Framework pour évaluer un graphe d’identité en programmatique

L’identité devient un actif de mesure avant d’être un levier de ciblage

Évaluer un graphe d’identité en programmatique ne consiste plus à demander un taux de match élevé et une promesse de reach additionnel. Depuis la fragmentation des identifiants, la restriction des cookies tiers, les cadres de consentement plus stricts et la montée des environnements logués, l’identité publicitaire est devenue un compromis permanent entre couverture, précision, conformité, coût et utilité business. Un graphe d’identité désigne un système qui relie plusieurs signaux, par exemple cookies, emails hashés, identifiants mobiles, identifiants first-party, adresses IP tronquées, devices, foyers ou profils logués, afin de reconnaître ou de rapprocher un utilisateur, un terminal ou un ménage dans différents environnements.

Dans le programmatique, ce graphe alimente des décisions en RTB, real-time bidding, enchères en temps réel permettant d’acheter une impression publicitaire au moment où elle devient disponible. Il peut être utilisé dans une DSP, demand-side platform, plateforme d’achat automatisé d’impressions publicitaires, pour cibler, exclure, capper la fréquence, personnaliser une création, attribuer une conversion ou mesurer la couverture incrémentale. Il peut aussi être exploité par une SSP, supply-side platform, plateforme utilisée par les éditeurs pour vendre leur inventaire, afin de qualifier une impression et d’en augmenter la valeur.

Le problème est que beaucoup de graphes sont encore évalués sur des métriques de surface : nombre d’identifiants, volume d’audience, match rate, disponibilité géographique ou compatibilité avec les principales plateformes. Ces indicateurs sont nécessaires, mais insuffisants. Un graphe peut matcher 65 % d’une base CRM et pourtant dégrader la performance s’il relie mal les individus aux foyers, s’il introduit des faux positifs dans les segments ou s’il ne respecte pas les finalités de consentement. À l’inverse, un graphe plus restreint mais plus déterministe peut produire de meilleurs arbitrages sur des cas d’usage à forte valeur, comme l’exclusion des clients existants, la mesure de nouveaux acheteurs ou la limitation de la surpression publicitaire.

Le framework proposé ici vise à évaluer un graphe d’identité comme une infrastructure de décision, pas comme un simple produit data. Il s’articule autour de six dimensions : la qualité des liens, la couverture utile, la conformité, l’intégration opérationnelle, l’impact média et la robustesse de mesure. L’objectif n’est pas d’identifier le graphe parfait, qui n’existe pas, mais de choisir le niveau de risque acceptable selon chaque cas d’usage du funnel, c’est-à-dire le parcours allant de la notoriété à la considération, puis à la conversion et à la fidélisation.

Qualifier la nature du graphe : déterministe, probabiliste ou hybride

La première question à poser est simple : comment les liens sont-ils établis ? Un graphe déterministe repose sur des signaux authentifiés ou déclarés : login, email hashé, identifiant client, consentement explicite, compte fidélité, identifiant mobile tel que l’IDFA sur iOS ou l’AAID sur Android lorsque disponible. Un graphe probabiliste infère les liens à partir de corrélations : adresse IP, user agent, horaires de connexion, localisation approximative, comportement de navigation, caractéristiques du terminal ou patterns d’exposition. La plupart des solutions de marché sont hybrides, avec un noyau déterministe enrichi par des relations probabilistes.

Le déterministe est souvent présenté comme supérieur, mais la réalité est plus nuancée. Il offre une précision plus élevée sur les environnements logués, mais il peut manquer de couverture, notamment sur le web ouvert, les navigateurs restrictifs ou les contextes sans authentification. Le probabiliste augmente la portée, mais introduit des risques de faux positifs, c’est-à-dire des liens entre identifiants qui ne correspondent pas au même individu ou au même foyer. Dans certains cas, un faux positif coûte peu : élargir une audience vidéo de notoriété avec une marge d’erreur raisonnable peut rester acceptable. Dans d’autres, il coûte cher : exclure à tort des prospects à forte valeur ou attribuer une conversion au mauvais contact peut fausser le CPA, coût par acquisition, soit le montant dépensé pour générer une conversion attribuée.

