mesure pas seulement l’efficacité ; il mesure aussi la capacité d’un canal à laisser une trace exploitable dans les outils.

Le quatrième biais concerne les cycles B2B complexes. Dans un achat enterprise, le parcours n’est pas celui d’un individu unique. Un utilisateur final peut découvrir la solution, un manager télécharger un guide, un directeur financier consulter les tarifs, un responsable sécurité lire la documentation, puis un décideur remplir le formulaire. Si le modèle est centré sur le dernier contact identifié, il ignore la dynamique de compte et la contribution du buying committee, comité d’achat impliqué dans la décision.

Un exemple chiffré illustre le problème. Une entreprise SaaS investit 100 000 euros sur un trimestre. Le reporting last click indique 600 000 euros de revenu attribué, soit un ROAS global de 6. Le paid search brand affiche un ROAS de 18, le retargeting de 12, le paid social de 2,5 et le contenu sponsorisé de 1,4. La conclusion immédiate serait de déplacer le budget vers search brand et retargeting. Mais une analyse des parcours montre que 70 % des conversions search brand ont eu au moins une exposition amont, et qu’un geo-test révèle une baisse de 22 % des recherches de marque lorsque le contenu sponsorisé est coupé dans certaines régions. Le ROAS last click était exact dans sa règle de calcul, mais insuffisant pour décider.

Comparer les modèles d’attribution sans leur demander plus qu’ils ne peuvent prouver

L’attribution multi-touch regroupe plusieurs familles de modèles. Les modèles heuristiques répartissent le crédit selon une règle fixe. Le modèle linéaire attribue la même part à chaque interaction. Le modèle first click donne tout le crédit au premier contact. Le modèle position-based, souvent appelé U-shaped, attribue davantage au premier et au dernier contact, par exemple 40 % chacun, puis répartit les 20 % restants entre les interactions intermédiaires. Le modèle W-shaped ajoute un poids fort à une étape clé, comme la création de lead ou d’opportunité. Le time decay attribue plus de crédit aux interactions proches de la conversion.

Ces modèles ont l’avantage d’être lisibles. Ils permettent de sortir du dernier clic sans infrastructure statistique lourde. Mais ils restent arbitraires. Pourquoi 40 % au premier contact et 40 % au dernier ? Pourquoi une décroissance temporelle de sept jours plutôt que quatorze ? Ces choix reflètent une hypothèse métier, pas une preuve causale. Ils sont utiles pour mieux répartir la valeur dans les rapports, mais ils peuvent déplacer le biais au lieu de l’éliminer.

Les modèles algorithmiques cherchent à estimer la contribution des points de contact à partir des données observées. Les chaînes de Markov analysent la probabilité de conversion lorsque certains canaux sont retirés du parcours. Si enlever un canal réduit fortement la probabilité d’atteindre la conversion, ce canal reçoit plus de crédit. Les approches fondées sur la valeur de Shapley, inspirées de la théorie des jeux, évaluent la contribution marginale moyenne d’un canal dans différentes combinaisons de parcours. Ces méthodes sont plus sophistiquées, mais elles dépendent de la qualité et de la couverture des données.

Leur limite principale reste la même : elles travaillent sur des parcours observés, donc sur des corrélations. Si les utilisateurs exposés à une vidéo convertissent mieux, le modèle peut attribuer une part de valeur à la vidéo. Mais cela ne prouve pas que la vidéo a causé la conversion. Peut-être que les utilisateurs exposés étaient déjà plus intentionnistes, mieux ciblés ou plus proches de la marque. Sans groupe témoin, il est difficile de distinguer influence réelle et sélection d’audience.

Un modèle multi-touch doit donc être choisi selon le niveau de maturité analytique et l’usage attendu. Pour un e-commerce à fort volume, avec des milliers de conversions hebdomadaires et des parcours digitaux relativement courts, un modèle algorithmique peut apporter un signal exploitable pour piloter les budgets intra-canal. Pour une entreprise B2B avec 80 opportunités par mois, cycles longs et données CRM imparfaites, un modèle heuristique enrichi par des analyses de cohortes et des tests d’incrémentalité sera souvent plus robuste qu’un algorithme opaque sur un échantillon trop faible.

