Comparer l’attribution last click et data-driven sur un cas e-commerce

L’enjeu n’est pas de choisir un modèle, mais de comprendre ce qu’il fait déplacer

Comparer l’attribution last click et l’attribution data-driven sur un cas e-commerce revient moins à opposer un modèle simple à un modèle sophistiqué qu’à mesurer comment chaque méthode redistribue la valeur entre les leviers média. L’attribution désigne la méthode qui assigne une conversion à un ou plusieurs points de contact marketing. Le last click attribue 100 % de la conversion au dernier clic observé avant l’achat. Le data-driven attribution, souvent abrégé DDA, attribution pilotée par les données, répartit le crédit entre plusieurs interactions en fonction de leur contribution statistique estimée dans les parcours observés.

Pour une direction marketing, le sujet est très concret. Si le last click survalorise le search marque, le retargeting display ou l’email de relance, le budget sera mécaniquement orienté vers des leviers proches de la conversion. Si le data-driven redonne du crédit à la vidéo sociale, au display prospecting ou au retail media offsite, le plan suivant peut augmenter les investissements upper funnel, c’est-à-dire les activations situées en amont du parcours d’achat, avec un effet direct sur le mix, les CPA et les arbitrages créatifs. Le CPA, coût par acquisition, correspond au montant dépensé pour générer une conversion attribuée. Le ROAS, return on ad spend, mesure le chiffre d’affaires attribué rapporté aux dépenses publicitaires.

Le cas analysé ici concerne un e-commerçant multimarque dans l’équipement de la maison, avec 1,2 million d’euros de dépenses média sur huit semaines. Le mix comprend search payant, social ads, display programmatique, vidéo, emailing d’acquisition, retargeting dynamique et retail media. Le site génère 48 600 commandes sur la période, dont 31 200 rattachées à au moins un point de contact média traçable. Le panier moyen est de 86 euros, mais la marge varie fortement selon les catégories, de 18 % sur les produits promotionnels à 42 % sur les gammes premium. Cette hétérogénéité est importante : un modèle d’attribution qui optimise uniquement le chiffre d’affaires peut pousser vers des ventes volumineuses mais peu contributives.

L’objectif de la comparaison n’est donc pas de déclarer le data-driven supérieur par principe. Il s’agit d’évaluer ce que chaque modèle rend visible, ce qu’il masque, et dans quelles conditions il devient dangereux de piloter le budget uniquement sur ses sorties. Le last click reste lisible et opérationnel, mais il confond souvent capture d’intention et création de demande. Le data-driven est plus riche, mais il dépend fortement de la qualité des données, de la couverture des identifiants, des règles de consentement et des hypothèses algorithmiques.

Reconstituer les parcours avant de comparer les modèles

La comparaison commence par un travail de data engineering marketing souvent sous-estimé : reconstruire les parcours réellement observables. Sans base de données propre, l’écart entre last click et data-driven devient un débat de croyance. Dans notre cas e-commerce, les données sont extraites du tag manager, de l’outil analytics, du serveur publicitaire, des plateformes média, du CRM et du back-office transactionnel. Chaque commande est reliée à un identifiant de parcours lorsque le consentement le permet, puis enrichie avec le canal, la campagne, le device, la date, la valeur de commande, la marge estimée et le statut nouveau client.

La première étape consiste à définir une source de vérité. Les plateformes média revendiquent ensemble 54 800 conversions, soit davantage que les 48 600 commandes réelles. Cette sur-attribution vient des fenêtres post-clic et post-view propres à chaque environnement. Une plateforme sociale peut revendiquer une vente après un clic dans les sept jours ; une DSP, demand-side platform, plateforme permettant d’acheter des impressions publicitaires de façon automatisée, peut revendiquer une conversion post-view après une impression vue ou supposée vue ; le search peut capter la dernière interaction avant paiement. Sans déduplication, le reporting additionne des points de vue vendeurs et non une mesure annonceur.

La fenêtre d’analyse retenue est de 30 jours post-clic et 7 jours post-view pour les leviers display et vidéo, avec une exigence de visibilité minimale pour les impressions prises en compte. La viewability, visibilité publicitaire, mesure la part d’impressions ayant eu une chance raisonnable d’être vues, selon des critères de pixels affichés et de durée d’exposition. Les impressions invalides sont exclues à partir des rapports de vérification tiers. L’IVT, invalid traffic, trafic invalide, recouvre les impressions ou clics non humains, frauduleux ou non conformes. Ce nettoyage réduit de 9 % les interactions média éligibles à l’attribution.

