Comment mesurer l’impact du retail media sur la lifetime value ?
Le retail media ne vaut pas seulement par la vente immédiate qu’il revendique
Mesurer l’impact du retail media sur la lifetime value change profondément la lecture de performance. Le retail media, c’est-à-dire l’achat publicitaire opéré dans ou autour des environnements de distributeurs, marketplaces et retailers, a longtemps été évalué avec des indicateurs de court terme : ventes attribuées, ROAS, return on ad spend, ratio entre chiffre d’affaires attribué et dépenses publicitaires, taux de conversion, coût par commande ou part de voix sur les pages de recherche internes. Ces métriques restent indispensables, mais elles ne répondent pas à la question économique centrale : les clients exposés ou recrutés via retail media valent-ils davantage dans la durée que ceux acquis par d’autres leviers ?
La LTV, lifetime value, désigne la valeur économique attendue d’un client sur l’ensemble de sa relation avec une marque, généralement calculée à partir de la marge, de la fréquence d’achat, du panier moyen, de la rétention et des coûts de service ou de réactivation. Dans le retail media, la mesure de la LTV est stratégique parce que les campagnes peuvent produire plusieurs effets distincts. Elles peuvent recruter de nouveaux foyers acheteurs, accélérer un premier achat, déplacer des ventes organiques déjà probables, augmenter la fréquence de rachat, favoriser le cross-sell vers d’autres références, ou au contraire capter des consommateurs opportunistes fortement dépendants de la promotion.
Le risque d’une lecture uniquement au ROAS est de survaloriser les activations proches de l’achat. Une campagne sponsorisée sur des mots-clés marque peut afficher un ROAS de 12, mais cannibaliser des ventes qui auraient eu lieu naturellement. Une campagne offsite ciblant des acheteurs catégorie non clients peut afficher un ROAS de 2,5 sur trente jours, mais recruter des clients avec une récurrence supérieure et une marge cumulée plus élevée à six mois. La mesure de la LTV sert précisément à arbitrer entre ces deux réalités.
Pour les professionnels du marketing, l’enjeu n’est pas de remplacer le ROAS par la LTV, mais de construire une chaîne de mesure reliant exposition retail media, acquisition, marge, réachat et incrémentalité. Autrement dit : identifier ce que le média a réellement causé, puis observer si la valeur créée se maintient après la première transaction. Cette approche impose de dépasser les dashboards retailer, souvent centrés sur une fenêtre d’attribution courte, pour intégrer CRM, data warehouse, données transactionnelles et protocoles de test.
Définir la LTV utile au retail media : marge, horizon et statut client
La première erreur consiste à parler de LTV sans préciser sa définition. Une LTV brute fondée sur le chiffre d’affaires cumulé peut conduire à de mauvais arbitrages si les produits achetés ont des marges différentes. Pour une marque FMCG, fast-moving consumer goods, biens de grande consommation à rotation rapide, une vente sur un pack promotionnel peut générer du volume mais peu de contribution. Pour une marque d’électronique, un premier achat à faible marge peut être acceptable s’il ouvre ensuite vers des accessoires, garanties ou consommables. Pour un acteur beauté, la fréquence de rachat et l’élargissement du panier comptent souvent davantage que la première commande.
Une définition robuste de la LTV retail media doit au minimum intégrer quatre composants. Premièrement, la marge nette ou contribution après remises, coûts logistiques et commissions retailer lorsque ces données sont disponibles. Deuxièmement, la récurrence d’achat, mesurée par fréquence, intervalle moyen entre commandes et probabilité de rachat. Troisièmement, l’expansion de valeur, c’est-à-dire le cross-sell, l’upsell, le passage vers des gammes plus contributives ou l’augmentation du nombre de références achetées. Quatrièmement, le coût marketing futur, car un client qui ne rachète qu’avec des coupons ou une pression média élevée n’a pas la même valeur qu’un client qui revient organiquement.
L’horizon de calcul doit être aligné sur la catégorie. Mesurer la LTV à trente jours peut suffire pour certains produits d’impulsion ou consommables à cycle court, mais sera insuffisant pour des biens durables, l’équipement maison ou des catégories B2B vendues via marketplaces. Un cadre fréquent consiste à construire trois horizons : LTV 30 jours pour juger la qualité du recrutement immédiat, LTV 90 jours pour observer le premier cycle de réachat, LTV 180 ou 365 jours pour estimer la valeur stabilisée. La LTV prédite peut ensuite compléter la LTV observée lorsque les cycles sont longs.