La question opérationnelle n’est pas quel modèle est le plus élégant. La bonne question est : quel modèle améliore réellement les décisions ? Si un modèle multi-touch redistribue 15 % du crédit vers les canaux amont, mais que les budgets restent pilotés au CPA last click, il ne change rien. Si un modèle algorithmique modifie fortement les ROAS par canal mais que personne ne comprend pourquoi, il peut générer de la défiance. La valeur d’un modèle vient de sa capacité à produire des arbitrages plus justes, pas de sa sophistication.

Relier le ROAS multi-touch aux étapes du funnel et à la qualité de revenu

Lire le ROAS au-delà du dernier clic suppose de distinguer les objectifs des canaux. Tous les points de contact ne doivent pas être évalués avec la même métrique ni la même fenêtre temporelle. Un canal de découverte ne peut pas être jugé uniquement sur le revenu immédiat à sept jours. Un canal de conversion ne peut pas se réfugier derrière un effet de marque vague pour justifier un coût élevé. La discipline consiste à relier chaque levier à une étape du funnel et à une hypothèse de contribution.

Dans une logique AARRR, acquisition, activation, retention, referral, revenue, un canal peut créer de la valeur à plusieurs endroits. Une campagne de contenu peut améliorer l’acquisition qualifiée en générant de nouvelles visites ICP, ideal customer profile, profil de client idéal. Une séquence onboarding peut augmenter l’activation. Un programme lifecycle peut réduire le churn, taux d’attrition client. Une campagne de retargeting peut accélérer le passage de considération à conversion. Le ROAS doit donc être interprété avec les métriques intermédiaires adaptées : coût par nouvelle visite qualifiée, taux de passage en MQL, taux SQL, coût par opportunité, ACV, annual contract value, valeur annuelle moyenne d’un contrat, marge brute, rétention et expansion.

Un piège courant consiste à optimiser le ROAS sur le chiffre d’affaires brut sans intégrer la qualité de revenu. Deux canaux peuvent afficher le même ROAS de 5, mais produire des clients très différents. Le premier génère des achats promotionnels avec marge faible et réachat limité. Le second génère moins de conversions immédiates, mais des clients avec meilleure rétention et panier moyen supérieur. En SaaS, un canal peut produire beaucoup de trials peu activés, tandis qu’un autre produit moins de leads mais davantage de comptes qui atteignent rapidement l’aha moment, moment où l’utilisateur perçoit la valeur du produit.

Exemple : une marque e-commerce dépense 50 000 euros sur deux canaux. Le canal A, retargeting dynamique, génère 250 000 euros de chiffre d’affaires attribué, soit un ROAS de 5. Le canal B, campagne d’acquisition éditoriale, génère 150 000 euros à 30 jours, soit un ROAS de 3. Si l’analyse s’arrête là, le canal A gagne. Mais les données à 90 jours montrent que les clients du canal A ont une marge moyenne de 28 %, un taux de retour de 18 % et un taux de réachat de 12 %. Les clients du canal B ont une marge de 42 %, un taux de retour de 8 % et un taux de réachat de 25 %. En contribution nette et en LTV, lifetime value, valeur client sur la durée, le canal B peut être plus rentable malgré un ROAS court terme inférieur.

En B2B, le même raisonnement s’applique au pipeline. Un canal peut générer un grand volume de leads à faible coût, mais avec un taux de disqualification élevé. Un autre peut générer moins de leads, mais plus d’opportunités qualifiées et un meilleur win rate. Un ROAS multi-touch utile doit donc être connecté au CRM, customer relationship management, outil de gestion des interactions clients et prospects, et pas seulement à la plateforme média. Sans cette connexion, le marketing optimise des conversions intermédiaires qui ne se transforment pas nécessairement en revenu.

Une bonne pratique consiste à construire une matrice par canal et par étape : contribution à la découverte, contribution à la considération, contribution à la conversion, valeur aval, délai de conversion et incrémentalité estimée. Cette matrice évite de comparer directement une campagne de notoriété vidéo à une campagne search brand comme si elles avaient le même rôle. Elle permet aussi de détecter les canaux qui consomment du crédit sans créer de valeur marginale.

