Mesurer l’impact du display sans surestimer les conversions

Le display ne manque pas de métriques, il manque souvent de causalité

Le display reste l’un des leviers les plus ambigus du mix média digital. Il peut construire de la couverture, soutenir la considération, réactiver des visiteurs, nourrir la préférence de marque et contribuer à des ventes ultérieures. Mais il est aussi l’un des canaux les plus exposés à la surestimation des conversions, surtout lorsque la performance est lue à travers des modèles d’attribution trop permissifs ou des dashboards plateforme non dédupliqués.

Le problème n’est pas que le display ne fonctionne pas. Le problème est que sa contribution réelle est difficile à isoler. Une impression visible peut influencer un comportement sans générer de clic. Une bannière de retargeting peut au contraire capter une conversion qui aurait eu lieu sans publicité. Un DSP, demand-side platform, plateforme permettant aux acheteurs d’acheter des impressions publicitaires de façon automatisée, peut attribuer une vente à une exposition post-view alors que l’utilisateur était déjà en intention forte. Un adserver peut dédupliquer certains points de contact, mais ignorer des expositions dans des environnements fermés. Un outil analytics peut ne voir que le dernier clic et sous-créditer les impressions vues.

Pour les professionnels du marketing, l’enjeu consiste donc à mesurer l’impact du display sans confondre exposition, attribution et incrémentalité. L’attribution désigne la méthode qui assigne une conversion à un ou plusieurs points de contact média. L’incrémentalité mesure, elle, la part de performance réellement causée par la campagne par rapport à un scénario sans exposition. Cette distinction est fondamentale : une campagne peut afficher un ROAS, return on ad spend, ratio entre chiffre d’affaires attribué et dépenses publicitaires, de 6 dans la plateforme, mais produire un ROAS incrémental de 1,5 si une majorité des ventes attribuées auraient eu lieu naturellement.

La mesure du display doit donc passer d’une logique de comptage à une logique de preuve. Il ne suffit plus de savoir combien de conversions ont été observées après une impression ou un clic. Il faut comprendre quelles conversions sont plausiblement influencées par le média, lesquelles sont simplement interceptées, et quelles décisions budgétaires doivent découler de cette lecture. C’est à cette condition que le display peut être défendu face au search, au retail media ou au social, sans gonfler artificiellement sa contribution.

Comprendre les mécanismes de surestimation : post-view, retargeting et fenêtres d’attribution

La première source de surestimation vient de l’attribution post-view. Une conversion post-view est une conversion comptabilisée après qu’un utilisateur a été exposé à une impression publicitaire, sans nécessairement avoir cliqué. Cette logique est pertinente pour un média visuel : le display influence rarement uniquement par le clic. Mais elle devient risquée lorsque la fenêtre d’attribution est trop longue, que l’impression n’est pas réellement visible ou que l’audience est déjà très proche de l’achat.

Un exemple simple illustre le biais. Une marque e-commerce diffuse une campagne de retargeting display auprès de visiteurs ayant consulté une fiche produit dans les dernières 24 heures. La plateforme applique une fenêtre post-view de 7 jours et attribue 10 000 ventes à la campagne. Or une partie importante de ces visiteurs était déjà en phase de décision : ils avaient comparé les prix, ajouté au panier ou reçu un email CRM. Si 70 % d’entre eux auraient acheté sans exposition display, la contribution incrémentale n’est pas de 10 000 ventes, mais de 3 000 ventes. Le CPA, coût par acquisition, c’est-à-dire le coût nécessaire pour générer une conversion attribuée, peut donc être trois fois trop optimiste.

La deuxième source de surestimation est la proximité avec l’intention. Le retargeting, les audiences de paniers abandonnés, les visiteurs récents, les clients existants ou les segments CRM à forte propension convertissent naturellement davantage que des audiences froides. Si l’on compare leur CPA à celui d’une campagne de prospection display, on compare souvent des niveaux d’intention différents, pas seulement des qualités média différentes. Le display bas de funnel peut apparaître extrêmement performant parce qu’il achète des utilisateurs déjà convaincus.

La troisième source est la multiplication des fenêtres et des systèmes de mesure. Un DSP peut revendiquer une conversion post-view à 7 jours, une plateforme social peut revendiquer la même vente à 1 jour post-view et 7 jours post-click, l’outil d’affiliation peut la compter au dernier clic, et l’analytics site peut l’attribuer au direct ou au search marque. Sans règle de déduplication, la somme des conversions revendiquées par les plateformes dépasse les ventes réelles. Dans certains audits multi-leviers, les conversions plateformes cumulées peuvent représenter 120 % à 180 % des conversions réellement observées dans l’outil transactionnel.

