Attribution retail media : quelles limites pour mesurer l’incrémental ?

Le retail media promet une mesure proche de la vente, mais l’incrémental reste difficile à isoler

Le retail media, c’est-à-dire l’activation publicitaire fondée sur les inventaires et les données transactionnelles des distributeurs, s’est imposé comme l’un des leviers les plus attractifs pour les marques. Sa promesse est puissante : cibler des acheteurs réels, diffuser des messages au plus près de l’acte d’achat et mesurer les ventes attribuées dans un environnement marchand. Dans un contexte de restriction des cookies tiers, de fragmentation des identifiants et de pression sur la rentabilité média, cette promesse explique la croissance rapide du canal.

Mais la proximité avec la transaction ne doit pas être confondue avec la preuve d’impact. Une vente observée après exposition n’est pas nécessairement une vente causée par l’exposition. C’est tout l’enjeu de l’incrémentalité, qui mesure la performance réellement générée par une campagne par rapport à ce qui se serait produit sans campagne. En retail media, cette distinction est critique, car beaucoup d’activations interviennent dans des contextes où l’intention d’achat existe déjà : moteur de recherche interne, page catégorie, fiche produit, panier, relance promotionnelle ou audience de clients récents.

L’attribution, méthode qui assigne une conversion à un ou plusieurs points de contact média, reste indispensable pour piloter les campagnes. Elle permet de suivre le CPA, coût par acquisition, c’est-à-dire le coût nécessaire pour générer une vente ou un lead attribué, et le ROAS, return on ad spend, ratio entre chiffre d’affaires attribué et dépenses publicitaires. Mais ces métriques décrivent une contribution comptable, pas nécessairement une contribution causale. Un ROAS de 12 sur des produits sponsorisés peut masquer une incrémentalité faible si les ventes auraient été captées naturellement par la marque. À l’inverse, une campagne offsite vidéo avec un ROAS attribué de 2 peut recruter de nouveaux acheteurs et produire un effet plus stratégique sur la pénétration catégorie.

Pour les professionnels du marketing, le sujet n’est donc pas de choisir entre attribution et incrémentalité. Il s’agit de comprendre ce que chaque méthode sait mesurer, ses angles morts, et comment construire une gouvernance capable de transformer les résultats en arbitrages budgétaires. La question centrale devient : quelle part du chiffre d’affaires retail media est réellement additionnelle, et à quelles conditions peut-on la mesurer avec rigueur ?

Pourquoi l’attribution retail media surestime souvent la contribution réelle

La première limite vient de la nature même des environnements retail. Contrairement à un média de pure prospection, beaucoup d’impressions retail media sont délivrées à des utilisateurs déjà proches de l’achat. Un internaute qui recherche une marque dans le moteur interne d’un distributeur, consulte une fiche produit ou compare deux références dans une catégorie manifeste une intention élevée. Si une publicité intervient à ce moment, elle peut influencer le choix final, mais elle peut aussi simplement capter une conversion qui aurait eu lieu sans pression média.

Cette ambiguïté est particulièrement forte sur les formats de bas de funnel, c’est-à-dire les points de contact situés juste avant la conversion dans le funnel, parcours allant de la notoriété à la considération puis à l’achat. Les sponsored products sur requête marque, les placements sur fiches produits déjà très consultées ou les activations de retargeting sur visiteurs récents affichent souvent des ROAS élevés. Pourtant, dans des analyses d’incrémentalité menées sur des environnements marchands matures, il n’est pas rare d’observer des taux d’incrémentalité de seulement 10 % à 30 % sur les audiences les plus intentionnistes. Autrement dit, 70 % à 90 % des ventes attribuées peuvent correspondre à des ventes qui auraient probablement eu lieu sans exposition publicitaire.

Le biais est renforcé par les fenêtres d’attribution. Une fenêtre post-clic de 7 jours ou post-view de 14 jours peut attribuer à la campagne des ventes éloignées du contact média, surtout sur des produits à forte fréquence d’achat. Dans les catégories de grande consommation, un client régulier peut racheter une référence toutes les deux à quatre semaines. Si la fenêtre d’attribution recouvre naturellement le cycle de réachat, le média capte une partie de la récurrence organique. La performance attribuée augmente, mais la performance incrémentale ne suit pas nécessairement.

