Attribution marketing : Formation/Guide complet 2023

Avant toute chose, nous souhaitons insister sur un point à garder dans un coin de sa tête tout au long de la formation : vous devez respecter le RGPD et demander le consentement d’un utilisateur avant de collecter des données personnelles sur ce dernier !

Aujourd’hui, les spécialistes du marketing disposent de plus de canaux que jamais pour communiquer avec leurs consommateurs/utilisateurs.

On relève 2 grandes familles de canaux marketing :

• Les canaux on-line (SEO, SEA, Facebook, Snapchat, Tiktok, affiliation, newsletter, etc)
• Les canaux off-line (Radio, TV, affiche dans le métro, etc)

Si cette pluralité de leviers permet aux marketeurs de personnaliser les parcours clients à chaque étape du funnel, elle vient complexifier la mesure de la performance des points de contact marketing (campagnes publicitaires payantes, newsletters, articles de blog, etc) qu’un consommateur/utilisateur rencontre sur son chemin vers la conversion.

Afin d’illustrer cette complexité, voici un petit exemple :

Comme tous les midis, Fred scroll son fil d’actualité Facebook. Tout d’un coup une publicité pour une crème bio s’affiche. Intriguée et intéressée par les bienfaits énoncés sur ce produit, Fred décide de cliquer sur cette pub et de se rendre sur le site web e-commerce associé. Une fois sur le site web, Fred visite 1,2,3 pages puis s’en va.

3 jours plus tard, Fred est sur Snapchat quand soudain, une publicité affichant -30% de réduction sur la crème bio qui l’avait intéressée 3 jours plus tôt apparaît. Se disant que c’est une superbe offre, elle n’hésite pas une seconde, click sur la pub, et décide d’entamer le funnel d’achat en ajoutant le produit au panier et en se créant un compte. Malheureusement, sa mère l’appelle pour une urgence. Elle quitte donc le site web sans concrétiser l’achat.

5 jours plus tard, Fred reçoit une newsletter concernant cette même crème bio et affichant “plus que 24 h avant la fin de la promotion de 30%”. Fred n’hésite pas une seule seconde, click sur le lien, et finalise enfin son achat sur le site e-commerce.

Nous avons donc, ici, une customer journey – un parcours client – qui, pour une seule conversion, s’étend sur 8 jours et met en jeu 3 canaux marketing (Facebook, Snapchat, newsletter) et donc 3 touchpoints – points de contact – avant la conversion.

Se pose alors la question suivante : quelle est la contribution de chacun des touchpoints dans la conversion ? En d’autres termes, comment est-ce que nous pouvons répartir le plus justement possible la valeur de cette conversion sur ces 3 touchpoints ?

Dans cet exemple, si nous regardons les chiffres présentés par les régies Facebook Ads et Snapchat Ads, ainsi que ceux présentés dans la solution utilisée pour l’envoi de newsletters, nous remarquons que ces 3 plateformes s’attribuent 100% de la conversion. Malheureusement, dans le cas d’une stratégie mix-média comme ici, ces chiffres sont loin de refléter la réalité et de ce fait loin d’être fiables. Voici pourquoi :

• Si nous sommons les conversions de ces trois plateformes, nous nous retrouvons avec 3 conversions au lieu de 1 réel
• Les campagnes marketing n’ayant pas le même objectif (l’une étant une campagne à objectif de notoriété et les deux autres des campagnes à objectif de conversion), il est très réducteur de leur attribuer le même % de contribution
• L’engament généré avec la marque par ces trois campagnes marketing n’étant sûrement pas identique, il est très réducteur de leur attribuer le même % de contribution

Ce manque de fiabilité dans les chiffres biaise la vision de la performance que nous avons pour chacune des campagnes marketing et impact donc négativement la manière dont nous répartissons notre investissement dans ces dernières. Et qui dit mauvais arbitrage, dit non-optimisation de notre ROI/ROAS globale, de notre performance globale et donc en définitive de notre croissance.

Heureusement, il existe un moyen pour avoir la vision la plus juste possible de la performance et de l’importance de chacune des campagnes marketing : la définition, la création et l’utilisation de modèles d’attribution marketing à des fins d’analyse attributive.

Dans cette formation, nous vous expliquons tout sur le sujet et nous vous donnons nos méthodes pour mener à bien un projet d’attribution marketing.

Quelques spécifications avant de plonger dans la formation :

• Cette formation se concentre uniquement sur de l’attribution marketing on-line, et post-click. Nous vous présentons tout de même notre solution partenaire pour de l’attribution post-view et off-line à la fin de cette formation
• Il n’existe pas un modèle d’attribution parfait. Chaque entreprise doit s’approprier le(s) modèle(s) le(s) plus en phase avec son business, sa stratégie et ses objectifs. L’objectif de cette formation est donc de vous aiguiller le mieux possible sur le(s) modèle(s) le(s) plus appropriés pour votre entreprise ainsi que sur comment le(s) utiliser correctement dans l’analyse de la performance de vos campagnes marketing
• En raison de la perte de données liée au consentement utilisateur et de la possibilité de customer journey cross-device, un modèle d’attribution, même très sophistiqué, ne peut refléter une réalité exacte, mais il dégage des tendances suffisamment robustes pour s’y fier
• L’intégralité des modèles d’attribution que nous vous présentons dans cette formation sont réalisables avec les données présentes dans les outils web analytics les plus populaires du marché (Google Analytics, Matomo, AT Internet, etc). La seule nécessité pour pouvoir les créer est de disposer d’une implémentation analytics qui associe à chaque hit (en tout cas ceux qui sont utilisés) un ID utilisateur, un ID session et dans certains cas un ID client. Cette implémentation analytics implique donc obligatoirement la demande du consentement d’un utilisateur avant la collecte de données personnelle sur ce dernier

Accrochez-vous, nous n’avons pas fait les choses à moitié ! 🤓 📚

2 types d’attribution marketing on-line

Un touchpoint marketing ne se résume pas qu’à un click sur une publicité par un utilisateur/consommateur pour arriver sur le site web cible de l’annonceur.

Visualiser une publicité sans pour autant cliquer dessus peut également influencer la décision de conversion d’un utilisateur/consommateur. Les publicités qu’il voit et entend sur le web influencent chacune de ses décisions.

