Quatre modèles d'attribution de base, jusque là disponibles dans Google Ads et Google Analytics, vont être supprimés à partir de juillet 2023 :

• First click
• Linear
• Time decay
• Position-based

A noter, les modèles “last click” et “data driven” resteront disponibles. Ainsi que l’attribution externe (via un CRM par exemple). Voici l’annonce officielle de Google :

Pourquoi Google supprime-t-il ces modèles d’attribution ?

La raison officielle est que le taux d'adoption de ces modèles est très faible. Moins de 3 % des conversions enregistrées dans Google Ads utilisent l’un des quatre modèles d’attribution cités plus haut. Jusque là, cela semble donc logique.

Mieux, toujours selon Google, le modèle d'attribution “data driven” augmente les conversions de 6%. Autant simplifier les choses donc. N’est-ce pas ? Et bien par forcément.

Car quand on lit les petites lignes, on se rend compte que ces modèles d’attribution ne seront plus utilisables… mais ils ne seront plus disponibles dans la section dédiée à comparer les modèles d’attribution non plus !

Autrement dit, on ne pourra plus analyser le parcours client au sein de Google Ads et Google Analytics comme on a pû le faire par le passé. Il faudra donc trouver d’autres moyens.

Bref, on perd en visibilité. Mais il y a des moyens d’y remédier. Voici comment. Mais d’abord, je m’assure que l’on soit sur la même page !

Modèle d’attribution : last click

Le modèle d’attribution “last click” est sans doute le plus ancien. Et le moins riche. Mais il a plusieurs atouts : il est facile à comprendre et reste très utilisé. Après tout, il permet d’associer un clic sur une annonce à un événement (disons un achat, un lead, une inscription, etc.). Autrement dit, ce modèle permet d’identifier le joueur qui a marqué le but.

C’est naturellement biaisé : même Mbappé a besoin de ses coéquipiers pour marquer un but. Alors comment évaluer son mix média (ses leviers type SEA, Facebook Ads, emailing, etc.) si l’on ne regarde que le dernier ? C’est là toute la faiblesse du “last click”.

Modèles d’attribution en voie d’extinction

Pour palier à cette faiblesse, il existe (bientôt, il faudra dire “existait”) d’autres modèles d’attribution :

• First click : on identifie uniquement le levier qui a fourni la première interaction menant à notre événement cible
• Linear : tous les leviers ayant participé à déclencher notre événement cible sont jugés équitablement
• Time decay : grosso modo, les leviers les plus proches de l’événement cible (chronologiquement parlant) sont jugés plus performants que ceux qui sont loins dans le temps
• Position-based : l’événement cible est divisé selon le schéma suivant. 40% pour le premier et le dernier levier. Les 20% restants reviennent équitablement aux autres leviers.

Pour continuer mon analogie avec le foot, on a donc :

• Last click : le buteur
• First click : le premier joueur ayant touché le ballon durant l’action menant à un but
• Linear : tous les joueurs ayant touché le ballon durant l’action menant à un but
• Time decay : emphase sur les derniers joueurs ayant touché le ballon durant l’action menant à un but
• Position-based : le buteur et le défenseur sont mis en avant. Les autres moins

Modèle d’attribution basé sur les données

Enfin, le dernier modèle d’attribution est le fameux “data driven”. Ce modèle est une boîte noire mais, grosso modo, il utilisera une combinaison de ces modèles d’attribution cités plus haut, en fonction de l’annonceur, pour déterminer quels leviers ont le plus d'impact.

Selon Google, “ce modèle est différent des autres, dans le sens où il utilise les données de votre compte pour calculer la contribution réelle de chaque interaction sur le chemin de conversion.”

Théoriquement, cela semble parfait : un modèle d’attribution sur-mesure, rien que pour nous. Mais sur-mesure selon quel critère ? Et a-t-on une idée précise des décisions qui ont été prises ? Peut-on comparer ?

Non. C’est une boîte noire.

Un impact majeur sur la compréhension du parcours client

Donc si l’on résume, Google nous laisse avec un modèle clair mais rigide (last click) et un autre très flexible mais aussi très secret (data driven). Bonjour la nuance !

On l’a vu, en termes de gestion des enchères, l’impact est mineur. Ce n’est sans doute pas très agréable car Google retire (encore) des contrôles aux annonceurs. Mais à part ça, techniquement parlant, rien de bien méchant.

Alors où est-ce que ça cloche ? C’est au niveau stratégique. C’est d’ailleurs une hérésie pour Google Analytics dont l’intérêt a toujours été de comprendre la part de chacun de ses leviers dans nos performances.

