Comparer cohortes probabilistes et scoring d’intention
Le ciblage post-cookie impose de choisir entre probabilité collective et signal individuel
La disparition progressive des identifiants tiers, la fragmentation des environnements connectés et le durcissement du consentement ont déplacé le débat du ciblage publicitaire. Les équipes marketing ne comparent plus seulement des segments d’audience selon leur coût et leur taille. Elles doivent arbitrer entre deux familles de signaux qui n’obéissent pas à la même logique : les cohortes probabilistes et le scoring d’intention. Les premières regroupent des individus ou des navigateurs dans des ensembles statistiques, souvent construits à partir de comportements, de contextes, de similarités ou de modèles de propension. Le second cherche à attribuer à un utilisateur, un foyer, une entreprise ou une session un score indiquant la probabilité d’une action future : recherche, visite, demande de devis, ajout panier, achat ou visite magasin.
Pour un annonceur, la différence n’est pas académique. Elle conditionne le coût d’accès à la cible, la stabilité de la couverture, la pression média, la capacité d’optimisation dans un DSP, demand-side platform, plateforme utilisée par les acheteurs pour piloter leurs enchères programmatiques, et la lecture de la performance. Une cohorte peut être très scalable mais peu précise. Un score d’intention peut être prédictif mais trop étroit, trop instable ou trop corrélé à une demande déjà existante. Dans les deux cas, le risque est de confondre performance attribuée et valeur réellement incrémentale.
Le CPA, coût par acquisition, c’est-à-dire le montant dépensé pour générer une conversion attribuée, et le ROAS, return on ad spend, ratio entre chiffre d’affaires attribué et dépenses publicitaires, ne suffisent pas pour trancher. Une cohorte probabiliste peut afficher un CPA plus élevé mais recruter davantage de nouveaux clients. Un scoring d’intention peut produire un ROAS spectaculaire parce qu’il cible des prospects déjà proches de l’achat. La bonne question n’est donc pas de savoir quel signal est supérieur en général, mais dans quelles conditions chacun crée de la valeur, à quel étage du funnel, parcours allant de la notoriété à la considération puis à la conversion, et avec quelle robustesse de mesure.
Définir précisément les deux approches avant de les opposer
Une cohorte probabiliste est un regroupement d’utilisateurs ou d’impressions dont l’appartenance repose sur une probabilité plutôt que sur une certitude déclarative. Le modèle peut inférer qu’un navigateur appartient à une cohorte amateurs de SUV, intentionnistes voyage ou jeunes parents à partir de signaux indirects : pages consultées, contexte éditorial, séquences de navigation, device, géographie, temporalité, similarité avec des clients connus, interactions publicitaires ou données agrégées de panels. La cohorte ne dit pas que chaque individu correspond exactement au profil. Elle dit que, collectivement, le groupe a une probabilité supérieure à la moyenne de présenter une caractéristique ou un comportement.
Le scoring d’intention fonctionne différemment. Il attribue un score à une entité observable, par exemple un cookie first-party, un identifiant mobile consenté, un email hashé, une entreprise B2B, un foyer CTV ou une session anonyme. Ce score peut être calculé à partir de signaux chauds : recherche récente, consultation de fiche produit, comparaison de prix, abandon de panier, lecture d’avis, visite répétée, interaction CRM, exposition à une promotion ou comportement sur un site partenaire. Un score de 0 à 100 peut ainsi indiquer une probabilité de conversion à 7 jours, un niveau d’appétence catégorie ou une propension à devenir nouveau client.
La différence essentielle porte sur le niveau d’agrégation. La cohorte probabiliste optimise la pertinence statistique d’un groupe. Le scoring d’intention optimise la valeur attendue d’une opportunité individuelle ou quasi individuelle. Dans le RTB, real-time bidding, mécanisme d’enchères en temps réel permettant d’acheter une impression lorsqu’elle devient disponible, cette différence change la décision d’enchère. Avec une cohorte, l’acheteur ajuste souvent un bid moyen par segment. Avec un score d’intention, il peut moduler l’enchère impression par impression selon la propension estimée, la marge attendue et la récence du signal.
Les deux approches ne sont pas mutuellement exclusives. Une cohorte peut servir de couche de prospection large, tandis qu’un scoring d’intention affine la pression sur les profils les plus avancés. À l’inverse, un score peut être agrégé pour créer des cohortes de haute, moyenne et faible intention lorsque l’activation individuelle est impossible pour des raisons de privacy, de volume ou d’interopérabilité. L’erreur fréquente consiste à opposer les deux comme si elles répondaient au même besoin. Elles répondent plutôt à deux questions différentes : où trouver des populations statistiquement favorables, et combien payer pour une opportunité donnée.