Le statut client est également déterminant. Il faut distinguer nouveau client marque, nouveau client catégorie, client existant, client dormant et client concurrent potentiel lorsque le retailer permet ce niveau de segmentation. Un achat généré auprès d’un client déjà fidèle ne doit pas être traité comme une acquisition. À l’inverse, un premier achat d’un foyer qui achetait la catégorie mais pas la marque peut représenter un gain stratégique majeur, même si le ROAS initial semble modeste. Cette distinction est souvent le point de bascule entre une mesure média tactique et une mesure business.
Dans les cas avancés, la LTV doit être calculée en contribution incrémentale. L’incrémentalité désigne la part de ventes, clients ou marge qui n’aurait probablement pas existé sans exposition publicitaire. Une LTV de 120 euros n’a pas la même signification si 80 % de cette valeur aurait été captée naturellement ou si elle résulte d’un vrai déplacement de préférence. Le bon indicateur n’est donc pas seulement la LTV des exposés, mais la LTV incrémentale par euro investi.
Construire l’architecture data : relier exposition, achat et réachat sans surestimer
Mesurer l’impact du retail media sur la LTV suppose une architecture data plus exigeante qu’un reporting de campagne. Le cœur du dispositif consiste à relier trois familles de données : les logs d’exposition média, les transactions retail et les données CRM ou first-party de la marque. Les données first-party désignent les informations collectées directement par une marque ou un retailer auprès de ses clients, avec un cadre de consentement et de gouvernance défini. Elles sont essentielles pour reconnaître un acheteur, suivre son comportement dans le temps et segmenter sa valeur.
Dans un environnement onsite, c’est-à-dire au sein du site ou de l’application du retailer, le retailer dispose généralement d’une forte capacité de matching entre exposition, clic, panier et vente. Dans un environnement offsite, où le retailer active ses audiences sur le web ouvert, les réseaux sociaux, la CTV, connected TV, télévision connectée, ou le programmatique via DSP, demand-side platform, plateforme d’achat média automatisé, la mesure devient plus complexe. Il faut relier une exposition hors site à une transaction ultérieure dans l’environnement marchand, souvent avec des contraintes d’identifiants, de consentement et de fenêtres d’attribution.
Les clean rooms, environnements sécurisés permettant de croiser des données entre partenaires sans exposer les identifiants individuels, deviennent alors utiles. Elles permettent par exemple à une marque et à un retailer de mesurer le taux de nouveaux acheteurs, le réachat à 90 jours ou la pénétration catégorie après exposition, sans partager directement les données personnelles. Mais elles ne résolvent pas tout. Elles dépendent du taux de matching, de la qualité des identifiants, de la granularité des transactions disponibles et des règles d’agrégation. Un taux de match de 45 % peut être exploitable, mais il impose de documenter les biais : les clients matchés sont-ils plus fidèles, plus digitaux ou plus fréquents que la population totale ?
Une architecture de mesure fiable doit aussi définir une source de vérité. Les plateformes retail media peuvent revendiquer des ventes selon leurs propres fenêtres post-clic ou post-view. Le post-click attribue une conversion après un clic publicitaire ; le post-view attribue une conversion après une impression vue ou servie, selon les règles de la plateforme. Ces fenêtres varient souvent de 7 à 30 jours, parfois davantage. Pour mesurer la LTV, il faut dépasser cette logique de campagne et ancrer les analyses dans le système transactionnel ou le data warehouse, avec une table clients ou foyers, une table achats, une table expositions et une table coûts.
La granularité minimale recommandée comprend : identifiant pseudonymisé du client ou foyer, date d’exposition, canal retail media, format, audience, campagne, produit promu, coût média, date d’achat, produit acheté, quantité, prix net, remise, marge estimée, statut nouveau client et réachats ultérieurs. Lorsque la marge exacte n’est pas disponible, il est préférable d’utiliser une marge standard par catégorie plutôt qu’un chiffre d’affaires brut. Une estimation imparfaite mais documentée vaut mieux qu’un ROAS qui ignore complètement la contribution économique.
Isoler l’effet causal : attribution, holdout et cohortes exposées
La mesure de LTV devient réellement utile lorsqu’elle sépare corrélation et causalité. L’attribution, méthode qui assigne une conversion à un ou plusieurs points de contact marketing, peut montrer que des clients exposés ont acheté puis racheté. Elle ne prouve pas que le retail media a causé cette valeur. Les clients exposés peuvent être plus actifs, plus proches de l’achat ou plus sensibles à la catégorie dès le départ. Sans contrefactuel, la LTV des exposés surestime souvent l’impact média.