Les parcours sont ensuite segmentés selon leur longueur. Sur les 31 200 commandes traçables, 46 % présentent un seul point de contact média, 32 % en présentent deux ou trois, 17 % entre quatre et six, et 5 % plus de six. Cette distribution est critique. Si presque toutes les conversions avaient un seul contact, le data-driven apporterait peu. Ici, plus de la moitié des ventes traçables sont multi-touch, c’est-à-dire liées à plusieurs interactions marketing. L’enjeu de répartition du crédit est donc réel.

Enfin, les canaux sont classés par rôle dans le funnel, parcours allant de la notoriété à la considération puis à la conversion. La vidéo programmatique et le social prospecting sont considérés comme générateurs de demande. Le display contextuel et l’emailing d’acquisition jouent plutôt la considération. Le search non-marque capte une intention catégorielle. Le search marque, le retargeting dynamique et l’email CRM interviennent majoritairement en bas de funnel. Cette taxonomie évite de comparer brutalement tous les leviers au même CPA last click.

Ce que le last click révèle : efficacité apparente et discipline opérationnelle

Le last click a une qualité majeure : il est compréhensible. Dans un comité budgétaire, il permet de dire rapidement quel canal a généré le dernier clic avant la vente. Sur notre cas, les résultats last click semblent nets. Le search marque capte 34 % des commandes attribuées, avec un CPA de 6,80 euros et un ROAS de 12,4. Le retargeting dynamique capte 21 % des commandes, avec un CPA de 9,50 euros et un ROAS de 9,1. L’email CRM représente 13 % des ventes attribuées, avec un CPA média très faible. À l’inverse, la vidéo programmatique ne récupère que 2 % des commandes, avec un CPA apparent supérieur à 70 euros.

Cette lecture est utile pour piloter certains leviers. Le search marque doit effectivement être contrôlé avec précision : niveau d’enchère, couverture des requêtes stratégiques, protection contre les concurrents, qualité des annonces, part d’impressions perdue. Le retargeting doit être surveillé sur la fraîcheur d’audience, la pression publicitaire et la récence de visite. Si un utilisateur a consulté une fiche produit dans les dernières 24 heures, le dernier clic retargeting peut jouer un rôle de rappel légitime. Le last click permet donc de mesurer l’efficacité de conversion immédiate, surtout pour les campagnes dont la fonction assumée est de finaliser une intention.

Mais le last click devient trompeur lorsqu’il sert de base unique d’allocation. Dans le cas étudié, 68 % des conversions attribuées au search marque ont été précédées, dans les 14 jours, d’au moins une exposition à un levier d’acquisition : social vidéo, display prospecting, emailing d’acquisition ou search non-marque. Autrement dit, le dernier clic marque capture souvent une demande qui a été stimulée ailleurs. Réallouer massivement le budget vers le search marque parce que son CPA est bas reviendrait à financer la caisse enregistreuse plutôt que le trafic en magasin.

Le même biais apparaît sur le retargeting. Parmi les ventes attribuées en last click au retargeting dynamique, 57 % concernent des visiteurs revenus sur le site dans les dernières 48 heures, et 41 % ont déjà ajouté un produit au panier. Le taux de conversion naturel de ces audiences est élevé. Une partie du ROAS last click mesure donc une corrélation avec l’intention existante, pas nécessairement un effet causal. Cela ne signifie pas qu’il faut couper le retargeting, mais qu’il faut le plafonner, tester des holdouts et distinguer relance utile et sur-attribution.

Le last click est donc un bon modèle de contrôle tactique, mais un mauvais modèle de stratégie média lorsqu’il est isolé. Il favorise les canaux de captation, pénalise les canaux d’influence et ignore la séquence. Il répond à la question : quel levier a fermé la vente ? Il répond beaucoup moins bien à la question : quel levier a rendu cette vente plus probable ?