Car, des propres mots de Google : “sur le parcours client, on interagit plusieurs fois avec un même annonceur. Les modèles d'attribution permettent de mieux comprendre les performances de chaque levier. Et d'optimiser votre action à chaque étape du parcours client… jusqu'à la conversion finale”.

Exemple d’analyse du parcours client

Voici un exemple qui illustre mon point. Un de nos clients possède un mix média qui demande un travail de relai entre les différents leviers : il y a réellement des passeurs, des buteurs, etc. Bref toute une équipe qui doit travailler de concert pour marquer.

Voici une vue simplifiée de ce parcours client :

Vous noterez que les leviers Paid Search sont très présents au début de l’action. Mais qu’ils ne marquent que rarement comparé au SEO et à l’emailing. Et c’est bien normal car, grâce à ces vieux modèles d’attribution, nous avons compris que :

1/ Le parcours client débute sur des leviers payant (notamment Search hors marque)

2/ Il existe toute une partie de lead nurturing via email et retargeting, pour amener le prospect à maturité

3/ Enfin, les prospects suffisamment matures vont devenir des clients en recherchant la marque (principalement). Sur ce canal, nous avons deux leviers défensifs : le SEO et le SEA de marque

L’Intelligence Artificielle a besoin de gardes-fous humains

Aurait-on été capables de comprendre cela sans ces vieux modèles d’attribution ? En théorie oui car le modèle d’attribution basé sur les données est censé comprendre cela tout seul grâce à l’Intelligence Artificielle. Et nous restituer ces informations. Toutes cuites. Prêtes à être digérées.

Bien entendu, c’est la théorie. Et les exemples où l’Intelligence Artificielle a dérapé sont légions. Donc pouvoir vérifier ses conclusions grâce aux vieux modèles d’attribution était jusque-là très apprécié.

Personne n’apprécie les boîtes noires. Mais si l’on a un benchmark, on peut à minima vérifier que le résultat est cohérent et positif. Mais sans benchmark, on s’expose à de sérieuses dérives.

Après tout, l’Intelligence Artificielle (et notamment le Machine Learning) n’est aussi intelligente que grâce aux données que nous lui fournissons. Alors que faire ?

Première étape : tracking & Data Lifecycle Management

Le parcours client n’est que rarement un trait droit d’une ou deux actions. Personnellement, je l’ai observé sur une poignée de comptes depuis 15 ans. Tous les autres demandaient à minima trois ou quatre interactions avant l’achat.

Il convient donc d’adopter une posture data sérieuse pour identifier ces interactions. Ainsi, vous pourrez identifier les performances de vos leviers en “last click”, pour chaque étape jalonnant le parcours client. Ce n’est pas idéal mais cela revient à établir le tableau ci-dessus.

A noter, cela demande de mettre en place un tracking complet sur la totalité du parcours client. Vous ne pouvez donc pas vous satisfaire d’un plan de taggage simpliste.

Mieux, vous devez absolument faire communiquer vos outils entre eux pour obtenir une visibilité cohérente et claire de la contribution de chacun de vos leviers.

Autrement dit, il va falloir mettre en place une réelle stratégie data : génération, stockage, traitement, visualisation, communication… ce ne sont pas les challenges qui manquent pour qui n’a pas encore commencé ce travail.

Deuxième étape : s’appuyer sur son CRM

Pour une fois, les acteurs B2B devraient avoir un avantage par rapport aux acteurs B2C. Leur CRM est souvent plus développé et leurs équipes mieux formées à ces outils. Mais il va falloir s’y mettre maintenant, même en B2C !

Tout l’intérêt d’un CRM va être de pouvoir centraliser les interactions clients. Et de renseigner les leviers avec chacune d’entre elles. Ainsi, on peut reconstruire (en partie) les vieux modèles d’attribution.

Mieux, on peut construire son propre modèle d’attribution et renvoyer ces informations dans les régies publicitaires (via l’attribution externe). Et donc comparer avec les modèles d’attribution restants (“last click” et “data driven” donc).

In fine, cela doit vous permettre d’influer sur vos enchères autrement qu’avec le modèle “data driven” si l’on observe des différences de reporting gênantes.

Bref, le CRM doit devenir (si ce n’est pas déjà le cas) un outil central pour les annonceurs pour mieux comprendre et informer le parcours client… et donc le mix média adapté !

Quelle est la prochaine étape ?

Mettez en place un programme de Data Lifecycle Management avec votre équipe marketing. Et si vous ne savez pas par où commencer, vous pouvez toujours nous contacter ! 😉

Sinon, selon votre mix média, je vous conseille d’explorer les pistes en dehors de GA4 qui, bien que restant un très bon outil, n’est pas très bien équipé. Ça fera certainement l'objet d’un futur article.

En attendant, j’espère vous avoir été utile. Bonne journée !