Modèles d’attribution marketing : comprendre, comparer et choisir
Temps de lecture : 12 min.
Une publicité attire l’attention, un article aide à comparer, un e-mail relance l’intérêt, puis une recherche sur Google précède l’achat. À qui attribuer la vente ? La réponse dépend du modèle d’attribution marketing utilisé. Et ce choix peut modifier sensiblement la lecture des performances, sans changer une seule commande.
Pour les équipes qui pilotent les MarTech, l’enjeu dépasse le tableau de bord : il touche au financement de l’acquisition, à la reconnaissance du rôle des contenus et aux arbitrages entre création de demande et conversion. Voici les principaux modèles, leurs calculs et une méthode pour les utiliser avec discernement.
Qu’est-ce qu’un modèle d’attribution marketing ?
Un modèle d’attribution répartit le crédit d’une conversion entre les points de contact retenus dans un parcours : clic publicitaire, visite issue du référencement naturel, e-mail ou autre interaction admissible. Il peut attribuer une conversion entière à un contact ou la fractionner entre plusieurs.
Ce crédit peut porter sur un nombre de conversions ou sur une valeur, par exemple un chiffre d’affaires. Attribuer 200 € à un canal signifie lui affecter cette fraction de la valeur enregistrée ; cela ne mesure ni sa marge, ni son bénéfice, ni les ventes qui auraient disparu sans ce canal.
La définition des contacts compte autant que la formule : clics seulement ou impressions également, traitement du trafic direct, reconnaissance entre appareils, délai d’observation… Deux rapports portant le même nom peuvent donc produire des résultats différents.
Un parcours identique pour comparer tous les modèles
Imaginons une cliente qui achète pour 800 € après quatre interactions. Chaque canal n’apparaît qu’une fois afin de rendre les calculs lisibles. Dans un parcours réel, un même canal peut recevoir plusieurs fractions de crédit, ensuite additionnées.
| Contact | Moment | Interaction observée |
|---|---|---|
| A — Social Ads | J−21 | Clic sur une publicité de découverte |
| B — SEO | J−14 | Visite d’un guide comparatif depuis un moteur de recherche |
| C — E-mail | J−7 | Clic dans un e-mail de conseil |
| D — Search Ads | J0 | Clic sur une annonce de recherche, puis achat |
Nous retenons une fenêtre de 30 jours, quatre clics admissibles et aucune visite directe. Tous les contacts sont donc inclus. Les calculs constituent des conventions pédagogiques explicites, pas la reproduction automatique des paramètres d’une plateforme.
First touch : valoriser le premier contact observé
Le modèle first touch, ou premier contact, affecte 100 % du crédit à l’interaction qui ouvre le parcours retenu. Dans notre exemple, Social Ads reçoit 800 € ; SEO, e-mail et Search Ads reçoivent 0 €.
Son avantage est la simplicité. Il met en lumière les portes d’entrée et aide à examiner les canaux qui recrutent de nouvelles audiences. Il peut servir de lecture complémentaire lorsqu’une équipe cherche à comprendre l’origine des parcours.
Sa limite tient à ce qu’il ignore : l’accompagnement et la conclusion de la vente. Le premier contact mesuré n’est d’ailleurs pas nécessairement la première exposition à la marque. Une recommandation orale ou une publicité non observée a pu le précéder. First touch mesure une origine visible, pas toute la création de demande.
Last touch : récompenser le dernier contact
Le modèle last touch, ou dernier contact, attribue toute la conversion à l’interaction finale admissible. Search Ads reçoit ici 800 €, les trois autres canaux 0 €.
Facile à expliquer et à auditer, il donne une lecture opérationnelle des canaux qui précèdent l’achat. Il est utile comme point de comparaison et pour étudier la fin du parcours.
En revanche, il peut survaloriser les leviers qui captent une intention déjà forte, notamment certaines recherches de marque. Couper les canaux absents de ce rapport pourrait tarir les achats futurs. Il faut aussi distinguer dernier contact et dernier clic : si des vues publicitaires sont admissibles, les règles changent. Certaines plateformes ignorent le direct dans leur attribution ; Google Analytics documente notamment cette convention.
Le modèle linéaire : partager le crédit à parts égales
L’attribution linéaire répartit équitablement la valeur entre tous les contacts admissibles. Avec quatre interactions, chacune reçoit 25 %, soit 200 € par canal.
C’est une base de comparaison transparente pour reconnaître les interactions intermédiaires. Elle permet d’ouvrir la discussion lorsque les équipes contestent une lecture exclusivement centrée sur le dernier clic.
Mais l’égalité du crédit reste une hypothèse. Une visite peu engageante compte autant qu’un échange décisif. De plus, le calcul porte ici sur les contacts, pas sur les canaux uniques : si un canal multiplie les interactions, il peut cumuler davantage de crédit sans démontrer davantage de valeur causale.