Mesurer l’incrémentalité pour éviter le piège du ROAS attribué

Le ROAS attribué répond à la question : combien de revenu le modèle associe-t-il à ce levier ? L’incrémentalité répond à une question plus exigeante : combien de revenu additionnel ce levier a-t-il réellement causé ? La différence est centrale. Un canal peut avoir un ROAS attribué élevé et une incrémentalité faible s’il intervient surtout auprès d’utilisateurs déjà décidés. À l’inverse, un canal peut avoir un ROAS attribué modeste mais une forte contribution incrémentale s’il crée une demande qui se convertit ensuite via d’autres canaux.

Le protocole le plus direct est le holdout randomisé. On retient volontairement une partie de l’audience éligible hors exposition, puis on compare son comportement avec celui du groupe exposé. Supposons une campagne retargeting qui cible 200 000 visiteurs récents. Le groupe exposé convertit à 4,2 %, le groupe témoin à 3,6 %. L’uplift absolu est de 0,6 point. Si 180 000 utilisateurs ont été exposés, cela représente environ 1 080 conversions incrémentales. Si la plateforme revendique 6 500 conversions attribuées, le ratio d’incrémentalité est d’environ 17 %. Le canal peut rester utile, mais son ROAS réel doit être recalculé sur les conversions incrémentales, pas sur les conversions attribuées.

Les geo-tests sont utiles lorsque l’exposition individuelle est difficile à contrôler ou lorsque l’effet attendu concerne la marque. On expose certaines zones géographiques et on conserve des zones comparables en témoin. Cette méthode est pertinente pour la vidéo, la radio, l’affichage, la programmatique locale, le retail media ou les campagnes drive-to-store. Elle exige cependant un appariement sérieux : historique de ventes, taille du marché, concurrence locale, météo, promotions, saisonnalité et pression média. Un geo-test mal apparié peut produire une illusion de causalité aussi forte qu’un mauvais modèle d’attribution.

Les tests de coupure, ou switch-off tests, consistent à interrompre temporairement un canal dans un périmètre contrôlé pour observer l’impact. Ils sont particulièrement instructifs pour les leviers soupçonnés de cannibalisation, comme le search brand, certaines affiliations ou le retargeting intensif. Si couper 30 % du budget retargeting ne réduit pas les ventes totales mais améliore la marge média, le ROAS attribué du canal était probablement gonflé par de la capture de demande existante. Si la coupure entraîne une baisse nette des conversions ou un allongement du cycle, le canal joue un rôle plus défendable.

Il faut accepter que l’incrémentalité ne soit pas mesurée en continu sur tous les leviers. Les tests coûtent du budget, réduisent parfois temporairement la performance apparente et demandent de la rigueur. Une approche pragmatique consiste à prioriser les tests sur les canaux qui combinent trois caractéristiques : budget élevé, ROAS attribué très favorable et risque de cannibalisation. Le retargeting, le paid search brand, les audiences CRM, l’affiliation de couponing et certaines campagnes de conversion bas de funnel sont souvent les premiers candidats.

Le résultat d’un test doit ensuite alimenter le modèle de décision. Si un canal affiche un ROAS attribué de 10 mais un ratio d’incrémentalité de 25 %, son ROAS incrémental approximatif tombe à 2,5. Si un autre affiche un ROAS attribué de 3 avec un ratio d’incrémentalité de 80 %, son ROAS incrémental atteint 2,4. Les deux canaux deviennent comparables, alors que le reporting brut les présentait comme très différents. Cette lecture ne supprime pas l’incertitude, mais elle réduit les arbitrages absurdes.

Construire une architecture de mesure compatible avec les réalités data actuelles

L’attribution multi-touch devient plus difficile à mesure que l’observabilité utilisateur diminue. Restrictions sur les cookies tiers, consentement, environnements fermés, limitations iOS, fragmentation cross-device, délais de conversion, données offline et interactions sales rendent les parcours incomplets. Chercher une attribution parfaite est une impasse. Il faut construire une architecture de mesure robuste à l’imperfection.