Comparer la qualité du signal : précision, rappel, fraîcheur et biais de sélection
Pour évaluer cohortes probabilistes et scoring d’intention, il faut sortir des promesses commerciales et appliquer une grille de diagnostic proche de celle utilisée en modélisation prédictive. Quatre dimensions sont critiques : la précision, le rappel, la fraîcheur et le biais de sélection. La précision mesure la part d’individus réellement pertinents dans le segment activé. Le rappel mesure la capacité à couvrir l’ensemble des individus pertinents disponibles. La fraîcheur indique le délai entre le signal observé et son activation. Le biais de sélection décrit la déformation introduite par les sources de données disponibles.
Une cohorte probabiliste aura souvent un rappel supérieur. Elle permet d’adresser des volumes importants, y compris lorsque les signaux individuels sont incomplets. Par exemple, une marque automobile peut construire une cohorte affinité SUV à partir de contextes éditoriaux, de données d’intérêt agrégées et de similarités avec ses visiteurs qualifiés. Cette cohorte pourra couvrir plusieurs millions d’impressions par semaine. Mais sa précision sera variable : une partie des internautes exposés n’aura aucun projet automobile à court terme. Le bénéfice se situe davantage dans la construction de demande et la couverture incrémentale que dans la conversion immédiate.
Le scoring d’intention présente généralement une précision plus élevée lorsqu’il s’appuie sur des signaux récents et proches de l’action. Un utilisateur ayant consulté trois fois une page tarifaire B2B, téléchargé un livre blanc et visité une page de démonstration dans les dix derniers jours aura une probabilité de lead supérieure à celle d’un visiteur générique. Mais le rappel peut être faible : ces profils sont rares, déjà sollicités par plusieurs canaux et souvent exposés à une forte concurrence d’enchères. Le risque est de payer très cher un inventaire proche de la conversion, voire de cannibaliser le search marque, l’email CRM ou le trafic direct.
La fraîcheur du signal est déterminante. En retail, une intention alimentaire ou promotionnelle peut perdre sa valeur en quelques heures. Dans l’assurance ou l’automobile, elle peut rester exploitable plusieurs semaines. Dans le B2B enterprise, elle peut s’étaler sur plusieurs mois, mais avec des signaux faibles et multi-intervenants. Un score d’intention calculé quotidiennement peut être trop lent pour une campagne flash, alors qu’une cohorte contextuelle activée en temps réel sur des contenus de comparaison peut capter une intention de session sans identifier durablement l’utilisateur.
Les biais de sélection doivent être explicités. Une cohorte construite sur des visiteurs de sites premium peut surreprésenter des profils socio-économiques élevés. Un score calculé sur des utilisateurs consentis peut sous-représenter certaines populations moins enclines à accepter le tracking. Une base CRM peut concentrer des clients fidèles et mal modéliser les prospects froids. Dans un audit, il faut donc comparer la composition des segments à la cible business : âge, géographie, device, statut client, exposition média antérieure, panier moyen et marge. Un modèle performant sur une population biaisée peut dégrader la conquête réelle.
Évaluer l’impact média : couverture, fréquence, coût et liquidité programmatique
La performance d’un signal ne se juge pas seulement dans un modèle statistique. Elle se juge dans les conditions d’achat média. Une cohorte probabiliste large offre de la liquidité : le DSP peut trouver suffisamment d’impressions, répartir la pression, apprendre sur plusieurs environnements et limiter la hausse du CPM, coût pour mille impressions. Cette liquidité est précieuse pour des objectifs de notoriété, de considération ou de lancement produit. Elle permet aussi de maintenir une fréquence raisonnable, à condition de disposer d’une gouvernance cross-canal.
Le scoring d’intention, lui, tend à concentrer la pression sur des volumes plus faibles. Si 2 % de l’audience totale reçoit un score supérieur à 80 sur 100, l’algorithme peut surenchérir sur ces profils, provoquer une inflation du CPM et générer une saturation rapide. Une campagne peut alors afficher une fréquence moyenne de 5 impressions, mais exposer les profils à forte intention 18 ou 25 fois en sept jours. Cette concentration peut améliorer le CPA attribué à court terme, tout en dégradant l’expérience, la marge et l’incrémentalité.