Dans le monde du marketing digital, nous pouvons donc tenir compte de deux types d’attribution marketing : l’attribution marketing post-click et post-view.

L’attribution post-click

Vous l’avez sans doute deviné, dans un modèle d’attribution de type post-click, seules les touchpoints issus d’un click sur une publicité (menant à une session) sont pris en compte. Ce qui signifie qu’il ne prend pas en compte les interactions “vue sans click” dans l’attribution (ou la répartition) d’une conversion à une campagne marketing (ou plusieurs).

Le modèle d’attribution marketing de type post-click est historiquement le plus utilisé dans la publicité payante. Nous le considérons comme ayant plus de valeur qu’une “vue sans click” car un click est un indicateur clair de l’intérêt d’un utilisateur/consommateur.

En théorie, les modèles d’attribution marketing de type post-click s’adressent davantage à la mesure de la performance des campagnes marketing « bottom-of-the-funnel ». Ils ne tiennent pas entièrement compte des efforts marketing de type « top-of-the-funnel » qui visent à promouvoir la notoriété de la marque.

Cependant, si nous avons mis en place une importante stratégie de notoriété on-line, mais que nous ne disposons pas des moyens suffisants pour intégrer des modèles d’attribution marketing de type post-view (compliqué à mettre en place et plus onéreux), les modèles d’attribution marketing de type post-click nous permettent tout de même de tirer des enseignements suffisamment justes sur les campagnes « top-of-the-funnel ».

L’attribution post-view

Les modèles d’attribution marketing de type post-view prennent eux en compte les interactions “vue sans click” dans l’attribution (ou la répartition) d’une conversion à une campagne marketing (ou plusieurs).

Ils sont donc idéals, pour mesurer la performance des efforts marketing « top-of-the-funnel » qui visent à promouvoir la notoriété de la marque.

Malheureusement, il demeure assez compliqué de mettre en place et d’utiliser un modèle d’attribution marketing post-view. Voici les deux raisons principales :

Premièrement, même si certaines régies display permettent de rendre compte de la visualisation effective des bannières via l’intégration d’un pixel d’impression ou JavaScript, les principales régies publicitaires sociales (Facebook Ads, Tiktok Ads, Linkedin Ads, Snapchat Ads, etc) ne le permettent pas.

En effet, il est (à date) impossible de récupérer sur ces plateformes les données essentielles pour établir une consolidation média/analytics par utilisateur et ainsi reconstruire la customer journey post-click & post-view avant conversion d’un utilisateur lambda.

En d’autres termes il demeure impossible de récupérer l’ID d’un utilisateur Facebook qui a vu une publicité sans cliquer dessus et de le mapper avec un ID utilisateur analytics. L’inaccessibilité de ces données vaut d’ailleurs à ces régies publicitaires l’appellation de Walled Garden dans l’écosystème média.

À noter que ces différentes régies proposent de l’attribution marketing post-view mais uniquement sur une fenêtre d’attribution de 1 jour, ce qui est donc difficilement exploitable lorsqu’un cycle de vente moyen dépasse 1 jour (plus de 90% des cas).

Une fenêtre d’attribution (ou fenêtre de conversion) est une période de temps définie pendant laquelle un éditeur peut affirmer qu’un click ou une impression a conduit à une conversion. Par exemple, avec une fenêtre d’attribution post-click de sept jours, si un utilisateur/ consommateur click sur la publicité d’un éditeur et effectue une conversion dans les 7 jours qui suivent, l’éditeur reçoit le crédit. En revanche, si la conversion a lieu 8 jours après, l’éditeur ne reçoit pas de crédit.

Deuxièmement, si une publicité a été diffusée, mais pas « vue », doit-elle être prise en compte dans la conversion ? Comment être sûr qu’une personne a bien vu la publicité display affichée sur un article de blog ? Il est très difficile impossible d’avoir une réponse exacte à cette question.

Au sein de l’agence data marketing Boryl, nous conseillions à tous nos clients de commencer par utiliser des modèles d’attribution marketing post-click plateforme et/ ou custom prédéfinis (nous allons voir de quoi il s’agit juste après), et de devenir mature sur l’utilisation de ces derniers avant d’intégrer et d’utiliser (si vraiment pertinent pour le business) des modèles d’attribution marketing liants le post-view et le post-click en passant par des solutions d’attribution marketing basées du machine learning.

Si vous êtes mature sur l’utilisation des modèles d’attribution marketing post-click, que votre site web génère beaucoup de trafic, et qu’intégrer du post-view peut apporter beaucoup à l’optimisation de votre stratégie marketing, alors nous vous conseillions d’utiliser notre solution d’attribution marketing partenaire Wizaly, qui est de loin la meilleure solution du marché ! Nous vous en disons plus sur cet outil à la fin de cette formation.

3 types d’attribution marketing post-click

Nous distinguons 3 types d’attribution post-click :

• L’attribution post-click plateforme
• L’attribution post-click custom prédéfini
• L’attribution post-click custom algorithmique

L’attribution post-click plateforme

L’attribution post-click plateforme n’est rien d’autre que la performance post-click affichée par chacune des régies publicitaires (Facebook Ads, Google Ads, etc) pour chaque campagne.

Il est possible de choisir un modèle et une fenêtre d’attribution spécifique directement sur ces plateformes.

Par exemple, sur Google Ads nous pouvons configurer différents modèles d’attribution (multi-touch, last-touch, etc). Le problème c’est que dans le cas d’une stratégie mix-média, les modèles utilisés sur chaque plateforme ne prennent pas en compte les touchpoints réalisés sur d’autres leviers (Facebook, Snapchat, etc) et s’attribuent à chaque fois 100 % de la conversion à partir du moment où il y a eu un click sur publicité.

Reprenons l’exemple énoncé un peu plus haut :

Dans cet exemple, si nous regardons les chiffres présentés par les régies Facebook Ads et Snapchat Ads, ainsi que ceux présentés dans la solution utilisée pour l’envoi de newsletters, nous remarquons que ces 3 plateformes s’attribuent 100% de la conversion. Malheureusement, ces chiffres sont loin de refléter la réalité.

En plus de cela si le tracking des conversions n’est pas effectué “côté serveur” (via Facebook Conversion API, Google Ads Conversion API, etc) les fenêtres d’attribution sont assez courtes (7 jours max en post-click sur Facebook Ads par exemple), ce qui peut être problématique dans le cas d’un cycle de vente long.