La quatrième source est la qualité de l’exposition. Une impression servie n’est pas une impression vue. La viewability, ou visibilité publicitaire, mesure la proportion d’impressions réellement visibles selon des critères standardisés, par exemple 50 % des pixels affichés pendant au moins une seconde pour le display standard. Une campagne avec 55 % de viewability et une fenêtre post-view large attribue potentiellement des conversions à des impressions qui n’ont jamais eu de chance sérieuse d’être perçues. Mesurer l’impact du display suppose donc de filtrer ou au minimum de pondérer par la qualité d’exposition : visibilité, temps à l’écran, position, fréquence, environnement et fraude.

Construire une hiérarchie des KPI : du signal média à la contribution business

Une mesure robuste commence par une hiérarchie claire des KPI. Le display produit plusieurs types de signaux, mais tous n’ont pas la même valeur décisionnelle. Les indicateurs de livraison décrivent ce qui a été acheté. Les indicateurs d’attention décrivent la probabilité que l’exposition ait été perçue. Les indicateurs d’engagement décrivent une réaction observable. Les indicateurs business décrivent un résultat économique. Les indicateurs incrémentaux cherchent à isoler la causalité.

Un framework utile consiste à organiser la mesure en cinq niveaux :

1. Livraison : impressions, CPM, coût pour mille impressions, reach, fréquence, taux de diffusion, part d’impressions achetées en RTB, real-time bidding, mécanisme d’enchères en temps réel pour acheter une impression publicitaire.
2. Qualité média : viewability, taux d’impressions audibles et visibles pour la vidéo, brand safety, contexte éditorial, IVT, invalid traffic, trafic invalide généré par des bots ou des comportements non humains.
3. Interaction : CTR, click-through rate ou taux de clic, visites, taux de rebond, temps passé, pages vues, micro-conversions.
4. Conversion attribuée : ventes post-click, ventes post-view, CPA, ROAS, panier moyen, coût par nouveau client.
5. Contribution incrémentale : lift de conversion, marge incrémentale, nouveaux clients incrémentaux, impact sur recherches marque, valeur client incrémentale.

L’erreur fréquente consiste à passer directement du niveau 1 au niveau 4 : impressions livrées, conversions attribuées, ROAS. Cette lecture ignore la qualité intermédiaire du contact et la probabilité que la conversion ait été causée par le média. Une impression non visible ne devrait pas peser autant qu’une impression visible pendant cinq secondes dans un contexte premium. Une conversion d’un client existant exposé dix fois dans les 24 heures précédant l’achat ne devrait pas être valorisée comme la conversion d’un nouveau client recruté après plusieurs expositions de prospection.

La hiérarchie des KPI doit aussi dépendre du rôle de la campagne dans le funnel. Le funnel désigne le parcours allant de la notoriété à la considération, puis à la conversion et à la fidélisation. Une campagne display upper funnel doit être évaluée sur la couverture utile, la répétition maîtrisée, la progression des recherches marque, le trafic qualifié et des tests de lift. Une campagne de retargeting doit être évaluée sur son incrémentalité, sa pression publicitaire, la cannibalisation des ventes organiques et la marge. Appliquer le même CPA cible à ces deux usages revient à pénaliser la création de demande et à survaloriser l’interception.

Une bonne pratique consiste à définir dès le brief un KPI primaire, deux KPI secondaires et un indicateur de garde-fou. Par exemple, pour une campagne de prospection display, le KPI primaire peut être le coût par visite qualifiée, les KPI secondaires la part de nouveaux visiteurs et le taux de recherche marque post-exposition, et le garde-fou la fréquence moyenne par utilisateur. Pour une campagne de conversion, le KPI primaire peut être la marge incrémentale, les KPI secondaires le CPA pondéré par nouveau client et le taux de conversion post-click, et le garde-fou la part des ventes provenant d’utilisateurs déjà actifs dans les 24 heures.

Réduire les biais d’attribution avant de parler de performance

Avant de chercher le modèle parfait, il faut corriger les biais les plus évidents. Le premier chantier concerne les fenêtres d’attribution. Une fenêtre post-view de 30 jours sur du display de retargeting est rarement défendable. Pour des achats impulsifs, une fenêtre de 24 heures à 3 jours peut être plus réaliste. Pour des cycles longs, la fenêtre peut être élargie, mais elle doit être justifiée par l’analyse du délai moyen entre exposition et conversion. La bonne question n’est pas quelle fenêtre maximise les conversions attribuées, mais quelle fenêtre correspond à la cinétique d’achat observée.

