L'attribution et ses limites : ce que le partage du mérite peut dire, et ce qu'il ne peut pas dire

L'attribution suit des personnes identifiées à travers les points de contact numériques et répartit le mérite d'une conversion entre ceux qui l'ont précédée. Voir attribution et attribution multi-touch dans le glossaire. L'article de fond mesurer l'efficacité la présente ; celui-ci porte sur son bon usage.

• La décision qu'elle éclaire l'optimisation quotidienne à l'intérieur des canaux numériques : enchères, mots-clés, emplacements, audiences, rotation des créations.
• Les modèles les modèles à règles répartissent le mérite selon une règle fixe ; les modèles fondés sur les données l'estiment à partir des parcours du compte. En 2026, Google Ads ne propose plus que le dernier clic et l'attribution basée sur les données¹.
• Ce qu'elle ne montre pas si la conversion aurait eu lieu de toute façon. Les méthodes observationnelles échouent souvent à retrouver ce que mesurent les expérimentations⁴.
• L'état du suivi en 2026 Chrome conserve les cookies tiers avec le choix actuel laissé à l'utilisateur, Google a retiré la plupart des technologies de la Privacy Sandbox, et sur les plateformes d'Apple l'attribution des applications passe par les cadres d'Apple^6, 7, 8.
• La règle servez-vous de l'attribution à l'intérieur des canaux ; fixez les budgets entre canaux avec le modèle de mix et les expérimentations⁵.

L'attribution est rapide et fine. Elle peut classer chaque jour des milliers de mots-clés ou d'emplacements selon les conversions qui ont suivi, ce qu'aucun modèle de mix ni aucune expérimentation ne sait faire. C'est donc le bon outil pour les décisions tactiques dans un canal dont les conversions sont suivies. Making Effectiveness Work, de l'IPA, lui donne sa place à côté de la modélisation du mix et des expérimentations, chacune avec son rôle et ses limites, et sa boucle MESI se termine en se servant des résultats des expérimentations pour ajuster l'attribution et le modèle⁵.

C'est le mauvais outil pour décider combien dépenser dans un canal, ou si un canal fonctionne. La suite explique pourquoi.

Les modèles à règles appliquent une règle fixe. Au dernier clic, le dernier mot-clé d'un parcours de plusieurs clics reçoit tout le mérite¹. Premier clic, linéaire, dégressif dans le temps et selon la position le répartissent autrement, mais toujours de façon fixe. En 2023, Google a retiré ces quatre modèles de Google Ads et de Google Analytics 4, en invoquant leur faible adoption, et les actions de conversion qui les utilisaient sont passées à l'attribution basée sur les données ; le dernier clic reste pris en charge^1, 2, 3. Beaucoup d'autres outils proposent encore la gamme complète.

L'attribution basée sur les données utilise les données du compte pour estimer la contribution de chaque interaction le long du parcours, et Google en fait le modèle par défaut de la plupart des actions de conversion¹. Elle vaut mieux qu'une règle arbitraire, car elle compare les parcours qui ont converti à ceux qui n'ont pas converti. Mais elle n'apprend que de ce qui a été suivi, dans la vue d'un seul fournisseur, et elle estime toujours une association. Le rapport de comparaison des modèles de Google, qui montre le coût par acquisition et le retour sur dépenses publicitaires selon différents modèles, est utile justement parce qu'il rend la sensibilité visible : une campagne faible au dernier clic peut paraître plus forte selon un autre modèle¹.

Le problème central est celui de la séquence et de la cause. Un rapport d'attribution enregistre qu'une personne a vu ou cliqué une publicité, puis acheté. Il ne peut pas dire si elle aurait acheté sans la publicité. Le ciblage aggrave les choses : les plateformes montrent les publicités aux personnes les plus susceptibles d'acheter, si bien que le groupe exposé diffère du groupe non exposé avant même la diffusion. Lewis et Rao, à partir de 25 grandes expérimentations de terrain, décrivent le biais de sélection comme un problème sérieux pour les méthodes observationnelles, précisément pour cette raison¹². Gordon et ses coauteurs ont comparé des expérimentations randomisées chez Facebook avec des méthodes observationnelles sur les mêmes campagnes : les estimations observationnelles différaient souvent des résultats expérimentaux, même avec de nombreuses variables démographiques et comportementales⁴.

Trois conséquences pratiques :

• Les canaux proches de la vente paraissent les meilleurs La recherche sur la marque et le reciblage rencontrent des gens déjà décidés ; ils récoltent un mérite créé par la télévision, l'affichage, les relations presse ou le bouche-à-oreille.
• Ce qui n'est pas suivi n'obtient rien Médias hors ligne, recommandation d'un ami, visite en magasin et la plupart des effets de marque sont invisibles dans un rapport de parcours.
• Chaque plateforme note son propre travail Deux plateformes peuvent revendiquer la même vente ; le total déclaré dépasse souvent les ventes réelles.

Les données dont dépend l'attribution se sont réduites, mais pas comme le secteur s'y attendait depuis des années. En avril 2025, Google a annoncé conserver son approche actuelle du choix des cookies tiers dans Chrome plutôt que de déployer une nouvelle fenêtre de consentement distincte⁶. En octobre 2025, Google a annoncé qu'après avoir évalué les retours de l'écosystème, et au vu de leur faible adoption, il retirait d'autres technologies de la Privacy Sandbox, dont l'Attribution Reporting API, IP Protection, Protected Audience et Topics, tout en conservant CHIPS, FedCM et Private State Tokens⁷. En octobre 2026, Chrome a donc toujours des cookies tiers, mais aucune API d'attribution respectueuse de la vie privée fournie par le navigateur pour les remplacer.

