Méthode pour réduire la fraude sans dégrader le ROAS

Réduire la fraude publicitaire est un problème d’allocation, pas seulement de filtrage

Dans les campagnes digitales, la fraude est souvent traitée comme un risque à éliminer par empilement de filtres : liste d’exclusion, seuils de brand safety, pré-bid anti-IVT, vérification post-bid, blocage d’applications, durcissement des inventaires. Cette approche peut réduire les impressions douteuses, mais elle peut aussi dégrader le ROAS, return on ad spend, ratio entre chiffre d’affaires attribué et dépenses publicitaires, si elle coupe trop largement les poches d’inventaire qui contribuent réellement à la performance.

Le sujet n’est donc pas de choisir entre sécurité média et efficacité business. Il est de construire une méthode capable de réduire l’IVT, invalid traffic, trafic invalide généré par des bots, des comportements non humains, des placements falsifiés ou des environnements manipulés, sans assécher la couverture utile ni surpayer des inventaires dits premium qui ne produisent pas toujours davantage de ventes incrémentales.

Dans un environnement RTB, real-time bidding, mécanisme d’enchères en temps réel permettant d’acheter une impression lorsqu’elle devient disponible, la fraude n’est pas un bloc homogène. Elle prend des formes multiples : spoofing de domaine, usurpation d’application, data center traffic, click injection, stacking de players vidéo, rafraîchissement abusif, arbitrage de trafic, MFA, made for advertising, sites construits principalement pour capter des budgets publicitaires avec une faible valeur utilisateur, ou encore inventaires déclarés comme instream alors qu’ils se comportent comme de l’outstream à faible attention.

Les niveaux de fraude varient fortement selon les canaux. Les rapports de vérification du marché situent souvent les taux d’IVT filtré entre 1 % et 3 % sur inventaires premium fortement contrôlés, mais ils peuvent dépasser 10 % ou 15 % sur certains segments open web, environnements in-app long tail ou chaînes d’approvisionnement opaques. En CTV, connected TV, télévision connectée diffusant des publicités dans des environnements de streaming, plusieurs fraudes récentes ont montré que des millions d’impressions pouvaient être générées par des devices falsifiés ou des applications simulées.

Pour les professionnels du marketing, l’enjeu opérationnel est clair : il faut réduire la fraude sur la partie du plan média qui détruit de la valeur, sans confondre prudence et surfiltrage. Une impression frauduleuse doit être éliminée. Une impression peu chère mais réelle, visible et incrémentale ne doit pas être supprimée simplement parce qu’elle provient d’un chemin ouvert. La discipline consiste à raisonner en ROAS net de risque, et non en taux de fraude isolé.

Commencer par distinguer fraude, faible qualité média et faible incrémentalité

La première étape méthodologique consiste à séparer trois diagnostics souvent mélangés dans les dashboards. Le premier est la fraude au sens strict : trafic invalide, impressions non humaines, usurpation de domaine, device spoofing, clics artificiels ou comportements automatisés. Le deuxième est la faible qualité média : impressions humaines mais peu visibles, formats intrusifs, environnements saturés, faible durée d’exposition, mauvais contexte ou inventaire MFA. Le troisième est la faible incrémentalité : impressions réelles et visibles, mais exposées à des utilisateurs qui auraient converti de toute façon.

Cette distinction est cruciale car les solutions diffèrent. La fraude appelle des contrôles techniques : fournisseurs de vérification, pré-bid anti-IVT, analyse de logs, standards ads.txt, app-ads.txt, sellers.json et SupplyChain Object. La faible qualité média appelle une optimisation de l’inventaire : viewability, c’est-à-dire probabilité qu’une publicité ait été affichée dans des conditions permettant d’être vue, durée visible, contexte, fréquence et format. La faible incrémentalité appelle une mesure causale : holdout, geo-test, conversion lift ou MMM, marketing mix modeling, modélisation statistique estimant la contribution des leviers marketing à partir de séries temporelles agrégées.

Une campagne peut afficher un faible taux de fraude mais un mauvais ROAS incrémental. Exemple : une activation de retargeting display sur des visiteurs panier peut être diffusée sur des inventaires propres, avec 98 % d’impressions humaines, mais capter des ventes déjà très probables. À l’inverse, une campagne de prospection open auction peut présenter 4 % d’IVT brut avant filtrage, mais générer davantage de nouveaux clients incrémentaux si elle est correctement nettoyée et optimisée.