Il est donc très compliqué (dans le cas d’un business disposant de plusieurs leviers d’acquisition) d’analyser et de piloter des campagnes marketing en se basant uniquement sur de l’attribution post-click plateforme. Nous conseillons donc, dans le cas d’une stratégie mix-média, de compléter les modèles d’attribution post-click plateforme avec des modèles d’attribution post-click custom prédéfinis.

L’attribution post-click custom prédéfini

Les modèles d’attribution post-click custom prédéfinis peuvent être créés avec des données analytics (Google Analytics, Matomo, AT Internet, etc). L’idée est de reconstruire la customer journey avant conversion de chaque utilisateur en utilisant différents ID (ID session, ID utilisateur, ID client) ainsi que des UTM et des dates. Une fois cette reconstruction effectuée, il est possible de définir et de créer des modèles d’attribution répondant à certaines règles. Nous avons listé les modèles d’attribution custom prédéfinis que l’on utilise le plus souvent avec nos clients un peu plus bas en précisant à chaque fois leurs avantages et inconvénients.

Si nous reprenons l’exemple de Fred, nous pourrions décider, afin d’analyser chaque campagne marketing sous un autre angle, d’attribuer 33% de la conversion à chaque touchpoint. On appelle ce modèle “multi-touch linéaire”. Nous vous détaillons les avantages et inconvénients de ce modèle un peu plus bas.

L’utilisation de plusieurs modèles d’attribution post-click custom prédéfinis pour compléter une analyse post-click plateforme peut donc être très bénéfique pour la plupart des business. C’est pour cela que nous nous focalisons dessus dans cette formation.

L’attribution post-click custom algorithmique

Très rapidement, les modèles d’attribution post-click custom algorithmiques adaptent de manière variable les pourcentages d’attribution à chaque touchpoint grâce à des algorithmes utilisant du machine learning. Dans ce genre de modèle, le crédit d’une conversion est distribué en fonction des données antérieures pour cette conversion.

L’objectif est de permettre d’analyser l’impact de chaque campagne marketing dans le processus de conversion, sans préconception arbitraire.

Les modèles d’attribution post-click custom algorithmiques évaluent non seulement les campagnes qui ont conduit l’utilisateur jusqu’au site web, mais analysent également son comportement sur le site et croisent toutes les informations pour représenter le plus fidèlement l’ensemble du cycle d’achat.

Cependant, la mise en place de ce genre de modèle est plus compliquée, onéreuse, et nécessite beaucoup de données (donc beaucoup de trafic) pour bien fonctionner. Pour ces raisons, nous n’abordons pas ce sujet en détail dans cette formation. En revanche, nous vous présentons notre solution partenaire sur le sujet un peu plus bas.

Étudions maintenant quels sont les pré-requis pour un projet d’attribution post-click custom prédéfini réussi ! 🙂

Les pré-requis pour un projet d’attribution marketing post-click custom prédéfini réussi

Définition des conversions et de leur valeur

La conversion étant un élément central de l’attribution marketing (car nous étudions la performance de chaque touchpoint marketing avant conversion), la première chose que nous devons faire est de définir ce qu’est une conversion sur le site web concerné. Il se peut que nous ayons plusieurs types de conversion pour un seul site web. Une conversion peut par exemple être :

• Un achat de produit (dans le cas d’un e-commerce)
• Une demande de devis / le remplissage d’un formulaire business (dans le cas d’un site de génération de lead)
• Une inscription à un abonnement (dans le cas d’un SaaS)

Définir ce qu’est une conversion c’est bien, mais ce n’est pas suffisant. Les conversions générées n’ont pas forcément toutes le même “poids” (une conversion à 1000 euros n’a pas la même valeur business qu’une conversion à 100 euros), et cette “différence de poids” doit être prise en compte dans la mesure de la performance de nos campagnes marketing. Nous devons donc également associer une valeur (fictive ou non) à chacune des conversions.

Reprenons les 3 exemples énoncés juste au-dessus.

Dans le cas d’un achat de produit sur un site e-commerce, la valeur associée à chaque conversion n’est rien d’autre que la valeur de la transaction réelle. Généralement, cette donnée est présente dans la solution analytics utilisée (sous réserve d’un tracking e-commerce correctement implémenté) ainsi que dans le back-office.

Dans le cas d’une demande de devis / le remplissage d’un formulaire business, la valeur de la conversion peut être :

• Une valeur non fictive attribuée a posteriori au moment du closing CRM (sous réserve d’avoir implémenter un plan de taggage remontant une clé de réconciliation analytics / CRM fiable dans le CRM lors de l’envoi du formulaire)
• Une valeur fictive attribuée juste après la conversion on-site en fonction des données présentes dans les champs du formulaire et des données enrichies lors de l’entrée dans le CRM.
• Une valeur fictive attribuée au moment de la conversion on-site en fonction des données présentes dans les champs du formulaire

Dans le cas d’une inscription à un abonnement SaaS, cela va dépendre de si la conversion est concrétisée directement on-site ou s’il y a un cycle de vente suivant la conversion on-site. La valeur de la conversion peut être :

• Une valeur projetée sur x mois de récurrence attribuée a posteriori au moment du closing CRM
• Une valeur projetée sur x mois de récurrence attribuée au moment de la conversion on-site

Il est important de connaître la rétention moyenne par segment afin d’avoir une valeur fictive projetée se rapprochant le plus de la réalité.

Définition d’une nomenclature UTM détaillée

La définition et la mise en place d’une nomenclature UTM granulaire sont primordiales, et ce pour plusieurs raisons.

Premièrement, cela va nous permettre d’analyser plus en détail (par campagne / adGroup) la performance de chacun des leviers marketing.

Nous tirons beaucoup plus d’enseignement avec une recommandation de type “Au vu de l’audience cible, du ROAS et du CA respectif, il faut réduire les dépenses sur la campagne de retargeting 1 Tiktok Ads et augmenter les dépenses sur la campagne de retargeting 4 Facebook Ads” au lieu d’un simple “Il faut réduire les dépenses Tiktok Ads et augmenter les dépenses sur Facebook Ads”, cette dernière étant beaucoup trop large.

