Mesurer l’effet du capping data sur le CPA incrémental
Le plafonnement des signaux data ne se juge pas au CPA observé, mais à la valeur marginale qu’il préserve
Le capping data est souvent traité comme un réglage de confort : limiter la pression sur une audience, éviter de surexposer les mêmes profils, réduire le coût média sur des segments déjà sollicités. Pour un annonceur mature, l’enjeu est plus stratégique. Le capping data modifie la distribution des impressions entre audiences, fréquences, canaux et moments du parcours. Il change donc mécaniquement le CPA, coût par acquisition, c’est-à-dire le budget nécessaire pour générer une conversion attribuée. Mais le CPA affiché par une plateforme ne répond pas à la vraie question : combien coûte une acquisition réellement incrémentale après application du capping ?
L’incrémentalité mesure la part de résultats causée par l’exposition publicitaire, par opposition aux conversions qui auraient eu lieu sans publicité. Un capping data peut dégrader le CPA attribué tout en améliorant le CPA incrémental. C’est le cas lorsqu’il retire des impressions sur des utilisateurs déjà très proches de convertir, fortement exposés à d’autres leviers ou naturellement captés par la marque. À l’inverse, il peut améliorer artificiellement le CPA attribué s’il concentre la diffusion sur des profils très chauds, mais sans créer de demande additionnelle. La mesure doit donc séparer performance revendiquée et performance causale.
Dans l’achat programmatique, cette séparation est critique. Le RTB, real-time bidding, désigne le mécanisme d’enchères en temps réel qui permet d’acheter une impression publicitaire lorsqu’elle devient disponible. Le DSP, demand-side platform, est la plateforme utilisée par les acheteurs pour décider s’ils enchérissent, à quel prix et avec quelles règles de ciblage. Les signaux data utilisés par le DSP, issus du CRM, d’une CDP, customer data platform, plateforme de centralisation et d’activation des données clients, d’une DMP, data management platform, plateforme de gestion de segments publicitaires, ou de partenaires data, orientent fortement l’allocation. Plafonner l’usage de ces signaux revient à redessiner l’espace d’apprentissage de l’algorithme.
La difficulté vient du fait que le capping data agit à plusieurs niveaux simultanément. Il peut limiter la fréquence d’exposition par utilisateur, plafonner le budget alloué à un segment, restreindre le nombre de fois où un identifiant est activé dans une fenêtre donnée, réduire la récence d’un segment, exclure des audiences saturées ou empêcher qu’un même individu soit ciblé dans plusieurs lignes d’achat. Chaque règle peut avoir un effet différent sur le CPA attribué, le CPA incrémental, le reach, c’est-à-dire la couverture d’individus distincts exposés au moins une fois, et la qualité du signal transmis aux algorithmes.
Mesurer l’effet réel suppose donc de traiter le capping data comme une décision d’allocation, pas comme une simple règle de fréquence. La question opérationnelle devient : à partir de quel seuil la prochaine impression sur une audience data coûte-t-elle plus qu’elle ne rapporte en acquisition incrémentale ? C’est cette logique marginale qui doit guider le diagnostic.
Définir précisément ce que l’on plafonne : fréquence, segment, récence ou budget data
La première source d’erreur consiste à parler du capping data comme d’un mécanisme unique. En pratique, il faut distinguer au moins quatre familles de plafonnement. Le frequency capping limite le nombre d’expositions par utilisateur, foyer, device ou identifiant dans une période donnée. Le segment capping limite le volume ou le budget alloué à une audience data spécifique, par exemple les visiteurs produit des sept derniers jours ou les intentionnistes automobile. Le recency capping limite l’utilisation d’un signal au-delà d’une certaine fraîcheur, par exemple ne plus activer un abandon panier après 72 heures. Le cross-channel capping tente de limiter la pression totale sur un individu exposé via display, vidéo, social, retail media ou email.
Ces quatre logiques ne produisent pas les mêmes effets. Un capping de fréquence peut réduire la saturation sans changer la composition de l’audience. Un capping de segment peut déplacer le budget vers d’autres audiences, plus froides ou plus larges. Un capping de récence peut couper les conversions les plus probables, donc dégrader le CPA attribué à court terme. Un capping cross-canal peut améliorer l’expérience utilisateur et réduire les doublons, mais il dépend fortement de la qualité de résolution d’identité.
