Résolution d’identité : unifier les profils sans gonfler l’audience

Unifier les profils ne doit pas créer une audience plus grosse, mais une vérité plus exploitable

La résolution d’identité est souvent vendue comme un moyen de retrouver de la portée dans un environnement où les cookies tiers disparaissent, où les identifiants mobiles sont moins stables et où les parcours clients se fragmentent entre CRM, site web, application, retail media, call center, email, publicité programmatique et points de vente. Cette lecture est trop courte. Le vrai enjeu n’est pas de gonfler une audience en fusionnant un maximum de signaux. Il est de réduire l’incertitude sur la personne, le foyer ou le compte afin de mieux décider : qui cibler, qui exclure, qui relancer, qui attribuer, qui mesurer et qui protéger de la surpression marketing.

La résolution d’identité désigne l’ensemble des méthodes permettant de relier plusieurs identifiants à une entité supposée commune : email hashé, cookie first-party, identifiant CRM, numéro de téléphone, identifiant d’application, device ID, adresse postale, login, transaction magasin, identifiant publicitaire ou compte B2B. Le CRM, customer relationship management, système de gestion de la relation client, porte généralement les contacts et opportunités. La CDP, customer data platform, plateforme qui unifie et active les données clients, orchestre souvent les profils, segments et audiences. Le data warehouse conserve la donnée consolidée. Le problème apparaît lorsque ces systèmes n’ont pas la même définition d’un individu ou d’un compte.

Dans un funnel, entonnoir de conversion allant de l’acquisition à l’activation, puis à la rétention et au revenu, une identité mal résolue crée des effets économiques visibles. Un même client peut être reciblé comme prospect, augmentant inutilement le CPA, coût par acquisition ou coût par action selon le contexte. Un prospect peut être compté trois fois dans une audience lookalike, biaisant les algorithmes d’acquisition. Une conversion peut être attribuée à un canal qui n’a fait que toucher un client déjà connu. Un churn, taux d’attrition client, peut être sous-estimé si les réabonnements sous une autre adresse email sont considérés comme de nouveaux clients.

La tentation consiste alors à augmenter agressivement les taux de match. Un fournisseur annonce 85 % de rapprochement entre visiteurs anonymes et profils CRM, contre 48 % auparavant. Le chiffre semble rassurant. Mais si cette hausse provient de règles probabilistes trop permissives, le marketing active une audience plus large mais moins fiable. Le ROAS, return on ad spend, ratio entre revenu attribué et dépenses publicitaires, peut paraître meilleur à court terme grâce à davantage de conversions attribuées, tandis que l’incrémentalité réelle, valeur additionnelle causée par l’action par rapport à un scénario sans action, diminue. La résolution d’identité devient alors une machine à surestimer la portée et la performance.

Pour des équipes marketing expertes, la bonne question n’est donc pas : combien d’identifiants pouvons-nous rattacher ? Elle est : quel niveau de certitude est nécessaire pour chaque décision ? Exclure un client existant d’une campagne d’acquisition exige une tolérance faible aux faux négatifs. Personnaliser un message sensible exige une tolérance faible aux faux positifs. Mesurer la fréquence publicitaire au niveau foyer n’exige pas le même niveau de précision que fusionner deux profils CRM pour recalculer une lifetime value. La résolution d’identité doit être gouvernée par les usages, pas par un objectif abstrait de couverture.

Décomposer les identifiants : déterministe, probabiliste et graphe d’identité

La première distinction opérationnelle oppose résolution déterministe et résolution probabiliste. La résolution déterministe relie deux signaux lorsqu’un identifiant stable et vérifiable est commun : même email hashé, même identifiant client, même login, même numéro de téléphone validé, même transaction rattachée à un compte fidélité. Elle offre généralement une précision élevée, mais une couverture limitée. Tous les visiteurs ne sont pas logués, tous les achats magasin ne sont pas rattachés à un client, tous les emails ne sont pas collectés avec consentement exploitable.

La résolution probabiliste infère une appartenance commune à partir de signaux indirects : adresse IP, device, navigateur, géolocalisation approximative, comportement, horaires, réseau domestique, similarité de noms, adresse postale partielle, séquence d’événements. Elle augmente la couverture, mais introduit un risque de faux rapprochement. Deux collègues derrière le même réseau, deux membres d’un foyer, un utilisateur utilisant un VPN ou plusieurs personnes partageant une tablette peuvent être confondus. En B2B, plusieurs contacts d’un même compte peuvent être agrégés à tort au niveau personne alors que la bonne unité d’analyse est le buying committee, comité d’achat impliqué dans la décision.

