Mesurer l’incrémentalité d’une campagne programmatique
L’enjeu n’est pas de savoir ce que la plateforme attribue, mais ce que la campagne ajoute réellement
Mesurer l’incrémentalité d’une campagne programmatique revient à répondre à une question plus exigeante que celle posée par la plupart des tableaux de bord média : quelle part des ventes, leads, visites ou intentions mesurées n’aurait pas existé sans exposition publicitaire ? L’incrémentalité désigne précisément cet effet additionnel, causal, produit par une campagne au-delà de la demande qui se serait manifestée naturellement. Pour un annonceur mature, c’est souvent la frontière entre optimisation apparente et création de valeur réelle.
Dans le RTB, real-time bidding, mécanisme d’enchères en temps réel permettant d’acheter une impression lorsqu’elle devient disponible, les plateformes optimisent en continu vers des signaux de performance. Le DSP, demand-side platform, plateforme utilisée par les acheteurs pour acheter automatiquement des impressions, reçoit une opportunité d’enchère, estime la probabilité de conversion et décide d’un prix. La SSP, supply-side platform, plateforme utilisée par les éditeurs pour vendre leur inventaire, transmet l’impression au marché. Ce système est efficace pour allouer rapidement les budgets, mais il ne garantit pas que les conversions attribuées soient incrémentales.
Le CPA, coût par acquisition, mesure le montant dépensé pour générer une conversion attribuée. Le ROAS, return on ad spend, rapporte le chiffre d’affaires attribué aux dépenses publicitaires. Ces indicateurs restent indispensables au pilotage opérationnel. Mais ils peuvent devenir trompeurs lorsque les campagnes touchent des utilisateurs déjà proches de l’achat : visiteurs panier, clients CRM actifs, requêtes marque, acheteurs récurrents, audiences retail media en bas de funnel. Le funnel désigne le parcours allant de la notoriété à la considération, puis à la conversion et à la fidélisation. Plus une activation se situe bas dans ce funnel, plus elle peut afficher une performance attribuée élevée sans nécessairement créer une forte valeur additionnelle.
Le problème est particulièrement visible en retargeting programmatique. Une campagne peut afficher un CPA de 6 euros et un ROAS de 12, alors qu’une partie importante de ses ventes correspond à des utilisateurs qui auraient converti sans pression média. À l’inverse, une campagne vidéo ou display de prospection peut sembler moins efficace en attribution court terme, mais générer davantage de nouveaux clients, de recherches marque ou de conversions différées. La mesure incrémentale sert donc à corriger la myopie de l’attribution.
L’attribution désigne la méthode qui assigne une conversion à un ou plusieurs points de contact marketing. Elle répond à la question : quel levier reçoit le crédit ? L’incrémentalité répond à une question différente : quel levier a causé une différence mesurable ? Confondre les deux conduit à surinvestir dans les campagnes qui capturent la demande existante et à sous-financer celles qui la créent. Dans un contexte de fragmentation des identifiants, de hausse des CPM, coût pour mille impressions, et de pression sur les budgets, cette distinction devient stratégique.
Définir l’hypothèse incrémentale avant de choisir la méthode de mesure
La première erreur consiste à lancer un test d’incrémentalité sans formuler l’hypothèse économique à valider. Une campagne programmatique peut avoir plusieurs rôles : recruter de nouveaux clients, accélérer une conversion déjà probable, augmenter le panier moyen, réactiver des dormants, accroître la couverture utile, soutenir une promotion locale ou protéger une part de voix face à la concurrence. Chacun de ces objectifs implique une mesure différente.
Une hypothèse exploitable doit relier une audience, un levier, un résultat et un horizon temporel. Par exemple : exposer des prospects non clients via display programmatique augmente-t-il le volume de premiers achats à J+14 par rapport à une population comparable non exposée ? Ou : réduire la pression retargeting sur les paniers abandonnés au-delà de 48 heures diminue-t-il réellement les ventes nettes, ou seulement les conversions attribuées ? Ces formulations sont plus utiles qu’une question générique comme : la campagne performe-t-elle ?