Le niveau d’identité est déterminant. Un plafond appliqué au cookie, à l’ID mobile, à l’utilisateur logué ou au foyer CTV ne couvre pas le même périmètre. Avec la fragmentation des identifiants, un utilisateur peut être capé sur navigateur desktop mais rester exposable sur mobile in-app ou TV connectée. Un capping mal documenté peut donc donner l’illusion d’une réduction de pression alors que la pression réelle se déplace entre environnements. Pour mesurer l’effet sur le CPA incrémental, il faut savoir si l’unité plafonnée correspond à une personne, un device, un navigateur, un foyer ou une cohorte probabiliste.
Il faut également préciser la fenêtre temporelle. Un plafond de trois impressions par jour n’a pas le même sens qu’un plafond de dix impressions sur sept jours. Dans les campagnes de conversion, la valeur marginale est souvent très dépendante de la récence. Une impression retargeting dans l’heure qui suit un abandon panier peut avoir une valeur différente de la dixième impression deux jours plus tard. Dans une campagne de notoriété, l’effet peut au contraire nécessiter plusieurs contacts visibles pour créer de la mémorisation. Le même seuil de capping peut donc être optimal en bas de funnel et destructeur en haut de funnel.
Enfin, il faut distinguer capping d’exposition et capping d’éligibilité. Dans le premier cas, l’utilisateur reste éligible mais ne reçoit plus d’impression après un seuil atteint. Dans le second, un segment entier devient inéligible au-delà d’un budget, d’une récence ou d’un score. L’effet algorithmique diffère : un plafond d’exposition laisse le DSP explorer d’autres opportunités sur le même segment tant que le seuil n’est pas atteint ; un plafond d’éligibilité supprime complètement une zone de marché et peut réduire le volume d’apprentissage.
Construire une baseline incrémentale avant de modifier les règles
Mesurer l’effet du capping data sans baseline revient à comparer deux marchés différents. Une baisse du CPA après plafonnement peut venir d’un meilleur contrôle de la fréquence, mais aussi d’une saisonnalité favorable, d’une promotion, d’un changement créatif, d’une hausse de notoriété, d’une modification des enchères ou d’un déplacement vers des inventaires moins chers. À l’inverse, une hausse du CPA peut refléter une suppression de conversions non incrémentales plutôt qu’une perte réelle de ventes.
La baseline doit être construite au niveau le plus granulaire possible. Les dimensions minimales sont le canal, le DSP, le format, le device, le pays, le type d’achat, le segment data, la récence du signal, la fréquence d’exposition, le statut client, le niveau de consentement et l’objectif de campagne. Une moyenne globale masque presque toujours les effets utiles. Un capping peut être très rentable sur les visiteurs panier exposés plus de huit fois, neutre sur les visiteurs produit récents, et négatif sur une audience de prospection contextuelle où la répétition est nécessaire.
Le point clé est d’intégrer une mesure de conversion incrémentale, pas seulement attribuée. L’attribution désigne la méthode qui assigne une conversion à un ou plusieurs points de contact marketing. Elle est utile pour le pilotage opérationnel, mais elle favorise souvent les audiences proches de la conversion. Le CPA attribué mesure le coût par conversion revendiquée par une plateforme ou un modèle d’attribution. Le CPA incrémental mesure le coût par conversion additionnelle réellement causée par le média. La formule est simple : dépenses média divisées par conversions incrémentales. La difficulté est d’estimer correctement le dénominateur.
Plusieurs méthodes peuvent être mobilisées. Le holdout consiste à conserver un groupe comparable non exposé ou moins exposé afin de mesurer la différence de comportement avec le groupe exposé. Le geo-test compare des zones géographiques traitées et des zones de contrôle. Le split test randomisé répartit des utilisateurs ou opportunités entre règles de capping différentes. La méthode difference-in-differences compare l’évolution d’un groupe traité à celle d’un groupe non traité, à condition que les tendances préalables soient similaires. Le MMM, marketing mix modeling, modélisation statistique reliant les investissements marketing aux ventes agrégées, peut compléter l’analyse mais manque souvent de granularité pour arbitrer un seuil de fréquence ou de récence.