Deuxièmement, une nomenclature UTM bien établie permet une bonne classification des campagnes marketing. On note généralement 3 grands types de campagnes ayant chacun un objectif spécifique :

• Les campagnes de notoriété (faire connaître la marque)
• Les campagnes de considération (nurturing des personnes connaissant déjà la marque)
• Les campagnes de conversion (incitation directe à la conversion)

Il est très important de pouvoir séparer les campagnes par objectif, car, nous le verrons plus tard, très souvent, les modèles d’attribution que nous utilisons pour analyser la performance d’une campagne diffèrent en fonction de l’objectif de cette dernière.

Troisièmement, une bonne structure UTM permet de faire correspondre parfaitement un coût média (généralement présent sur la plateforme publicitaire concernée) à une campagne payante dont on connaît le chiffre d’affaires généré (présent sur la solution analytics, le back-office, le CRM, etc).

Cette réconciliation permet de calculer le ROAS par campagne, KPI très important dans l’analyse de la performance d’une campagne.

Bien évidemment le CA généré par campagne, le ROAS ou encore le CPA, ne sont pas figés car ils dépendent du modèle d’attribution utilisé.

Mise en place d’un tracking analytics permettant une réconciliation

Afin de reconstruire parfaitement le chemin avant conversion d’un utilisateur, nous avons besoin d’au moins deux clés de réconciliation. Généralement nous utilisons :

• Un ID de session (unique pour chaque session)
• Un ID utilisateur (unique pour chaque utilisateur)

Dans le cas d’un tracking web demandant le consentement de l’utilisateur via CMP (exemple : Axeptio) avant collecte des données, ces ID’s peuvent être envoyés dans chaque hit vers la solution analytics utilisée (du moins les hits essentiels).

En utilisant ces ID’s ainsi que d’autres paramètres utiles (UTM, date, nom de l’événement, etc) nous pouvons reconstruire parfaitement une customer journey.

Afin de vous aider à comprendre le fonctionnement d’une reconstruction de customer journey, reprenons l’exemple de Fred et résumons très simplement les données que nous pouvons envoyer et récupérer dans une solution analytics :

C’est donc grâce aux multiples paramètres associés à chaque hit qu’il devient possible de reconstituer en détail la customer journey d’un utilisateur. Généralement, cette reconstitution est effectuée via l’exécution de requêtes SQL sur une ou plusieurs tables d’un data warehouse. Nous ne rentrerons pas dans les détails techniques dans cette formation.

Il arrive également d’utiliser un ID client pour reconstruire des customer journey cross-device.

Par exemple, si Paul visite pour la première fois un site web e-commerce sur son mobile, s’inscrit sur ce dernier lors de l’initiation du funnel d’achat, quitte le site web, revient trois jours plus tard sur le site avec cette fois-ci son desktop, se connecte et concrétise un achat, l’ID client permettra de réconcilier l’intégralité du parcours.

Cependant, très souvent, il est compliqué de reconstituer parfaitement les customer journey cross-device car n’avons pas toujours un ID client sous la main. Une personne peut découvrir un site web sur son mobile et ensuite se rendre sur son desktop sans s’être identifiée sur son mobile, sur son desktop, ou sur les deux.

Mais attention, cela ne veut pas dire que l’analyse attributive n’a plus d’intérêt !

Tout d’abord, dans la majeure partie des business, la somme des customer journey avant conversion “uniquement mobile”, “uniquement desktop”, “mobile puis ordinateur avec possibilité de réconciliation via ID client”, “desktop puis mobile avec possibilité de réconciliation via ID client “ représente une grande majorité. Nous disposons donc déjà d’une grande majorité reflétant bien la réalité, et de surcroît, permettant de dégager des tendances fiables.

La seconde customer journey la plus fréquente est “mobile puis desktop sans possibilité de réconciliation via ID client”. Nous verrons comment maximiser la valeur ajoutée d’une analyse attributive en prenant en compte ce cas un peu plus bas.

Il faut garder en tête que chaque business à ses spécificités, il convient donc toujours d’essayer de comprendre dans les grandes lignes les parcours les plus fréquents des utilisateurs avant d’engager un projet d’attribution.

Rapidement, pour comprendre davantage le parcours des utilisateurs nous pouvons par exemple :

• Comparer le % de nouveaux utilisateurs mobile et le % de nouveaux utilisateurs desktop (afin de comprendre si les parcours sont le plus souvent initiés sur mobile ou desktop)
• Comparer le % conversion sur mobile et le % de conversion sur desktop (afin de comprendre si les conversions sont le plus souvent réalisée sur desktop ou sur mobile )

Il existe plein d’autres techniques pour mieux comprendre le comportement “global” des utilisateurs d’un site web, cela serait trop long de tous les détailler, n’hésitez pas à nous envoyer un petit message si vous avez des interrogations à ce sujet.

Déploiement d’un tracking server-side first party

Afin de maximiser la fiabilité ainsi que la valeur ajoutée d’une analyse attributive, nous conseillons fortement de déployer un tracking analytics côté serveur (server-side). Sans trop rentrer dans les détails, un tracking server-side permet en partie de :

• Contourner les problématiques liées aux Ad-blockers
• Contourner les problématiques liées à ITP et ETP sur Safari et Firefox (prolongation de la durée de vie des cookies)

Si vous voulez en savoir plus sur le sujet, nous avons rédigé une formation très complète sur Google Tag Manager Server Side.

Cette formation se focalise sur Google Analytics, mais la logique reste dans les grandes lignes la même pour d’autres solutions analytics telles que Matomo ou encore At Internet.

Des compétences techniques pour la réalisation du projet

Cela va sans dire, un projet d’attribution post-click custom prédéfini demande du temps et un minimum de compétences techniques.

La complexité technique pure (sans tenir compte de la logique analytics et de la compréhension des concepts d’attribution) intervient à différentes étapes d’un tel projet.

Cette complexité peut intervenir dans la mise en place d’un tracking (server-side ou client-side) fiable, complet, et respectant le consentement de l’utilisateur.

Mais elle intervient surtout dans l’extraction, le traitement, et la possibilité de visualisation des données en temps réel.