Il faut ensuite distinguer le KPI primaire des métriques de diagnostic. Le KPI, indicateur clé de performance, doit être aligné avec la valeur business. Pour une campagne d’acquisition, le KPI primaire peut être le coût par nouveau client incrémental, et non le CPA global. Pour une campagne retail media, il peut être la marge incrémentale par catégorie, plutôt que le chiffre d’affaires attribué. Pour une campagne drive-to-store, il peut être la visite incrémentale en magasin, mais seulement si la méthodologie isole correctement les zones exposées et non exposées.
Les métriques de diagnostic restent nécessaires : impressions visibles, fréquence, couverture, taux de clic, taux de complétion vidéo, exposition par device, part de post-view, statut client, panier moyen, marge, délai de conversion. Elles expliquent pourquoi un effet incrémental existe ou non. Mais elles ne doivent pas remplacer l’indicateur causal. Une campagne peut générer une forte hausse de clics sans ventes additionnelles, ou peu de clics mais un impact mesurable sur les recherches marque et les conversions ultérieures.
La fenêtre de mesure est également centrale. Un effet bas de funnel peut apparaître en 24 à 72 heures. Une campagne de considération peut nécessiter 14 à 30 jours. Un produit B2B, automobile, assurance ou voyage long-courrier peut avoir un cycle de décision de plusieurs semaines ou mois. Mesurer trop tôt revient à pénaliser les leviers de création de demande ; mesurer trop tard augmente le bruit externe : promotions, saisonnalité, concurrence, disponibilité produit, CRM, search, changements de prix.
Une bonne pratique consiste à définir dès le départ une fiche de test : population éligible, objectif, hypothèse, KPI primaire, KPI secondaires, durée, méthode de randomisation ou de contrôle, seuil minimal d’effet détectable, règles d’exclusion, budget, contraintes opérationnelles et décision attendue. Sans cette discipline, l’analyse risque de sélectionner a posteriori la métrique la plus favorable.
Choisir entre holdout, test exposés/non exposés, geo-test et modélisation
Il n’existe pas une méthode universelle de mesure incrémentale. Le choix dépend du volume, du canal, du niveau d’accès aux données, de la granularité géographique, de la capacité à isoler un groupe de contrôle et du risque commercial accepté. Quatre approches dominent dans les campagnes programmatiques : le holdout audience, le test exposés/non exposés avec correction, le geo-test et la modélisation économétrique.
Le holdout est généralement la méthode la plus directe. Il consiste à constituer un groupe d’utilisateurs éligibles volontairement non exposés, ou moins exposés, afin de comparer leur comportement avec celui du groupe exposé. Si le groupe exposé convertit à 4,8 % et le groupe holdout à 4,2 %, l’écart de 0,6 point représente l’effet incrémental brut, sous réserve que les groupes soient comparables. Cette méthode est robuste lorsque la randomisation est réelle, que les identifiants sont stables et que le volume est suffisant.
Exemple : un e-commerçant cible 500 000 visiteurs récents avec une campagne de retargeting display. Il réserve 10 % de l’audience en holdout, soit 50 000 utilisateurs non exposés. Après sept jours, le groupe exposé affiche 12 600 achats pour 450 000 utilisateurs, soit un taux de conversion de 2,8 %. Le groupe holdout affiche 1 225 achats pour 50 000 utilisateurs, soit 2,45 %. L’uplift absolu est de 0,35 point. Rapporté aux 450 000 exposables, cela représente 1 575 achats incrémentaux. Si la plateforme attribue 8 000 achats à la campagne, le ratio incrémental n’est que de 19,7 %. Le CPA attribué peut sembler excellent, mais le CPA incrémental est environ cinq fois supérieur.
Le test exposés/non exposés classique compare les utilisateurs ayant vu une impression à ceux qui n’en ont pas vu. Il est plus facile à mettre en place, mais plus biaisé. Les utilisateurs exposés ne sont pas aléatoires : ils peuvent être plus actifs, plus disponibles, plus connectés, plus proches de l’achat ou situés dans des environnements média spécifiques. Sans correction par score de propension, matching ou variables de contrôle, ce type de comparaison surestime souvent l’impact.
Le geo-test compare des zones géographiques exposées et non exposées. Il est utile lorsque l’identification individuelle est limitée, notamment en DOOH, CTV, audio digital, retail media offsite ou campagnes locales. Le principe consiste à sélectionner des zones test et contrôle comparables selon historique de ventes, population, saisonnalité, densité commerciale, concurrence et pression média. L’effet est ensuite mesuré par différence de trajectoire. Un geo-test bien conçu peut être plus robuste qu’une attribution utilisateur fragile, mais il nécessite des volumes suffisants et une bonne maîtrise des facteurs locaux.