Pour un test de capping data, le protocole le plus propre consiste à comparer deux politiques d’allocation sur des populations équivalentes. Par exemple, un groupe contrôle reste exposé avec la règle actuelle, huit impressions maximum sur sept jours, tandis qu’un groupe test passe à quatre impressions maximum sur sept jours pour les visiteurs produit, et deux impressions maximum sur 48 heures pour les paniers abandonnés. La comparaison doit porter sur les conversions totales, les conversions attribuées, les conversions incrémentales, le CPA incrémental, la marge, le reach utile et la fréquence visible.
La baseline doit aussi inclure les taux de conversion naturels. Si 12 % des utilisateurs ayant ajouté un produit au panier convertissent sans aucune impression média dans les 24 heures, payer plusieurs impressions retargeting dans cette fenêtre peut surtout capter du crédit d’attribution. Si seulement 1,5 % d’une audience de prospection convertit naturellement, une exposition répétée peut être plus justifiable. Le capping optimal dépend donc du niveau de conversion spontanée, pas uniquement du coût média.
Mesurer la courbe de rendement marginal par fréquence et par récence
Le cœur de l’analyse consiste à construire une courbe de rendement marginal. Une courbe de rendement marginal mesure la contribution additionnelle de chaque exposition supplémentaire. Dans la plupart des campagnes, la première impression visible a une valeur différente de la deuxième, de la cinquième ou de la dixième. Le capping data devient rationnel lorsque le coût de l’exposition marginale dépasse sa contribution incrémentale attendue.
Cette approche nécessite de séparer trois notions : la fréquence servie, la fréquence mesurable et la fréquence visible. La fréquence servie compte les impressions achetées ou diffusées. La fréquence mesurable correspond aux impressions pour lesquelles l’outil de mesure peut confirmer l’exposition. La fréquence visible dépend de la viewability, c’est-à-dire la proportion d’impressions réellement visibles selon les standards de mesure. Un utilisateur avec six impressions servies mais deux impressions visibles n’a pas reçu la même pression qu’un utilisateur avec six impressions visibles. Un capping basé uniquement sur les impressions servies peut donc couper trop tôt des utilisateurs peu exposés en réalité, ou trop tard des utilisateurs très visibles.
La récence doit être modélisée en parallèle. Une exposition à J+0 après une visite produit n’a pas la même valeur qu’une exposition à J+14. Les analyses de survie, utilisées pour étudier la probabilité qu’un événement survienne dans le temps, peuvent être utiles pour modéliser la conversion post-signal. Elles permettent d’estimer à quel moment la probabilité de conversion naturelle décroît et où l’exposition média ajoute encore de la valeur. Pour un abandon panier, la fenêtre de valeur peut être très courte. Pour un achat automobile, la période de considération peut durer plusieurs semaines.
Une méthode opérationnelle consiste à construire des cellules fréquence-récence. Par exemple : 0 à 24 heures après signal, 1 à 3 jours, 4 à 7 jours, 8 à 14 jours ; puis 1 impression visible, 2 à 3, 4 à 6, 7 et plus. Pour chaque cellule, on mesure le taux de conversion attribué, le taux de conversion du groupe contrôle, la conversion incrémentale, le coût média, le CPA incrémental et la marge nette. Cette matrice montre souvent que certaines cellules très performantes en attribution sont faibles en incrémentalité.
Exemple : une audience panier abandonné affiche un CPA attribué de 9 euros sur les utilisateurs exposés 7 fois ou plus dans les 72 heures. En apparence, cette cellule est excellente. Mais le holdout montre que le taux de conversion sans exposition est de 18 %, contre 20 % avec exposition. L’effet incrémental est donc de 2 points. Si 50 000 euros ont été dépensés sur 8 000 conversions attribuées, le CPA attribué est de 6,25 euros. Mais si seules 800 conversions sont incrémentales, le CPA incrémental est de 62,50 euros. Le capping peut donc réduire fortement les dépenses sans réduire proportionnellement les ventes réelles.
À l’inverse, une audience de prospection basée sur signaux d’intérêt récents peut afficher un CPA attribué de 55 euros, moins attractif. Le groupe contrôle convertit à 0,4 %, le groupe exposé à 0,8 %. Si le budget de 80 000 euros génère 1 450 conversions attribuées dont 725 incrémentales, le CPA incrémental est de 110 euros. Ce niveau peut être acceptable si la marge ou la LTV, lifetime value, valeur économique attendue d’un client sur sa durée de relation avec la marque, dépasse largement ce coût. Le capping ne doit donc pas couper mécaniquement les audiences à CPA attribué élevé ; il doit couper les expositions à faible rendement marginal.
