Un siècle d’attribution: du modèle last click au modèle comportemental

Nous voulons tous comprendre les chemins de conversion de nos internautes. C’est le rôle des modèles d’attribution.
Mais la plupart de ces modèles sont basés sur une illusion : l’existence de « parcours types ». Pour vous le prouver, nous vous proposons un passage en revue des différents modèles d’attribution.
Et nous répondrons à la question : existe-t-il un modèle qui s’adapte aux parcours de chaque internaute ?

Les modèles d’attribution de première génération : last click et first click test

Dans le parcours d’un internaute jusqu’à l’achat final, le modèle last click consiste à attribuer tout le mérite à celui qui a permis d’assurer la transaction finale.Cette méthode a l’avantage d’être simple. On récompense le déclencheur, celui qui la met au fond, le buteur. Ce modèle a du succès car il se fonde sur une évidence: l’internaute a bel et bien eu une session finale à l’issue de laquelle il a effectué sa transaction. Face à la complexité des parcours et la multiplicité des points de contacts, cette certitude fait du bien.

Cette méthode est simpliste. Elle ne correspond pas à la complexité de l’acquisition de trafic. Prenez Sophie qui a décidé de se séparer de son vieil iPhone devenu trop lent pour un nouveau smartphone. Elle va tout de suite consulter les offres de son fournisseur, mais aussi taper quelques mots clés, consulter un site comparateur, se faire une première idée… Trop de choix. Sophie remet sa décision à plus tard. Deux semaines près, un ami la pousse à acheter un Samsung. Sophie se renseigne sur Google et quelques forums. Jusqu’au jour où elle se connecte à Facebook et tombe sur un encart Samsung Galaxy avec une réduction. Plus que trois jours. Sophie clique et achète.

Dans le modèle last click, Facebook ramasserait la mise. Mais, sans cet enchaînement en amont, ce dernier geste n’aurait pas eu lieu. Depuis que l’on a les moyens de connaître tous les points de contacts du parcours de Sophie, ce modèle est largement dépassé. Pourtant, pour beaucoup, il demeure la référence. C’est d’ailleurs le modèle d’attribution par défaut de Google Analytics.

Le modèle first click choisit lui de récompenser le premier point de contact (rémunération postview), celui qui a permis de faire connaître votre site en amont du chemin de conversion. Il part du principe que sans ce premier touchpoint, il n’y aurait pas eu tous les autres, donc mise tout sur lui.La force de ce modèle est de valoriser la première impression. Il permet de travailler la notoriété et le trafic naturel, des leviers trop souvent laissés de côté. C’est aussi sa faiblesse. Comment être sûr d’avoir le vrai premier touchpoint ? Tout modèle prévoit ce qu’on appelle une fenêtre d’attribution temporelle. Dans les solutions d’attribution, cela consiste à paramétrer le nombre de jours de données rapatriées. En général, 30 jours. Mais qui vous dit que l’internaute n’a pas connu votre site avant ?

Il manque des données. Reprenons l’exemple de Sophie. Dans la fenêtre de 30 jours, son first click sur Samsung est sur Google, mais son vrai first click a eu lieu avant, sur un site comparateur qu’elle connaissait par cœur. Les fenêtres temporelles du modèle ne correspondent pas forcément à la durée du chemin de conversion.

Aujourd’hui, on peut aller bien plus loin dans la réflexion et être bien plus précis dans l’observation des parcours d’achat que ces modèles. Cette réflexion a donné naissance à la seconde génération de modèles d’attribution, celles des modèles dits « positionnels ».

Les modèles d’attribution positionnels ou multi-touch

Comme leur nom l’indique, ces modèles attribuent le mérite aux touchpoints selon leur position dans la chaîne de conversion.

Le modèle linéaire prend le nombre de touchpoints et divise le mérite de façon égale aux canaux concernés. Avec Sophie et son iPhone cassé, il faudrait donner 25 % à Adwords, 25 % à Facebook, 25 % au site comparateur, 25 % à l’emailing de son fournisseur téléphonique.Le modèle croissant considère que plus on se rapproche de la transaction, plus le touchpoint a de l’influence. Sophie a d’abord vu l’emailing Bouygues donc 10 %, puis 20 % pour le site comparateur, 30 % pour Adwords, et 40 % pour Facebook.Le modèle en u choisit d’attribuer le mérite de la transaction aux touchpoints en amont et en aval de la transaction. Les leviers intermédiaires sont moins rétribués. Donc, en ce qui concerne Sophie, il donnerait 40 % du mérite à l’emailing, 10% au site comparateur et Adwords et 40 % à Facebook.Ces modèles ont le mérite de vouloir rétribuer tous les participants de la chaîne. Mais ils sont arbitraires. Par exemple, si les trois derniers touchpoints se succèdent en une heure, ne donner que 25 % du mérite au premier qui a eu lieu quinze jours avant est probablement injuste. On ne sait pas au fond.