Un autre problème tient au double comptage entre environnements. Une marque peut activer simultanément du retail search onsite, du display offsite, du social retail data, de l’emailing CRM et des promotions distributeur. Chaque plateforme peut revendiquer une part des ventes selon ses propres règles. Sans déduplication, la somme des ventes attribuées dépasse mécaniquement le sell-out réel. Même lorsqu’une plateforme retail media fournit un reporting consolidé, la déduplication reste souvent interne à son écosystème et ne couvre pas l’ensemble du plan média.

Enfin, l’attribution retail media valorise parfois les produits et les clients les plus faciles à convertir. Les algorithmes optimisés au ROAS ont tendance à concentrer la diffusion sur les références les plus populaires, les clients existants, les segments à forte fréquence d’achat et les requêtes déjà proches de la marque. Cette logique améliore le reporting à court terme, mais peut dégrader la création de valeur si elle réduit l’exposition sur les nouveaux acheteurs, les produits stratégiques ou les segments concurrents.

Distinguer attribution, lift et incrémentalité : trois lectures complémentaires

Pour clarifier le débat, il faut séparer trois niveaux de mesure. Le premier est l’attribution. Elle répond à la question : quelles ventes peuvent être reliées à une exposition ou à un clic selon une règle donnée ? Cette règle peut être last click, dernier clic observé avant la conversion, first click, premier clic du parcours, linéaire, ou data-driven, c’est-à-dire pilotée par un modèle statistique. L’attribution est utile pour le pacing quotidien, la comparaison de créations, l’optimisation des enchères et le suivi opérationnel.

Le deuxième niveau est le lift. Il mesure l’écart observé entre un groupe exposé et un groupe non exposé sur un indicateur donné : ventes, visites, ajouts panier, recherches marque, taux d’achat ou panier moyen. Le lift est plus proche de la causalité, mais il dépend de la qualité du design expérimental. Si les groupes ne sont pas comparables, le lift peut refléter une différence structurelle entre populations plutôt qu’un effet publicitaire.

Le troisième niveau est l’incrémentalité. Elle cherche à estimer le résultat additionnel causé par la campagne. La question devient : combien de ventes, de nouveaux clients ou de marge auraient disparu si la campagne n’avait pas été diffusée ? C’est une approche contrefactuelle, car elle compare le réel à un scénario non observé. Dans la pratique, ce scénario est approché par des groupes de contrôle, des geo-tests, des holdouts, des modèles économétriques ou des méthodes de matching.

Ces trois lectures ne doivent pas être opposées. L’attribution répond vite, mais surestime souvent la causalité. Les tests d’incrémentalité sont plus robustes, mais plus coûteux, plus lents et moins granulaires. Le MMM, marketing mix modeling, modélisation statistique qui estime la contribution des leviers marketing à partir de séries temporelles agrégées, éclaire les arbitrages macro, mais ne descend pas toujours au niveau d’un mot-clé retail search ou d’un placement. Une gouvernance mature combine donc les approches : attribution pour piloter, tests pour valider, modélisation pour arbitrer.

Un exemple simple illustre l’écart. Une campagne onsite génère 100 000 euros de ventes attribuées pour 10 000 euros de dépense, soit un ROAS attribué de 10. Un test holdout montre que le groupe exposé achète 12 % de plus que le groupe contrôle, à population comparable. Si l’on estime que seulement 25 000 euros de ventes sont réellement incrémentales, le ROAS incrémental tombe à 2,5. Le média reste peut-être rentable, mais la décision budgétaire change fortement. Un canal qui semblait prioritaire devient un levier à plafonner ou à réserver à certains objectifs.

Les principaux biais de mesure dans les environnements retail media

Le premier biais est le biais de sélection. Les personnes exposées à une campagne ne sont pas choisies au hasard. Elles peuvent être plus actives, plus fidèles, plus proches de l’achat ou plus souvent connectées que les non-exposées. Si l’on compare simplement leurs ventes, on attribue au média une partie de leur propension naturelle à acheter. Ce biais est massif en retail media, car les segments sont souvent construits sur des signaux d’intention : visiteurs de page, acheteurs récents, abandonnistes panier, requêtes internes ou clients fidèles.