En effet, pour plus de flexibilité, la meilleure méthode pour réaliser un projet d’attribution viable et (en résumant simplement) :

• De récupérer chaque jour (via API généralement) les nouvelles données brutes provenant des différentes plateformes concernées (régies publicitaires, outils analytics, back-office, CRM, etc)
• De stocker correctement, chaque jour, ces nouvelles données dans une base de données (data warehouse)
• D’exécuter chaque jour des requêtes SQL réalisant le nettoyage, la consolidation des données, et les calculs découlant des modèles d’attribution choisis
• De créer un dashboard intuitif et automatisé, affichant correctement les données travaillées/analysées, et permettant de tirer facilement des enseignements pertinents (Looker Studio, Power BI, etc)

Chez Boryl, nous avons plus de 60 missions d’attributions custom à notre actif, n’hésitez pas à nous envoyer un petit message si vous avez des questions sur le sujet ! 😉

Les modèles d’attribution marketing post-click custom prédéfinis que nous utilisons le plus chez Boryl

Comme répété plusieurs fois dans cette formation, on ne le dira jamais trop, il n’existe pas un modèle d’attribution unique et adapté pour tous les business ou même toutes les campagnes marketing.

Il existe différents modèles d’attribution ayant chacun leurs spécificités, leurs avantages, leurs inconvénients, et donc leurs raisons d’être utilisé, ou non.

L’analyse de la performance de campagne marketing ne se fait généralement pas de façon macro, mais plutôt par typologie de campagne (notoriété, considération, conversion), et la performance d’une campagne marketing doit être étudiée sous différents angles (sous différents modèles d’attributions). Et c’est cette étude sous différents angles que nous appelons analyse attributive.

Les modèles d’attribution peuvent être catégorisés comme étant à contact unique (Single-Touch Attribution) ou à contacts multiples (Multi-Touch Attribution).

Nous vous avons concocté une liste des modèles d’attribution que nous utilisons le plus souvent avec nos clients ainsi que leurs avantages et inconvénients respectifs.

Il existe d’autres modèles, mais la combinaison de ceux que nous vous présentons couplées à une bonne méthodologie vous permettra d’aller déjà très loin !

Le modèle d’attribution first-click

Ce modèle attribue tout le mérite d’une conversion à la toute première interaction (entrée sur site web) d’un utilisateur ayant converti.

Avantages :

• C’est un modèle d’attribution qui peut être puissant pour mesurer la performance des campagnes marketing de notoriété (visant à faire découvrir une marque). Il permet de découvrir les campagnes de notoriété qui génèrent le plus de nouveaux clients et ainsi, de savoir quels points de contact sont importants au début du parcours du client
• C’est un modèle d’attribution efficace pour les business dont le cycle d’achat est court et pour lesquels les clients potentiels n’ont généralement pas plus d’une interaction avec la marque avant l’achat

Inconvénient :

• Ce modèle d’attribution ignore les effets de toutes campagnes marketing potentiellement importantes qui se produisent à un moment ultérieur, comme les campagnes de retargeting

Le modèle d’attribution last-click

Ce modèle attribue tout le mérite d’une conversion à la toute dernière interaction (entrée sur site web) d’un utilisateur ayant converti.

Avantages :

• C’est un modèle d’attribution efficace pour les business dont le cycle d’achat est court et pour lesquels les clients potentiels n’ont généralement pas plus d’une interaction avec la marque avant l’achat
• C’est un modèle d’attribution efficace pour identifier les campagnes de conversion qui poussent le plus à l’action, et qui génèrent donc le plus de conversions. Ce modèle permet par exemple d’identifier correctement les campagnes de retargeting qui fonctionnent le mieux

Inconvénient :

• Ce modèle ne tient pas compte d’une grande partie de la complexité liée au marketing digital multicanal moderne, qui expose les consommateurs à de nombreux messages (délivré par des campagnes de notoriété et/ou de considération) contribuant à la conversion finale

Le modèle d’attribution last-click non direct

Ce modèle est une variante du modèle d’attribution last-click classique. Ce modèle attribue tout le mérite d’une conversion à la toute dernière interaction non direct (entrée sur site web) d’un utilisateur ayant converti.

Ce modèle reprend les mêmes avantages et inconvénients que son père, à la différence qu’il permet une mesure plus juste des campagnes marketing qui font passer à l’action. Il se concentre sur les campagnes marketing que l’on peut contrôler ou influencer.

Le direct étant un levier par lequel passent les internautes qui connaissent déjà la marque concernée, ce modèle valorise la dernière campagne marketing qui a influencé la conversion.

Le modèle d’attribution multi-touch linéaire

Ce modèle attribue un crédit égal à tous les touchpoints (entrées sur site web) d’un utilisateur ayant converti.

Avantages :

• C’est un modèle d’attribution qui prend en compte tous les touchpoints et permet donc d’avoir une vue d’ensemble / holistique sur la performance globale des campagnes marketing
• C’est un modèle d’attribution qui peut être très utile pour mesurer la performance des campagnes de considération
• C’est le modèle d’attribution le plus adapté lorsque vous souhaitez connaître les touchpoints existants, mais pas nécessairement l’impact de chacun
• C’est un modèle d’attribution particulièrement utile pour les entreprises dont le cycle d’achat est long et implique de nombreux touchpoints
• C’est un modèle d’attribution qui permet de s’assurer qu’aucun engagement n’est considéré comme sans importance

Inconvénients :

• C’est un modèle compliqué à mettre en place
• Ce modèle n’offre que peu ou pas de nuances ; tous les touchpoints ont la même valeur, qu’ils aient ou non une influence plus ou moins importante sur la décision de conversion

Il est fréquent d’exclure tous les points de contact direct afin de valoriser les actions marketing.

Le modèle d’attribution multi-touch par scoring d’engagement

Ce modèle attribue un crédit plus ou moins important aux différents touchpoints (entrées sur site web) d’un utilisateur ayant converti.

Cette règle d’attribution se base sur un scoring incrémental d’engagement.

L’idée et de valoriser les touchpoints qui ont généré le plus d’engagements. Le calcul de ce score peut par exemple prendre en compte le temps de la session, le nombre de pages vues pendant la session, le passage des étapes du funnel pendant la session, la conversion pendant la session, l’abonnement à une newsletter pendant la session, etc.