La modélisation économétrique, souvent appelée MMM, marketing mix modeling, cherche à estimer la contribution des leviers marketing à partir de séries temporelles agrégées : dépenses média, ventes, promotions, prix, distribution, saisonnalité, météo, concurrence. Elle est pertinente pour les décisions budgétaires macro, mais moins pour optimiser une ligne programmatique précise au niveau audience ou supply path. Le MMM mesure mieux les tendances globales que les micro-arbitrages d’enchères.
Dans la pratique, les organisations les plus avancées combinent les approches. Le holdout mesure l’effet d’une audience ou d’un scénario retargeting. Le geo-test valide l’impact business sur une zone ou un réseau de magasins. Le MMM arbitre les allocations entre canaux. Les données d’attribution servent au pilotage quotidien, mais sont recalibrées par des coefficients d’incrémentalité issus des tests.
Calculer les bons indicateurs : uplift, ratio incrémental, CPA incrémental et marge
Une mesure incrémentale n’est utile que si elle se traduit en indicateurs compréhensibles pour les équipes média, data, CRM et finance. Le premier indicateur est l’uplift. Il peut être absolu, par exemple +0,4 point de taux de conversion, ou relatif, par exemple +12 % par rapport au groupe contrôle. Les deux lectures sont nécessaires. Un uplift relatif élevé sur une base très faible peut représenter peu de valeur économique ; un uplift relatif modeste sur une audience massive peut justifier un budget important.
Le deuxième indicateur est le volume incrémental. Il se calcule en appliquant l’écart de taux entre test et contrôle à la population exposable. Si 1 million d’utilisateurs sont éligibles, que le groupe exposé convertit à 1,20 % et le contrôle à 1,05 %, l’écart de 0,15 point représente 1 500 conversions incrémentales par million d’utilisateurs. Ce chiffre doit ensuite être comparé aux conversions attribuées par la plateforme. Si le DSP revendique 7 500 conversions, le ratio incrémental est de 20 %. Autrement dit, une conversion attribuée sur cinq correspondrait à une conversion réellement additionnelle.
Le troisième indicateur est le CPA incrémental. Il se calcule en divisant la dépense média par le volume incrémental. Une campagne à 150 000 euros générant 10 000 conversions attribuées affiche un CPA attribué de 15 euros. Si le test démontre seulement 2 500 conversions incrémentales, le CPA incrémental est de 60 euros. Cette métrique change radicalement les arbitrages. Elle permet de comparer un retargeting apparemment très rentable avec une campagne de prospection dont le CPA attribué est plus élevé mais le ratio incrémental supérieur.
Le quatrième indicateur, souvent négligé, est la marge incrémentale. Un ROAS incrémental basé sur le chiffre d’affaires peut rester insuffisant si les catégories vendues ont des marges très différentes. Une campagne peut générer des ventes additionnelles sur des produits promotionnés à faible marge, tandis qu’une autre favorise des produits premium ou des réachats à forte LTV. La LTV, lifetime value, désigne la valeur économique attendue d’un client sur la durée de sa relation avec la marque. Pour arbitrer correctement, il faut donc relier l’incrémentalité à la marge, au statut nouveau client et à la probabilité de réachat.
Un cas simple illustre l’enjeu. Deux campagnes programmatiques dépensent chacune 100 000 euros. La campagne A génère 500 000 euros de chiffre d’affaires attribué et 80 000 euros de chiffre d’affaires incrémental, avec une marge brute de 25 %. Sa marge incrémentale est de 20 000 euros. La campagne B génère seulement 300 000 euros de chiffre d’affaires attribué, mais 140 000 euros de chiffre d’affaires incrémental, avec une marge de 45 %. Sa marge incrémentale est de 63 000 euros. En reporting plateforme, A paraît supérieure. En lecture business, B crée davantage de valeur.
Enfin, il faut suivre les intervalles de confiance. Un test sur faible volume peut produire un uplift apparent non significatif. Pour détecter un effet de +5 % avec fiabilité, il faut parfois des dizaines ou centaines de milliers d’utilisateurs selon le taux de conversion de base. Les équipes doivent accepter que certains tests concluent à une absence de preuve, et non à une preuve d’absence d’effet. Cette nuance statistique est essentielle pour ne pas couper trop vite des leviers dont l’impact est diffus ou long terme.