Relier le capping data aux enchères, au reach et à l’apprentissage algorithmique
Un capping data ne retire pas seulement des impressions. Il force le DSP à chercher d’autres opportunités. Selon la liquidité du marché, cela peut produire trois effets : un gain d’efficacité, une perte de volume ou une hausse du coût marginal. Si les impressions supprimées étaient redondantes, le budget se redéploie vers de nouveaux utilisateurs et le CPA incrémental s’améliore. Si les impressions supprimées étaient nécessaires pour convaincre une audience à cycle long, le taux de conversion baisse. Si les segments alternatifs sont plus chers ou moins qualifiés, le CPM, coût pour mille impressions, peut augmenter et neutraliser le bénéfice du capping.
Le reach incrémental est donc un indicateur central. Le reach incrémental mesure la couverture additionnelle obtenue par rapport à une base d’exposition existante. Un capping efficace doit souvent transformer des impressions répétées en nouveaux contacts utiles. Mais tous les nouveaux contacts ne se valent pas. Déplacer 20 % du budget d’utilisateurs déjà exposés huit fois vers des utilisateurs jamais exposés peut améliorer la couverture, mais dégrader la conversion si ces nouveaux utilisateurs sont trop éloignés de l’intention. Il faut donc mesurer le coût par nouveau contact qualifié, pas seulement le nombre de nouveaux contacts.
L’impact sur les enchères mérite une attention spécifique. En programmatique, l’algorithme de bidding optimise selon les objectifs disponibles : CPA cible, ROAS, return on ad spend, ratio entre chiffre d’affaires attribué et dépenses publicitaires, valeur de conversion, taux de clic ou signaux propriétaires. Lorsque le capping retire les profils qui convertissent le plus facilement, l’algorithme peut interpréter la baisse de conversions attribuées comme une dégradation du marché et réduire ses enchères. À court terme, cela peut créer un trou de diffusion ou un ralentissement du pacing, c’est-à-dire de la vitesse de dépense par rapport au budget prévu.
Pour éviter ce biais, il est préférable d’accompagner le capping par un ajustement des signaux d’optimisation. Si l’objectif reste une conversion attribuée brute, la plateforme cherchera à reconstituer le volume perdu sur des profils similaires, parfois au détriment de l’incrémentalité. Si l’objectif intègre des conversions filtrées, des nouveaux clients, une marge ou un score de valeur, le DSP peut apprendre une allocation plus proche du résultat business. La qualité du signal de conversion est aussi importante que la règle de capping.
Un autre risque est la réduction excessive du volume d’apprentissage. Sur des campagnes B2B, assurance, finance ou produits à cycle long, les conversions sont rares. Un capping trop agressif peut priver l’algorithme de signaux positifs, augmenter la variance et rendre les résultats instables. Dans ces cas, il peut être plus efficace de passer par des paliers : réduire la pression sur les fréquences extrêmes, par exemple au-delà de dix impressions visibles, puis tester un seuil à huit, puis à six, au lieu de basculer directement vers un cap strict de trois impressions.
Le capping doit aussi être coordonné entre canaux. Si une audience est plafonnée en display mais continue à recevoir une forte pression en social, email ou retail media, l’effet observé sur le CPA incrémental display sera difficile à interpréter. Une partie du gain peut venir d’un déplacement de crédit entre canaux, non d’une meilleure efficacité globale. Pour mesurer correctement, il faut intégrer les expositions multi-touch lorsque c’est possible, ou au minimum documenter les pressions concurrentes dans les périodes test et contrôle.
Cas chiffré : quand un CPA attribué se dégrade mais que le CPA incrémental s’améliore
Prenons un annonceur e-commerce investissant 300 000 euros par mois en display et vidéo programmatique sur trois familles d’audiences : visiteurs produit récents, paniers abandonnés et prospection lookalike. Avant capping renforcé, la campagne livre 60 millions d’impressions à un CPM moyen de 5 euros. Le CPA attribué global est de 24 euros, avec 12 500 conversions revendiquées. Le reporting plateforme semble performant, mais l’analyse log-level montre que 38 % des impressions sont concentrées sur 9 % des utilisateurs, exposés plus de huit fois en sept jours.
