Log-level data : quels indicateurs isoler côté DSP ?

Les log-level data déplacent le pilotage DSP du reporting agrégé vers l’audit économique de chaque impression

Dans l’achat programmatique, les log-level data désignent les données événementielles détaillées, souvent ligne par ligne, qui décrivent chaque étape d’une impression publicitaire : bid request, enchère envoyée, enchère perdue ou gagnée, impression servie, coût média, frais, exposition, clic, conversion, contexte, device, identifiants de deal, SSP, seller, audience et parfois signaux de qualité. Côté DSP, demand-side platform, plateforme utilisée par les annonceurs et agences pour acheter automatiquement des impressions publicitaires, ces logs constituent la matière première d’un pilotage plus rigoureux que les dashboards standards.

Leur intérêt n’est pas seulement analytique. Il est financier. Un rapport agrégé peut indiquer un CPM, coût pour mille impressions, de 4,20 euros, un CPA, coût par acquisition, de 38 euros, et un ROAS, return on ad spend, ratio entre chiffre d’affaires attribué et dépenses publicitaires, de 5,1. Mais ces moyennes masquent les écarts qui déterminent réellement la rentabilité : un supply path surpayé, une audience surexposée, un inventaire à faible visibilité, un deal ID hétérogène, un modèle d’attribution trop généreux ou une dérive de frais technologiques.

Pour un professionnel du marketing, l’enjeu n’est donc pas de collecter plus de colonnes pour enrichir un data lake. Il est d’isoler les indicateurs qui transforment les logs en décisions : baisser une enchère, exclure un seller, renégocier un deal, modifier une fenêtre d’attribution, plafonner une audience, réallouer un budget ou challenger un modèle d’optimisation. Les log-level data ne créent de valeur que si elles relient trois dimensions : prix payé, qualité de l’exposition et contribution business.

Le paradoxe est que beaucoup d’annonceurs disposent déjà d’une partie de ces données sans les exploiter correctement. Les logs sont exportés, stockés, parfois rapprochés de l’ad server ou du CRM, mais l’analyse reste centrée sur les mêmes KPI agrégés. La maturité consiste à passer d’une logique de reporting à une logique d’audit : comprendre pourquoi l’algorithme a acheté telle impression, à quel prix, via quel chemin, pour quelle valeur attendue, et avec quel résultat observable.

Commencer par les indicateurs d’enchère : bid price, clearing price, win rate et bid landscape

Le premier bloc à isoler concerne la mécanique d’enchère. En RTB, real-time bidding, mécanisme d’enchères en temps réel permettant d’acheter une impression lorsqu’elle devient disponible, le DSP décide en quelques millisecondes s’il répond à une bid request, demande d’enchère transmise généralement par une SSP, supply-side platform, plateforme utilisée par les éditeurs pour vendre leur inventaire. Les logs doivent permettre de reconstruire cette décision.

Quatre indicateurs sont prioritaires. Le premier est le bid price, c’est-à-dire le montant que le DSP était prêt à enchérir. Le deuxième est le clearing price, prix de gain effectivement payé lorsque l’enchère est remportée. Le troisième est la win rate, taux d’enchères gagnées parmi les enchères envoyées. Le quatrième est le bid landscape, distribution des prix de marché observés ou estimés par segment : domaine, application, format, SSP, device, pays, heure, deal ID, audience et contexte.

La valeur de ces indicateurs vient de leur lecture combinée. Une win rate de 8 % peut être insuffisante sur une audience stratégique en phase de conquête, mais acceptable sur un inventaire substituable. Une win rate de 45 % peut signaler une bonne compétitivité, ou au contraire une surenchère si le clearing price se situe systématiquement très en dessous du bid price. Dans les environnements first-price auction, enchères au premier prix où l’acheteur gagnant paie le montant exact de son enchère, l’écart entre bid price et valeur réelle de l’impression devient critique.

Un exemple simple illustre l’intérêt des logs. Une campagne vidéo affiche un CPM moyen de 12 euros et une win rate de 22 %. Au niveau agrégé, le coût paraît maîtrisé. L’analyse ligne par ligne révèle pourtant que, sur une SSP donnée, les impressions desktop premium sont gagnées à un clearing price médian de 9,80 euros alors que le bid price médian est de 15 euros. Si la qualité d’exposition n’est pas supérieure, le bid shading, technique qui consiste à réduire l’enchère sans perdre l’impression visée, peut être trop conservateur. À l’inverse, sur mobile web, le bid price médian de 6 euros ne gagne que 4 % des enchères sur les placements visibles. Le DSP manque peut-être les impressions utiles et compense par du volume moins qualitatif.