Sur les plateformes d'Apple, l'attribution des installations d'applications passe par les cadres d'Apple. Sa documentation oriente les développeurs vers AdAttributionKit, qui fonctionne avec l'App Store et les boutiques d'applications alternatives, tandis que l'ancien SKAdNetwork fonctionne avec l'App Store ; les deux sont interopérables et un réseau publicitaire peut appeler les deux^8, 9. Ces cadres remontent l'information par des notifications envoyées par le système plutôt que par des parcours individuels⁸ : ils n'alimentent donc pas un rapport multi-touch comme le fait une trace de cookies.

Le consentement est l'autre lacune. Le mode consentement de Google existe en deux versions : en version de base, les balises ne se chargent pas tant que l'utilisateur n'a pas consenti ; en version avancée, elles se chargent avec un consentement refusé par défaut et envoient des signaux sans cookies, que Google utilise pour modéliser les conversions, avec un modèle propre à l'annonceur plutôt qu'un modèle général¹⁰. Dans les deux cas, une partie des conversions de vos rapports sont des estimations, et cette part varie avec vos taux de consentement. Traitez la gestion du consentement comme une partie de la mesure, pas seulement de la conformité.

L'IAB en tire la conclusion stratégique : les limites que la vie privée impose aux identifiants et l'éclatement de la diffusion des médias comptent parmi les raisons du retour de méthodes agrégées comme le MMM¹¹.

Commencez par la tuyauterie : un balisage UTM cohérent, une définition unique de la conversion, une fenêtre d'attribution déclarée et des signaux de consentement qui fonctionnent. Servez-vous ensuite du modèle pour ce qu'il sait faire, et traitez tout canal qui gagne gros selon un modèle et perd selon un autre comme une question pour une expérimentation.

Dans tout ce parcours, le modèle de mix fixe les budgets entre canaux, les expérimentations établissent la cause et calibrent les deux autres, l'attribution optimise à l'intérieur des canaux et le suivi de marque observe les effets qu'aucun rapport de parcours ne voit. L'attribution gagne sa place par sa vitesse ; elle la perd quand on lui demande de répondre seule à la question du budget⁵.

Illustratif, sans données réelles. Un e-commerçant classe ses campagnes selon le chiffre d'affaires au dernier clic. Recherche sur la marque et reciblage sont en tête ; la vidéo en ligne et le parrainage d'un podcast sont en queue, et l'équipe performance propose de les couper. L'analyste passe à l'attribution basée sur les données et lance la comparaison des modèles : la vidéo gagne un peu de mérite, le podcast presque rien (il est à peine suivi). Plutôt que de couper, l'équipe lance deux tests : un holdout sur le reciblage et un test géographique qui suspend la vidéo dans des régions appariées. Le holdout montre qu'une bonne partie des « conversions » du reciblage venaient de gens qui auraient acheté de toute façon ; la suspension de la vidéo fait baisser les recherches sur la marque dans les régions test. Le budget bouge, mais pas dans le sens que suggérait le rapport au dernier clic.

1. Fixer les budgets entre canaux d'après l'attribution Les canaux sont inégalement suivis : la comparaison est biaisée d'emblée.
2. Additionner les conversions déclarées par les plateformes Chacune revendique sa part ; la somme n'est pas vos ventes.
3. Changer de modèle chaque trimestre Les tendances deviennent illisibles. Figez-le et annotez les changements.
4. Ignorer les taux de consentement Une baisse des conversions déclarées peut être une baisse du consentement, pas des ventes.
5. Traiter les conversions modélisées comme observées Ce sont des estimations ; lisez-les comme telles.
6. Confondre efficience et croissance Le reciblage peut sembler toujours plus efficient tout en apportant peu de nouveaux acheteurs.

Lundi :

1. Notez le modèle d'attribution, la fenêtre et la définition de la conversion utilisés sur chaque plateforme, et figez-les.
2. Auditez la tuyauterie : conventions UTM, signaux de consentement et part des conversions modélisées.
3. Lancez la comparaison des modèles et listez les campagnes dont le mérite bouge le plus ; elles vont sur la liste des tests.
4. Cessez d'additionner les conversions des plateformes dans les rapports à la direction ; montrez les ventes réelles à côté.
5. Programmez un holdout ce trimestre sur le canal auquel l'attribution donne le plus de mérite ; voir incrémentalité et expérimentations.
6. Convenez que les budgets entre canaux viennent du modèle de mix et des tests, et inscrivez cette règle dans le cadre de mesure.
7. Partagez la règle avec les responsables marketing de performance et les équipes d'agence en publicité numérique et en recherche.

• La page d'aide de Google sur les modèles d'attribution¹ et la couverture des changements de 2023^2, 3.
• Gordon et ses coauteurs sur les expérimentations face aux méthodes observationnelles⁴ ; Lewis et Rao sur la difficulté de mesurer le rendement publicitaire¹².
• Making Effectiveness Work de l'IPA⁵ et l'IAB sur la modernisation du MMM¹¹.
• Google sur Chrome et la Privacy Sandbox^6, 7 ; Apple sur AdAttributionKit et SKAdNetwork^8, 9 ; Google sur le mode consentement¹⁰.
• Sur IMC Report : mesurer l'efficacité, objectifs et KPI, l'objectif conversion, et les entrées du glossaire données first-party et incrémentalité.