Avantages :

• C’est un modèle d’attribution qui prend en compte tous les points de contact et permet donc d’avoir une vue d’ensemble / holistique sur la performance globale des campagnes marketing
• C’est un modèle d’attribution qui peut être très utile pour mesurer la performance des campagnes de notoriété, de considération, et de conversion
• C’est un modèle d’attribution particulièrement utile pour les entreprises dont le cycle d’achat est long et implique de nombreux touchpoints
• C’est un modèle d’attribution qui vient ajouter de la nuance au modèle classique d’attribution linéaire

Inconvénient :

• Ce modèle est compliqué à mettre en place

Quand faut-il mettre en place une analyse attributive post-click custom prédéfini ?

L’analyse attributive post-click custom prédéfini n’est pas forcément quelque chose à mettre en place dans tout business. Nous notons 3 pré-requis fondamentaux.

Premièrement, il faut que le business concerné ait mis en place une stratégie marketing mix-média. Autrement dit, il faut que le business concerné engage des actions marketing sur différents canaux payants et/ou non payants.

Si la stratégie marketing du business concerné se concentre uniquement sur un levier (Facebook Ads par exemple), alors les différents modèles proposés par la plateforme seront suffisants pour piloter correctement les différentes campagnes marketing.

Deuxièmement, dans le cas d’une stratégie mix-média, il faut suffisamment de volume afin de pouvoir faire ressortir des insights fiables. Nous estimons qu’une analyse attributive devient intéressante à mettre en place lorsque chaque canal génère au minium 5000 sessions par mois.

Troisièmement, il faut un cycle de vente ni trop court, ni trop long. Nous estimons qu’une analyse attributive devient intéressante à mettre en place lorsque 30 % des conversions sont effectuées après 3 sessions ou plus.

Ainsi, dans le cas d’un business de serrurier qui va investir beaucoup en SEA et en SEO, il ne sert à rien de mettre en place une analyse attributive car le cycle de vente est très court, généralement 1 jour, en raison de la situation d’urgence qui pousse la conversion.

À l’inverse, dans le cas d’un business B2B avec un cycle de vente moyen supérieur à 1,5 an et comprenant plus de 70 touchpoints, il est peu probable que mener une analyse d’attributive soit une priorité car le rapport [chance de sortir des insights très pertinents et actionnables] / [complexité] n’est pas fameux.

Voici un exemple de graphique qui peut aider à y voir plus clair sur le cycle de vente d’un business :

Notre méthode pour mener une analyse attributive post-click custom prédéfini pertinente

Comme répété plusieurs fois dans cette formation, chaque business a ses propres spécificités. Le choix des modèles d’attribution ainsi que la méthode d’analyse doivent donc être pensés à partir de ces spécificités.

La méthode que nous présentons ici est une très bonne base qui devrait correspondre à la majeure partie des business.

Cependant, il est important de prendre de la hauteur et d’ajuster cette méthode le plus possible au business concerné.

Il est impossible de prendre en compte tous les cas de figure dans une formation comme celle-ci, car cela serait interminable…

N’hésitez pas à nous envoyer un message si vous voulez discuter d’un cas de figure spécifique ! 🙂

L’objectif d’une analyse attributive et de mesurer (dans un contexte mix-média) le mieux possible, la performance de chacune des campagnes marketing d’un business afin de pouvoir mieux orienter les investissements et ainsi maximiser la performance globale.

Généralement, une analyse attributive s’effectue par type de campagne, notre méthode se découpe donc en 3 parties :

• L’analyse des campagnes de notoriété
• L’analyse des campagnes de considération
• L’analyse des campagnes de conversion

Comme dit un peu plus haut, la classification de ces campagnes est rendue possible grâce à la mise en place et à l’entretien d’une nomenclature UTM propre.

Il est fort probable qu’un business n’utilise pas ces trois types de campagne. Des business n’utilisent que des campagnes de notoriété, d’autres que des campagnes de conversion, d’autres que des campagnes de notoriété et de conversion, etc.

Par exemple, un business de télé-consultation médicale n’utilisera a priori que des campagnes de notoriété car il semble difficile de prévoir le moment où une personne va tomber malade et donc de lui afficher une campagne à objectif de conversion au bon moment.

Il convient donc, comme dit un peu plus haut, d’ajuster cette méthode en fonction des spécificités du business concerné, et plus particulièrement ici, en fonction du type des campagnes déployées.

L’analyse des campagnes de notoriété

L’objectif d’une campagne de notoriété est de faire connaître davantage la marque concernée.

Étape 1 : L’analyse préliminaire avec le modèle d’attribution first-click

Cette première analyse consiste à mesurer et comparer la performance de l’ensemble des campagnes de notoriété sur une même plage de date avec le modèle d’attribution custom first-click. La meilleure façon d’effectuer cette analyse est de passer par un tableau avec mises en forme conditionnelles comme ceci :

Ce premier tableau nous apprend par exemple que 3 campagnes sont nettement plus performantes que les autres :

• La campagne Facebook Ads – Notoriété 1 : Un CTR élevé pour une campagne de notoriété signifie que cette dernière interpelle davantage, c’est donc un bon KPI à prendre en compte pour mesurer la performance d’une campagne de notoriété. La prise en compte de ce KPI permet également d’atténuer l’impact de la perte de donnée liée au consentement de l’utilisateur et aux customer journey cross-device car on dispose de toutes les données
• La campagne Tiktok Ads – Notoriété 1 : Pareil que pour la campagne Facebook Ads – Notoriété 1
• La campagne Facebook Ads – Notoriété 2 : Un ROAS élevé sous le modèle d’attribution custom first-click pour une campagne de notoriété signifie que cette dernière à générée une très bonne première impression. C’est donc un bon KPI à prendre en compte pour mesurer la performance d’une campagne de notoriété

Cette première analyse nous indique donc déjà qu’il faut prioriser les investissements sur ces 3 campagnes.

Étape 2 : La revalorisation avec un modèle d’attribution multi-touch

Lors d’une analyse sous le modèle d’attribution custom first-click des campagnes de notoriété, il peut arriver que certaines campagnes performantes nous échappent.

En effet, une campagne de notoriété peut s’avérer davantage “contributeur” que “initiateur”.

En d’autres termes, il est possible qu’une campagne de notoriété se retrouve dans beaucoup de customer journey avant conversion sans être forcément le premier touchpoint.

La meilleure façon d’identifier ces campagnes et d’utiliser le même tableau que celui utilisé dans l’analyse préliminaire, mais cette fois-ci, d’utiliser un modèle d’attribution custom multi-touch (soit linéaire, soit basé sur scoring d’engagement, soit les deux).