Le deuxième biais est la cannibalisation organique. Une publicité peut déplacer une vente qui aurait été réalisée via le référencement naturel du produit, la recherche organique interne ou un achat direct en magasin. Dans le retail search, par exemple, acheter une position sponsorisée sur une requête marque peut faire basculer un clic organique gratuit vers un clic payant. La vente reste réelle, mais la contribution marginale du média est faible. Ce biais est particulièrement sensible lorsque la marque dispose déjà d’une forte part de voix, d’une bonne disponibilité produit et d’une notoriété élevée dans la catégorie.

Le troisième biais concerne les promotions. Une campagne retail media est souvent synchronisée avec une remise, une tête de gondole digitale, une opération catalogue ou une baisse de prix. Si la mesure ne sépare pas l’effet média de l’effet promotionnel, la publicité peut se voir attribuer un uplift principalement causé par le prix. Pour une lecture business, il faut mesurer la marge incrémentale, pas seulement le chiffre d’affaires incrémental. Une campagne peut augmenter les ventes mais détruire de la marge si elle finance des clients déjà convaincus avec une remise excessive.

Le quatrième biais vient du stock et de la distribution numérique. Une référence indisponible, mal classée, avec des visuels incomplets ou une mauvaise correspondance SKU peut réduire artificiellement la performance d’une campagne. À l’inverse, une amélioration de disponibilité produit pendant la période test peut créer un lift attribué au média alors qu’il provient de l’exécution commerciale. La mesure retail media doit donc intégrer des variables de contrôle : taux de disponibilité, prix, promotion, ranking organique, saisonnalité, concurrence et largeur d’assortiment.

Le cinquième biais est lié aux environnements offsite. L’offsite désigne l’activation des audiences distributeur en dehors de ses propriétés, par exemple sur le web ouvert, la vidéo, les réseaux sociaux ou la TV connectée. Ces campagnes peuvent être achetées via une DSP, demand-side platform, plateforme permettant d’acheter des impressions publicitaires de façon automatisée, parfois en RTB, real-time bidding, enchères en temps réel permettant d’acheter une impression lorsqu’elle devient disponible. La chaîne peut impliquer des SSP, supply-side platforms, plateformes utilisées par les éditeurs pour vendre leur inventaire. Dans ce contexte, la mesure est affectée par la qualité du matching, la perte d’identifiants, la viewability, la duplication des expositions et les différences de fenêtres d’attribution.

Concevoir un test incrémental robuste : méthode, volume et garde-fous

La méthode la plus lisible reste le holdout. Elle consiste à conserver une partie de l’audience éligible hors exposition, puis à comparer son comportement à celui du groupe exposé. Pour être robuste, le holdout doit être défini avant le lancement, être suffisamment large et rester stable pendant la période de test. Un holdout de 5 % peut suffire sur une très grande base transactionnelle, mais il sera souvent trop faible pour une catégorie à faible fréquence d’achat. Dans beaucoup de cas, des groupes de 10 % à 20 % sont plus exploitables, même s’ils impliquent un coût d’opportunité média.

La randomisation est un point critique. Si les utilisateurs les plus actifs sont surreprésentés dans le groupe exposé, le test surestimera l’effet. Si le groupe contrôle contient davantage de clients dormants, il sous-estimera la performance naturelle. La meilleure pratique consiste à randomiser au sein de strates homogènes : acheteurs récents, acheteurs catégorie non-marque, clients fidèles, prospects, zones géographiques, device ou niveau de dépense historique. Cette stratification réduit la variance et rend la comparaison plus interprétable.

Le geo-test constitue une alternative lorsque la randomisation individuelle est impossible. Il consiste à exposer certaines zones géographiques et à conserver des zones témoins comparables. Cette méthode est utile pour mesurer un impact omnicanal, notamment lorsque les ventes magasin comptent autant que les ventes e-commerce. Mais elle exige une sélection rigoureuse des zones : niveau de demande, historique de ventes, saisonnalité locale, pression concurrentielle, couverture média et présence magasin. Un geo-test mal équilibré peut produire une conclusion plus trompeuse qu’un reporting attribué.