Le graphe d’identité est la structure qui relie ces identifiants entre eux. Il peut être privé, construit à partir de données first-party, données collectées directement par l’entreprise sur ses propres canaux. Il peut être enrichi par des données second-party, données partagées par un partenaire disposant d’une relation directe avec l’audience. Il peut aussi s’appuyer sur des données third-party, données agrégées par des acteurs externes, de plus en plus contraintes par la réglementation et les restrictions navigateur. Plus le graphe mélange les sources, plus il doit documenter la provenance, la fraîcheur, le niveau de confiance et les droits d’usage.

Un exemple simple montre l’arbitrage. Une marque e-commerce dispose de 2 millions d’emails clients, 5 millions de cookies first-party actifs sur 12 mois, 600 000 comptes logués mensuels et 1,4 million d’acheteurs magasin rattachés à une carte fidélité. En déterministe strict, elle rapproche 52 % des cookies actifs à un profil CRM. En ajoutant des règles probabilistes foyer et device, elle atteint 76 %. Le gain de couverture est réel. Mais si le taux de faux positifs passe de 1 % à 8 %, les conséquences ne sont pas neutres : offres envoyées au mauvais individu, fréquence mal calculée, personnalisation incohérente, exclusion erronée de prospects et surestimation de la valeur client.

Il faut donc associer chaque lien d’identité à un score de confiance. Un email hashé confirmé par login peut être noté 0,98. Un cookie rattaché après clic email peut être noté 0,90. Une association IP-device sur sept jours peut être notée 0,55. Une similarité adresse postale et nom peut être notée 0,75 selon la qualité des données. Ces scores ne doivent pas rester décoratifs. Ils doivent déterminer les usages autorisés : activation publicitaire, personnalisation onsite, suppression d’audience, reporting agrégé, fusion CRM, attribution ou analyse de cohorte.

Une gouvernance mature introduit aussi la notion de direction du lien. Relier un cookie à un profil CRM pour exclure un acheteur d’une campagne n’est pas identique à fusionner définitivement deux fiches clients. Dans le premier cas, l’erreur est temporaire et réversible. Dans le second, elle peut contaminer l’historique d’achat, la segmentation, la pression commerciale et le support client pendant des années. La résolution d’identité doit donc séparer les liens d’activation, souvent temporaires, des liens de vérité client, beaucoup plus exigeants.

Éviter l’inflation d’audience : déduplication, reach réel et faux positifs

Le symptôme le plus fréquent d’une mauvaise résolution d’identité est l’inflation d’audience. Une équipe croit disposer de 4 millions de prospects adressables, alors qu’après déduplication robuste, suppression des clients actifs, consentement valide, fraîcheur des signaux et exclusion des doublons, l’audience utile tombe à 1,7 million. Cette réduction peut être perçue comme une perte. En réalité, elle améliore souvent l’économie des campagnes, car elle supprime des impressions gaspillées, des contacts déjà convertis et des profils trop incertains.

La déduplication ne consiste pas seulement à supprimer deux lignes identiques. Elle doit gérer les emails multiples, alias, fautes de frappe, changements de nom, domaines professionnels, numéros de téléphone normalisés, adresses postales incomplètes, comptes familiaux et identifiants techniques expirés. Une règle naïve, comme même email égale même personne, est utile mais insuffisante. Une règle trop large, comme même nom et même code postal égale même personne, peut fusionner des homonymes. La qualité dépend de la combinaison des clés, du contexte et du coût de l’erreur.

Un framework pratique consiste à distinguer trois métriques. La couverture mesure la part des événements ou identifiants rattachés à une entité connue. La précision mesure la probabilité qu’un rapprochement soit correct. L’utilité mesure l’impact économique du rapprochement sur une décision marketing. Une résolution d’identité avec 90 % de couverture et 88 % de précision peut être moins utile qu’un modèle à 65 % de couverture et 98 % de précision si l’usage porte sur des décisions coûteuses comme le ciblage programmatique premium, la personnalisation tarifaire ou le routage sales.

