| Modèle | Logique | Biais principal |
|---|---|---|
| Dernier clic | 100 % de la valeur au dernier canal touché avant conversion | Surévalue le retargeting et le branded SEO, ignore les canaux de découverte |
| Premier clic | 100 % de la valeur au premier canal touché | Ignore les canaux de décision et de conversion |
| Linéaire | Valeur divisée également entre tous les canaux | Donne autant de crédit à un touchpoint anecdotique qu'à un touchpoint décisif |
| Time decay | Les canaux les plus proches de la conversion reçoivent plus de valeur | Pénalise les canaux de sensibilisation (top of funnel) |
| Position-based | 40 % premier, 40 % dernier, 20 % répartis au milieu | Compromis raisonnable mais arbitraire dans les pondérations |
| Data-driven | Machine learning attribue la valeur selon les données réelles du compte | Nécessite un volume minimum de conversions ; boîte noire difficile à expliquer |
Le modèle data-driven, disponible dans Google Analytics 4 et Google Ads, analyse l'ensemble des chemins de conversion (avec et sans conversion) pour estimer la contribution réelle de chaque canal. C'est le plus précis, mais il nécessite suffisamment de données (généralement 300+ conversions par mois) pour être fiable.
Le biais de last-click favorise le retargeting : les campagnes de retargeting et les campagnes branded capturent le dernier clic car elles ciblent des gens déjà proches de la conversion. En leur attribuant 100 % du crédit, on sur-investit sur ces canaux et on asphyxie les canaux de découverte qui les alimentent.
L'attribution intra-canal vs inter-canaux : Google Ads attribue naturellement plus de valeur à Google Ads. Facebook Ads à Facebook. Chaque plateforme publie son propre rapport d'attribution avec ses propres règles. La déduplication entre plateformes est indispensable pour éviter de compter plusieurs fois la même vente.
L'attribution view-through : certaines plateformes (Meta, YouTube) comptabilisent les conversions des utilisateurs qui ont vu une publicité sans cliquer dessus, dans une fenêtre de 1 à 7 jours. Ce crédit "impression" peut gonfler artificiellement les performances déclarées des canaux display et vidéo.
Une partie des conversions ne peut pas être tracée : c'est le dark social. Les partages par messagerie (WhatsApp, Messenger, SMS), les recherches directes de marque sans clic trackable, les recommandations bouche-à-oreille, les podcasts et les newsletters sans liens de tracking propres, tout cela génère du trafic et des conversions invisibles dans Google Analytics.
En pratique, le trafic catégorisé "direct" dans les outils d'analytics est souvent en partie du dark social non réconcilié. Pour les marques B2B où LinkedIn DM et recommandations internes jouent un rôle important, cette part peut être considérable. Des enquêtes post-achat ("Comment avez-vous entendu parler de nous ?") complètent utilement l'attribution basée sur les outils.
Pour une stratégie orientée performance : commencer par le data-driven dans GA4 si le volume le permet. À défaut, le position-based est un compromis raisonnable qui valorise à la fois la découverte (premier touch) et la conversion (dernier touch).
Pour mesurer le top of funnel : le premier clic ou le position-based est plus adapté que le dernier clic, qui invisible les canaux de sensibilisation.
Ne pas utiliser un seul modèle en absolu : comparer les performances des canaux sous plusieurs modèles donne plus de nuance que d'en choisir un seul. Un canal qui performe bien en premier clic ET en dernier clic est probablement vraiment efficace.
Les tests de géo-lift et les études d'incrémentalité : la méthode la plus rigoureuse pour mesurer l'impact réel d'un canal est de couper les dépenses sur une zone géographique ou un segment et de mesurer l'impact sur les ventes. Ces tests d'incrémentalité contournent les biais des modèles d'attribution basés sur les clics.