La confusion entre ces niveaux conduit à des décisions coûteuses. Si un annonceur attribue toute baisse de ROAS à la fraude, il risque de durcir les filtres au mauvais endroit. Si une équipe trading coupe tous les domaines à faible taux de clic au motif qu’ils seraient frauduleux, elle peut supprimer des inventaires haut de funnel qui influencent la recherche marque sans générer de clic direct. Si une marque assimile inventaire premium et absence de risque, elle peut payer un CPM élevé pour des expositions humaines mais peu contributives.

Un diagnostic robuste doit donc créer trois colonnes dans l’analyse : risque d’IVT, qualité d’exposition et contribution business. Les décisions d’exclusion immédiate doivent concerner les sources à IVT confirmé ou à incohérence technique forte. Les sources à qualité média faible doivent être testées avec des seuils graduels. Les sources à contribution incertaine doivent être évaluées par incrémentalité plutôt que bannies a priori.

Construire une cartographie de la chaîne d’achat avant d’activer les filtres

Réduire la fraude sans dégrader le ROAS suppose de savoir précisément où les impressions sont achetées, via quels intermédiaires et avec quelles règles d’enchères. Dans une campagne programmatique, l’annonceur opère souvent via une DSP, demand-side platform, plateforme utilisée par l’acheteur média pour piloter ses enchères, ses audiences et ses optimisations. En face, l’inventaire transite par une ou plusieurs SSP, supply-side platforms, plateformes utilisées par les éditeurs pour vendre leur inventaire. Entre les deux peuvent s’intercaler des resellers, des exchanges, des deals ID, des data providers et des outils de vérification.

La fraude exploite précisément les zones opaques de cette chaîne. Un même domaine peut être disponible via plusieurs chemins d’approvisionnement, avec des niveaux de transparence, de prix et de qualité différents. Une application peut déclarer un inventaire vidéo premium alors que l’expérience utilisateur réelle est marginale. Un seller peut être autorisé dans app-ads.txt mais revendre un volume dont la qualité varie fortement. Le deal ID lui-même n’est pas une garantie : il peut agréger plusieurs sources ou masquer une partie de la granularité.

La méthode commence par un audit de supply path. Le SPO, supply path optimization, optimisation des chemins d’approvisionnement, consiste à rationaliser les routes d’achat pour réduire les doublons, les frais et les sources opaques. Dans une logique anti-fraude, il doit répondre à cinq questions : qui vend réellement l’impression ? le vendeur est-il direct ou reseller ? le domaine ou l’application est-il déclaré et vérifiable ? le chemin présente-t-il des taux d’IVT supérieurs à la moyenne ? le coût net après frais reste-t-il compétitif par rapport à la contribution observée ?

Un cas fréquent : une campagne display achète 50 millions d’impressions via six SSP. Le taux d’IVT global est de 3,8 %, jugé acceptable. Mais l’analyse par seller révèle que deux chemins concentrent 62 % de l’IVT pour seulement 18 % du spend. Leur CPM est 25 % plus bas que la moyenne, mais leur vCPM, coût pour mille impressions visibles, devient supérieur après prise en compte de la faible viewability et des impressions invalides. Les couper ne réduit pas la performance ; au contraire, le budget se réalloue vers des chemins plus propres avec une baisse du CPA, coût par acquisition, c’est-à-dire le coût nécessaire pour générer une conversion attribuée.

À l’inverse, certains chemins peuvent afficher un taux d’IVT légèrement supérieur mais délivrer un coût par nouveau client inférieur. Il faut alors éviter l’exclusion automatique. Une règle mature consiste à définir trois statuts : exclusion immédiate pour IVT élevé et récurrent, surveillance pour anomalie modérée, maintien sous test lorsque la contribution business compense le risque résiduel et que les signaux techniques ne montrent pas de fraude structurée.

Combiner pré-bid et post-bid sans transformer la protection en plafond de croissance

Les filtres pré-bid permettent de bloquer certaines impressions avant l’enchère. Ils utilisent des signaux probabilistes : historique de fraude, qualité du domaine, type d’inventaire, device, géographie, visibilité prédite, conformité ads.txt, catégorisation brand safety ou risque de MFA. Leur avantage est évident : ils évitent de dépenser sur des impressions à risque. Leur limite l’est tout autant : ils peuvent réduire la liquidité, augmenter les CPM et empêcher l’algorithme de la DSP d’explorer des poches performantes.