Les faux positifs et les faux négatifs n’ont pas le même coût. Un faux positif relie deux identités différentes. Il peut conduire à personnaliser sur la mauvaise intention, exclure un prospect, attribuer une conversion au mauvais individu ou exposer une donnée sensible. Un faux négatif ne relie pas deux identités qui appartiennent pourtant à la même personne. Il peut créer de la duplication, de la surpression, une mauvaise lecture de la fréquence ou une sous-estimation de la lifetime value. Selon l’usage, l’un ou l’autre est plus grave. Pour la conformité et la personnalisation, le faux positif est souvent plus dangereux. Pour la mesure de fréquence et la réconciliation média, le faux négatif peut coûter plus cher.

Exemple : une marque retail active une campagne de réactivation sur 900 000 profils dormants. Avant résolution, elle exclut 220 000 clients actifs identifiés par email. Après résolution multi-identifiants, elle exclut 410 000 profils supplémentaires liés à des achats magasin ou app récents. Le volume activable passe de 680 000 à 270 000. Le CPM, coût pour mille impressions, augmente car l’audience devient plus restreinte. Mais le CPA baisse de 38 %, les désabonnements baissent de 24 % et le taux de réachat incrémental progresse de 3,1 points par rapport à un groupe témoin. Le succès ne vient pas d’une audience plus grande, mais d’une audience plus propre.

La mesure du reach réel doit également tenir compte des plateformes. Une même audience envoyée à une DSP, demand-side platform, plateforme permettant d’acheter automatiquement des impressions publicitaires sur plusieurs inventaires, à une plateforme social ads et à un outil emailing peut produire trois tailles différentes. Le RTB, real-time bidding, enchères publicitaires en temps réel impression par impression, dépend des identifiants disponibles au moment de l’enchère. Un match rate élevé dans la plateforme ne garantit pas une exposition incrémentale ni une capacité à contrôler la fréquence cross-canal. Le marketing doit donc distinguer audience exportée, audience matchée, audience éligible, audience réellement exposée et audience incrémentalement influencée.

Construire une résolution par cas d’usage plutôt qu’un profil universel

L’erreur structurante consiste à vouloir créer un profil client universel avant de définir les décisions à améliorer. Un profil unique paraît séduisant : une personne, un historique, un score, une valeur, des consentements, des segments, des canaux. Mais les besoins de l’acquisition, de la rétention, de l’attribution, du support et de la finance ne sont pas identiques. L’identité pertinente peut être l’individu, le foyer, l’entreprise, le device, le compte fidélité ou l’unité de consommation.

En acquisition, l’objectif est souvent d’exclure les clients existants, de construire des audiences similaires et d’éviter la cannibalisation. Le niveau de précision doit être élevé pour les exclusions, car exclure à tort des prospects réduit la croissance. Pour les lookalikes, audiences similaires construites par une plateforme à partir d’une audience source, la priorité est la qualité de la graine : mieux vaut 50 000 clients à forte marge correctement résolus que 500 000 profils mélangés incluant doublons, acheteurs promotionnels et contacts peu rentables.

En activation et onboarding, la résolution d’identité sert à reconnaître un utilisateur entre email, web, app et produit. Le but est de déclencher le bon message au bon moment. Si un utilisateur a déjà terminé une étape d’onboarding dans l’application, il ne doit pas recevoir trois emails l’invitant à la réaliser. Ici, les signaux comportementaux récents sont souvent plus importants que les historiques lointains. Une règle de fraîcheur doit empêcher un ancien device ou un vieux cookie de piloter une personnalisation actuelle.

En rétention, l’identité doit permettre de consolider la valeur, la pression et le risque. Un client qui achète en magasin, ouvre les emails et utilise l’application ne doit pas être traité comme trois profils tièdes. À l’inverse, fusionner plusieurs membres d’un foyer peut masquer des comportements distincts. Pour une enseigne alimentaire, le foyer peut être une unité pertinente pour la fréquence d’achat. Pour une banque, l’individu reste critique. Pour un logiciel B2B, le compte et le buying committee priment souvent sur la personne isolée.