La bonne pratique consiste à analyser les prix par percentiles, pas seulement par moyennes. Si 50 % des impressions d’un segment se gagnent sous 3 euros, 75 % sous 4,20 euros et 90 % sous 7 euros, une enchère à 8 euros doit être justifiée par un signal de valeur supérieur : audience rare, forte probabilité de conversion incrémentale, contexte premium ou visibilité attendue élevée. Sans cette justification, le DSP paie une prime sans preuve économique.

Qualifier la supply : seller, SSP, deal ID et duplication des chemins d’achat

Le deuxième bloc d’indicateurs concerne l’origine de l’impression. Côté DSP, il faut isoler les dimensions supply avec une granularité suffisante : exchange ou SSP, seller ID, seller type, domaine ou app bundle, placement, deal ID, type d’enchère, open auction ou PMP, private marketplace, marché privé entre acheteurs et vendeurs sélectionnés, et SupplyChain Object lorsque disponible. Ces champs permettent de distinguer un inventaire réellement premium d’un inventaire simplement labellisé comme tel.

La duplication supply est l’un des points les plus sous-estimés. Une même impression, ou une impression très proche, peut apparaître via plusieurs SSP et plusieurs resellers. Sans analyse log-level, l’annonceur peut croire diversifier son accès au marché alors qu’il achète le même environnement avec des frais, une priorité et une transparence différents. Le SPO, supply path optimization, optimisation des chemins d’approvisionnement visant à réduire les doublons, les frais et l’opacité entre DSP, SSP et éditeurs, devient alors un levier direct de performance.

Les indicateurs à suivre sont la part de spend par SSP, la part de sellers directs, le nombre de supply paths par domaine, le CPM net par chemin, le taux d’IVT, invalid traffic, trafic invalide généré par bots ou comportements non humains, la visibilité par seller, le taux de conversion ou de visite qualifiée par chemin, et la contribution incrémentale lorsque des tests sont disponibles. Un chemin moins cher n’est pas nécessairement plus efficient. Il peut présenter une latence plus élevée, une visibilité plus faible ou une proportion supérieure d’inventaire non mesurable.

Prenons un cas fréquent. Un annonceur retail observe trois chemins vers un même groupe média. Le chemin A est direct via une SSP premium, CPM 6,40 euros, visibilité 72 %, IVT 0,5 %. Le chemin B passe par un reseller autorisé, CPM 5,80 euros, visibilité 61 %, IVT 1,4 %. Le chemin C passe par un agrégateur, CPM 4,90 euros, visibilité 48 %, IVT 2,8 %. En CPM brut, C semble attractif. En vCPM, coût pour mille impressions visibles, A revient à 8,89 euros, B à 9,51 euros, C à 10,21 euros, avant même d’intégrer la fraude et la performance business. Les logs permettent de démontrer que l’économie faciale détruit de l’efficience.

Les deal IDs méritent une attention particulière. Un deal peut mélanger plusieurs formats, emplacements et niveaux de qualité. L’indicateur à isoler n’est pas seulement le CPM du deal, mais la dispersion interne : quels placements consomment le budget, quelle part est réellement visible, quelle proportion vient de sellers directs, quel taux de complétion vidéo est observé, quelles conversions sont attribuées et sur quels sous-segments. Un PMP premium sans transparence ligne par ligne peut devenir une boîte noire coûteuse.

Mesurer la qualité d’exposition : viewability, attention, complétion et environnement

Les logs DSP doivent ensuite être reliés aux signaux de qualité média. La viewability, ou visibilité publicitaire, mesure la probabilité qu’une publicité ait été affichée dans des conditions permettant d’être vue. Le standard du MRC, Media Rating Council, considère par exemple qu’une impression display est visible lorsque 50 % des pixels sont affichés pendant au moins une seconde, et qu’une impression vidéo l’est lorsque 50 % des pixels sont visibles pendant au moins deux secondes. Ce seuil constitue un minimum, pas une preuve d’attention.

Les indicateurs à isoler varient selon le format. En display, il faut suivre impression mesurable, impression visible, durée visible, position estimée, taille du format, densité publicitaire et environnement web ou in-app. En vidéo, il faut ajouter le quartile de lecture, le taux de complétion, la durée visible, l’audibilité, la taille du player, le caractère instream ou outstream et le taux de skip. En CTV, connected TV, télévision connectée permettant de diffuser des publicités dans des environnements de streaming, la complétion est souvent élevée, mais les logs doivent être croisés avec la déduplication foyer, la fréquence et la qualité du publisher.