Un bon audit doit donc demander la distribution des types de liens. Quelle part des relations est déterministe ? Quelle part est probabiliste ? Quels signaux entrent dans le modèle ? Les liens ont-ils un score de confiance ? Sont-ils rafraîchis quotidiennement, hebdomadairement ou mensuellement ? Existe-t-il une date d’expiration ? Un lien probabiliste entre un cookie web et un foyer basé sur une adresse IP résidentielle peut être pertinent pendant quelques jours ; il devient fragile si le foyer utilise plusieurs réseaux, si l’adresse IP est partagée ou si le comportement change.

Un framework utile consiste à classer les usages selon leur tolérance à l’incertitude :

• Faible tolérance : suppression CRM, mesure de nouveaux clients, attribution post-exposition, activation de données sensibles ou segmentation à forte valeur. Priorité aux liens déterministes ou à des scores de confiance élevés.
• Tolérance intermédiaire : capping cross-device, retargeting multi-device, extension d’audience, séquençage créatif. Usage possible de liens hybrides avec plafonds de fréquence et contrôles de performance.
• Tolérance plus élevée : reach planning, vidéo upper funnel, modélisation de couverture, analyse de duplication entre canaux. Les signaux probabilistes peuvent être acceptés s’ils sont clairement pondérés.

Cette segmentation évite une erreur fréquente : utiliser le même graphe et le même seuil de confiance pour des décisions qui n’ont pas le même impact économique. L’identité n’est pas binaire. Elle doit être scorée, documentée et activée différemment selon le risque business.

Mesurer la couverture utile, pas seulement le taux de match

Le match rate est l’un des indicateurs les plus cités lors de l’évaluation d’un graphe. Il mesure la part d’une base source, par exemple une base CRM ou une audience éditeur, que le graphe parvient à rapprocher d’identifiants activables. Mais un taux de match isolé peut être trompeur. Un match de 70 % sur une base peu consentie ou peu active dans les environnements programmatiques vaut moins qu’un match de 45 % sur une population récente, consentie, fréquente et disponible dans les inventaires réellement achetés.

Il faut distinguer quatre niveaux de couverture. Le premier est la couverture théorique : nombre total d’identifiants dans le graphe. Le deuxième est la couverture matchée : part d’une base que le graphe reconnaît. Le troisième est la couverture activable : part reconnue qui peut effectivement être ciblée dans les DSP, les réseaux sociaux, la TV connectée ou les environnements retail media. Le quatrième est la couverture mesurable : part exposée pour laquelle on peut relier impressions, interactions et conversions avec une méthodologie acceptable.

Dans les audits, l’écart entre ces niveaux est souvent majeur. Une marque peut fournir 1 million d’emails hashés. Le graphe en matche 600 000, soit 60 %. Après filtrage du consentement, 480 000 restent exploitables. Après synchronisation avec la DSP, 300 000 sont activables. Après déduplication, fréquence minimale et disponibilité média, l’audience réellement exposable peut tomber à 180 000. La couverture utile n’est donc pas 60 %, mais 18 % de la base initiale si l’objectif est une activation programmatique effective.

Le calcul doit aussi être ventilé par navigateur, device, environnement et zone géographique. Les performances varient fortement entre Chrome, Safari, Firefox, application mobile, CTV, retail media onsite ou web ouvert. Sur Safari et Firefox, les restrictions de tracking réduisent la persistance des identifiants. Sur CTV, l’identité est souvent plus proche du foyer que de l’individu. Sur mobile in-app, la disponibilité des identifiants publicitaires dépend du consentement et des choix de l’utilisateur. Une moyenne globale masque donc des poches de performance et de fragilité.