Ces modèles partent tous du principe que l’internaute a le même comportement derrière chaque touchpoint, et qu’à chaque chaine de touchpoints correspond une expérience. Ce qui n’est pas avéré. Chacun réagit différemment, même sur un même enchaînement de publicités.

Les modèles d’attribution de troisième génération, dits data driven

Ces modèles sont basés sur des notions incrémentales (basé sur la valeur de shapeley). Ils établissent des théories à partir d’échantillons et estiment les probabilités que ce parcours de conversion se reproduise. Leurs algorithmes de probabilité permettent de répondre aux questions du type : « La présence additionnelle d’un canal sur ma chaîne augmente-t-elle mes transformations ? »

Ces modèles incrémentaux sont séduisants dans l’idée, mais ils ne marchent qu’au niveau du canal. Ils ne peuvent pas marcher au niveau de tous les canaux car ils n’ont pas de données de la même granularité sur les autres canaux. En ne les important pas, il les écartent. Ou plutôt, ils leur accordent un incrément zéro. Si ça se trouve ce levier, ce touchpoint classé à valeur zéro, a été décisif dans la décision de Sophie de se munir d’un Samsung. Dommage, à l’ère de la Big Data de ne pas descendre au niveau le plus granulaire, celui du tout puissant « consomacteur ».

Ces modèles granulaires fonctionnent bien au niveau d’un canal, mais dès qu’il s’agit d’arbitrer entre des leviers plus éloignés comme le SEO ou la notoriété, source de trafic direct, ils sont aveugles et biaisés. Ces modèles incitent à aller vers les gros acteurs, comme Facebook ou Google, qui offrent un niveau granulaire exemplaire sur leur canal puisqu’ils en vendent les espaces publicitaires. C’est dans leur intérêt, pas dans le vôtre si vous voulez optimiser vos dépenses publicitaires.

De plus, ses modèles reposent sur le postulat que les utilisateurs, à l’instar des joueurs de poker dans la théorie des jeux de Shapley, se concertent entre eux. Postulat faux. Les utilisateurs ne sont pas autour d’une table. Ils ne s’allient pas, ne se concertent pas. Ils agissent individuellement et différemment quels que soient le dispositif publicitaire et le parcours de conversion que vous leur soumettez.

Vous pouvez émettre toutes les hypothèses, une seule chose importe : ce que fait chacun de vos internautes réellement. Et de s’y adapter. Il n’existe pas de chemin de conversion type. C’est pourquoi nous avons développé notre modèle d’attribution : le modèle comportemental.

Le modèle d’attribution comportemental

Dans cette solution, pas d’extrapolation, pas de pari probabiliste, on part du comportement des consommateurs tel qu’il a lieu, tel qu’il se mesure. La granularité de notre modèle est telle que tous les cas sont examinés. On est dans l’observation pub par pub, utilisateur par utilisateur. On est bel-et-bien dans le vrai big data.  On observe tout et on récolte toutes les données (dans le respect de la loi bien entendu). Notre solution Adloop passe tout au microscope, à l’atome. Son algorithme se met au niveau du consommateur et teste tous les cas particuliers. (Un chemin de conversion est d’ailleurs toujours un cas particulier.)

Finis les paris douteux, Adloop évalue la qualité de visite de chaque utilisateur pour chaque vente générée, pour chaque pub, de chaque chaîne de conversion, et mesure les temps entre chaque action.

Laissez les consommateurs vous indiquer les pubs qui les font réagir. Les parcours type existent dans les magasins Ikea, mais dans l’espace immense et fragmenté du digital, les consommateurs ont des parcours de conversion infinis. Admettons que les marketeurs ne sont plus les grands orchestrateurs de la vie des consommateurs.

La data comportementale est là, laissons-la optimiser nos campagnes !