Un exemple chiffré permet de clarifier l’arbitrage. Une enseigne e-commerce teste deux activations display et vidéo. La cohorte probabiliste intention catégorie regroupe 3 millions de profils adressables, avec un CPM moyen de 4,80 euros, une viewability, ou visibilité publicitaire, de 68 % et un taux de nouveaux clients de 52 %. Le scoring d’intention haute propension regroupe 180 000 profils, avec un CPM moyen de 11,50 euros, une viewability de 72 % et un taux de nouveaux clients de 28 %. Le scoring génère un CPA attribué de 24 euros contre 41 euros pour la cohorte. Mais après déduplication avec le CRM et estimation de l’incrémentalité, la cohorte produit un CPA incrémental de 63 euros, tandis que le scoring remonte à 78 euros car une partie importante des ventes aurait eu lieu via trafic direct ou email.
La liquidité influence aussi la qualité supply. Pour atteindre un segment étroit, le DSP peut accepter des environnements moins qualitatifs, des chemins d’approvisionnement plus opaques ou des formats moins visibles. Le risque est amplifié lorsque le scoring est activé via des marketplaces de données où le taux de matching est limité. À l’inverse, une cohorte large peut être achetée sur des inventaires premium, des PMP, private marketplaces, places de marché privées entre acheteurs et vendeurs sélectionnés, ou des deals garantis avec de meilleurs contrôles de brand safety. La précision du signal ne compense pas toujours une dégradation de l’inventaire.
Le bon indicateur n’est donc pas seulement le CPA par segment. Il faut comparer le coût par reach qualifié, le vCPM, coût pour mille impressions visibles, la fréquence visible, la part de nouveaux clients, le coût par visite qualifiée, la marge par conversion et la couverture incrémentale. Pour les campagnes vidéo, la durée visible et le taux de complétion doivent également être intégrés. Un score d’intention élevé servi sur des impressions non visibles est un signal gaspillé. Une cohorte moins précise mais exposée dans de bonnes conditions peut générer davantage d’effet réel.
Mesurer la contribution : attribution, incrémentalité et rôle dans le funnel
L’attribution désigne la méthode qui assigne une conversion à un ou plusieurs points de contact marketing. Elle est indispensable au pilotage, mais elle favorise souvent les signaux proches de la conversion. Le scoring d’intention bénéficie mécaniquement de cette proximité : il cible des utilisateurs qui ont déjà manifesté une intention mesurable. Les cohortes probabilistes, plus souvent utilisées en haut ou milieu de funnel, peuvent être sous-créditées si l’on mesure uniquement le last click, modèle attribuant 100 % du crédit au dernier clic observé, ou des fenêtres post-view trop courtes.
Pour comparer correctement les deux approches, il faut définir le rôle attendu. En upper funnel, une cohorte probabiliste peut être évaluée sur la couverture utile, l’augmentation des recherches marque, les visites directes, le brand lift, la progression des audiences first-party et le coût par prospect qualifié. En mid funnel, on peut mesurer les visites profondes, les vues produit, les leads intermédiaires, les ajouts panier ou les inscriptions newsletter. En bas de funnel, le scoring d’intention peut être jugé sur CPA, ROAS, marge, taux de conversion et coût par nouveau client. Mélanger ces rôles dans un classement unique revient à pénaliser les leviers de création de demande.
L’incrémentalité doit devenir le juge de paix pour les décisions budgétaires significatives. Un holdout, groupe volontairement non exposé servant de contrefactuel, permet de comparer le comportement de profils scorés exposés et non exposés. Un geo-test peut comparer des zones où la pression sur cohortes probabilistes varie. Le MMM, marketing mix modeling, modélisation statistique qui estime la contribution des leviers marketing à partir de séries temporelles, peut aider à mesurer les effets macro lorsque les identifiants individuels sont incomplets. Ces méthodes ne sont pas parfaites, mais elles évitent de confondre corrélation et causalité.
Un cadre simple consiste à calculer trois niveaux de performance. Le premier est la performance brute plateforme : conversions et chiffre d’affaires revendiqués par le DSP, la plateforme sociale ou le partenaire data. Le deuxième est la performance dédupliquée annonceur : conversions uniques reconnues dans l’analytics, le CRM ou le back-office. Le troisième est la performance incrémentale : conversions ou marge qui n’auraient probablement pas eu lieu sans exposition. Dans de nombreux cas, le scoring d’intention perd une partie de son avantage entre le premier et le troisième niveau, tandis que les cohortes gagnent en pertinence lorsqu’elles prouvent une couverture nouvelle.