Neutraliser les biais qui faussent le plus souvent les tests programmatiques
La mesure incrémentale est vulnérable à plusieurs biais récurrents. Le premier est le biais de sélection. Si le groupe exposé contient davantage d’utilisateurs à forte intention que le groupe contrôle, l’uplift mesuré surestime l’effet média. Ce biais apparaît lorsque la randomisation est imparfaite, lorsque les exclusions d’audience ne sont pas symétriques ou lorsque les plateformes optimisent plus fortement vers les profils les plus chauds.
Le deuxième est le biais de contamination. Un utilisateur du groupe contrôle peut être exposé via un autre canal : social, search, email, retail media, CTV, affiliation. Dans ce cas, le contrôle n’est plus réellement non exposé. L’effet mesuré peut être sous-estimé si le groupe contrôle reçoit une pression concurrente similaire, ou surestimé si le groupe test bénéficie d’une orchestration multicanale non répliquée. La documentation des autres leviers actifs est donc indispensable.
Le troisième est le biais d’attribution post-view. Une impression servie peu avant une conversion peut recevoir le crédit alors qu’elle n’a joué aucun rôle causal. Le post-view n’est pas inutile : certaines impressions visibles influencent réellement le comportement sans clic. Mais une fenêtre post-view trop longue, par exemple 30 jours sur du retargeting bas de funnel, capture souvent une demande préexistante. Pour l’analyse incrémentale, il faut distinguer impressions servies, impressions mesurables, impressions visibles et expositions réellement probables.
Le quatrième est le biais de fréquence. Une campagne peut sembler incrémentale en moyenne alors que l’effet se concentre sur les premières expositions. Au-delà d’un seuil, la pression supplémentaire devient redondante, voire négative. Une analyse par cohortes de fréquence permet d’identifier la courbe de réponse : 1 à 2 expositions peuvent générer un uplift significatif, 3 à 5 stabiliser l’effet, 8 ou plus dégrader le coût par résultat incrémental. Ce diagnostic est particulièrement important en display, vidéo et CTV.
Le cinquième est le biais de disponibilité produit ou promotion. Une hausse de ventes pendant le test peut provenir d’une promotion, d’un meilleur prix, d’un stock rétabli ou d’un changement de merchandising. Dans le retail media, l’effet est fréquent : une marque sponsorisée en haut de page bénéficie aussi d’une mécanique promotionnelle en rayon ou d’une meilleure visibilité organique. Le protocole doit intégrer ces variables, ou au minimum les documenter.
Le sixième biais concerne l’identité. Dans un environnement où les cookies tiers reculent et où les identifiants mobiles sont limités, la capacité à maintenir des groupes stables diminue. Un même individu peut apparaître sous plusieurs identifiants, ou disparaître du graphe d’exposition. Les taux de match, la latence de synchronisation et les règles de consentement influencent directement la qualité du test. Une mesure incrémentale doit donc inclure une lecture technique : quelle part de l’audience est observable, adressable et mesurable ?
Transformer les résultats en décisions média, et pas seulement en reporting
La valeur d’un test d’incrémentalité ne réside pas dans le chiffre d’uplift lui-même, mais dans les décisions qu’il permet de prendre. La première décision concerne l’allocation budgétaire. Si une audience de retargeting affiche un ratio incrémental de 15 % et une audience de prospection contextuelle un ratio de 55 %, il peut être rationnel de déplacer une partie du budget, même si le CPA attribué du retargeting reste inférieur. L’objectif n’est pas de supprimer les leviers bas de funnel, mais de les calibrer à leur contribution réelle.
La deuxième décision concerne les fenêtres d’audience. Si les paniers abandonnés des 24 premières heures présentent un uplift fort, mais que l’effet devient marginal après 72 heures, la campagne doit réduire sa fenêtre ou baisser les enchères au-delà de ce seuil. Si les visiteurs produit convertissent naturellement à J+2 sans exposition, une pression média immédiate peut surtout capter du crédit. À l’inverse, si un rappel à J+5 produit un effet additionnel, il faut ajuster la séquence.