Le protocole le plus robuste est le holdout. Il consiste à exclure volontairement une partie de l’audience éligible de l’exposition afin de comparer son comportement à celui des exposés. Par exemple, une marque peut demander au retailer de constituer un groupe test exposé à une campagne offsite sur acheteurs catégorie non clients et un groupe contrôle non exposé, équilibrés sur récence d’achat catégorie, fréquence, panier moyen et profil. Si, à 90 jours, le groupe exposé génère 8 % de nouveaux acheteurs marque contre 5 % dans le contrôle, l’uplift d’acquisition est de 3 points. Si la marge cumulée moyenne par nouveau client est de 42 euros dans le test contre 35 euros dans le contrôle, l’effet ne porte pas seulement sur le volume mais aussi sur la qualité du recrutement.
Les geo-tests constituent une alternative lorsque les holdouts individuels sont difficiles à mettre en œuvre. Ils comparent des zones géographiques exposées à des zones de contrôle similaires. Cette méthode est utile pour des retailers avec forte empreinte locale ou des campagnes combinant retail media et drive-to-store. Elle demande cependant une bonne maîtrise des facteurs externes : promotions, stocks, météo, concurrence, distribution locale, calendrier commercial. Un geo-test mal équilibré peut attribuer au média un effet lié à une meilleure disponibilité produit.
Les analyses de cohortes complètent ces protocoles. Une cohorte regroupe des clients selon une date ou condition d’entrée commune, par exemple les nouveaux clients acquis pendant une campagne retail search en mars. On observe ensuite leur réachat, leur marge et leur attrition à 30, 60, 90 ou 180 jours. L’intérêt est de comparer les cohortes retail media à des cohortes acquises via search, social, CRM, display programmatique, email ou organique. Le retail search désigne les annonces sponsorisées sur le moteur de recherche interne d’un retailer ; le display programmatique désigne l’achat automatisé d’impressions display via enchères ou deals.
Une matrice simple peut croiser canal d’acquisition et valeur à horizon fixe. Exemple : cohortes de nouveaux acheteurs avec marge cumulée à 180 jours de 31 euros pour promo onsite, 46 euros pour retail search non-marque, 52 euros pour offsite audience catégorie, 38 euros pour social paid, 60 euros pour CRM réactivation. Cette comparaison ne suffit pas à décider, car les volumes et coûts diffèrent, mais elle révèle la qualité relative des clients recrutés. En ajoutant le coût par nouveau client incrémental, l’analyse devient directement actionnable.
Passer du ROAS court terme au ratio LTV sur CAC
Pour piloter le retail media sur la LTV, le ratio clé est souvent LTV sur CAC. Le CAC, customer acquisition cost, coût d’acquisition client, correspond au coût marketing nécessaire pour recruter un nouveau client, idéalement calculé sur les nouveaux clients incrémentaux et non sur les conversions attribuées. Un ratio LTV/CAC de 3 signifie que chaque euro investi pour acquérir un client génère trois euros de valeur économique attendue. Mais ce ratio doit être adapté au retail media, car une campagne peut avoir plusieurs objectifs : défense de part de rayon, conquête catégorie, lancement produit, réactivation ou augmentation de fréquence.
Le calcul peut suivre cinq étapes. Premièrement, identifier les nouveaux clients réellement recrutés par la campagne, après déduplication des clients existants. Deuxièmement, estimer la part incrémentale via holdout, geo-test ou benchmark d’uplift. Troisièmement, calculer le coût par nouveau client incrémental en divisant la dépense média par le nombre de nouveaux clients incrémentaux. Quatrièmement, mesurer ou prédire la LTV marginale de ces clients, idéalement en marge et non en chiffre d’affaires. Cinquièmement, comparer LTV marginale et CAC selon les scénarios de rétention.
Un exemple chiffré montre l’écart avec une lecture classique. Une marque investit 120 000 euros en retail media offsite sur des acheteurs catégorie. La plateforme attribue 600 000 euros de ventes à 30 jours, soit un ROAS de 5. Après analyse, 40 % des ventes proviennent de clients existants, 20 % sont fortement promotionnelles avec faible marge, et le holdout indique une incrémentalité de 45 %. La campagne recrute 3 000 nouveaux clients attribués, mais seulement 1 350 nouveaux clients incrémentaux. Le CAC incrémental est donc 88,90 euros. Si la marge cumulée attendue à 180 jours par nouveau client est de 140 euros, le ratio LTV/CAC est de 1,57. Ce n’est pas nécessairement mauvais, surtout pour un lancement, mais c’est très différent d’un ROAS de 5 présenté comme excellent.