Le post-bid, lui, intervient après diffusion. Il mesure les impressions réellement servies, visibles, frauduleuses ou suspectes, puis alimente les exclusions, les ajustements d’enchères et les analyses de performance. Il consomme du budget avant correction, mais il fournit une vérité empirique plus fine. Un domaine considéré moyen en pré-bid peut se révéler excellent sur une audience donnée. Une application classée acceptable peut produire de l’IVT sur certains pays, devices ou horaires.

La bonne pratique consiste à séparer les filtres de sécurité non négociables et les filtres de performance adaptatifs. Les premiers bloquent les environnements interdits : fraude confirmée, domaines spoofés, sellers non autorisés, catégories sensibles exclues, data center traffic, inventaires non mesurables lorsque la mesure est obligatoire. Les seconds ajustent progressivement l’exposition selon le ROAS, la viewability, la fréquence, le taux de nouveaux clients, l’IVT observé et la marge.

Un framework opérationnel peut être formulé ainsi :

1. Base de sécurité : activer les standards anti-fraude reconnus, vérifier ads.txt, app-ads.txt, sellers.json, filtrer l’IVT général et sophistiqué, exclure les sources frauduleuses confirmées.
2. Seuils par canal : définir des tolérances différentes pour display, vidéo, in-app, CTV, DOOH et retail media, car les signaux de mesure et les risques ne sont pas homogènes.
3. Optimisation graduelle : ne pas couper un inventaire sur un seul signal faible ; croiser IVT, viewability, fréquence, coût, conversion et incrémentalité.
4. Réallocation contrôlée : vérifier que les budgets retirés des sources frauduleuses se déplacent vers des sources performantes, et non vers des inventaires plus chers mais moins contributifs.
5. Boucle d’apprentissage : mettre à jour les listes d’inclusion et d’exclusion chaque semaine ou chaque quinzaine selon le volume, avec validation humaine sur les décisions à fort impact.

Un annonceur qui passe brutalement d’un filtrage modéré à un pré-bid très strict peut voir son CPM augmenter de 30 % à 60 %, son reach diminuer et son ROAS baisser malgré un taux de fraude proche de zéro. La réduction du risque apparent devient alors une perte d’efficacité. La question à poser n’est pas : avons-nous minimisé l’IVT ? Mais : avons-nous maximisé la marge incrémentale après retrait du trafic invalide et du gaspillage média ?

Mesurer le ROAS net de fraude plutôt que le ROAS plateforme

Le ROAS plateforme est souvent trop optimiste. Il repose sur des règles d’attribution propres à chaque environnement, des fenêtres post-clic ou post-view, et des conversions attribuées qui ne sont pas toujours incrémentales. L’attribution désigne la méthode qui assigne une conversion à un ou plusieurs points de contact média. Elle est utile pour optimiser, mais elle ne prouve pas seule la causalité.

Pour réduire la fraude sans dégrader le ROAS, il faut recalculer un ROAS net de fraude et, si possible, un ROAS incrémental. Le premier exclut les impressions invalides, les clics suspects, les conversions associées à des chemins frauduleux et les coûts technologiques inutiles. Le second estime la part des ventes réellement générées par la campagne par rapport à un scénario sans exposition.

Exemple : une marque dépense 200 000 euros en programmatique pour 1,2 million d’euros de ventes attribuées, soit un ROAS plateforme de 6. L’audit révèle 5 % d’IVT, 12 % d’impressions non mesurables, 18 % de conversions post-view associées à des impressions non visibles et un taux de nouveaux clients faible sur certains segments de retargeting. Après exclusion de l’IVT et pondération des conversions post-view par exposition visible, les ventes éligibles tombent à 850 000 euros. Un geo-test estime que 55 % seulement de ces ventes sont incrémentales. Le ROAS incrémental net devient 2,34. Ce chiffre est moins flatteur, mais beaucoup plus utile pour décider du budget.

Cette lecture peut aussi protéger contre les mauvaises coupes. Supposons qu’un inventaire open auction affiche 4 % d’IVT contre 1 % pour un deal privé. Lecture sécurité : le deal semble supérieur. Mais si l’open auction délivre un coût par nouveau client incrémental de 42 euros après filtrage, contre 68 euros pour le deal, il serait irrationnel de déplacer tout le budget vers le deal. La bonne décision consiste à nettoyer les sources open auction à risque, pas à abandonner l’ensemble du canal.

Le ROAS net doit intégrer les coûts de chaîne. Une campagne peut payer un CPM média de 5 euros mais subir 20 % à 35 % de frais cumulés entre DSP, SSP, data fees, vérification, mesure, commission agence et coûts d’ad serving. Si une partie de ces frais est appliquée à des impressions invalides ou non mesurables, la perte réelle dépasse le coût média brut. Les équipes avancées calculent donc un coût par exposition qualifiée : impression humaine, mesurable, visible, brand safe et pertinente pour l’objectif du funnel, c’est-à-dire le parcours allant de la notoriété à la conversion puis à la fidélisation.