En utilisant un modèle d’attribution custom multi-touch sur le même tableau que celui utilisé dans l’analyse préliminaire, nous pouvons voir que la campagne Snapchat Ads – Notoriété 1 semble finalement très performante, car elle contribue à beaucoup de conversion (ROAS élevé). Il faut donc la revaloriser, et ne pas la “couper”.

Au passage, voici une petite visualisation qui peut aider à mieux visualiser les customer journey les plus performantes afin d’améliorer la compréhension globale et éviter de prendre de mauvaises décisions :

Étape 3 : Le passage à l’action

À présent, nous avons un aperçu suffisamment fiable de la performance de chacune des campagnes de notoriété. Voici les décisions que nous pourrions prendre :

• Arrêter les dépenses sur les campagnes Facebook Ads – Notoriété 3 et Tiktok Ads – Notoriété 1 qui ne sont absolument pas performantes
• Apporter des modifications à la campagne Snapchat Ads – Notoriété 2 (que l’on pourrait qualifier de moyennement performante) dans le but d’améliorer sa performance
• Augmenter les dépenses sur les 4 autres campagnes de notoriété qui sont vraiment très performantes

Étape 4 : L’analyse macro dans le temps

Il est important d’apprécier l’impact des prises de décision dans le temps afin de voir si nous allons dans la bonne direction. Pour mesurer la performance globale d’une stratégie de notoriété dans le temps, nous pouvons par exemple ces 3 KPI’s :

• Le nombre de requêtes “marque” (Semrush ou Google Search Console)
• Le nombre de sessions initiées par de nouveaux utilisateurs et par la home page
• Le coût global des campagnes de notoriété on-line

Voilà pour les campagnes de notoriété !

Si nous avons à disposition les données et que le volume le permet, il est possible d’aller plus loin dans l’analyse en ajoutant de la granularité à chacune des 3 premières étapes. Par exemple :

• Analyser la performance des adGroups pour chaque campagne
• Analyser la performance des campagnes par produit/service ciblé
• Etc

L’analyse des campagnes de considération

L’objectif d’une campagne de considération est de nourrir de contenu et d’engager un utilisateur/consommateur connaissant déjà la marque concernée. On parle de “nurturing”.

Ces campagnes sont généralement utilisées dans des business B2B avec un cycle de vente moyen/long, mais nous les retrouvons également beaucoup en B2C.

Parmi ces campagnes, nous pouvons retrouver par exemple :

• Des campagnes Linkedin Ads et Facebook Ads renvoyant sur une landing page incitant à télécharger une ressource spécifique
• Des campagnes SEA sur des requêtes telles que “comment choisir…” ou encore “comparatif…”
• Etc

Il est courant de récupérer et d’intégrer des données liées aux campagnes de marketing automation (provenant du CRM marketing utilisé) telle que l’ouverture de certains mails, mais nous n’aborderons pas ce point-là dans cette formation qui est déjà assez longue comme ça ! 🙂

Étape 1 : L’analyse préliminaire avec le modèle d’attribution multi-touch linéaire

Cette première analyse consiste à mesurer et comparer la performance de l’ensemble des campagnes de considération sur une même plage de date avec le modèle d’attribution custom multi-touch linéaire. La meilleure façon d’effectuer cette analyse est de passer par un tableau avec mises en forme conditionnelles comme ceci :

Ce premier tableau nous apprend par exemple que 3 campagnes sont nettement plus performantes que les autres :

• La campagne Facebook Ads – Considération 1 : Un ROAS élevé sous le modèle d’attribution custom multi-touch linéaire pour une campagne de considération signifie que cette dernière est un point clé dans la customer journey, et qu’elle influence beaucoup la décision d’achat. C’est donc un bon KPI à prendre en compte pour mesurer la performance d’une campagne de considération.
• La campagne Linkedin Ads – Considération 2 : Pareil que pour la campagne Facebook Ads – Considération 1
• La campagne Google Ads – Considération 2 : Pareil que pour la campagne Facebook Ads – Considération 1

Cette première analyse nous indique donc déjà qu’il faut prioriser les investissements sur ces 3 campagnes.

Étape 2 : La revalorisation avec un modèle d’attribution multi-touch basé sur scoring d’engagement

Lors d’une analyse sous le modèle d’attribution custom multi-touch linéaire des campagnes de considération, il peut arriver que certaines campagnes performantes nous échappent.

En effet, il est possible qu’une campagne intervienne fréquemment dans une customer journey sans forcément engager beaucoup un utilisateur/consommateur.

Inversement, il est possible qu’une campagne intervienne moins souvent, mais qu’en revanche, cette dernière engage énormément (plus de téléchargement de ressource sur le site web, temps de session plus élevé, etc) et influence donc davantage la décision de conversion.

Il est donc important de prendre en compte cette nuance et d’identifier ces campagnes.

La meilleure façon pour identifier ces campagnes et d’utiliser le même tableau que celui utilisé dans l’analyse préliminaire, mais cette fois-ci, d’utiliser un modèle d’attribution custom multi-touch basé sur scoring d’engagement.

En utilisant un modèle d’attribution custom multi-touch basé sur scoring d’engagement, nous pouvons voir que la campagne Linkedin Ads – Considération 1 semble finalement très performante car elle contribue à beaucoup de conversion (ROAS élevé) tout en engageant beaucoup.

Étape 3 : Le passage à l’action

À présent, nous avons un aperçu suffisamment fiable de la performance de chacune des campagnes de considération. Voici les décisions que nous pourrions prendre :

• Arrêter les dépenses sur les campagnes Google Ads – Considération 1, Facebook Ads – Considération 2, et Facebook Ads – Considération 3 qui ne sont absolument pas performantes
• Augmenter les dépenses sur les 4 autres campagnes de considération qui sont vraiment très performantes

Étape 4 : L’analyse macro dans le temps

Il est important d’apprécier l’impact des prises de décision dans le temps afin de voir si nous allons dans la bonne direction. Pour mesurer la performance globale d’une stratégie de considération il peut être intéressant par exemple de suivre dans le temps ces 3 KPI’s :

• Le temps de session moyen on-site
• Le nombre de ressources téléchargées on-site
• Le coût global des campagnes de considération on-line

Il est également possible de créer un scoring d’engagement regroupant plusieurs KPI’s (analytics et/ou CRM marketing) et le suivre dans le temps !

