Deux écrans, deux vérités. Le tableau de bord publicitaire annonçait deux cent quatorze ventes attribuées au mois de mai. Le logiciel de caisse et le back-office du site, réunis, en comptaient quatre-vingt-seize. Cette enseigne de literie établie à Serris, quatre magasins et un site marchand, vivait avec cet écart depuis deux ans sans jamais le trancher. Personne ne mentait. Chaque outil comptait ce qu’il savait voir, et aucun ne voyait le parcours entier. C’est le problème que l’intelligence artificielle et l’attribution marketing tentent de résoudre, avec des résultats réels mais toujours partiels.
Le dernier clic ment, et il ment toujours dans le même sens
Par défaut, la plupart des outils créditent la vente au dernier point de contact avant l’achat. Une cliente voit une publicité en septembre, lit un comparatif de matelas en octobre, demande conseil à sa sœur, tape le nom de l’enseigne dans un moteur en novembre et achète. Le dernier clic attribue tout à la recherche de marque. Autrement dit, au seul point de contact qui n’a rien fait d’autre que constater une décision déjà prise.
Le biais est systématique. Il surévalue la reprise de contact et le référencement de marque, il sous-évalue tout ce qui crée la découverte.
Chez cette enseigne, la médiane des parcours mesurés tournait autour de six interactions étalées sur cinq semaines. Un matelas à sept cent quatre-vingts euros de panier moyen ne s’achète pas sur un coup de tête. Réduire cinq semaines de réflexion au dernier geste revient à créditer le vendeur qui encaisse et à oublier celui qui a fait l’essai en cabine.
Le magasin reste l’angle mort de tous les modèles
Soixante-dix pour cent du chiffre d’affaires se faisait en magasin. Aucun outil publicitaire ne voit un client entrer à Serris, essayer trois sommiers et repartir avec un bon de commande signé sur papier. Le lien entre la campagne en ligne et la vente physique n’existe que si quelqu’un le construit : code promotionnel réservé à un canal, question posée en caisse, rapprochement des adresses e-mail entre le fichier client et la base publicitaire, tickets de retrait sur rendez-vous.
La question « comment nous avez-vous connus » reste l’instrument le plus sous-estimé et le plus imparfait à la fois. Sous-estimé parce qu’elle capte ce qu’aucune balise ne mesure : le bouche-à-oreille, l’enseigne aperçue depuis le parking, la recommandation d’un kinésithérapeute. Imparfaite parce que les clients répondent mal, se souviennent du dernier stimulus et cochent volontiers « internet » pour clore la conversation. Nous conseillons de la poser quand même, en réponse libre plutôt qu’en liste fermée, et d’accepter que le résultat soit une tendance, pas une mesure.
Ce que la disparition des traceurs tiers a réellement changé
Pendant quinze ans, suivre un visiteur d’un site à l’autre était techniquement banal. Ce n’est plus le cas. Les navigateurs bloquent l’essentiel des traceurs tiers, les systèmes mobiles restreignent les identifiants publicitaires, et une part importante des visiteurs refuse le dépôt de traceurs sur le bandeau de consentement. Chez cette enseigne, le refus tournait autour de trente-huit pour cent des visites. Plus d’un tiers du trafic n’existe donc pas dans les rapports, ou seulement sous forme reconstituée.
Les plateformes comblent ces trous par modélisation. Elles estiment ce qu’elles ne peuvent plus observer. Ces estimations sont honnêtes dans leur principe et invérifiables dans leur détail, ce qui devrait suffire à calmer l’enthousiasme devant un chiffre affiché à l’unité près. Un rapport qui annonce cent quatorze conversions ne devrait jamais être lu autrement qu’une fourchette de quatre-vingt-dix à cent quarante.
Conséquence pratique, les fenêtres d’attribution longues sont devenues peu fiables. Sur un cycle de cinq semaines, une bonne partie des premiers contacts a déjà disparu des identifiants disponibles au moment de l’achat.
Ce que les modèles savent faire quand on leur donne assez de matière
Les approches dites pilotées par les données ne se contentent plus de créditer un point de contact unique. Elles comparent les parcours qui ont abouti et ceux qui n’ont pas abouti, puis estiment la contribution de chaque étape à la probabilité d’achat. Un canal présent dans les parcours gagnants comme dans les parcours perdants reçoit peu de crédit. Un canal dont la présence change réellement l’issue en reçoit beaucoup. L’idée est solide, et elle fonctionne.