Une règle opérationnelle peut être appliquée : ne jamais augmenter un budget bas de funnel uniquement sur la base d’un ROAS attribué si le taux de nouveaux clients, la marge et l’incrémentalité ne suivent pas. Inversement, ne jamais couper une cohorte de prospection uniquement parce que son CPA à J+7 est supérieur, sans regarder les effets à J+30 ou J+90. Les cycles de décision diffèrent. Pour une application mobile à achat impulsif, une fenêtre courte peut suffire. Pour une assurance, une voiture ou un logiciel B2B, la contribution d’une cohorte peut se matérialiser bien après l’exposition.
Choisir selon l’usage : prospection, réactivation, retail media et B2B
Les cohortes probabilistes sont particulièrement utiles lorsque l’objectif est d’élargir le marché adressé. En prospection, elles permettent d’atteindre des profils qui ne sont pas encore dans le CRM et qui ne déclenchent pas de signaux chauds. Elles sont adaptées aux campagnes de notoriété ciblée, aux lancements de gamme, à la construction de considération et aux catégories où l’intention explicite est rare ou tardive. Elles fonctionnent mieux lorsque le modèle intègre des signaux contextuels, des données first-party, c’est-à-dire collectées directement par la marque ou ses partenaires consentis, et une validation par lift ou progression de recherche.
Le scoring d’intention est plus pertinent pour prioriser la pression lorsque la marque dispose de signaux chauds et d’une capacité de conversion. En e-commerce, il peut différencier un visiteur occasionnel d’un abandon panier à forte marge. En B2B, il peut classer des comptes selon leur niveau d’activité sur des contenus techniques, leur engagement email et leurs recherches sectorielles. En retail media, il peut valoriser les acheteurs catégorie récents, les visiteurs de pages produit et les clients exposés à une promotion. Mais il doit être plafonné pour éviter la surexposition des utilisateurs déjà acquis.
Le retail media illustre bien la complémentarité. Les retailers disposent de données transactionnelles puissantes, mais leur activation peut être très orientée conversion. Une cohorte probabiliste acheteurs catégorie non marque peut servir à recruter dans le rayon digital. Un scoring d’intention peut ensuite prioriser les utilisateurs qui ont consulté la catégorie, comparé deux références et montré une sensibilité prix. Si l’on ne mesure que le ROAS onsite, le scoring semblera souvent supérieur. Si l’on mesure la pénétration de nouveaux foyers, la part de catégorie et la marge incrémentale, la cohorte peut justifier un rôle stratégique.
Dans le B2B, la distinction individu-compte ajoute une complexité. Un score d’intention individuel peut être trompeur si un seul salarié consulte un contenu sans projet d’achat. Une cohorte probabiliste au niveau compte, construite à partir de signaux agrégés sur plusieurs décideurs, peut mieux représenter une dynamique d’achat. Les frameworks d’account-based marketing, ou ABM, stratégie consistant à cibler des comptes prioritaires plutôt que des individus isolés, combinent souvent les deux : cohorte de comptes à potentiel, scoring d’intention par compte, puis activation personnalisée selon le rôle des contacts.
Pour la réactivation CRM, le scoring d’intention est généralement plus robuste. Il permet d’éviter de traiter tous les anciens clients de la même manière et d’ajuster l’offre, le canal et la pression selon probabilité de retour, marge attendue et sensibilité promotionnelle. Toutefois, les cohortes restent utiles lorsque les signaux CRM sont incomplets ou lorsque l’on souhaite retrouver des profils similaires à des clients dormants à forte valeur. La clé est de ne pas acheter au prix fort des clients qui auraient été réactivés par un email ou une notification à coût marginal faible.
Gouvernance data : transparence, privacy, explicabilité et tests continus
La comparaison entre cohortes probabilistes et scoring d’intention ne peut pas être séparée de la gouvernance data. Les équipes doivent demander comment le signal est construit, à quelle fréquence il est mis à jour, quelles sources sont utilisées, quel est le taux de matching, quels environnements sont couverts, quelles exclusions sont appliquées et comment la conformité au consentement est garantie. Un segment dont la méthodologie est opaque doit être traité comme un actif risqué, même s’il affiche de bonnes performances apparentes.