Voilà pour les campagnes de considération !

Si nous avons à disposition les données et que le volume le permet, il est possible d’aller plus loin dans l’analyse en ajoutant de la granularité à chacune des 3 premières étapes. Par exemple :

• Analyser la performance des adGroups pour chaque campagne
• Analyser la performance des campagnes par produit/service ciblé
• Etc

L’analyse des campagnes de conversion

L’objectif d’une campagne de conversion est de faire “passer à l’action” en d’autres termes, de faire convertir.

Étape 1 : L’analyse préliminaire avec le modèle d’attribution last-click non direct

Cette première analyse consiste à mesurer et comparer la performance de l’ensemble des campagnes de conversion sur une même plage de date avec le modèle d’attribution custom last-click non direct. La meilleure façon d’effectuer cette analyse est de passer par un tableau avec mises en forme conditionnelles comme ceci :

Ce premier tableau nous apprend par exemple que 3 campagnes sont nettement plus performantes que les autres :

• La campagne Facebook Ads – Conversion 1 : Un ROAS élevé sous le modèle d’attribution custom last-click non direct pour une campagne de conversion signifie que cette dernière influence fortement la conversion en fin de cycle. C’est donc un bon KPI à prendre en compte pour mesurer la performance d’une campagne de conversion.
• La campagne Linkedin Ads – Conversion 2 : Pareil que pour la campagne Facebook Ads – Conversion 1
• La campagne Google Ads – Conversion 2 : Pareil que pour la campagne Facebook Ads – Conversion 1

Cette première analyse nous indique donc déjà qu’il faut prioriser les investissements sur ces 3 campagnes.

Étape 2 : La revalorisation avec un modèle d’attribution multi-touch

Lors d’une analyse sous le modèle d’attribution last-click non direct des campagnes de conversion, il peut arriver que certaines campagnes performantes nous échappent.

En effet, une campagne de conversion peut s’avérer davantage “contributeur” que “convertisseur”.

En d’autres termes, il est possible qu’une campagne de conversion se retrouve dans beaucoup de customer journey avant conversion sans être forcément le denier touchpoint non direct.

La meilleure façon d’identifier ces campagnes et d’utiliser le même tableau que celui utilisé dans l’analyse préliminaire, mais cette fois-ci, d’utiliser un modèle d’attribution multi-touch (soit linéaire, soit basé sur scoring d’engagement, soit les deux).

En utilisant un modèle d’attribution custom multi-touch sur le même tableau que celui utilisé dans l’analyse préliminaire, nous pouvons voir que la campagne Linkedin Ads – Conversion 1 semble finalement très performante car elle contribue à beaucoup de conversion (ROAS élevé). Il faut donc la revaloriser, et ne pas la “couper”.

Étape 3 : Le passage à l’action

À présent, nous avons un aperçu suffisamment fiable de la performance de chacune des campagnes de conversion. Voici les décisions que nous pourrions prendre :

• Arrêter les dépenses sur les campagnes Google Ads – Conversion 1, Facebook Ads – Conversion 2, et Facebook Ads – Conversion 3 qui ne sont absolument pas performantes
• Augmenter les dépenses sur les 4 autres campagnes de considération qui sont vraiment très performantes

Étape 4 : L’analyse macro dans le temps

Il est important d’apprécier l’impact des prises de décision dans le temps afin de voir si nous allons dans la bonne direction. Pour mesurer la performance globale d’une stratégie de considération il peut être intéressant par exemple de suivre dans le temps ces 3 KPI’s :

• Le CA global on-line
• Le coût global des campagnes de conversion on-line
• Le ROAS global

Voilà pour les campagnes de conversion !

Si nous avons à disposition les données et que le volume le permet, il est possible d’aller plus loin dans l’analyse en ajoutant de la granularité à chacune des 3 premières étapes. Par exemple :

• Analyser la performance des adGroups pour chaque campagne
• Analyser la performance des campagnes par produit/service ciblé
• Etc

Wizaly : notre solution partenaire pour de l’attribution data-driver off-line, et post-view

Si vous êtes déjà bien familier avec tout ce que l’on vient de voir, et que vous voulez aller plus loin, notamment sur les problématiques d’attribution post-view et off-line nous vous conseillions d’utiliser notre solution partenaire sur le sujet : Wizaly !

Scope data et technologique

Les algorithmes de Wizaly s’adaptent à l’évolution du comportement de vos audiences (logiques saisonnières, contexte macroéconomique) ainsi qu’à l’évolution naturelle de votre mix-média (augmentation des investissements, lancement de nouveaux leviers, etc) grâce à une technologie basée sur le machine learning.

En substance, la technologie Wizaly vous apporte un calcul objectif de la performance de chacun de vos leviers marketing pour vous aider dans vos prises de décisions dans vos arbitrages budgétaires.

Bénéficiez d’un mode hybride RGPD : suite à une approbation de la CNIL, leur mode de tracking conforme RGPD permet de tracker 100% du trafic (visites) et conversions (en volume et valeur) même en l’absence de consentement.

Complétez la vision « parcours client » par le tracking des touchpoints post view : display d’abord, via un tracking Wizaly, et Paid Social également, via leur algorithme Walled Garden dédié pour un calcul encore plus juste de la performance de vos leviers. Leur technologie est nativement cross-device pour une réconciliation optimale des parcours utilisateurs.

Enrichissez vos données pour des analyses et des recommandations encore plus riches : données clients, données de détail produits (catégorie, marque, référence unique), conversions en points de vente / call center.

Évaluez le rôle de vos campagnes TV/ radio au sein des parcours, via une connexion TVTY/ Admo/ Realytics.

Une plateforme riche de fonctionnalités et intuitive

Dashboards : personnalisez vos écrans de pilotage selon différentes perspectives

Analyses scénarisées : laissez-vous guider par la méthodologie complète d’analyse Wizaly

Rapports : paramétrez vos reportings enfin consolidés (impressions, trafic, coûts, conversions attribuées), programmez leur récurrence automatique et partagez-les

Alertes : définissez des seuils de surveillance automatique

Voilà, c’est terminé ! 🤓

N’hésitez pas à nous envoyer un petit message si vous avez des questions 😉