La première couche est le tracking propre des événements. Les UTMs doivent être normalisés, les conversions définies de manière stable, les statuts CRM synchronisés et les exclusions documentées. Un modèle multi-touch alimenté par des sources incohérentes produit une précision artificielle. Si un même canal apparaît sous cinq noms, si les campagnes paid social mélangent prospection et retargeting, ou si les opportunités CRM ne remontent pas correctement, le modèle attribue sur du bruit.

La deuxième couche est l’identification des unités d’analyse. En B2C, l’unité peut être l’utilisateur, le client, le foyer ou le device selon les données disponibles. En B2B, elle devrait souvent être le compte. Le compte permet de regrouper les signaux de plusieurs contacts et de mieux représenter la décision réelle. Un modèle centré uniquement sur le lead individuel sous-estime les interactions collectives et peut attribuer trop de crédit au contact qui remplit le formulaire final.

La troisième couche est la séparation des objectifs de campagne. Mélanger prospection, retargeting, CRM, search brand et acquisition froide dans un même reporting ROAS rend l’analyse instable. Chaque famille doit avoir ses propres fenêtres, KPI et hypothèses. La prospection doit être évaluée sur la portée qualifiée, les nouveaux utilisateurs ou comptes, les signaux de considération et l’incrémentalité. Le retargeting doit être évalué sur l’uplift, la fréquence utile et la cannibalisation. Le search brand doit être surveillé via tests de coupure, part de clics organiques récupérables et coût marginal.

La quatrième couche est la triangulation. Aucun outil ne doit être considéré comme source unique de vérité. L’attribution multi-touch explique les parcours observés. Les tests d’incrémentalité mesurent des effets causaux sur un périmètre. Le MMM, marketing mix modeling, modélisation statistique estimant la contribution des leviers marketing à partir de séries temporelles agrégées, donne une lecture macro des budgets, promotions, prix et saisonnalités. Les enquêtes brand lift ou post-achat apportent un signal déclaratif. La cohérence entre ces couches est plus fiable qu’une métrique isolée.

Un exemple d’architecture réaliste pour une scale-up B2B peut combiner : un modèle multi-touch W-shaped pour les rapports CRM, des holdouts trimestriels sur retargeting et nurturing email, un geo-test annuel sur une campagne de marque, une analyse par cohorte des comptes exposés et un MMM léger sur les grandes familles de dépenses. Ce dispositif n’est pas parfait, mais il permet de distinguer trois niveaux : attribution observée, influence probable et incrément mesuré. Les décisions de scaling devraient s’appuyer prioritairement sur le troisième niveau lorsque les montants deviennent significatifs.

Piloter les budgets avec un ROAS ajusté plutôt qu’avec un classement de canaux

Le danger des tableaux de bord est de transformer le ROAS en classement. Le canal avec le ROAS le plus élevé reçoit plus de budget, celui avec le ROAS le plus faible est réduit. Cette logique ignore les rendements marginaux. Un canal très rentable sur 10 000 euros peut devenir médiocre à 100 000 euros, parce que l’audience la plus chaude est saturée. Un canal moins rentable à court terme peut absorber davantage de budget en créant une demande nouvelle. Le bon pilotage ne compare pas seulement les ROAS moyens ; il analyse les courbes de rendement marginal.

Le rendement marginal mesure la contribution du prochain euro investi, pas la moyenne des euros déjà dépensés. En pratique, il faut observer comment le CPA, le ROAS incrémental, la fréquence, la saturation, la qualité des leads et la valeur aval évoluent lorsque le budget augmente. Si une campagne retargeting passe de 20 000 à 40 000 euros et que le ROAS attribué reste élevé mais que l’uplift mesuré stagne, les euros supplémentaires capturent probablement peu de valeur additionnelle. Si une campagne de prospection voit son ROAS court terme baisser mais augmente le volume de nouveaux comptes qualifiés et les recherches brand à six semaines, l’arbitrage doit intégrer cette temporalité.