La bonne question n’est pas : quel est votre match rate ? Elle est : quel est votre match rate activable, consented, dédupliqué, par canal et par cas d’usage ? Pour une campagne de conquête vidéo, une couverture foyer peut suffire. Pour une exclusion client sur une campagne d’acquisition, il faut une reconnaissance plus précise de l’individu. Pour une mesure de ROAS, return on ad spend, ratio entre chiffre d’affaires attribué et dépenses publicitaires, il faut pouvoir relier exposition, conversion et valeur avec un niveau de confiance documenté.

Auditer la précision : faux positifs, faux négatifs et persistance des liens

La précision d’un graphe se mesure autant par ce qu’il relie correctement que par ce qu’il évite de relier. Deux erreurs doivent être suivies : les faux positifs et les faux négatifs. Un faux positif associe deux identifiants qui ne devraient pas l’être. Un faux négatif échoue à relier deux identifiants appartenant pourtant au même utilisateur ou foyer. Les deux ont des effets différents. Les faux positifs dégradent la pertinence, la mesure et la conformité potentielle ; les faux négatifs réduisent la couverture, augmentent la duplication et limitent le capping cross-device.

En marketing, le faux positif est souvent plus coûteux que le faux négatif dans les cas d’usage de mesure et d’exclusion. Si un graphe attribue une conversion d’un individu A à une exposition de l’individu B au sein du même foyer, la campagne peut apparaître performante sans l’être. Si un prospect est classé à tort comme client existant, il peut être exclu d’une campagne d’acquisition. En revanche, un faux négatif en vidéo upper funnel peut simplement signifier une fréquence moins bien maîtrisée, ce qui reste problématique mais moins destructeur pour l’analyse causale.

Pour auditer la précision, il faut demander des tests sur base de vérité. Une base de vérité peut être un environnement logué, un panel, une base CRM avec transactions connues ou un échantillon d’utilisateurs ayant plusieurs devices authentifiés. Les métriques à suivre sont proches des frameworks de classification utilisés en data science : précision, rappel et F-score. La précision mesure la part des liens proposés qui sont corrects. Le rappel mesure la part des liens corrects que le graphe parvient à retrouver. Le F-score combine les deux. Un graphe très prudent peut avoir une précision de 95 % mais un rappel faible ; un graphe agressif peut avoir un rappel élevé mais une précision insuffisante.

La persistance est un autre facteur critique. Un lien d’identité n’a pas la même valeur selon sa fraîcheur. Les déménagements, changements d’appareil, partages de comptes, suppressions de cookies, rotations d’adresses IP, consentements retirés ou usages professionnels et personnels mélangés dégradent rapidement certains signaux. Un lien mobile déterministe peut rester stable plusieurs mois si l’identifiant est disponible et consenti ; un lien cookie-IP-device peut perdre fortement en fiabilité après quelques jours ou semaines. Le graphe doit donc fournir une courbe de dégradation et pas seulement une photographie à date.

Une règle opérationnelle consiste à définir des TTL, time to live, durées de validité des liens, par type de signal. Par exemple : 7 jours pour certains signaux IP non authentifiés, 30 à 90 jours pour des liens comportementaux probables, 180 jours ou plus pour des liens déterministes sous réserve de consentement actif et de relation client maintenue. Ces seuils ne sont pas universels ; ils doivent être testés par catégorie, pays, canal et usage. L’important est d’éviter qu’un lien ancien conserve le même poids qu’un lien récent.

Vérifier la conformité et la gouvernance des finalités

Un graphe d’identité est un actif à haut risque réglementaire parce qu’il organise la reconnaissance d’utilisateurs, de devices ou de foyers dans plusieurs contextes. Le RGPD, règlement général sur la protection des données, impose notamment des principes de base légale, transparence, minimisation, limitation des finalités et maîtrise des durées de conservation. Même hashés, des emails ou identifiants pseudonymes peuvent rester des données personnelles s’ils permettent de reconnaître indirectement une personne.

L’audit doit commencer par la provenance des signaux. Quels partenaires contribuent au graphe ? Les données proviennent-elles d’éditeurs, d’annonceurs, de plateformes e-commerce, de courtiers data, de SDK mobiles, de formulaires ou de données transactionnelles ? Les finalités de collecte autorisent-elles la publicité personnalisée, la mesure, l’enrichissement, le partage avec des tiers ou seulement certaines de ces opérations ? Un consentement valable pour mesurer une audience n’autorise pas automatiquement l’activation publicitaire cross-site.