En attribution, méthode qui assigne une conversion ou une part de revenu à un ou plusieurs points de contact marketing, la résolution d’identité conditionne toute la lecture. Un parcours vu comme trois utilisateurs différents produit un modèle fragmenté et favorise les canaux de bas de funnel. Un parcours trop fusionné peut attribuer à un individu des expositions vécues par un autre membre du foyer ou du compte. L’attribution multi-touch, qui répartit le crédit entre plusieurs interactions, ne devient pas vraie parce que l’identité est unifiée. Elle devient seulement plus cohérente si le graphe reflète correctement l’unité de décision.

Une méthode actionnable consiste à créer une matrice usages x seuils. Pour chaque usage, l’équipe définit l’entité cible, les identifiants acceptés, le score minimum de confiance, la durée de validité, les canaux autorisés, les risques principaux et la métrique de succès. Par exemple : exclusion acquisition, entité individu, score minimum 0,85, validité 90 jours, métrique CPA incrémental. Ou : reporting fréquence foyer, entité foyer, score minimum 0,60, validité 30 jours, métrique réduction de sur-exposition. Cette matrice évite de forcer tous les usages dans une même définition d’identité.

Mesurer la qualité : taux de match, précision, lift incrémental et coût d’erreur

Le taux de match est la métrique la plus visible et souvent la plus trompeuse. Il mesure la proportion d’identifiants rapprochés entre deux environnements, par exemple emails CRM et identifiants publicitaires. Mais un taux de match élevé ne dit rien de la justesse du rapprochement, de la fraîcheur, du consentement, de l’adressabilité réelle ni de l’impact business. Pire, il peut inciter les équipes à accepter des règles plus permissives pour améliorer un KPI de surface.

La qualité doit être évaluée sur au moins quatre dimensions. Premièrement, la précision : parmi les liens créés, combien sont corrects ? Elle peut être estimée par échantillonnage manuel, données de login, transactions vérifiées ou panels de vérité terrain. Deuxièmement, le rappel : parmi les liens réellement existants, combien sont retrouvés ? Troisièmement, la fraîcheur : depuis quand le lien a-t-il été observé ou confirmé ? Quatrièmement, la valeur décisionnelle : le lien améliore-t-il une décision marketing mesurable ?

Un exemple de calibration : une équipe teste trois règles de rapprochement. La règle A, email hashé ou login, couvre 48 % des événements avec 99 % de précision estimée. La règle B ajoute clic email vers site et couvre 63 % avec 96 % de précision. La règle C ajoute IP-device et similarité comportementale, couvre 81 % avec 89 % de précision. Si l’usage est le reporting agrégé de fréquence, la règle C peut être acceptable. Si l’usage est la personnalisation d’une offre basée sur l’historique d’achat, la règle A ou B doit être privilégiée. Le même graphe peut donc produire plusieurs vues selon le niveau de risque.

La mesure économique doit intégrer le coût d’erreur. Supposons une campagne d’acquisition avec 500 000 impressions achetées sur une audience résolue. Si 12 % des profils sont en réalité des clients actifs et que le coût média est de 40 000 euros, une part significative du budget sert à reconquérir des personnes déjà acquises. Si, à l’inverse, une règle d’exclusion trop large retire 8 % de prospects à forte probabilité d’achat, le manque à gagner peut dépasser l’économie média. Le seuil optimal n’est pas purement technique ; il dépend du coût relatif des faux positifs et faux négatifs.

L’incrémentalité doit être testée dès que l’usage implique du budget média. Une audience mieux résolue devrait produire un meilleur résultat que l’audience standard à budget comparable, mais surtout un uplift par rapport à un holdout, groupe volontairement non exposé servant de témoin. Exemple : deux campagnes retargeting sont comparées. L’audience standard de 1 million de cookies génère 18 000 conversions attribuées pour 120 000 euros. L’audience résolue et dédupliquée de 620 000 profils génère 14 500 conversions attribuées pour 92 000 euros. En attribution last click, qui donne tout le crédit au dernier point de contact, l’audience standard paraît meilleure en volume. Mais le test holdout montre un uplift incrémental de 1,8 % pour l’audience standard contre 3,4 % pour l’audience résolue. Le coût par conversion incrémentale est donc nettement meilleur pour l’audience plus petite.

Il faut aussi mesurer les externalités négatives : taux de désabonnement, plaintes spam, fréquence excessive, doublons CRM, tickets support liés à une mauvaise personnalisation, baisse de consentement, conflits entre équipes sales et marketing. Une résolution d’identité qui améliore le CPA mais augmente les plaintes ou dégrade la confiance client peut créer une dette relationnelle. Les tableaux de bord doivent donc combiner performance média, qualité de donnée et impact relationnel.