Les modèles temporels : préciser dans quel sens le poids évolue
« Croissant » et « décroissant » sont ambigus sans axe de lecture. Dans cet article, nous suivons le parcours du premier contact vers l’achat. Le poids croissant augmente donc à l’approche de la conversion ; le poids décroissant diminue dans cette même direction.
Temporel croissant : privilégier la proximité de l’achat
Ce modèle correspond à l’idée habituelle du time decay : l’influence attribuée à un contact se déprécie à mesure qu’il s’éloigne de la conversion. Autrement dit, le poids décroît avec l’ancienneté, mais croît quand on avance vers l’achat.
Avec une demi-vie de sept jours, la pondération brute vaut 2^(−d/7), où d est le nombre de jours avant l’achat. Nos contacts reçoivent les poids 1/8, 1/4, 1/2 et 1. Une fois normalisés, ils représentent 1/15, 2/15, 4/15 et 8/15 du crédit : 53,33 €, 106,67 €, 213,33 € et 426,67 €.
Cette lecture convient pour explorer l’hypothèse d’un rôle plus important des interactions récentes, par exemple autour d’une échéance promotionnelle. Elle reste sensible à la demi-vie choisie et peut sous-estimer le travail de découverte d’un cycle long.
Temporel décroissant : privilégier les contacts anciens
Nous utilisons ici la convention inverse : le poids brut vaut 2^(d/7). Les poids sont 8, 4, 2 et 1, soit 8/15, 4/15, 2/15 et 1/15 après normalisation. Social Ads reçoit 426,67 €, SEO 213,33 €, l’e-mail 106,67 € et Search Ads 53,33 €.
Cette variante permet d’étudier une hypothèse donnant plus d’importance à l’amorçage du parcours, tout en conservant un crédit pour les étapes suivantes. Elle peut toutefois favoriser excessivement un premier contact ancien et peu significatif. Il s’agit d’une règle à documenter, pas d’un standard universel.
Les deux calculs utilisent bien les délais réels. Avec des contacts espacés irrégulièrement, les poids ne suivraient plus la simple progression de notre exemple.
Le modèle en U : privilégier l’entrée et la sortie
Le modèle en U, ou fondé sur la position, valorise les deux extrémités du parcours. Dans la convention courante 40/20/40, le premier contact reçoit 40 %, le dernier 40 %, et les contacts intermédiaires se partagent les 20 % restants.
Sur notre commande, Social Ads et Search Ads obtiennent chacun 320 €. SEO et e-mail reçoivent chacun 80 €.
Son intérêt est de reconnaître à la fois la découverte et la conclusion, sans effacer complètement la maturation. Sa limite est la rigidité des coefficients : rien ne prouve que les deux extrémités méritent toujours 80 % du crédit. Pour un parcours à un ou deux contacts, une règle de redistribution doit être prévue. Un modèle en U ne doit pas non plus être confondu avec un modèle en W, qui valorise une étape intermédiaire supplémentaire.
L’attribution algorithmique : apprendre une répartition à partir des données
L’attribution algorithmique désigne une famille de méthodes plutôt qu’une formule unique. Des approches fondées sur les chaînes de Markov, des allocations inspirées de Shapley ou des modèles d’apprentissage peuvent estimer des contributions, selon des hypothèses différentes.
Son intérêt est d’adapter les poids aux données plutôt que d’imposer systématiquement la même répartition. Sa qualité dépend néanmoins du périmètre observable, de la méthode et de sa validation. Une répartition sophistiquée peut rester biaisée si les données ignorent certains canaux ou certaines populations.
Supposons qu’un modèle entraîné sur un ensemble de parcours attribue, pour notre exemple, 30 % à Social Ads, 20 % au SEO, 15 % à l’e-mail et 35 % à Search Ads. Les montants seraient 240 €, 160 €, 120 € et 280 €. Ces poids sont fictifs : ils ne peuvent pas être déduits du seul parcours présenté.
La documentation de Google Analytics décrit une attribution fondée sur les données qui analyse notamment des parcours avec et sans conversion. Elle illustre une implémentation particulière ; elle ne définit pas toutes les méthodes algorithmiques.
Comparatif chiffré : sept répartitions, une seule vente
| Modèle | Social Ads | SEO | Search Ads | Total | |
|---|---|---|---|---|---|
| First touch | 800,00 | 0,00 | 0,00 | 0,00 | 800,00 |
| Last touch | 0,00 | 0,00 | 0,00 | 800,00 | 800,00 |
| Linéaire | 200,00 | 200,00 | 200,00 | 200,00 | 800,00 |
| Temporel croissant | 53,33 | 106,67 | 213,33 | 426,67 | 800,00 |
| Temporel décroissant | 426,67 | 213,33 | 106,67 | 53,33 | 800,00 |
| En U, 40/20/40 | 320,00 | 80,00 | 80,00 | 320,00 | 800,00 |
| Algorithmique, illustration fictive | 240,00 | 160,00 | 120,00 | 280,00 | 800,00 |
Les montants sont arrondis au centime. Aucun modèle ne crée de chiffre d’affaires supplémentaire. Il change sa répartition. Le ROAS attribué d’un canal peut donc varier uniquement parce que la convention de mesure change, alors que ses dépenses et les commandes restent identiques.