La troisième décision concerne la fréquence. Une analyse incrémentale peut définir un capping, plafonnement de fréquence, basé sur la valeur marginale plutôt que sur une règle arbitraire. Par exemple : maximum trois impressions visibles en 48 heures pour un retargeting panier, mais cinq à sept expositions espacées sur une campagne vidéo de considération. Le capping ne doit pas viser seulement à réduire l’irritation ; il doit protéger le coût par exposition utile.
La quatrième décision concerne les enchères et la supply. Tous les environnements programmatiques ne produisent pas la même valeur incrémentale. Un inventaire premium plus cher peut être justifié s’il génère davantage d’attention, de nouveaux clients ou de marge. Un inventaire low-cost peut être coupé si son CPM faible masque une faible visibilité, un trafic invalide ou une contribution nulle. Relier l’incrémentalité aux logs supply, aux domaines, aux apps, aux formats et aux sellers permet de transformer le test en règles d’achat : allowlists, exclusions, bid multipliers, deals à renégocier.
La cinquième décision concerne les modèles d’optimisation. Un DSP entraîné sur des conversions attribuées optimisera naturellement vers les profils les plus susceptibles de convertir, pas nécessairement vers ceux pour lesquels la publicité change le comportement. Si les tests montrent que certains signaux sont peu incrémentaux, les équipes peuvent ajuster les événements de conversion, intégrer le statut nouveau client, pondérer la marge, exclure certains segments chauds ou créer des objectifs différenciés par étape du funnel.
Enfin, les résultats doivent être documentés sous forme de coefficients d’incrémentalité, mais avec prudence. Un coefficient peut indiquer qu’une campagne retargeting a historiquement un ratio incrémental de 20 %, tandis qu’une campagne prospecting contextuel atteint 45 %. Ces coefficients peuvent recalibrer les reportings. Mais ils ne doivent pas être figés : saisonnalité, concurrence, création, prix, promotions et maturité de marque peuvent modifier l’effet causal. Une bonne gouvernance prévoit des retests réguliers.
Conclusion : construire une discipline continue de mesure causale
Mesurer l’incrémentalité d’une campagne programmatique, ce n’est pas ajouter un indicateur de plus au reporting. C’est changer la hiérarchie de preuve. Les impressions, clics, conversions attribuées, CPA et ROAS décrivent ce que les plateformes observent et revendiquent. L’incrémentalité cherche à mesurer ce que la campagne a réellement changé. Pour des professionnels du marketing, cette différence conditionne la qualité de l’allocation budgétaire.
Une feuille de route actionnable peut s’organiser en huit étapes. Premièrement, formuler une hypothèse business précise : acquisition, réactivation, panier moyen, marge, visite magasin, couverture ou considération. Deuxièmement, choisir un KPI primaire causal, comme le CPA incrémental, la marge incrémentale ou le coût par nouveau client incrémental. Troisièmement, sélectionner la méthode adaptée : holdout, geo-test, exposés/non exposés corrigé ou MMM. Quatrièmement, garantir la comparabilité des groupes et documenter les biais possibles. Cinquièmement, distinguer conversions attribuées, conversions incrémentales et valeur incrémentale. Sixièmement, segmenter les résultats par audience, fréquence, format, environnement, device, statut client et marge. Septièmement, traduire les enseignements en règles d’achat : budget, capping, exclusions, enchères, supply paths et fenêtres d’audience. Huitièmement, répéter les tests pour tenir compte des évolutions de marché.
La maturité ne consiste pas à rejeter l’attribution, mais à la remettre à sa place. L’attribution est utile pour optimiser vite ; l’incrémentalité est nécessaire pour décider juste. Une organisation qui combine les deux peut continuer à piloter ses campagnes au quotidien tout en évitant de confondre capture de demande et création de demande.
Dans un marché programmatique où l’adressabilité se fragilise, où les coûts média augmentent et où les plateformes restent juges et parties de leurs propres performances, la mesure incrémentale devient un avantage compétitif. Elle impose plus de rigueur, plus de tests et parfois des conclusions moins spectaculaires. Mais elle permet une allocation plus rationnelle : moins de budget sur les expositions redondantes, davantage d’investissement sur les audiences où la publicité modifie réellement le comportement, et une lecture de la performance enfin alignée avec la valeur business créée.