La durée du test doit correspondre au cycle d’achat. Pour des produits alimentaires ou d’hygiène achetés chaque semaine, un test de deux à quatre semaines peut produire des signaux. Pour de l’électronique, du bricolage ou de la puériculture, il faut souvent huit à douze semaines, voire davantage, pour capter un effet significatif. La fenêtre d’observation doit inclure les effets retardés : une vidéo offsite peut augmenter les recherches marque plusieurs jours après exposition, tandis qu’un sponsored product agit plutôt immédiatement.

Le choix du KPI est tout aussi important. Mesurer uniquement le chiffre d’affaires incrémental peut favoriser les produits chers mais peu rentables. Mesurer uniquement les ventes peut sous-estimer les effets sur le panier moyen ou le recrutement. Les KPIs les plus utiles combinent plusieurs dimensions : ventes incrémentales, marge incrémentale, nouveaux acheteurs, taux de réachat, pénétration catégorie, part de ventes non promotionnelles et coût par client incrémental. Pour une direction marketing, le véritable indicateur cible devrait être la marge incrémentale nette, après coût média, remises, frais retailer et coûts logistiques.

Lire les résultats sans surinterpréter : seuils, incertitude et arbitrages

Un résultat incrémental n’est jamais une vérité absolue. Il est accompagné d’un intervalle d’incertitude. Si un test estime un lift de 4 % avec une marge d’erreur de plus ou moins 5 points, la conclusion est fragile. À l’inverse, un lift de 8 % sur un volume élevé, stable et statistiquement significatif peut justifier une décision budgétaire. Les équipes marketing doivent donc s’habituer à raisonner en probabilités, pas uniquement en chiffres ponctuels.

La significativité statistique ne suffit pas. Un effet peut être statistiquement détectable mais économiquement insuffisant. Par exemple, une campagne peut générer 50 000 euros de ventes incrémentales avec 30 000 euros de dépense média et 15 000 euros de remises additionnelles. Si la marge brute est de 35 %, la contribution nette peut être faible, voire négative. Le calcul doit intégrer l’économie complète : coût média, frais de plateforme, contribution retailer, remise, marge produit, cannibalisation et valeur future du client.

Il faut également distinguer les objectifs. Une campagne de conquête peut afficher une rentabilité immédiate plus faible mais recruter des acheteurs à forte LTV, lifetime value, valeur économique attendue d’un client sur sa durée de relation avec la marque. Une campagne de défense sur requête marque peut être peu incrémentale mais nécessaire pour protéger la visibilité face à des concurrents agressifs. Une activation de réachat peut avoir une faible portée stratégique mais améliorer la fréquence sur une catégorie à forte marge. L’incrémentalité doit donc être interprétée selon le rôle du levier dans le plan.

Un framework utile consiste à croiser deux axes : incrémentalité et valeur client. Les campagnes à forte incrémentalité et forte valeur client doivent être amplifiées. Les campagnes à forte incrémentalité mais faible marge doivent être optimisées sur le mix produit ou la pression promotionnelle. Les campagnes à faible incrémentalité mais forte valeur stratégique peuvent être maintenues sous plafond, par exemple pour défendre une position en search retail. Les campagnes à faible incrémentalité et faible valeur doivent être réduites, voire arrêtées.

Cette grille évite deux erreurs fréquentes. La première consiste à couper tout ce qui n’est pas immédiatement incrémental, au risque de perdre de la présence sur des moments clés de décision. La seconde consiste à maintenir des budgets importants sur des leviers à ROAS élevé mais à faible contribution additionnelle. La maturité ne consiste pas à chercher un taux d’incrémentalité maximal partout, mais à payer le bon prix pour chaque rôle média.

Installer une gouvernance de mesure entre marque, retailer, agence et finance

La mesure de l’incrémentalité retail media ne peut pas être laissée au seul reporting plateforme. Les retailers ont intérêt à démontrer la performance de leurs inventaires, les agences doivent optimiser les campagnes, les équipes e-commerce suivent le sell-out, et la finance regarde la marge. Sans gouvernance commune, chaque acteur produit une lecture partielle et parfois contradictoire.