L’explicabilité est un critère opérationnel. Un score peut être performant mais difficile à interpréter si le modèle est une boîte noire. Or les marketeurs doivent comprendre les variables qui poussent l’enchère : récence, fréquence de visite, catégorie consultée, historique d’achat, contexte, device, géographie, engagement publicitaire. Sans cette lecture, il devient impossible de détecter une dérive. Par exemple, un modèle peut surpondérer les clients existants parce qu’ils convertissent mieux, alors que l’objectif de campagne est la conquête. Il peut aussi favoriser des environnements à forte attribution mais faible qualité média.
La privacy impose une discipline supplémentaire. Les cohortes probabilistes, parce qu’elles fonctionnent souvent à un niveau agrégé, peuvent réduire certains risques d’identification, mais elles ne sont pas automatiquement exemptes d’enjeux réglementaires. Le scoring d’intention, plus proche de l’individu, exige une base légale claire, une gestion rigoureuse du consentement, des durées de conservation adaptées et des mécanismes d’exclusion. La clean room, environnement sécurisé permettant de croiser des données sans exposer les identifiants individuels, peut aider à comparer signaux annonceur, retailer et plateforme, mais elle ne remplace pas une stratégie de minimisation des données.
Un protocole de test doit accompagner toute activation. Avant généralisation, il faut comparer cohortes et scores sur des cellules contrôlées, avec budgets similaires, exclusions CRM cohérentes, caps de fréquence identiques et mesure dédupliquée. Les résultats doivent être lus au minimum sur quatre axes : performance attribuée, performance incrémentale, qualité média et effet business long terme. Un test limité à 14 jours peut conclure à tort en faveur du scoring si l’objectif réel est la conquête. Un test sans holdout peut surestimer la valeur du retargeting intentionniste. Un test sans contrôle supply peut confondre qualité du signal et qualité de l’inventaire.
Enfin, la gouvernance doit prévoir une fréquence de recalibrage. Les cohortes se dégradent lorsque les comportements changent, que les sources de données évoluent ou que la concurrence achète les mêmes segments. Les scores se dégradent lorsque les modèles apprennent sur des conversions biaisées, des promotions atypiques ou des périodes saisonnières. Une bonne pratique consiste à suivre chaque mois la stabilité des distributions de score, le taux de conversion par décile, le taux de nouveaux clients, la marge, la fréquence et la contribution incrémentale. Si le décile supérieur ne surperforme plus clairement le décile médian, le modèle doit être réentraîné ou repensé.
Conclusion : construire une matrice de décision plutôt qu’un classement unique
Comparer cohortes probabilistes et scoring d’intention revient à comparer deux manières de réduire l’incertitude. La cohorte accepte une précision individuelle limitée en échange de volume, de couverture et de résilience dans un monde moins adressable. Le scoring cherche une décision plus fine, mais il dépend fortement de la fraîcheur, de la qualité des signaux, du consentement, de la liquidité et de la capacité à distinguer intention réelle et conversion déjà probable.
Une approche actionnable consiste à utiliser une matrice en quatre cases. Premièrement, pour la prospection large et la création de demande, privilégier les cohortes probabilistes enrichies par le contexte et validées par lift, reach incrémental et nouveaux clients. Deuxièmement, pour la considération active, combiner cohortes affinées et scores intermédiaires afin d’ajuster la pression sans réduire excessivement le volume. Troisièmement, pour la conversion et la réactivation, utiliser le scoring d’intention, mais avec caps de fréquence, exclusions CRM, pondération par marge et test d’incrémentalité. Quatrièmement, pour les catégories à cycles longs, comme B2B, automobile ou finance, agréger les signaux au niveau compte, foyer ou zone géographique pour éviter une lecture trop court-termiste.
La feuille de route peut se résumer en sept décisions. Définir d’abord le rôle du levier dans le funnel avant de choisir le signal. Mesurer ensuite précision, rappel, fraîcheur et biais de chaque segment. Comparer le coût média réel avec vCPM, fréquence visible et qualité supply, pas seulement CPM brut. Dédupliquer les conversions dans une source de vérité annonceur. Tester l’incrémentalité par holdout, geo-test ou lift study sur les budgets significatifs. Pondérer l’optimisation par marge, nouveaux clients et valeur vie client. Enfin, recalibrer régulièrement les modèles pour éviter la dérive.
Le signal parfait n’existe pas. Une cohorte probabiliste peut être trop large, un score d’intention trop opportuniste. La maturité consiste à orchestrer les deux : utiliser la probabilité collective pour ouvrir le marché, puis l’intention scorée pour prioriser les opportunités sans surpayer la demande existante. C’est à cette condition que le ciblage data cesse d’être une promesse de précision abstraite et devient un système d’allocation économique au service de la croissance incrémentale.