La gouvernance des finalités doit être granulaire. Un graphe mature doit pouvoir distinguer les usages : ciblage, exclusion, fréquence, attribution, reporting agrégé, modélisation, lookalike, clean room. Une clean room est un environnement sécurisé permettant de croiser des données entre acteurs sans exposer directement les identifiants individuels. Elle peut réduire certains risques de transfert, mais elle ne supprime pas la nécessité d’une base légale ni d’une documentation de finalité.

Les questions à poser au fournisseur sont concrètes :

• Consentement : comment le statut de consentement est-il collecté, transmis, mis à jour et propagé aux partenaires d’activation ?
• Révocation : quel délai pour retirer un utilisateur du graphe après retrait du consentement ou demande d’opposition ?
• Minimisation : quels signaux sont nécessaires au cas d’usage et lesquels sont conservés par confort technique ?
• Rétention : quelles durées de conservation par identifiant, lien et événement ?
• Auditabilité : existe-t-il des journaux permettant de prouver l’origine du signal, la finalité et les partenaires ayant reçu l’information ?

La conformité n’est pas seulement défensive. Elle influence la performance. Un graphe qui ne sait pas propager correctement les statuts de consentement crée des pertes d’activation, des incohérences de reporting et des risques de réputation. À l’inverse, un graphe plus transparent peut faciliter les partenariats éditeurs, retail media ou data clean rooms, car il donne aux parties prenantes une base de confiance vérifiable.

Tester l’intégration opérationnelle dans la chaîne programmatique

Un graphe peut être théoriquement solide et opérationnellement peu exploitable. En programmatique, la valeur se matérialise dans la capacité à synchroniser les identifiants, à transmettre des segments, à recevoir des logs, à dédupliquer les expositions et à appliquer des règles dans les plateformes d’achat. L’évaluation doit donc inclure la chaîne complète : collecte, résolution, segmentation, activation DSP, diffusion via SSP, mesure, retour de performance et recalibrage.

La synchronisation est souvent le premier goulot d’étranglement. Les taux de match entre un graphe et une DSP peuvent varier fortement selon les intégrations server-to-server, les cookies disponibles, les identifiants universels supportés, les environnements in-app et les restrictions navigateur. Un fournisseur peut annoncer 80 millions de profils dans un pays, mais n’en rendre qu’une fraction activable dans la DSP utilisée par l’annonceur. Il faut donc tester sur les plateformes réellement utilisées, pas sur une liste générique de compatibilités.

La latence compte également. Pour du retargeting panier, un délai de 24 heures peut être trop long. Pour une campagne de considération, une mise à jour quotidienne peut suffire. Pour l’exclusion d’acheteurs récents, la fraîcheur est critique : continuer à cibler un client après achat dégrade l’expérience, gaspille le budget et gonfle artificiellement l’attribution post-view. Le SLA, service level agreement, accord de niveau de service, doit couvrir la fréquence de mise à jour des segments, les délais de suppression et la disponibilité des logs.

Il faut aussi analyser les pertes de signal dans la supply chain. Entre l’annonceur, la CDP, customer data platform, plateforme de centralisation et d’activation des données clients, le graphe, la DSP, les SSP et les éditeurs, chaque étape peut réduire la population exploitable. Les frais technologiques doivent être intégrés au calcul : data fees, frais d’identité, coûts de clean room, coûts DSP, coûts de mesure et éventuelles marges intermédiaires. Dans certains montages programmatiques, les coûts technologiques et data peuvent représenter 15 % à 35 % du budget média brut. Un gain de ciblage doit donc compenser ces frais.