Ce que le data-driven change : réallocation du crédit et lecture des séquences

Le data-driven attribution cherche à estimer la contribution relative des points de contact à partir des parcours observés. Selon les solutions, la méthode peut s’appuyer sur des modèles de chaînes de Markov, sur des approches de type Shapley value, ou sur des modèles propriétaires de probabilité de conversion. Une chaîne de Markov mesure notamment l’impact de retrait d’un canal : si l’on supprime virtuellement un point de contact du parcours, quelle baisse de probabilité de conversion observe-t-on ? La Shapley value, issue de la théorie des jeux coopératifs, répartit la valeur entre contributeurs selon leur apport marginal dans différentes combinaisons.

Dans notre cas, le modèle data-driven redistribue fortement le crédit. Le search marque passe de 34 % des commandes attribuées en last click à 22 % du crédit pondéré. Le retargeting dynamique passe de 21 % à 15 %. L’email CRM passe de 13 % à 9 %. À l’inverse, le social prospecting monte de 9 % en last click à 16 % en data-driven, la vidéo programmatique de 2 % à 8 %, et le search non-marque de 11 % à 14 %. Le display contextuel progresse plus modérément, de 5 % à 7 %, mais son crédit augmente surtout sur les nouveaux clients.

Cette redistribution change les KPI économiques. En last click, la vidéo affichait un CPA de 72 euros. En data-driven, après réallocation partielle des conversions auxquelles elle a contribué, son CPA pondéré descend à 24 euros. Le social prospecting passe de 38 à 25 euros. À l’inverse, le search marque remonte de 6,80 à 10,40 euros, ce qui reste performant, mais moins exceptionnel. Le retargeting remonte de 9,50 à 13,20 euros. Le classement des canaux ne s’inverse pas totalement, mais il devient beaucoup moins concentré sur les leviers de fin de parcours.

Le modèle révèle aussi des séquences. Les parcours les plus performants chez les nouveaux clients combinent souvent une première exposition social vidéo, un clic search non-marque ou une visite directe, puis une relance display ou email avant conversion. Sur les clients existants, les séquences sont plus courtes : email CRM, search marque, achat. Cette différence implique une règle d’allocation : juger la prospection sur le taux de nouveaux clients et la valeur incrémentale, pas seulement sur le CPA global.

Le data-driven permet également d’identifier des leviers qui assistent sans fermer. Dans notre cas, l’emailing d’acquisition génère peu de last click, mais augmente la probabilité de conversion lorsqu’il intervient après une exposition social et avant une recherche non-marque. Le RTB, real-time bidding, mécanisme d’enchères en temps réel permettant d’acheter une impression publicitaire lorsqu’elle devient disponible, joue ici un rôle d’amplification : certaines impressions display contextuelles ne déclenchent pas immédiatement un clic, mais améliorent la progression vers une visite qualifiée. Cette contribution est invisible en last click si l’utilisateur revient ensuite via Google ou en accès direct.

Pour autant, le data-driven ne prouve pas automatiquement la causalité. Il observe des régularités dans les parcours traçables. Si les utilisateurs exposés à la vidéo sont déjà plus appétents que les non exposés, le modèle peut surestimer l’effet vidéo. Si les signaux post-view sont trop permissifs, il peut attribuer du crédit à des impressions peu visibles. Le data-driven est plus fin que le last click, mais il reste dépendant des données disponibles et des règles d’éligibilité.

Comparer les modèles avec un tableau de décision, pas avec un seul KPI

Une comparaison sérieuse doit dépasser le duel de CPA. Dans le cas e-commerce, l’équipe construit une matrice à six dimensions : crédit de conversion, chiffre d’affaires pondéré, marge attribuée, part de nouveaux clients, position moyenne dans le parcours et contribution incrémentale estimée. Cette dernière dimension est approchée par des tests holdout sur le retargeting et par des geo-tests sur les vagues de prospection. Un holdout consiste à exclure volontairement une fraction d’audience éligible afin de comparer son comportement avec celui du groupe exposé.

Les résultats montrent trois familles de leviers. Première famille : les capteurs d’intention, comme search marque, email CRM et retargeting court. Ils restent rentables dans les deux modèles, mais leur crédit baisse en data-driven. Leur rôle est de convertir efficacement, avec des plafonds de fréquence et une surveillance de la cannibalisation. Deuxième famille : les générateurs de demande, comme social prospecting, vidéo et display contextuel. Ils sont pénalisés en last click, mais gagnent du crédit en data-driven, surtout sur nouveaux clients. Leur rôle est de créer du volume qualifié en amont. Troisième famille : les leviers hybrides, comme search non-marque et retail media, qui captent une intention catégorielle tout en contribuant à l’acquisition.