IA et confidentialité : une mesure plus modélisée, toujours imparfaite
L’IA peut estimer ce qui manque, sans reconstituer toute la réalité
Les refus de consentement, restrictions techniques, parcours entre appareils et environnements fermés fragmentent les données. La modélisation peut produire des estimations agrégées lorsque certaines observations manquent ; Google présente notamment cette orientation dans son annonce sur l’évolution de Google Analytics.
Il faut cependant distinguer modélisation des conversions manquantes et répartition du crédit. La première estime un volume non directement observé ; la seconde distribue une valeur entre des contacts. Un outil peut combiner les deux, ce qui rend la provenance des chiffres essentielle.
Les assistants d’IA peuvent aider à repérer des anomalies et à expliquer des écarts. Ils ne rendent pas les hypothèses valides par eux-mêmes. Une équipe doit connaître les données utilisées, la stabilité des résultats et les conditions dans lesquelles le modèle cesse d’être fiable.
Les données propriétaires ne dispensent pas de respecter les règles
Collecter côté serveur ou utiliser des données CRM ne supprime pas les obligations applicables aux traceurs et aux données personnelles. Il faut vérifier les finalités, la base légale, le consentement lorsqu’il est requis, les destinataires et les durées de conservation.
La CNIL encadre strictement l’exemption de consentement pour la mesure d’audience : elle vise notamment des statistiques anonymes pour le compte exclusif de l’éditeur et exclut certains recoupements ou suivis entre sites. Cette exemption ne constitue donc pas une autorisation générale d’attribution publicitaire individuelle.
Comment choisir un modèle adapté à son activité ?
Partir de la décision à prendre
Pour étudier les entrées dans le parcours, first touch apporte un éclairage. Pour examiner la conclusion, last touch fournit un repère. Pour rendre visibles les étapes intermédiaires, le linéaire constitue une base simple. Un modèle temporel ou en U permet ensuite de tester une hypothèse métier explicite. L’algorithmique devient pertinent lorsque les données, les compétences et la validation permettent de soutenir une approche plus élaborée.
Il n’existe pas de seuil de volume universel garantissant sa qualité. Un petit jeu de données très bruité appelle davantage de prudence ; un grand jeu de données biaisé ne résout pas le problème.
Fixer les règles avant de comparer
Définissez la conversion utile : commande nette de remboursement, prospect qualifié ou contrat signé. En B2B, rapprochez si possible les interactions des opportunités et du revenu CRM, avec une gouvernance adaptée. Choisissez ensuite une fenêtre cohérente avec le cycle d’achat et documentez le traitement des contacts répétés, du direct et des impressions.
Comparez les modèles sur les mêmes conversions, dates et contacts admissibles. Si vous modifiez simultanément la fenêtre, la source de données et la formule, vous ne saurez plus expliquer les écarts. Attention aussi aux outils : les modèles pédagogiques présentés ici ne sont pas tous disponibles dans chaque interface. Google Analytics précise notamment le retrait de plusieurs modèles à règles de ses rapports depuis novembre 2023.
Tester la sensibilité et valider les décisions
Observez les changements de classement sur une période couvrant le cycle d’achat et suffisamment de conversions. Faites varier raisonnablement la fenêtre ou la demi-vie. Si un canal passe de champion à dernier selon un petit ajustement, cette instabilité doit tempérer la décision budgétaire.
Gardez un modèle principal documenté et quelques lectures de comparaison. Pour les arbitrages importants, confrontez l’attribution à des tests d’incrémentalité, par exemple un groupe témoin randomisé lorsque c’est possible. Le marketing mix modeling apporte une autre lecture, agrégée, des investissements et des ventes, sous réserve de données et d’hypothèses adaptées. Le guide de mesure de l’efficacité média de Google présente ces approches comme complémentaires.
Faire de l’attribution un outil de décision
Le meilleur modèle est celui dont l’équipe comprend les règles, connaît les angles morts et peut confronter les résultats à la réalité commerciale. Une attribution simple et correctement interprétée peut être plus utile qu’un score sophistiqué sans validation.
Pour piloter les MarTech, la priorité est de relier qualité des données, lecture des parcours et expérimentation. L’attribution devient alors une façon structurée de discuter des contributions, puis de décider quelles hypothèses méritent d’être testées.
Quelques références
- « Premiers pas avec l’attribution » — Google — Aide Google Analytics — sans date de publication affichée, consulté en octobre 2026.
- « Cookies : solutions pour les outils de mesure d’audience » — CNIL — cnil.fr — juillet 2025.
- « Meet your marketing objectives with the new Google Analytics » — Russell Ketchum — Google, The Keyword — octobre 2021.
- « How to prove the value of media: A media effectiveness guide for CMOs (and CFOs) » — Google — Think with Google — sans date de publication identifiée, consulté en octobre 2026.