Le deuxième chantier est la séparation post-click et post-view. Les conversions post-click indiquent une interaction explicite, même si elles restent sujettes à des biais de dernier clic ou de clic accidentel. Les conversions post-view sont plus fragiles et doivent être analysées séparément. Un reporting qui agrège les deux sans distinction crée une confusion méthodologique. Une campagne peut afficher 5 000 conversions dont 4 500 post-view et 500 post-click ; cette structure n’a pas la même solidité qu’une campagne générant 2 000 conversions avec une part post-click plus élevée et un trafic qualifié mesurable.

Le troisième chantier est la déduplication. Lorsque plusieurs canaux revendiquent la même conversion, l’annonceur doit disposer d’une règle de priorité ou d’un modèle multi-touch. Le MTA, multi-touch attribution, attribution multi-points de contact, cherche à répartir le crédit entre plusieurs interactions observées. Il peut être utile pour comprendre les parcours digitaux, mais il reste limité par la fragmentation des identifiants, les environnements fermés et les pertes de consentement. Le consentement désigne l’autorisation donnée par l’utilisateur pour le traitement de certaines données personnelles, notamment à des fins publicitaires ou de mesure. En Europe, les restrictions liées au RGPD et aux navigateurs réduisent la complétude des parcours.

Le quatrième chantier est l’exclusion des audiences à très forte intention lorsque l’objectif est de mesurer la contribution réelle. Une analyse de retargeting doit isoler les visiteurs récents, les paniers abandonnés, les clients connectés, les acheteurs récurrents et les segments CRM actifs. Ces populations ne doivent pas être mélangées avec de la prospection. Sinon, la moyenne de performance masque des réalités opposées : forte conversion naturelle d’un côté, influence média plus incertaine de l’autre.

Le cinquième chantier est la prise en compte de la fréquence. Une fréquence excessive peut gonfler l’attribution sans augmenter l’impact. Si un utilisateur est exposé 25 fois en trois jours avant de convertir, la plateforme peut attribuer la vente à la campagne, mais la contribution marginale des dernières impressions est probablement faible. À l’inverse, une fréquence trop basse peut limiter l’effet de mémorisation. L’analyse doit donc mesurer les conversions et les coûts par tranche de fréquence : 1 à 2 impressions, 3 à 5, 6 à 10, plus de 10. Dans de nombreux cas, le coût par conversion attribuée continue de sembler correct à haute fréquence, mais le lift incrémental s’aplatit nettement.

Passer de l’attribution à l’incrémentalité : holdouts, geo-tests et lift studies

La méthode la plus robuste pour éviter de surestimer le display consiste à introduire des groupes de contrôle. Un holdout est un groupe d’utilisateurs éligibles volontairement exclu de l’exposition publicitaire afin de comparer son comportement à celui du groupe exposé. Si le groupe exposé convertit à 4,0 % et le groupe non exposé à 3,5 %, le lift absolu est de 0,5 point et le lift relatif de 14,3 %. C’est cette différence, et non l’ensemble des conversions du groupe exposé, qui mesure l’effet incrémental.

Le holdout est particulièrement utile en retargeting, car il révèle le niveau de conversion naturelle. Imaginons une campagne display ciblant 500 000 visiteurs récents. Le groupe exposé représente 450 000 personnes, le groupe holdout 50 000. Sur 7 jours, le groupe exposé génère 18 000 achats, soit 4,0 % de conversion. Le holdout génère 1 850 achats, soit 3,7 %. Le lift relatif est de 8,1 %. Si la plateforme attribue 12 000 ventes à la campagne, l’analyse incrémentale suggère plutôt environ 1 350 ventes incrémentales, soit l’écart de 0,3 point appliqué aux 450 000 exposés. Le CPA réel peut alors être très différent du CPA plateforme.

Les geo-tests constituent une alternative lorsque le ciblage utilisateur ou le tracking individuel est limité. Un geo-test compare des zones exposées à des zones de contrôle similaires. Cette méthode est pertinente pour des campagnes de couverture, du drive-to-store ou des plans display régionaux. Elle exige toutefois une préparation statistique : zones comparables en historique de ventes, saisonnalité, pression concurrentielle, démographie, distribution et investissements média hors display. Un test mal équilibré peut attribuer au display un effet qui vient d’une promotion locale ou d’une rupture de stock dans une zone de contrôle.