Cette lecture modifie les décisions budgétaires. Si l’équipe suivait uniquement le last click, elle augmenterait de 25 % le search marque et le retargeting, tout en réduisant la vidéo de moitié. Après comparaison data-driven et tests incrémentaux, la recommandation devient différente : maintenir le search marque avec enchères plus disciplinées, réduire de 15 % le retargeting sur visiteurs très récents, augmenter de 20 % le social prospecting sur audiences à forte marge, maintenir la vidéo mais seulement sur inventaires visibles, et renforcer le search non-marque sur catégories premium.

Le critère de succès n’est pas seulement le ROAS attribué. L’équipe suit un ROAS marge, c’est-à-dire la marge attribuée rapportée aux dépenses, et un coût par nouveau client. Sur la période analysée, le ROAS chiffre d’affaires du retargeting est de 9,1 en last click, mais son ROAS marge tombe à 2,4 car il concentre beaucoup de produits promotionnels. Le social prospecting affiche un ROAS chiffre d’affaires plus faible, 3,2 en data-driven, mais un ROAS marge de 1,7 et surtout 64 % de nouveaux clients. À six mois, si ces nouveaux clients réachètent, le classement peut encore évoluer.

Une bonne pratique consiste donc à produire deux vues simultanées. La vue last click sert au pilotage opérationnel court terme : suivi des anomalies, pages d’atterrissage, enchères bas de funnel, retards de tracking, ruptures de conversion. La vue data-driven sert à l’allocation budgétaire et à la compréhension des séquences. Aucune des deux ne doit être confondue avec l’incrémentalité réelle, mais chacune éclaire une partie du système.

Les limites méthodologiques : consentement, walled gardens et effets post-view

Le principal risque du data-driven est de donner une impression de précision supérieure à sa réalité. Dans notre cas, seulement 64 % des commandes sont rattachées à un parcours multi-touch exploitable. Les autres sont non consenties, mono-contact, offline partiellement réconciliées ou issues d’environnements fermés. Les walled gardens, plateformes fermées limitant l’accès aux données granulaires, fournissent souvent des signaux agrégés ou modélisés, ce qui réduit la transparence. Le modèle peut donc être robuste dans un périmètre et fragile dans un autre.

Le consentement crée aussi un biais. Les utilisateurs acceptant le tracking ne sont pas nécessairement représentatifs de l’ensemble des acheteurs. Ils peuvent être plus engagés, plus fidèles, plus habitués à la marque ou plus exposés à certains devices. Si le data-driven est entraîné sur cette population, il peut mal extrapoler la contribution de canaux dont la mesure est moins complète, comme la TV connectée, le DOOH, digital out-of-home, affichage extérieur digital, ou certaines activations retail media.

Les conversions post-view constituent une autre zone sensible. Attribuer du crédit à une impression sans clic peut être légitime si l’impression était visible, récente, dans un contexte qualitatif et cohérente avec une séquence. Mais si la fenêtre est trop large ou la visibilité non contrôlée, le modèle crédite des expositions opportunistes. Dans le cas étudié, le fait d’exiger une impression visible avant de la rendre éligible au data-driven réduit de 18 % le crédit vidéo et de 11 % le crédit display, mais améliore la stabilité du modèle. C’est un arbitrage : moins de volume attribué, plus de crédibilité.

Le last click a ses propres limites, mais il est moins sensible aux hypothèses statistiques. Sa faiblesse est structurelle : il ignore l’amont. Celle du data-driven est conditionnelle : il peut mieux représenter l’amont, à condition que les données soient suffisamment complètes, propres et contextualisées. Pour cette raison, il est utile de challenger le modèle par des tests externes. Les geo-tests, qui comparent des zones exposées et des zones de contrôle, ou le MMM, marketing mix modeling, modélisation statistique agrégée estimant la contribution des leviers marketing à partir de séries temporelles, permettent de valider si les réallocations proposées par le data-driven se traduisent en ventes incrémentales.