Utiliser les listes d’inclusion avec discernement, pas comme refuge automatique

Face à la fraude, beaucoup d’annonceurs se tournent vers des listes d’inclusion : domaines, applications, éditeurs, deals ou sellers explicitement autorisés. Cette approche améliore le contrôle et simplifie l’audit. Elle est particulièrement pertinente pour les campagnes sensibles, les environnements vidéo, la CTV, les prises de parole institutionnelles ou les secteurs réglementés. Mais elle comporte un risque : réduire la couverture et concentrer le budget sur des inventaires chers, surexposés ou insuffisamment incrémentaux.

Une liste d’inclusion efficace ne doit pas être une liste statique de noms premium. Elle doit être une liste dynamique fondée sur des critères vérifiables : taux d’IVT faible, transparence du seller, visibilité, attention probable, qualité de contexte, capacité de mesure, contribution aux nouveaux clients, coût par exposition qualifiée et stabilité dans le temps. Un grand média national peut être excellent pour la notoriété mais peu efficient pour une campagne de conversion. Une application spécialisée peut être très performante sur une niche, même si elle n’appartient pas au top 50 des éditeurs.

La méthode consiste à construire plusieurs niveaux d’inclusion. Le premier niveau regroupe les sources prioritaires : inventaires directs, deals vérifiés, éditeurs stratégiques, environnements retail media ou plateformes avec données first-party, c’est-à-dire données collectées directement auprès de leurs utilisateurs. Le deuxième niveau regroupe les sources ouvertes mais validées par performance et faible risque. Le troisième niveau reste exploratoire, avec budgets plafonnés, mesures renforcées et critères de sortie explicites.

Cette approche évite deux erreurs symétriques. La première est l’ouverture excessive : acheter partout en laissant les filtres faire le travail, au risque de financer des chaînes opaques. La seconde est la fermeture excessive : acheter uniquement sur quelques inventaires rassurants, au risque de dégrader le ROAS par hausse des CPM, saturation de fréquence et perte de reach incrémental.

Dans certains plans, une allocation en portefeuille fonctionne mieux : 60 % à 70 % du budget sur sources validées et contrôlées, 20 % à 30 % sur inventaires ouverts mais optimisés, 5 % à 10 % en tests sous surveillance. La part exacte dépend du secteur, de la tolérance au risque, du niveau de notoriété, du cycle d’achat et de la maturité des signaux CRM.

Détecter les signaux faibles : anomalies de clics, fréquence, géographie et conversion

Les outils de vérification sont indispensables, mais ils ne remplacent pas l’analyse métier. La fraude sophistiquée cherche précisément à paraître normale dans les dashboards agrégés. Les signaux faibles apparaissent souvent dans les découpes fines : heure, device, ville, navigateur, version d’application, seller, placement, taux de clic, délai entre impression et conversion, répétition d’événements ou incohérence entre engagement et vente.

Un taux de clic très élevé n’est pas toujours un signe de performance. En display, un CTR, click-through rate, taux de clic, de 2 % sur un inventaire long tail peut être suspect si la moyenne de campagne se situe à 0,08 %. En in-app, des clics très rapides après impression peuvent indiquer des clics accidentels, voire du click injection. En vidéo, un taux de complétion très élevé couplé à une faible durée visible ou à une absence d’interaction peut signaler un player non conforme ou une consommation passive.

Les anomalies géographiques sont également révélatrices. Une campagne nationale peut observer une surconcentration de conversions dans des zones à faible potentiel commercial, ou des volumes d’impressions disproportionnés sur certains devices. En drive-to-store, il faut surveiller les visites attribuées avec prudence : des signaux de localisation imprécis, des visites modélisées trop agressivement ou des partenaires de mesure peu transparents peuvent gonfler la performance apparente.

Un contrôle utile consiste à comparer quatre ratios par source : impressions humaines mesurables, impressions visibles, clics qualifiés et conversions incrémentales. Si une source génère beaucoup de clics mais très peu de sessions engagées, elle mérite un audit. Si elle génère des conversions post-view sans exposition visible, elle doit être exclue de l’attribution. Si elle génère des ventes mais presque aucun nouveau client, elle peut relever de la cannibalisation plutôt que de la fraude.