Les conversion lift studies, souvent proposées par certaines plateformes, mesurent l’écart de conversion entre utilisateurs exposés et non exposés dans un cadre expérimental. Elles peuvent être utiles, mais leur interprétation doit rester critique. Il faut examiner la méthode d’échantillonnage, la définition de l’exposition, la fenêtre de conversion, la taille de l’échantillon, la significativité statistique et la population réellement mesurée. Un lift positif sur une audience de retargeting ne prouve pas que le display doit être scalé en prospection. Il prouve seulement que, dans ce contexte, cette pression média a produit un effet mesurable.

Le MMM, marketing mix modeling, modélisation statistique qui estime la contribution des leviers marketing à partir de séries temporelles agrégées, complète utilement ces approches. Il est moins granulaire que les logs ou le MTA, mais il capte mieux les effets diffus du display, les interactions avec la TV, le search, le social ou le retail media, et les effets retardés. Un MMM bien calibré peut montrer qu’une hausse du display augmente les recherches marque avec un délai de 3 à 10 jours, même si l’attribution last click donne le crédit au search. En revanche, le MMM nécessite des historiques fiables, des variations budgétaires suffisantes et une bonne modélisation de la saisonnalité.

Intégrer la qualité média : toutes les impressions ne méritent pas d’être mesurées pareil

Mesurer l’impact du display sans surestimer les conversions suppose de qualifier l’exposition. Une impression servie via une enchère RTB sur un emplacement bas de page, non visible, dans un environnement peu contrôlé, ne doit pas être analysée comme une impression visible dans un contexte éditorial premium. La performance doit être rapprochée de la qualité du supply path, c’est-à-dire le chemin d’achat entre l’annonceur, le DSP, les SSP, supply-side platforms, plateformes permettant aux éditeurs de vendre leur inventaire, et l’éditeur final.

La première variable est la visibilité. Le CPM visible, coût pour mille impressions visibles, est souvent plus pertinent que le CPM brut. Si une campagne achète un CPM de 2 euros avec 40 % de viewability, son CPM visible est de 5 euros. Une autre campagne à 3 euros de CPM avec 75 % de viewability affiche un CPM visible de 4 euros. Le second achat est plus cher en apparence, mais plus efficace en exposition réelle. Sans cette normalisation, les optimisations favorisent souvent les inventaires bas coût mais peu visibles, qui peuvent néanmoins générer des conversions post-view par simple proximité statistique avec des audiences intentionnistes.

La deuxième variable est la fraude et le trafic invalide. L’IVT peut gonfler les impressions, les clics et parfois les signaux d’engagement. Même lorsque les conversions finales sont réelles, un environnement frauduleux peut perturber les algorithmes d’optimisation. Les partenaires de vérification, l’analyse des logs et le contrôle par domaine, application, seller_id et heure de diffusion sont indispensables. Un taux de clic anormalement élevé, associé à une faible durée de visite et à aucune conversion post-click, doit déclencher une investigation.

La troisième variable est la brand safety et la brand suitability. La brand safety vise à éviter les environnements dangereux ou inappropriés. La brand suitability va plus loin : elle évalue l’adéquation du contexte avec la marque, le message et l’objectif. Pour mesurer l’impact, le contexte compte. Une bannière pour une assurance automobile affichée dans un article comparatif sur les coûts de réparation n’a pas la même valeur qu’une impression générique sur un inventaire de longue traîne sans affinité. Les modèles d’attribution qui ignorent le contexte sous-estiment parfois les environnements qualitatifs, car leur contribution se manifeste davantage en considération qu’en clic immédiat.

La quatrième variable est la fraîcheur et la nature des audiences. Les segments probabilistes, les lookalikes, les données first-party, les audiences transactionnelles et les segments contextuels ne doivent pas être évalués uniquement sur le CPA attribué. Il faut mesurer leur taux de matching, leur récence, leur exclusivité, leur overlap avec les clients existants et leur capacité à recruter de nouveaux utilisateurs. Un segment qui convertit moins mais génère 60 % de nouveaux clients peut être plus précieux qu’un segment affichant un CPA bas mais composé majoritairement de clients actifs.

Construire un modèle de décision : pondérer les conversions plutôt que les compter

Une fois les biais réduits, la mesure doit être traduite en décisions. Le comptage brut des conversions attribuées doit laisser place à une pondération économique. Toutes les conversions n’ont pas la même valeur : un nouveau client, une vente à forte marge, un achat hors promotion ou un réachat durable valent davantage qu’une vente promotionnelle à faible marge réalisée par un client déjà fidèle.