Gouverner les consentements, la fraîcheur et les sources de vérité

La résolution d’identité est indissociable de la gouvernance des consentements. Un identifiant ne doit pas seulement être techniquement relié ; il doit être activable légalement et relationnellement. Les préférences de communication, finalités acceptées, preuves de consentement, oppositions, opt-out et durées de conservation doivent accompagner les liens d’identité. Une CDP qui unifie les profils sans propager correctement les consentements peut rendre l’activation plus risquée, pas plus performante.

La fraîcheur des liens est un point sous-estimé. Un cookie observé il y a 14 mois, un device partagé pendant les vacances, une adresse email abandonnée ou une adresse IP de bureau ne doivent pas avoir le même poids qu’un login confirmé hier. Chaque lien devrait avoir une date de création, une date de dernière confirmation et une règle d’expiration. Un modèle simple peut appliquer une demi-vie : un lien déterministe confirmé par login reste valide 12 à 24 mois selon le contexte ; un lien basé sur clic email peut expirer après 90 à 180 jours ; un lien probabiliste IP-device peut expirer après 7 à 30 jours.

Les sources de vérité doivent être explicites. Le CRM peut faire autorité pour les opportunités, le statut client et les propriétaires commerciaux. Le système e-commerce peut faire autorité pour les transactions en ligne. Le point de vente peut faire autorité pour les achats magasin. La plateforme de consentement peut faire autorité pour les préférences. Le data warehouse peut réconcilier les événements et calculer les scores. Sans hiérarchie, deux systèmes peuvent écraser mutuellement des informations contradictoires et créer des profils instables.

La résolution doit aussi être réversible. Lorsqu’un lien est contesté, expiré ou contredit par un signal plus fort, il doit pouvoir être supprimé sans casser tout l’historique analytique. Cela suppose de stocker les liens séparément des profils fusionnés, avec un journal d’audit : source du lien, règle appliquée, score de confiance, date, usage, consentement associé. Les équipes marketing operations doivent pouvoir expliquer pourquoi deux profils ont été rapprochés et pourquoi une audience contient ou exclut un individu.

En B2B, la gouvernance doit intégrer la structure compte. Un domaine email peut regrouper plusieurs entités légales, pays, business units ou filiales. Résoudre tous les contacts sous un seul compte global peut être utile pour l’ABM, account-based marketing, stratégie de ciblage centrée sur des comptes prioritaires, mais dangereux pour le routage commercial ou l’analyse de pipeline. Une entreprise internationale peut avoir une intention forte en Allemagne et aucune maturité en France. La résolution d’identité doit donc distinguer personne, compte local, compte global et groupe économique.

Enfin, la qualité doit être monitorée comme un produit. Les règles changent, les navigateurs évoluent, les plateformes réduisent les identifiants disponibles, les clients changent d’email, les bases se dégradent. Un audit trimestriel peut suivre taux de doublons, taux de liens expirés, part de profils sans consentement exploitable, précision estimée par échantillon, taux de conflits entre sources et impact sur les campagnes. Sans maintenance, même un graphe bien conçu devient progressivement une source de bruit.

Activer sans surpression : segmentation, suppression et mesure cross-canal

Une identité mieux résolue devrait d’abord servir à moins activer, pas à activer davantage. La première valeur est souvent la suppression : retirer les clients récents des campagnes d’acquisition, exclure les prospects déjà en cycle sales, éviter de recibler les utilisateurs ayant converti, réduire la fréquence sur les foyers surexposés, ne pas relancer les comptes en litige ou les contacts désabonnés. Ces suppressions améliorent le rendement marginal du budget.

La segmentation devient également plus fiable. Un segment de clients à forte valeur doit être calculé après déduplication des achats, consolidation des retours, normalisation des devises et rattachement des canaux. La LTV, lifetime value, valeur économique attendue d’un client sur sa durée de relation, peut être fortement surestimée si deux personnes sont fusionnées ou sous-estimée si un même client apparaît sous plusieurs identités. Les modèles prédictifs d’appétence, churn ou upsell héritent directement de ces erreurs.