À l’inverse, une campagne retail search non-marque peut afficher un ROAS de 2,2 à 30 jours et sembler faible. Si elle recrute 900 nouveaux clients incrémentaux pour 45 000 euros de dépense, le CAC est de 50 euros. Si ces clients rachètent davantage et génèrent 170 euros de marge à 365 jours, le ratio LTV/CAC atteint 3,4. Dans ce cas, réduire le budget au motif d’un ROAS court terme insuffisant détruirait probablement de la valeur.
Le ratio LTV/CAC doit toutefois être interprété avec prudence. Une LTV prédite peut être optimiste si elle extrapole des comportements passés dans un contexte promotionnel exceptionnel. Le coût d’acquisition peut être sous-estimé si les frais de plateforme, les coûts créatifs, les remises commerciales ou les budgets trade ne sont pas inclus. Les marketers doivent donc travailler avec des scénarios : conservateur, central, ambitieux. Par exemple, une LTV à 180 jours de 95, 130 et 165 euros selon trois hypothèses de réachat. Si le CAC incrémental est de 80 euros, la décision dépend de l’appétence au risque, de la capacité de rétention et du rôle stratégique de la catégorie.
Identifier les effets de cannibalisation et de portefeuille
Le retail media peut augmenter la LTV, mais il peut aussi la déplacer sans la créer. La cannibalisation est l’un des angles morts les plus fréquents. Elle se produit lorsqu’une campagne sponsorise des ventes qui auraient été réalisées en organique, ou lorsqu’elle déplace un achat d’une référence de la marque vers une autre à marge plus faible. Sur les marketplaces et les sites distributeurs, les mots-clés marque, les placements premium sur page produit et les promotions couplées à du média sont particulièrement exposés à ce risque.
Pour l’évaluer, il faut comparer ventes sponsorisées, ventes organiques et ventes totales de la marque chez le retailer. Une campagne peut afficher 100 000 euros de ventes attribuées, mais si les ventes organiques baissent de 70 000 euros sur la même période et que les ventes totales ne progressent que de 30 000 euros, la contribution réelle est limitée. L’analyse doit intégrer les ruptures de stock, la saisonnalité, les prix concurrents et les promotions, car une baisse organique peut avoir plusieurs causes. Mais ignorer cette comparaison revient à confondre captation d’attribution et création de demande.
L’effet portefeuille est plus subtil. Une campagne retail media peut générer un premier achat sur une référence d’appel peu margée, puis conduire à des achats ultérieurs sur des références plus rentables. Dans ce cas, le ROAS initial sous-estime la valeur. À l’inverse, elle peut habituer les clients à acheter uniquement en promotion, ce qui réduit la marge future et dégrade la LTV. Il faut donc suivre la trajectoire produit des cohortes : premier SKU acheté, deuxième catégorie achetée, taux de réachat hors promotion, évolution du panier moyen et part des ventes à marge positive.
Un indicateur utile est la LTV incrémentale nette de cannibalisation. Elle peut se calculer en comparant la marge totale des foyers exposés et contrôles sur l’ensemble du portefeuille, pas seulement sur les produits promus. Si une campagne augmente la marge du produit A de 50 000 euros mais réduit celle du produit B de 25 000 euros chez les mêmes clients, l’effet net n’est pas 50 000 mais 25 000 euros. Cette lecture est essentielle pour les marques multiréférences, les acteurs de la grande consommation et les catégories où la substitution interne est forte.
La défense concurrentielle doit également être prise en compte. Certaines activations retail media sur mots-clés marque ou pages catégorie ne maximisent pas la LTV mais protègent une position face aux concurrents. Leur performance doit alors être évaluée différemment : part de voix, taux de perte vers concurrents, maintien du rang organique, coût de défense et marge protégée. L’erreur serait de leur appliquer le même seuil LTV/CAC qu’à une campagne de conquête. Le retail media n’a pas un seul rôle dans le funnel ; le funnel désigne le parcours allant de la notoriété à la considération, puis à l’achat et à la fidélisation.
Mettre en place un modèle prédictif sans perdre le contrôle métier
Lorsque l’horizon d’observation est long, les modèles prédictifs deviennent nécessaires. Ils estiment la LTV future à partir des premiers signaux : produit acheté, montant, marge, délai avant deuxième achat, fréquence catégorie, réponse aux promotions, canal d’acquisition, statut client, exposition média, historique retailer et données CRM. Les approches peuvent aller d’un modèle simple de cohortes moyennes à des modèles probabilistes de type BG/NBD, utilisés pour prédire la fréquence d’achat, combinés à un modèle gamma-gamma pour estimer la valeur monétaire future.