Un test est lancé sur quatre semaines. Le groupe contrôle conserve les règles existantes : maximum douze impressions servies sur sept jours, sans distinction de récence. Le groupe test applique une politique plus fine : quatre impressions visibles maximum sur sept jours pour les visiteurs produit, trois impressions visibles sur 72 heures pour les paniers abandonnés, et un plafonnement budgétaire de 25 % maximum sur les audiences retargeting. La prospection reçoit le budget libéré, mais uniquement sur des inventaires avec viewability supérieure à 60 % et taux d’IVT, invalid traffic, trafic invalide, inférieur à 1,5 %.
Les résultats attribués peuvent d’abord inquiéter. Dans le groupe test, le CPA attribué passe de 24 à 29 euros, car les conversions faciles du retargeting diminuent. Le volume de conversions revendiquées baisse de 14 %. Mais le holdout révèle une autre réalité : les ventes nettes CRM à J+14 ne baissent que de 2 %, tandis que les dépenses diminuent de 18 %. Le taux de nouveaux clients augmente de 11 %, la fréquence moyenne visible baisse de 6,8 à 3,9, et le reach qualifié progresse de 17 %. Surtout, les conversions incrémentales estimées passent de 3 200 à 3 450 malgré la baisse des conversions attribuées.
Le calcul économique change complètement. Avant capping, 300 000 euros pour 3 200 conversions incrémentales donnent un CPA incrémental de 93,75 euros. Après capping, 246 000 euros pour 3 450 conversions incrémentales donnent un CPA incrémental de 71,30 euros. Le CPA attribué s’est dégradé de 21 %, mais le CPA incrémental s’est amélioré de 24 %. La conclusion n’est pas que le retargeting était inutile ; elle est que sa pression marginale était excessive au-delà de certains seuils.
Le détail par cellule confirme l’arbitrage. Les paniers abandonnés exposés une à trois fois dans les 24 heures restent très rentables, avec un CPA incrémental de 42 euros. Les paniers exposés plus de six fois entre J+1 et J+3 montent à 138 euros de CPA incrémental. Les visiteurs produit exposés deux à quatre fois sur sept jours sont à 78 euros. Les visiteurs produit exposés huit fois et plus dépassent 160 euros. La prospection lookalike, initialement moins performante en attribution, atteint 95 euros de CPA incrémental sur les nouveaux clients, avec une LTV projetée supérieure de 18 %.
Ce type de cas illustre pourquoi la mesure doit intégrer la marge. Si la marge nette par nouveau client est de 120 euros, une cellule à 95 euros de CPA incrémental est acceptable. Si la marge est de 45 euros, elle ne l’est pas. Le bon capping n’est donc pas universel. Il dépend du coût média, de la valeur client, du cycle d’achat, du niveau de cannibalisation et de la stratégie de croissance.
Limites de mesure : attribution, identité, saisonnalité et faux arbitrages
Mesurer l’effet du capping data sur le CPA incrémental reste méthodologiquement exigeant. La première limite est l’identité. Si le taux de match entre CRM, DSP et environnements média est de 55 %, une partie significative des utilisateurs censés être capés peut rester exposable sous d’autres identifiants. Le capping mesuré sous-estime alors la pression réelle. À l’inverse, des graphes probabilistes peuvent fusionner abusivement plusieurs individus et plafonner trop tôt des profils distincts. Le niveau de confiance de l’identité doit être intégré dans l’interprétation des résultats.
La deuxième limite est l’attribution post-test. Même avec un holdout, les plateformes continuent souvent à optimiser sur des signaux attribués. Si le groupe test réduit le retargeting, certaines conversions peuvent être réattribuées à d’autres leviers, comme le search marque, l’email ou le direct. Cela ne signifie pas nécessairement que ces leviers ont créé la demande. La déduplication entre canaux et la lecture CRM sont indispensables pour éviter de transformer une meilleure mesure en conflit de crédits.
La troisième limite est la saisonnalité. Un capping testé pendant une période promotionnelle, un temps fort commercial ou une rupture de stock ne se généralise pas automatiquement. Pendant le Black Friday, la conversion naturelle des visiteurs chauds peut augmenter fortement, ce qui réduit l’incrémentalité du retargeting intensif. À l’inverse, pendant une période creuse, des expositions répétées peuvent être nécessaires pour faire progresser la considération. Les seuils doivent être revisités par saison, catégorie et intensité promotionnelle.