Une gouvernance efficace commence par la définition des règles de mesure. Qu’est-ce qu’un nouveau client ? Quelle fenêtre d’attribution est acceptée pour chaque format ? Les ventes magasin sont-elles incluses ? Les ventes promotionnelles sont-elles pondérées ? Comment déduplique-t-on les campagnes entre retailers, social, search et CRM ? À partir de quel niveau de marge incrémentale une campagne est-elle considérée comme rentable ? Ces paramètres doivent être fixés avant l’activation, pas lors du bilan.

Les données nécessaires doivent aussi être listées précisément. Pour analyser l’incrémentalité, il faut idéalement accéder aux impressions, clics, coûts, ventes, identifiants de campagne, segments exposés, groupes de contrôle, timestamps, SKU, prix, promotions, disponibilité, statut nouveau client et historique d’achat agrégé. Tous ces champs ne seront pas toujours disponibles, notamment pour des raisons de confidentialité et de RGPD, règlement général sur la protection des données, qui encadre le traitement des données personnelles dans l’Union européenne. Mais l’absence de certains champs doit être connue et intégrée dans l’interprétation.

Les clean rooms, environnements sécurisés permettant de croiser des données entre partenaires sans exposer les identifiants individuels, peuvent aider à rapprocher données marque et données retailer. Elles permettent par exemple d’identifier les acheteurs catégorie non-marque, de mesurer l’overlap avec le CRM annonceur ou d’estimer les achats post-exposition. Leur valeur dépend toutefois de la qualité du matching, du volume disponible et du niveau de granularité autorisé. Une clean room ne transforme pas automatiquement un reporting attribué en preuve causale.

Enfin, la finance doit être associée. L’incrémentalité ne doit pas rester un indicateur média. Elle doit alimenter les décisions de budget, de promotion, de distribution et de gamme. Lorsque les arbitrages retail media sont discutés uniquement entre équipes média et plateformes, le risque est de maximiser les ventes attribuées. Lorsqu’ils intègrent la finance, l’e-commerce et le commerce, l’objectif devient plus robuste : maximiser la marge incrémentale et la valeur client.

Conclusion : passer d’une attribution de confort à une mesure de décision

L’attribution retail media reste utile, mais elle ne suffit pas pour mesurer l’incrémental. Elle répond à une question opérationnelle : quelles ventes peuvent être reliées à une campagne selon une règle donnée ? L’incrémentalité répond à une question de décision : quelles ventes, quelle marge et quels clients n’auraient pas existé sans l’investissement média ? La différence entre les deux peut modifier fortement les arbitrages budgétaires.

Une feuille de route actionnable peut s’organiser en sept étapes. Premièrement, segmenter les activations retail media selon leur rôle dans le funnel : conquête, considération, conversion, défense, réachat ou fidélisation. Deuxièmement, distinguer systématiquement ROAS attribué, ROAS incrémental, marge incrémentale et coût par nouveau client. Troisièmement, identifier les zones à risque de surestimation : requêtes marque, retargeting récent, clients fidèles, promotions fortes et produits à achat récurrent. Quatrièmement, mettre en place des holdouts ou geo-tests sur les budgets les plus significatifs. Cinquièmement, intégrer les variables commerciales dans l’analyse : prix, stock, promotion, ranking organique et concurrence. Sixièmement, interpréter les résultats avec des seuils économiques, pas uniquement statistiques. Septièmement, faire de la mesure incrémentale un processus continu, et non un audit ponctuel.

Le point clé est d’accepter que la mesure parfaite n’existe pas. Les tests ont des coûts, les groupes de contrôle ne sont jamais totalement purs, les environnements retail évoluent vite et les plateformes restent parfois opaques. Mais l’alternative, piloter uniquement au ROAS attribué, expose les marques à un risque plus grand : payer de plus en plus cher pour des ventes qui auraient été générées naturellement.

Pour les professionnels du marketing, la maturité consiste à transformer l’incrémentalité en langage commun entre média, commerce, data et finance. Un canal ne doit pas être jugé parce qu’il affiche le meilleur reporting, mais parce qu’il crée une valeur additionnelle démontrable. Dans le retail media, cette discipline fera la différence entre les marques qui achètent de la visibilité autour de la demande existante et celles qui utilisent réellement la donnée distributeur pour créer de la croissance incrémentale.