Pour un usage marketing opérationnel, il n’est pas toujours nécessaire de construire un modèle sophistiqué dès le départ. Un scoring en trois niveaux peut suffire : nouveaux clients à faible potentiel, potentiel moyen, fort potentiel. Les critères peuvent inclure l’achat hors promotion, la catégorie achetée, le panier initial supérieur à la médiane, le rachat dans les 45 jours, l’achat multi-références et l’absence de dépendance excessive aux coupons. Ce score permet déjà d’optimiser les campagnes retail media vers la qualité d’acquisition plutôt que vers le volume brut.
Les modèles plus avancés doivent cependant respecter trois exigences. Premièrement, ils doivent être calibrés sur la marge et non seulement sur le chiffre d’affaires. Deuxièmement, ils doivent distinguer canal d’acquisition et canal de réactivation afin de ne pas attribuer toute la valeur future au premier contact média. Troisièmement, ils doivent être régulièrement recalibrés, car la LTV peut changer avec l’inflation, les promotions, l’assortiment, la concurrence ou la disponibilité produit.
Le principal danger est l’automatisation aveugle. Si le modèle apprend que les meilleurs clients sont ceux qui achètent déjà fréquemment, il peut recommander d’augmenter les enchères sur des audiences très chaudes et peu incrémentales. Le même problème existe en RTB, real-time bidding, mécanisme d’enchères en temps réel permettant d’acheter une impression au moment où elle devient disponible : un algorithme optimisé sur conversions attribuées peut privilégier la proximité avec l’achat plutôt que la création de valeur. Pour éviter ce biais, les signaux de LTV doivent être pondérés par l’incrémentalité et par le statut client.
Une bonne pratique consiste à créer des objectifs différenciés dans les plateformes : maximiser la marge incrémentale pour la conquête, maximiser le taux de réachat hors promotion pour la fidélisation, plafonner le coût de défense sur les mots-clés marque, et exclure ou dévaluer les clients déjà actifs lorsque l’objectif est le recrutement. Le modèle prédictif ne remplace pas la stratégie ; il la rend exécutable à grande échelle.
Conclusion : une feuille de route pour piloter le retail media par la valeur client
Mesurer l’impact du retail media sur la lifetime value revient à déplacer le centre de gravité de la performance. Il ne s’agit plus seulement de savoir combien de ventes une plateforme attribue à une campagne, mais quels clients ont été recrutés, quelle marge ils génèrent, quelle part de cette valeur est incrémentale et comment leur comportement évolue après la première transaction. Cette lecture est plus exigeante, mais elle est indispensable pour arbitrer entre retail search, display onsite, offsite programmatique, social retail data, CTV, promotions et activations CRM.
Une méthode actionnable peut s’organiser en huit étapes. Premièrement, définir une LTV en marge, avec un horizon adapté à la catégorie. Deuxièmement, segmenter les clients selon leur statut : nouveaux, existants, dormants, acheteurs catégorie, clients concurrents lorsque la donnée le permet. Troisièmement, relier expositions, coûts, transactions et réachats dans une architecture data gouvernée. Quatrièmement, établir une source de vérité distincte des reportings auto-attribués des plateformes. Cinquièmement, mesurer l’incrémentalité via holdout, geo-test ou cohorte de contrôle. Sixièmement, calculer le CAC incrémental et le ratio LTV/CAC par type d’activation. Septièmement, analyser la cannibalisation entre produits, ventes sponsorisées et ventes organiques. Huitièmement, alimenter les plateformes avec des signaux de valeur : marge, nouveau client, réachat, potentiel et dépendance promotionnelle.
La maturité ne consiste pas à abandonner les KPI court terme. Le ROAS, le CPA, coût par acquisition, et les ventes attribuées restent utiles pour piloter la diffusion, détecter les anomalies et comparer des tactiques proches. Mais ils doivent être replacés dans une hiérarchie où la valeur client et la contribution incrémentale guident les décisions budgétaires majeures. Un ROAS élevé sur des clients déjà acquis peut être moins intéressant qu’un ROAS modéré sur des nouveaux clients à forte rétention.
Pour les marques, la question la plus opérationnelle à poser après chaque campagne retail media est simple : si nous réinvestissons le même budget, voulons-nous davantage de ventes attribuées ou davantage de marge future incrémentale ? La réponse détermine le plan de mesure, les audiences, les enchères, les formats, les fenêtres d’attribution et les critères de succès. C’est à cette condition que le retail media cesse d’être seulement un levier de conversion dans l’environnement distributeur pour devenir un instrument de construction de valeur client durable.