La quatrième limite concerne les effets de long terme. Un capping trop strict peut améliorer le CPA incrémental à court terme mais réduire la mémorisation, la préférence de marque ou le réachat à moyen terme. C’est particulièrement vrai pour la vidéo, la CTV et certains formats premium. Le CPA incrémental est une métrique de conversion ; il ne capture pas toujours la valeur de marque. Pour les campagnes mixtes, il faut compléter l’analyse par des indicateurs de recherches marque, trafic direct, taux de retour, notoriété assistée ou ventes différées.
La cinquième limite est le faux arbitrage entre volume et efficacité. Un capping très strict peut produire un excellent CPA incrémental sur un faible volume, mais être insuffisant pour atteindre les objectifs de croissance. L’entreprise doit arbitrer entre efficacité moyenne et volume marginal. Une cellule à 70 euros de CPA incrémental sur 1 000 conversions peut être prioritaire, mais une cellule à 105 euros sur 5 000 conversions peut être nécessaire si la LTV et la marge le permettent. Le seuil optimal n’est pas le minimum du CPA, mais le point où le coût marginal reste compatible avec la valeur business.
Enfin, il faut éviter de confondre capping data et réduction budgétaire. Si le budget supprimé n’est pas redéployé, l’amélioration du CPA incrémental peut venir simplement de l’arrêt des impressions les moins rentables. La question stratégique est de savoir où réallouer ce budget : nouveaux segments, formats plus visibles, deals plus qualitatifs, retail media, search générique, CRM ou création. Un test de capping complet doit donc inclure des scénarios de réallocation, pas seulement un scénario de coupe.
Conclusion : une méthode en huit décisions pour piloter le capping data par l’incrémentalité
Mesurer l’effet du capping data sur le CPA incrémental exige de dépasser les reportings de fréquence et les CPA plateformes. Le capping n’est pas une règle d’hygiène média isolée. C’est un mécanisme d’allocation qui modifie la valeur marginale des impressions, la composition du reach, la pression sur les audiences, les signaux d’optimisation et les crédits d’attribution.
Une feuille de route actionnable peut s’organiser en huit décisions. Premièrement, définir précisément ce qui est plafonné : fréquence visible, impressions servies, segment, récence, budget data ou pression cross-canal. Deuxièmement, documenter l’unité d’identité utilisée : cookie, device, utilisateur logué, foyer ou graphe probabiliste. Troisièmement, construire une baseline par segment, récence, fréquence, format, device et canal, en séparant CPA attribué et CPA incrémental. Quatrièmement, mettre en place un test contrôlé : holdout, split test, geo-test ou difference-in-differences selon les contraintes opérationnelles. Cinquièmement, mesurer les courbes de rendement marginal par fréquence et par récence, en privilégiant les impressions visibles plutôt que seulement servies. Sixièmement, intégrer le reach incrémental, la marge, les nouveaux clients et la LTV pour éviter un pilotage trop court-termiste. Septièmement, ajuster les signaux d’optimisation transmis au DSP afin que l’algorithme apprenne sur des conversions de meilleure qualité. Huitièmement, réviser les seuils régulièrement selon la saisonnalité, les stocks, les promotions et l’évolution des identifiants.
Le bon indicateur n’est pas le nombre d’impressions économisées ni la baisse mécanique de fréquence. C’est le coût de la conversion additionnelle obtenue après arbitrage de la pression data. Une organisation qui accepte de voir son CPA attribué se dégrader temporairement peut parfois découvrir une efficacité réelle supérieure. À l’inverse, une organisation qui optimise uniquement vers le CPA plateforme risque de surpayer des conversions déjà acquises.
La maturité consiste donc à traiter chaque impression supplémentaire comme une hypothèse économique : cet utilisateur, dans cette fenêtre de récence, avec cette fréquence visible, sur ce canal, vaut-il encore le coût d’une nouvelle exposition ? Le capping data devient performant lorsqu’il répond à cette question avec des preuves, pas avec des règles fixes héritées des campagnes précédentes. C’est à cette condition qu’il cesse d’être un plafond technique pour devenir un levier de rentabilité incrémentale.