L’objectif est de calculer le coût de l’exposition utile, et non de s’arrêter au CPM. Une campagne display à 2 euros de CPM avec 40 % de visibilité a un vCPM de 5 euros. Une campagne à 3,20 euros avec 80 % de visibilité a un vCPM de 4 euros. Le deuxième inventaire est plus cher en apparence, mais plus efficient sur la base d’une impression visible. En vidéo, l’écart peut être encore plus fort. Un CPM de 14 euros avec 50 % de visibilité et 35 % de complétion donne un coût de 80 euros pour mille vidéos visibles et complétées. Un CPM de 22 euros avec 80 % de visibilité et 70 % de complétion donne 39,29 euros pour mille vidéos visibles et complétées.

Mais la qualité d’exposition ne doit pas être interprétée de manière absolue. Une campagne de notoriété peut accepter une visibilité moyenne si elle obtient une couverture incrémentale à coût maîtrisé. Une campagne de considération doit exiger une durée visible plus longue et un contexte plus engageant. Une campagne de conversion assistée doit privilégier la visibilité qualifiée auprès d’audiences à forte propension, sans surpayer les utilisateurs déjà proches de l’achat.

Le rôle des logs est de segmenter ces arbitrages. Une moyenne de 68 % de viewability ne dit pas si les impressions non visibles se concentrent sur une application, une SSP, un format, une audience ou un deal. Elle ne dit pas non plus si les impressions visibles produisent une réponse business. Les indicateurs de qualité doivent donc être croisés avec les indicateurs d’enchère et de performance, sinon ils restent des métriques de conformité.

Isoler les signaux d’audience : récence, fréquence, statut client et valeur attendue

Le quatrième bloc concerne l’audience. Les logs DSP peuvent contenir ou référencer des segments first-party, c’est-à-dire des données collectées directement par la marque ou l’éditeur, des segments tiers, des audiences contextuelles, des listes CRM, des signaux de retargeting, la récence de visite, la catégorie consultée ou le statut prospect-client. Ces informations sont essentielles, mais elles peuvent aussi amplifier les biais d’attribution.

Le premier indicateur à isoler est la fréquence. Il faut distinguer fréquence servie, fréquence visible et fréquence qualifiée. Une fréquence moyenne de 5 impressions sur une campagne peut sembler raisonnable, mais les logs peuvent révéler que 15 % de l’audience reçoit plus de 12 impressions visibles en 72 heures, tandis qu’une large partie de la cible n’est exposée qu’une fois ou pas du tout. Cette concentration peut améliorer artificiellement le CPA attribué tout en dégradant l’incrémentalité.

Le deuxième indicateur est la récence. Un utilisateur ayant visité une page produit il y a 30 minutes n’a pas la même valeur qu’un visiteur datant de 21 jours. Mais une forte récence ne signifie pas automatiquement une forte contribution publicitaire. Dans le bas de funnel, la probabilité de conversion est élevée, mais la probabilité d’incrémentalité peut être faible. Une impression retargeting auprès d’un panier abandonné peut capter une vente qui aurait eu lieu naturellement, surtout si la marque bénéficie déjà d’une forte intention.

Le troisième indicateur est le statut client. Les logs doivent permettre de distinguer nouveaux clients, clients existants, clients actifs récents, clients dormants et prospects inconnus, lorsque la donnée est disponible et conforme au consentement. Une conversion attribuée à un client actif ayant acheté trois fois dans les 60 derniers jours ne devrait pas être valorisée comme une acquisition nette. Si le DSP optimise indistinctement toutes les conversions, il risque de surinvestir sur les profils les plus faciles à convertir plutôt que sur les profils les plus créateurs de valeur.

Un framework opérationnel consiste à attribuer des coefficients de valeur aux segments avant de les envoyer au DSP ou au système d’analyse. Par exemple : prospect froid exposé dans un contexte affinitaire, coefficient de test ; prospect similaire aux meilleurs clients, coefficient élevé ; visiteur produit récent, coefficient moyen ; panier abandonné, coefficient variable selon marge et fréquence ; client actif récent, coefficient faible ou exclusion si l’objectif est la conquête. Les logs servent ensuite à vérifier si le budget suit réellement cette hiérarchie ou si l’algorithme dérive vers des conversions faciles.

Relier les logs à l’attribution : post-view, post-click, déduplication et contribution incrémentale

Les log-level data prennent toute leur valeur lorsqu’elles sont rapprochées de l’attribution, c’est-à-dire de la méthode qui assigne une conversion à un ou plusieurs points de contact média. Côté DSP, il faut isoler les conversions post-click, après clic, les conversions post-view, après exposition sans clic, la fenêtre de lookback, le délai entre impression et conversion, la position dans la séquence d’exposition et la déduplication avec les autres canaux.