Un modèle de pilotage avancé peut pondérer les conversions selon cinq coefficients. Le premier est le coefficient d’incrémentalité, estimé par test ou par benchmark. Le deuxième est le coefficient de marge, calculé à partir de la contribution nette du produit ou de la catégorie. Le troisième est le coefficient de nouveauté client : nouveau client, client dormant, client actif. Le quatrième est le coefficient de qualité média : impression visible, contexte validé, absence d’IVT, fréquence utile. Le cinquième est le coefficient stratégique, par exemple soutien d’une catégorie prioritaire ou lancement produit.

La formule peut rester simple : valeur média ajustée égale conversions attribuées multipliées par incrémentalité estimée, puis par marge moyenne et par coefficient de valeur client. Une campagne affichant 5 000 conversions attribuées, 25 % d’incrémentalité, 20 euros de marge moyenne et un coefficient nouveau client de 1,2 produit une valeur ajustée de 30 000 euros. Une autre campagne avec 3 000 conversions attribuées, 70 % d’incrémentalité, 25 euros de marge et un coefficient de 1,4 produit 73 500 euros. Le classement s’inverse alors, même si le CPA plateforme de la première semblait meilleur.

Ce modèle n’a pas besoin d’être parfait pour être utile. Il doit surtout empêcher les arbitrages absurdes. Sans pondération, les budgets migrent vers les environnements qui maximisent les conversions attribuées à court terme : retargeting agressif, audiences chaudes, inventaires peu chers, post-view large. Avec pondération, l’organisation peut financer des campagnes moins flatteuses dans les dashboards mais plus créatrices de valeur : prospection qualifiée, contextuel premium, vidéo display, séquences créatives, audiences nouveaux clients.

La gouvernance est essentielle. Les coefficients ne doivent pas être fixés uniquement par l’agence média ou la plateforme. Ils doivent être discutés avec la finance, le CRM, l’e-commerce et les équipes data. La finance apporte la marge et le coût de service. Le CRM qualifie la valeur client et la rétention. L’e-commerce apporte les données de stock, de promotion et de conversion. Les data analysts valident les tests et les intervalles de confiance. Sans cette gouvernance, la pondération devient une nouvelle boîte noire.

Conclusion : mesurer moins large, mais mesurer plus juste

Le display ne doit pas être jugé uniquement au dernier clic, ni défendu par des conversions post-view gonflées. Sa valeur se situe souvent entre les deux : il influence des parcours, crée de la mémoire, augmente la probabilité de visite, soutient le search, accélère certains retours site et peut générer des ventes incrémentales. Mais cette valeur ne devient crédible que si la mesure distingue clairement ce qui est servi, ce qui est vu, ce qui est attribué et ce qui est causé.

Une feuille de route actionnable peut s’organiser en sept étapes. Premièrement, séparer systématiquement post-click et post-view dans les reportings. Deuxièmement, réduire les fenêtres d’attribution au cycle d’achat réel, au lieu d’accepter les paramètres les plus favorables des plateformes. Troisièmement, filtrer ou pondérer les conversions par qualité média : viewability, IVT, contexte, fréquence et supply path. Quatrièmement, isoler les audiences chaudes des audiences de prospection pour éviter de comparer des intentions incomparables. Cinquièmement, mettre en place des holdouts ou des geo-tests sur les budgets significatifs, notamment en retargeting. Sixièmement, relier les conversions à la marge, à la nouveauté client et à la valeur long terme. Septièmement, utiliser l’attribution comme un outil de pilotage tactique, mais l’incrémentalité comme critère de décision budgétaire.

Le point critique est culturel autant que technique. Une organisation qui récompense uniquement le CPA attribué incite mécaniquement ses équipes et ses partenaires à acheter l’intention la plus facile à capter. Une organisation qui mesure la marge incrémentale accepte des KPI moins immédiats, mais prend de meilleures décisions. Le display peut alors retrouver sa place : non comme un canal qui revendique le plus grand nombre de conversions possible, mais comme un levier dont la contribution est prouvée, contextualisée et pilotée selon sa vraie valeur business.

La maturité consiste donc à renoncer à une précision apparente pour construire une mesure plus exigeante. Moins de conversions comptées, mais davantage de conversions crédibles. Moins de ROAS plateforme, mais plus de marge incrémentale. Moins de reporting défensif, mais plus d’arbitrages utiles. C’est à ce prix que le display peut être mesuré sans être surestimé, et financé sans être surexposé.