Une méthode actionnable consiste à appliquer un coefficient d’ajustement par canal. Ce coefficient peut intégrer le ratio d’incrémentalité estimé, la qualité de revenu, la nouveauté de l’audience, la marge, la saturation et la confiance dans la mesure. Par exemple, un canal affichant 500 000 euros de revenu attribué peut être ajusté à 200 000 euros si son incrémentalité est estimée à 40 %. Un autre canal affichant 300 000 euros attribués peut être ajusté à 240 000 euros si son incrémentalité est estimée à 80 % et sa marge supérieure. Le ROAS ajusté devient plus utile pour arbitrer que le ROAS plateforme.

Il faut aussi distinguer les décisions tactiques et stratégiques. Les décisions tactiques, comme couper une créa sous-performante ou déplacer un budget entre audiences proches, peuvent s’appuyer sur des signaux d’attribution rapides. Les décisions stratégiques, comme doubler un canal, réduire la marque, couper le contenu ou externaliser une partie de l’acquisition, exigent un niveau de preuve plus élevé. Plus le budget et l’irréversibilité de la décision sont importants, plus l’exigence d’incrémentalité doit monter.

Les équipes doivent enfin intégrer l’effet portefeuille. Un mix marketing robuste contient généralement des leviers de capture, des leviers de création de demande et des leviers de rétention. Optimiser chaque canal isolément peut dégrader l’ensemble. Couper les leviers haut de funnel peut améliorer le ROAS moyen pendant quelques semaines, puis réduire le volume de conversions disponibles pour les canaux bas de funnel. À l’inverse, surinvestir dans la notoriété sans capacité de capture peut créer de la demande qui sera captée par des concurrents. L’attribution multi-touch sert alors moins à élire un gagnant qu’à comprendre les interdépendances.

Conclusion : passer d’un ROAS attribué à une gouvernance de preuve

Lire le ROAS au-delà du dernier clic ne consiste pas à complexifier les rapports pour le plaisir. C’est une condition pour éviter que les budgets soient aspirés par les canaux les plus proches de la conversion, au détriment des leviers qui créent la demande, qualifient l’audience et nourrissent la croissance future. Le dernier clic est utile comme signal opérationnel, mais insuffisant comme boussole budgétaire.

Une méthode robuste peut se résumer en sept décisions. Premièrement, cartographier les parcours par étape du funnel et distinguer les leviers de découverte, considération, conversion et rétention. Deuxièmement, choisir un modèle multi-touch adapté au volume de données et au cycle de vente, sans confondre sophistication et vérité causale. Troisièmement, connecter l’attribution au CRM et à la valeur aval : opportunités, revenu net, marge, LTV, rétention et expansion. Quatrièmement, tester l’incrémentalité sur les canaux à fort budget ou à risque de cannibalisation, notamment retargeting, search brand, CRM et affiliation. Cinquièmement, construire un ROAS ajusté intégrant incrémentalité, qualité de revenu, nouveauté d’audience et niveau de confiance. Sixièmement, analyser les rendements marginaux avant de scaler, plutôt que de financer mécaniquement le meilleur ROAS moyen. Septièmement, trianguler attribution, tests, cohortes et MMM pour éviter qu’un seul outil ne dicte la stratégie.

Pour les professionnels du marketing, la conséquence est claire : un canal ne doit pas être jugé uniquement sur le crédit qu’il récupère, mais sur la valeur additionnelle qu’il apporte au système de croissance. Certains leviers très visibles dans l’attribution doivent être plafonnés. Certains leviers sous-crédités doivent être protégés parce qu’ils alimentent la demande future. Certains budgets doivent être déplacés non pas vers le ROAS le plus haut, mais vers le rendement marginal le plus défendable.

La maturité attribution n’est donc pas un choix entre last click, linéaire, Markov ou Shapley. C’est une gouvernance de preuve. Elle accepte que les données soient incomplètes, que les modèles soient imparfaits et que la causalité exige des tests. Elle permet surtout de poser la bonne question : ce canal a-t-il seulement été présent dans le parcours, ou a-t-il réellement changé le résultat économique ? C’est à cette condition que le ROAS cesse d’être un indicateur de reporting et devient un outil de pilotage de la croissance.