Un pilote opérationnel doit être conçu avant tout déploiement large. Par exemple, sélectionner deux audiences comparables : une activée avec le graphe et une audience de contrôle sans enrichissement ou avec une méthode alternative. Mesurer le reach dédupliqué, la fréquence, le CPM, coût pour mille impressions, le taux de clic, les visites qualifiées, les conversions, le CPA, le ROAS et surtout la part de nouveaux clients ou de ventes incrémentales. L’objectif n’est pas seulement de vérifier que le graphe diffuse, mais qu’il modifie positivement les décisions d’achat média.

Relier l’évaluation du graphe aux résultats business

Le piège le plus courant est d’évaluer l’identité en métriques techniques sans la relier aux résultats économiques. Un graphe n’a pas de valeur intrinsèque ; il a une valeur s’il améliore un arbitrage. Les cas d’usage doivent donc être hiérarchisés selon leur contribution potentielle. Dans une marque e-commerce, les priorités peuvent être l’exclusion des clients récents, le capping cross-device, la reconquête des clients dormants, l’acquisition de prospects similaires aux meilleurs clients ou la mesure de ventes post-exposition. Dans une marque de grande consommation, le graphe peut surtout servir à relier exposition retail media, foyers acheteurs et pénétration catégorie.

Chaque cas d’usage doit avoir une hypothèse testable. Exemple : l’utilisation du graphe pour exclure les acheteurs des 30 derniers jours réduit-elle le CPA de 10 % sans réduire le volume incrémental ? Autre exemple : le capping cross-device diminue-t-il la fréquence moyenne de 8 à 5 impressions par individu ou foyer tout en maintenant le taux de conversion ? Ou encore : l’extension d’audience basée sur les meilleurs clients augmente-t-elle la part de nouveaux acheteurs à 12 mois, même si le CPA immédiat augmente ?

La mesure doit distinguer attribution et incrémentalité. L’attribution assigne une conversion à un ou plusieurs points de contact média. Elle est utile pour optimiser, mais ne prouve pas que la vente n’aurait pas eu lieu sans exposition. L’incrémentalité mesure la contribution causale via un groupe exposé et un groupe de contrôle, un holdout, un geo-test ou une étude de conversion lift. Un graphe peut améliorer l’attribution en reliant davantage d’expositions aux conversions, mais cette hausse peut être purement mécanique. Si les conversions attribuées augmentent de 30 % mais que le lift incrémental reste stable, le graphe améliore la visibilité du reporting plus que la performance réelle.

Pour éviter cette confusion, il est utile de créer trois niveaux de lecture :

1. Impact technique : taux de match activable, duplication réduite, fréquence mieux contrôlée, segments transmis avec faible latence.
2. Impact média : CPM effectif, reach qualifié, taux de complétion vidéo, visites qualifiées, CPA, ROAS, coût par nouveau client.
3. Impact business : marge incrémentale, nouveaux acheteurs, LTV, lifetime value, valeur économique attendue d’un client sur sa durée de relation, part de catégorie, réachat, réduction de cannibalisation.

Le graphe doit être conservé, ajusté ou abandonné selon le troisième niveau, pas seulement selon le premier. Un cas fréquent : le graphe améliore le ROAS plateforme parce qu’il retrouve des clients déjà proches de l’achat, mais il n’augmente pas la marge incrémentale. Dans ce scénario, l’identité sert à capter de la demande existante plutôt qu’à créer de la croissance. Ce n’est pas nécessairement inutile, mais le budget et le discours de performance doivent être recalibrés.

Mettre en place une grille de décision et un protocole de test

Pour comparer plusieurs graphes, une grille de scoring pondérée est plus efficace qu’une démonstration fournisseur. Les pondérations doivent dépendre des objectifs. Une marque très orientée acquisition accordera plus de poids à la couverture activable, au coût par nouveau client et à la compatibilité DSP. Un retailer media valorisera davantage la précision déterministe, la gouvernance du consentement, les clean rooms et la mesure des ventes. Une entreprise régulée privilégiera la conformité, l’auditabilité et la minimisation.