À une condition, rarement remplie dans une PME : le volume. Ces modèles ont besoin de plusieurs centaines de conversions par mois pour distinguer un signal du bruit. Avec quarante ventes en ligne mensuelles, l’enseigne de Serris était très en dessous du seuil. Le modèle produisait de jolis pourcentages qui variaient de vingt points d’un mois sur l’autre sans qu’aucune décision ne le justifie. Nous avons recommandé de ne pas s’en servir pour arbitrer.
Là où l’outillage a été utile, en revanche, c’est sur le travail ingrat : normaliser deux ans de marquage de campagnes écrit par quatre personnes différentes, rapprocher le fichier de caisse et la base en ligne pour dédoublonner les clients, et repérer les commandes en ligne suivies d’un retrait en magasin. Le même type de rapprochement que celui utilisé pour l’analyse des coûts et des marges, appliqué au parcours d’achat.
La règle que nous appliquons chez nos clients
Trois gestes valent mieux qu’un modèle sophistiqué. Marquer proprement toutes les campagnes selon une convention écrite et respectée par tout le monde. Poser la question de la source à chaque nouveau client, en caisse comme en ligne. Et surtout, tester l’arrêt : couper un canal pendant trois à quatre semaines et regarder si le chiffre d’affaires total bouge. Une baisse nette vaut mille pourcentages d’attribution ; une absence de baisse aussi, et elle coûte beaucoup moins cher à obtenir.
L’enseigne a coupé sa reprise de contact publicitaire pendant un mois. Le chiffre d’affaires en ligne a reculé de quatre pour cent, très loin des trente pour cent que l’outil s’attribuait. Le budget correspondant est parti sur la présence en magasin et sur les avis clients.
Il faut assumer une chose : mesurer qui a convaincu restera toujours approximatif, et prétendre le contraire est une faute professionnelle. Ce que l’intelligence artificielle et l’attribution marketing apportent réellement, c’est un meilleur ordre de grandeur et beaucoup moins de travail manuel, pas une vérité comptable. Les dirigeants qui l’acceptent décident mieux et plus vite que ceux qui attendent un chiffre parfait, comme le montre aussi la façon dont on finit par piloter une PME avec une analyse financière outillée. Si vous voulez remettre à plat votre mesure sans y consacrer six mois, l’équipe MINOBIA peut cadrer l’exercice avec vous.
Questions fréquentes
Pourquoi mes outils ne donnent-ils jamais le même nombre de ventes ?
Chacun applique ses propres règles de comptage, ses propres fenêtres et sa propre modélisation des données manquantes. Choisissez une source de vérité unique, en général votre facturation, et servez-vous du reste comme d’indicateurs de tendance.
Faut-il abandonner le dernier clic ?
Pas forcément, mais sachez ce qu’il vous cache. Gardez-le comme repère stable dans le temps et complétez-le par des tests d’arrêt sur les canaux les plus coûteux.
Le refus des traceurs rend-il la mesure inutile ?
Non, il la rend approximative. Un tiers de visiteurs invisibles déforme les niveaux absolus, beaucoup moins les comparaisons entre deux périodes traitées de la même façon.
Quel volume faut-il pour qu’un modèle avancé ait du sens ?
Plusieurs centaines de conversions mensuelles, et une stabilité suffisante des campagnes. En dessous, les résultats bougent au gré du hasard et donnent une fausse impression de précision.
Comment relier une vente en magasin à une campagne en ligne ?
Par des codes dédiés, des prises de rendez-vous en ligne, ou un rapprochement des fichiers clients quand vos clients sont identifiés. Aucune de ces méthodes n’est complète, leur combinaison donne une fourchette exploitable.
À propos de l’auteur
Joël Obitz est entrepreneur et fondateur de MINOBIA, cabinet spécialisé dans l’intégration stratégique de l’intelligence artificielle au sein des PME et ETI. Fort de 20 ans d’expérience dans le B2B industriel, il accompagne les entreprises dans leur transformation numérique, avec une approche directe, pragmatique et orientée résultats.
Contactez-nous : contact@minobia.ai
Suivez-nous sur LinkedIn et Facebook
MINOBIA – Activateur France Num https://www.francenum.gouv.fr/activateurs/minobia