Le risque majeur est la sur-attribution. Une impression non visible, servie à un utilisateur déjà intentionniste, quelques minutes avant une conversion issue du search marque, peut recevoir du crédit dans le DSP. Si cette conversion alimente ensuite l’algorithme d’enchère, le système apprend à acheter des impressions corrélées à l’achat, mais pas nécessairement causales. Les logs permettent de filtrer ou pondérer ces crédits.

Une règle saine consiste à créer plusieurs niveaux de conversion. Niveau 1 : conversion brute attribuée par la plateforme. Niveau 2 : conversion attribuée après déduplication avec l’ad server et les autres canaux. Niveau 3 : conversion qualifiée par visibilité, récence raisonnable et absence d’IVT. Niveau 4 : conversion pondérée par valeur business, marge, nouveau client, LTV, lifetime value, valeur économique attendue d’un client sur sa durée de relation avec la marque. Niveau 5 : conversion incrémentale estimée par test holdout, groupe non exposé servant de contrefactuel, geo-test ou MMM, marketing mix modeling, modélisation statistique de la contribution des leviers marketing.

Un exemple chiffré est parlant. Une campagne programmatique dépense 120 000 euros. Le DSP attribue 4 800 conversions, soit un CPA apparent de 25 euros. Après déduplication avec le search et l’email, il reste 3 200 conversions. Après exclusion des impressions non visibles et des expositions au-delà d’une fréquence visible de 10, il reste 2 400 conversions qualifiées. Un holdout estime que 45 % seulement sont incrémentales. Le CPA incrémental devient alors 111 euros. Cette lecture ne signifie pas que la campagne est mauvaise ; elle indique que le reporting DSP seul surestimait sa contribution.

L’analyse doit aussi éviter l’excès inverse. Une campagne vidéo haut de funnel peut générer peu de conversions directes dans la fenêtre DSP, mais produire une hausse des recherches marque, des visites qualifiées et des conversions assistées dans les semaines suivantes. Les logs doivent donc être intégrés à une architecture de mesure plus large. Le post-view n’est pas à rejeter ; il doit être conditionné à une exposition crédible et pondéré selon le rôle de la campagne dans le funnel, parcours allant de la notoriété à la conversion.

Surveiller les coûts cachés : media cost, tech fees, data fees et net media

Un audit côté DSP ne peut pas ignorer la structure de coût. Les logs doivent permettre de distinguer media cost brut, coût média net, frais DSP, frais data, frais de vérification, frais d’ad serving, frais de mesure, frais d’agence et éventuels coûts SSP visibles ou estimés. Sans cette décomposition, l’annonceur optimise parfois un CPM dont il ne connaît pas la part réellement reversée au média.

La question n’est pas seulement la transparence pour la transparence. Elle influence les décisions d’allocation. Deux segments peuvent afficher le même CPM tout compris de 5 euros. Sur le premier, 4,30 euros rémunèrent l’inventaire média et 0,70 euro correspond aux frais. Sur le second, 3,20 euros rémunèrent le média et 1,80 euro correspond aux couches technologiques et data. Si la performance business est comparable, le second segment doit être challengé. Si la donnée apporte une forte valeur incrémentale démontrée, les frais peuvent être justifiés. Les logs permettent précisément de trancher.

Les data fees méritent une analyse spécifique. Un segment d’intention peut coûter 0,80 à 2 euros de CPM additionnel selon les marchés et fournisseurs. Si ce segment améliore le taux de conversion attribué de 20 %, mais augmente le coût total de 30 % et ne produit pas de lift incrémental, il détruit de la valeur. À l’inverse, une donnée first-party bien qualifiée peut justifier un coût plus élevé si elle augmente la part de nouveaux clients ou la marge moyenne.

Le bon indicateur est donc le coût complet par résultat qualifié : coût par impression visible, coût par visite qualifiée, coût par nouveau client, coût par euro de marge incrémentale. L’analyse ligne par ligne permet d’identifier les combinaisons coûteuses : audience payante plus inventaire premium plus vérification stricte plus faible win rate. Ces combinaisons ne sont pas mauvaises par nature, mais elles doivent produire une valeur supérieure pour être défendables.

Construire un tableau d’audit DSP : des logs à la décision opérationnelle

Pour rendre les log-level data exploitables, il faut structurer un tableau d’audit autour de familles d’indicateurs. L’objectif n’est pas de tout afficher, mais de créer une lecture hiérarchisée permettant d’identifier rapidement les poches de surcoût, de sous-qualité ou de performance réelle.