Un autre point critique est la stabilité. Si le crédit attribué à la vidéo passe de 8 % à 14 % d’une semaine à l’autre sans changement de pression, de création ou de saisonnalité, le modèle doit être audité. Les variations peuvent venir d’un volume trop faible, d’une modification de tags, d’une promotion, d’une rupture de stock ou d’un changement d’algorithme plateforme. Les équipes doivent documenter les versions de modèle, les fenêtres, les règles d’exclusion et les événements business majeurs.

Construire une gouvernance d’attribution orientée arbitrage

La maturité ne consiste pas à remplacer définitivement le last click par le data-driven. Elle consiste à définir quelle décision chaque modèle peut légitimement éclairer. Pour les optimisations quotidiennes, le last click garde une valeur : il signale rapidement les fluctuations de conversion, les problèmes de landing pages, les campagnes qui captent le dernier clic et les écarts de CPA. Pour les décisions mensuelles ou trimestrielles d’allocation, le data-driven devient plus pertinent, car il intègre la séquence et redonne du poids aux leviers d’influence.

Dans le cas e-commerce, la gouvernance retenue repose sur cinq règles. Premièrement, aucun budget supérieur à 10 % du plan ne peut être augmenté ou réduit sur la seule base du last click. Deuxièmement, tout levier bas de funnel doit être challengé par un test d’incrémentalité au moins deux fois par an. Troisièmement, les conversions sont pondérées par la marge et le statut nouveau client. Quatrièmement, les impressions post-view ne sont éligibles que si elles respectent des seuils de visibilité et de brand safety, sécurité de marque visant à éviter les environnements inappropriés ou risqués. Cinquièmement, les arbitrages sont révisés avec les équipes finance, CRM, média et e-commerce, afin de relier attribution, stock, promotions et rentabilité.

La restitution aux décideurs doit éviter les formulations absolues. Dire que le data-driven montre que la vidéo vaut 8 % des conversions est moins rigoureux que dire : sur les parcours traçables, avec nos règles de fenêtre et de visibilité, le modèle attribue 8 % du crédit pondéré à la vidéo, et cette hypothèse doit être validée par un test de lift. Cette précision n’est pas une faiblesse ; elle rend le modèle utilisable sans lui donner une autorité excessive.

Une feuille de route opérationnelle peut s’organiser en sept étapes. Premièrement, réconcilier les conversions dans une source de vérité annonceur. Deuxièmement, nettoyer les interactions éligibles : fraude, visibilité, doublons, consentement, fenêtres. Troisièmement, produire une lecture last click pour le contrôle tactique. Quatrièmement, produire une lecture data-driven pour la séquence et la répartition du crédit. Cinquièmement, comparer les deux au niveau marge, nouveaux clients et fréquence, pas seulement chiffre d’affaires. Sixièmement, tester les écarts majeurs par holdout, geo-test ou MMM. Septièmement, traduire les enseignements en règles budgétaires : plafonds de retargeting, seuils de prospection, objectifs par rôle de canal, pondération des conversions et conventions de mesure.

Conclusion : utiliser le last click comme thermomètre, le data-driven comme carte, et l’incrémentalité comme arbitre

Sur le cas e-commerce étudié, le last click donne une lecture efficace mais partielle : il met en avant les leviers qui ferment la vente, en particulier search marque, retargeting et email CRM. Le data-driven apporte une lecture plus stratégique : il montre que social prospecting, vidéo, display contextuel et search non-marque participent davantage à la création de demande que ne le laisse penser le dernier clic. Mais ni l’un ni l’autre ne doit être confondu avec une preuve complète de causalité.

La décision la plus robuste consiste à combiner les modèles. Le last click sert de thermomètre opérationnel : simple, rapide, utile pour détecter les dérives de conversion. Le data-driven sert de carte des parcours : plus nuancé, plus adapté aux arbitrages de mix, mais dépendant de la qualité des données. L’incrémentalité sert d’arbitre : elle permet de savoir si les conversions attribuées correspondent à une valeur réellement créée ou seulement captée.

Pour les professionnels du marketing, la conclusion actionnable est claire : ne pilotez pas un plan e-commerce au dernier clic si votre mix inclut des leviers d’acquisition et de considération. Ne basculez pas non plus aveuglément vers un data-driven opaque. Construisez une grille d’arbitrage qui relie attribution, marge, nouveaux clients, qualité média et tests causaux. C’est à cette condition que l’attribution cesse d’être un reporting de plateforme pour devenir un outil de décision économique.