Attribution data driven

Le principe est comparatif. Le système observe les parcours qui ont abouti à une conversion et ceux qui n’ont pas abouti, puis estime la contribution de chaque type de point de contact à partir de l’écart.

Un canal présent dans les parcours qui convertissent et absent des autres reçoit un crédit élevé. Un canal présent partout, y compris dans les parcours sans conversion, en reçoit peu.

C’est ce qui la distingue des modèles à règle fixe, comme le dernier clic ou la répartition linéaire, qui appliquent la même logique quel que soit le comportement observé.

Deux effets, visibles dès la bascule.

Les canaux de découverte remontent. Une recherche générique, un affichage display, une vidéo qui intervenaient tôt dans le parcours n’obtenaient rien au dernier clic. Ils reçoivent désormais une part.

Les canaux de fin baissent. Les requêtes de marque et le retargeting, qui captaient tout au dernier clic, voient leur crédit se réduire, parce que le modèle constate qu’ils interviennent souvent après que la décision est prise.

Les totaux de conversions ne changent pas, leur répartition entre canaux change. Comparer un chiffre par canal avant et après la bascule n’a donc pas de sens.

Du volume. Le modèle a besoin de suffisamment de parcours pour distinguer un signal d’un hasard. En dessous, il ne s’active pas ou produit des répartitions instables.

De la mesure. Un parcours mal reconstitué, à cause des cookies tiers ou d’un consentement refusé, sort de l’analyse. Le modèle travaille alors sur une partie des données et modélise le reste.

Elle reste enfermée dans ce qui est mesuré. Une recommandation entre collègues, un avis lu ailleurs, une conversation en salon n’y figurent pas, alors qu’ils pèsent souvent davantage. C’est la limite décrite côté parcours client.

Elle ne mesure pas non plus l’incrémentalité : une part des conversions attribuées auraient eu lieu sans le canal crédité. Seul un test d’arrêt le dit.