Un framework robuste peut s’organiser en six blocs :

1. Enchère et prix : bid price, clearing price, win rate, bid rate, floor price lorsque disponible, distribution des prix par percentile, écart entre enchère maximale et prix payé.
2. Supply et transparence : SSP, seller ID, seller type, domaine, app bundle, deal ID, SupplyChain Object, part de sellers directs, duplication des chemins, taux d’IVT.
3. Qualité média : mesurabilité, viewability, durée visible, vCPM, complétion vidéo, audibilité, taille du player, environnement, brand safety et brand suitability.
4. Audience et pression : segment, récence, fréquence servie, fréquence visible, statut client, exposition cumulée, chevauchement entre segments.
5. Performance et attribution : clics, visites qualifiées, conversions post-click, conversions post-view, délai impression-conversion, déduplication, valeur de conversion, marge, nouveau client.
6. Coût complet : media cost, frais DSP, frais data, frais de mesure, coût net par exposition utile, coût par résultat incrémental estimé.

Chaque bloc doit être segmenté par dimensions actionnables. Un indicateur qui ne permet pas une décision risque de devenir du bruit. Savoir que la viewability moyenne est de 64 % est moins utile que savoir que trois app bundles consomment 18 % du budget avec 32 % de visibilité et aucune conversion qualifiée. Savoir que le CPA moyen est de 42 euros est moins utile que savoir que les conversions les moins chères viennent de clients actifs déjà exposés six fois.

La gouvernance doit également préciser la fréquence d’analyse. Certains indicateurs sont utiles en quasi temps réel : dérive de CPM, chute de win rate, hausse d’IVT, panne de tracking, changement de mix SSP. D’autres nécessitent un recul statistique : incrémentalité, contribution par fréquence, valeur client, lift de recherche marque. Vouloir décider quotidiennement sur des signaux qui demandent plusieurs semaines de mesure crée de l’instabilité.

Enfin, il faut accepter les limites. Les logs DSP ne voient pas tout. Certains environnements fermés limitent la granularité. Les identifiants utilisateurs sont contraints par le consentement et la disparition des cookies tiers. La correspondance entre impression, utilisateur et conversion peut être probabiliste. Les données de clearing price peuvent être incomplètes selon les places de marché. Les logs ne remplacent donc pas les tests causaux ; ils les préparent, les expliquent et les rendent plus actionnables.

Conclusion : isoler moins d’indicateurs, mais les relier mieux

Les log-level data côté DSP ne doivent pas être traitées comme un inventaire technique de colonnes disponibles. Leur valeur dépend de la capacité à isoler les indicateurs qui expliquent l’économie réelle de l’achat programmatique : combien l’impression a coûté, pourquoi elle a été achetée, via quel chemin, avec quelle qualité d’exposition, auprès de quelle audience, et avec quelle contribution mesurable.

Une feuille de route actionnable peut se résumer en sept décisions. Premièrement, analyser les distributions de bid price, clearing price et win rate par segment, plutôt que les CPM moyens. Deuxièmement, qualifier la supply par SSP, seller, deal ID et duplication des chemins pour piloter le SPO. Troisièmement, calculer systématiquement le coût de l’exposition utile : vCPM, durée visible, complétion et audibilité selon le format. Quatrièmement, isoler fréquence, récence et statut client pour éviter de surpayer l’intention déjà acquise. Cinquièmement, pondérer l’attribution post-view par visibilité, délai, déduplication et valeur business. Sixièmement, intégrer les frais technologiques et data dans le coût complet. Septièmement, relier les logs aux tests d’incrémentalité pour distinguer corrélation et causalité.

La maturité ne consiste pas à posséder le fichier log le plus large, mais à construire une chaîne de décision disciplinée. Un bon audit DSP doit savoir réduire une enchère lorsque le clearing price prouve une surenchère, exclure un chemin supply lorsque le vCPM révèle une fausse économie, plafonner une audience lorsque la fréquence visible détruit l’incrémentalité, et défendre un inventaire plus cher lorsque sa qualité et sa contribution sont démontrées.

En programmatique, la performance ne se cache pas dans une moyenne. Elle se joue dans les écarts : entre enchère et prix payé, entre impression servie et exposition utile, entre conversion attribuée et vente incrémentale, entre coût média brut et coût complet. Les log-level data sont le seul niveau d’analyse qui permet de voir ces écarts avec suffisamment de précision. Encore faut-il choisir les bons indicateurs, les interpréter avec méthode et les relier à des décisions budgétaires réelles.