Les équipes data peuvent enrichir ce diagnostic avec des modèles d’anomalie. Sans nécessairement déployer une infrastructure complexe, il est possible de détecter les écarts statistiquement improbables : taux de clic dix fois supérieur à la médiane du segment, conversions concentrées dans des fenêtres de quelques secondes, fréquence extrême sur un petit groupe d’identifiants, inventaires dont le CPM chute brutalement pendant que le volume explose. Ces signaux ne prouvent pas toujours la fraude, mais ils priorisent les audits.

Aligner les incentives entre annonceur, agence, DSP et partenaires de mesure

La fraude prospère aussi dans les zones où les incentives sont mal alignés. Si l’objectif d’une agence ou d’un trading desk est de livrer du volume au CPM le plus bas, l’open auction long tail devient tentante. Si le KPI principal est le ROAS attribué sans correction d’incrémentalité, les algorithmes privilégient les audiences proches de la conversion, même si elles sont peu créatrices de demande. Si un fournisseur de données est rémunéré au volume d’impressions activées, il peut favoriser l’échelle plutôt que la précision.

La gouvernance doit donc définir des KPI de garde-fou et des KPI de décision. Les KPI de garde-fou incluent taux d’IVT, part d’impressions mesurables, viewability, brand safety, transparence seller, fréquence, part de domaines inconnus et coût par exposition qualifiée. Les KPI de décision incluent CPA incrémental, ROAS incrémental, marge incrémentale, nouveaux clients, LTV, lifetime value, valeur économique attendue d’un client sur sa durée de relation avec la marque, et contribution par cohorte.

Les contrats et briefs doivent préciser les niveaux d’exigence. Par exemple : aucun achat sur sellers non autorisés ; exclusion automatique des sources dépassant un seuil d’IVT confirmé sur deux périodes consécutives ; non-crédit des conversions post-view non visibles ; plafonnement des inventaires MFA ; reporting par seller et par deal ID ; accès aux logs lorsque possible ; obligation de distinguer ventes attribuées et ventes incrémentales dans les bilans.

Cette discipline ne signifie pas multiplier les contraintes jusqu’à immobiliser l’achat média. Elle signifie rendre explicites les arbitrages. Une campagne de lancement peut accepter un CPM plus élevé pour sécuriser la brand safety et la qualité de contexte. Une campagne de prospection peut accepter un niveau de test plus ouvert si les budgets exploratoires sont plafonnés et audités. Une campagne de retargeting doit être particulièrement stricte sur l’incrémentalité, car le risque principal n’est pas toujours la fraude mais la sur-attribution.

Conclusion : une feuille de route pour baisser l’IVT sans sacrifier la croissance

Réduire la fraude sans dégrader le ROAS exige une méthode plus fine qu’un durcissement général des filtres. La performance durable vient d’une combinaison : audit de la supply chain, segmentation des risques, mesure indépendante, optimisation graduelle et arbitrage sur valeur incrémentale. La fraude doit être supprimée, mais la liquidité utile ne doit pas être confondue avec le risque.

Une feuille de route actionnable peut tenir en huit décisions. Premièrement, distinguer fraude, faible qualité média et faible incrémentalité. Deuxièmement, auditer les chemins d’approvisionnement par SSP, seller, deal ID, domaine et application. Troisièmement, combiner pré-bid strict sur les risques confirmés et post-bid analytique sur les signaux observés. Quatrièmement, calculer un ROAS net de fraude et, lorsque les volumes le permettent, un ROAS incrémental. Cinquièmement, construire des listes d’inclusion dynamiques, enrichies par la contribution business, et non de simples refuges premium. Sixièmement, exclure de l’attribution les impressions invalides, non mesurables ou non visibles lorsqu’elles servent à créditer du post-view. Septièmement, surveiller les anomalies de clics, fréquence, géographie, device et délai de conversion. Huitièmement, aligner les incentives des partenaires sur la marge incrémentale et la qualité d’exposition, pas sur le volume livré.

La maturité ne consiste pas à viser zéro risque affiché. Elle consiste à savoir quel niveau de contrôle maximise la valeur nette. Un taux d’IVT proche de zéro peut masquer une stratégie trop fermée, coûteuse et peu incrémentale. Un taux d’IVT brut modéré peut être acceptable si le filtrage élimine les sources problématiques et si le budget restant génère des ventes nouvelles à un coût compétitif. Le bon pilotage n’est donc pas le plus restrictif ; c’est celui qui réduit méthodiquement les impressions sans valeur tout en préservant l’apprentissage, la couverture et la contribution réelle au business.