Une grille type peut répartir 100 points ainsi : 20 points pour la qualité des liens, 15 pour la couverture utile, 20 pour la conformité et la gouvernance, 15 pour l’intégration opérationnelle, 20 pour l’impact mesuré sur les cas d’usage, 10 pour la transparence commerciale et les coûts. Cette pondération doit être discutée avec marketing, data, juridique, achats, média et finance. Le graphe d’identité touche trop de décisions pour être sélectionné uniquement par l’équipe acquisition.

Le protocole de test doit être strict. Première étape : choisir deux ou trois cas d’usage prioritaires, pas dix. Deuxième étape : définir une population éligible, un groupe test et un groupe de contrôle. Troisième étape : fixer les KPI avant la campagne : reach dédupliqué, fréquence, CPA, ROAS, nouveaux clients, marge, lift incrémental. Quatrième étape : imposer une fenêtre d’observation adaptée au cycle d’achat. Cinquième étape : documenter les biais, par exemple promotions, ruptures de stock, pression concurrente ou saisonnalité.

Un exemple concret peut servir de repère. Une enseigne spécialisée veut évaluer un graphe pour réduire la surpression sur ses clients existants et mieux recruter de nouveaux acheteurs. Sur une base CRM de 2 millions de clients, le graphe matche 52 %, mais seulement 34 % sont activables après consentement et synchronisation DSP. Un test de six semaines compare une campagne d’acquisition classique à une campagne avec exclusion clients et extension d’audience sur profils à forte marge. Les résultats montrent un CPA 12 % plus élevé dans le groupe avec graphe, mais une part de nouveaux clients qui passe de 38 % à 57 % et une marge moyenne à 90 jours supérieure de 22 %. Dans ce cas, juger le graphe sur le CPA immédiat conduirait à le rejeter à tort ; juger sur la marge incrémentale et la qualité de cohorte peut justifier son usage.

À l’inverse, un autre test peut révéler qu’un graphe augmente les conversions post-view attribuées sans améliorer le lift de ventes. Cela signale un risque de sur-attribution. Le bon arbitrage peut alors être de limiter le graphe au capping et à l’exclusion, mais de ne pas l’utiliser comme source principale d’attribution ou d’optimisation automatique.

Conclusion : évaluer l’identité comme un système de décision contrôlé

Un graphe d’identité en programmatique doit être évalué sur sa capacité à améliorer des décisions mesurables : qui cibler, qui exclure, combien enchérir, quelle fréquence appliquer, comment attribuer et comment prouver l’impact. Les indicateurs techniques restent indispensables, mais ils ne suffisent pas. Le taux de match, le volume d’identifiants et la compatibilité plateforme ne disent rien, seuls, de la précision, de la conformité, de la fraîcheur, du coût réel ou de la contribution incrémentale.

Une feuille de route actionnable peut tenir en sept étapes. Premièrement, classifier les cas d’usage selon leur tolérance au risque d’identité. Deuxièmement, documenter la nature des liens, déterministes, probabilistes ou hybrides, avec scores de confiance et durées de validité. Troisièmement, mesurer la couverture utile : consentie, activable, dédupliquée et mesurable par canal. Quatrièmement, auditer la précision avec une base de vérité et suivre faux positifs, faux négatifs, rappel et persistance. Cinquièmement, vérifier la conformité des finalités, la révocation du consentement et l’auditabilité des partenaires. Sixièmement, tester l’intégration réelle dans les DSP, SSP, clean rooms et outils de mesure. Septièmement, décider sur la marge incrémentale, les nouveaux clients et la qualité de cohorte, pas seulement sur le ROAS attribué.

Le point clé est de refuser une vision monolithique de l’identité. Un même graphe peut être pertinent pour planifier la couverture, acceptable pour le capping, risqué pour l’attribution et inadapté à l’exclusion de clients si la précision est insuffisante. La maturité consiste à appliquer le bon seuil de confiance au bon usage. Dans un écosystème où les signaux individuels deviennent plus rares et plus encadrés, la valeur ne viendra pas du graphe le plus large, mais du graphe le mieux gouverné, le mieux testé et le plus directement relié aux décisions business.