En programmatique, l’identité doit être utilisée avec prudence. Une DSP peut activer des segments first-party, mais la capacité de match varie selon les environnements, navigateurs, pays et inventaires. Les jardins clos, plateformes fermées comme certains réseaux sociaux ou écosystèmes retail media, appliquent leurs propres graphes et renvoient des résultats agrégés. Le marketing doit éviter de comparer naïvement les match rates entre plateformes. Un taux de match de 70 % dans un jardin clos et 35 % dans une DSP ouverte ne signifie pas que le premier est deux fois meilleur ; il peut simplement disposer de davantage de logins internes.

Le contrôle de fréquence cross-canal reste difficile. Une même personne peut recevoir un email, voir une publicité social, être exposée en display, recevoir une notification app et être relancée par un SDR. Même avec une résolution robuste, les plateformes ne partagent pas toujours les expositions en temps réel. L’objectif réaliste consiste à réduire les excès, pas à promettre une orchestration parfaite. Des garde-fous simples, comme plafonds par canal, exclusions post-conversion, fenêtres de repos et règles de priorité, produisent souvent plus de valeur qu’un modèle d’orchestration théoriquement optimal mais mal alimenté.

Un cas concret : une entreprise SaaS synchronise son CRM, son outil marketing automation et ses audiences paid. Avant résolution, 18 % des comptes en opportunité active continuent de recevoir des campagnes d’acquisition génériques. Après création d’un graphe compte-contact et règles de suppression, la dépense média sur ces comptes baisse de 31 %, le taux de clic global baisse légèrement, mais le taux de rendez-vous utile augmente car les budgets sont réalloués vers des comptes non engagés. Les sales rapportent aussi moins de conversations polluées par des messages contradictoires. Le KPI gagnant n’est pas le volume d’audience ; c’est la cohérence d’activation.

Conclusion : traiter l’identité comme une décision probabilisée, pas comme un stock d’audience

La résolution d’identité ne crée de valeur que si elle améliore des décisions concrètes. Un graphe plus large, un taux de match plus élevé ou un profil client plus riche ne sont pas des objectifs suffisants. Ils peuvent même dégrader la performance si l’organisation confond couverture et précision, fusion technique et vérité client, audience activable et audience incrémentale. Dans un environnement où les coûts média augmentent, où l’attribution devient moins stable et où les contraintes de consentement se renforcent, l’identité doit être pilotée comme un actif de décision.

Une méthode actionnable peut se résumer en huit décisions. Premièrement, définir les cas d’usage avant de choisir les règles de rapprochement : exclusion, personnalisation, attribution, fréquence, ABM, LTV ou support. Deuxièmement, distinguer les liens déterministes, probabilistes et temporaires, avec un score de confiance explicite. Troisièmement, associer chaque usage à un seuil de confiance, une durée de validité et une entité cible : individu, foyer, device, compte ou groupe. Quatrièmement, mesurer au-delà du taux de match : précision, rappel, fraîcheur, coût d’erreur et impact incrémental. Cinquièmement, gouverner les consentements et les sources de vérité pour éviter qu’une unification technique ne crée un risque relationnel ou légal. Sixièmement, maintenir un journal d’audit des liens afin de rendre les rapprochements explicables et réversibles. Septièmement, utiliser l’identité pour supprimer et prioriser autant que pour cibler. Huitièmement, tester l’impact économique via holdouts, cohortes et métriques aval plutôt que via audiences exportées.

Le bon programme de résolution d’identité ne promet pas de reconnaître tout le monde partout. Il accepte l’incertitude, la quantifie et l’applique différemment selon le risque de chaque décision. Pour exclure un client d’une campagne, pour personnaliser une offre, pour mesurer une conversion ou pour consolider la valeur d’un compte, le niveau de preuve requis n’est pas le même. Cette nuance est précisément ce qui sépare une approche mature d’une simple inflation d’audience.

La question à poser avant tout chantier n’est donc pas : quel taux de match pouvons-nous atteindre ? Elle est : quelles erreurs d’identité coûtent aujourd’hui le plus cher à notre croissance ? Si la réponse pointe vers la surpression, la cannibalisation média, les doublons CRM, l’attribution biaisée ou les mauvais segments de valeur, la résolution d’identité peut devenir un levier puissant. Si elle sert seulement à afficher des audiences plus grandes dans les plateformes, elle risque de produire l’inverse de ce qu’elle promet : plus de bruit, plus de coût et moins de confiance dans la donnée.