Ce que l'attribution auto-déclarée voit et que les clics ne montrent pas

Qu'est-ce que l'attribution auto-déclarée ?

Demander à un client où il a entendu parler de vous, c'est de l'attribution auto-déclarée : une réponse d'enquête donnée à l'inscription ou au paiement, et non un clic enregistré par un tag. Le champ se lit en général "Comment avez-vous entendu parler de nous ?" et sa valeur atterrit sur la fiche du compte, pas dans la propriété analytics. Il mesure un souvenir, et c'est bien l'intérêt : c'est le seul instrument capable de voir un canal qui n'a laissé ni référent, ni chaîne UTM, ni cookie.

L'attribution par clic mesure quelque chose de plus étroit et de plus fiable : le dernier point de contact taggable avant le début d'une session. Ce sont deux questions différentes, et elles sont censées diverger.

	Attribution auto-déclarée	Attribution par clic
Unité de mesure	Une réponse par personne qui convertit	Une session ou un événement
Population mesurée	Uniquement ceux qui convertissent	Tous ceux qui ont chargé la page
Voit les canaux hors ligne et privés	Oui	Non
Voit la page d'arrivée et la campagne réelles	Non	Oui
Mode de défaillance	Erreur de mémoire et formulation de la question	Référent manquant et identifiants perdus
Peut produire un taux	Non, il n'y a pas de dénominateur	Oui

Que mesure-t-elle que le suivi des clics ne peut pas voir ?

Elle mesure une influence qui n'est jamais devenue un clic lisible par votre tag. Quatre familles de trafic se comportent ainsi, et toutes les quatre s'effondrent dans un seul seau dans un rapport analytics.

Google Analytics 4 définit son canal Direct par une règle exacte, publiée dans la référence des groupes de canaux par défaut : Source exactly matches "(direct)" et Medium is one of ("(not set)", "(none)"). Ce n'est pas une catégorie d'intention. C'est une absence de preuve. GA4 documente aussi un fourre-tout : Unassigned "is the value Analytics uses when there are no other channel rules that match the event data". Entre les deux, une mention dans un podcast, un lien collé dans un message Slack privé, une conférence et la recommandation orale d'un collègue se rapportent à l'identique. Le seau (direct) / (none) de GA4 est l'endroit où ils atterrissent.

Une subtilité plus récente est documentée et contre-intuitive. GA4 a ajouté un canal AI Assistant pour les arrivées depuis des sources comme ChatGPT, Gemini, Deepseek, Copilot ou Grok, reconnu quand "the medium exactly matches ai-assistant". La même référence précise que ce canal "excludes Google's AI Overviews and AI Mode", comptés en Organic Search. Un client qui vous a trouvé via une réponse d'IA peut donc être classé dans trois canaux différents selon l'assistant utilisé, et apparaître quand même en Direct s'il a tapé le domaine ensuite. Demandez-lui, il répondra "ChatGPT".

L'attribution auto-déclarée est aussi la seule mesure qui survit à l'expiration d'une fenêtre d'attribution. Un client qui a entendu une publicité dans un podcast quatorze mois avant de s'inscrire se situe hors de toute période de rétroaction proposée par une plateforme. Il dira quand même "podcast".

Quatre canaux privés, une seule catégorie

Mention dans un podcast

Lien privé sur Slack

Intervention en conférence

Recommandation d'un collègue

(direct) / (none)

Pourquoi les réponses sont-elles biaisées ?

Les réponses sont biaisées parce que le champ est une enquête, et la méthodologie d'enquête mesure ces effets depuis des décennies. Les recommandations publiées du Pew Research Center sur la rédaction des questions documentent chacun des points suivants, chiffres à l'appui.

Proposer une option la gonfle. Après l'élection présidentielle américaine de 2008, Pew a demandé quel enjeu avait le plus pesé sur le vote, en deux versions. "When explicitly offered the economy as a response, more than half of respondents (58%) chose this answer; only 35% of those who responded to the open-ended version volunteered the economy." Mettre "Google" dans votre liste déroulante revient au même. Il gagnera.

Une liste fermée masque tout ce que vous avez oublié. Dans la même expérience, parmi les répondants confrontés à la liste fermée, "fewer than one-in-ten (8%) provided a response other than the five they were read. By contrast, fully 43% of those asked the open-ended version provided a response not listed in the closed-ended version of the question." Une case "Autre" à un chiffre ne prouve pas que votre liste est complète.

La position dans la liste décide des votes. Pew indique que "in telephone surveys respondents more frequently choose items heard later in a list (a recency effect), and in self-administered surveys, they tend to choose items at the top of the list (a primacy effect)". Un formulaire d'inscription est une enquête auto-administrée. Ce qui figure en premier sera surcompté. Le remède de Pew est la randomisation : "many sets of response options in Pew Research Center's surveys are programmed to be randomized to ensure that the options are not asked in the same order for each respondent."

La façon de découper les catégories change le vainqueur. Dans un sondage Pew de janvier 2002, demander si le président devait se concentrer sur la politique intérieure ou étrangère donnait 52 pour cent pour l'intérieur et 34 pour cent pour l'étranger. Restreindre "la politique étrangère" à "la guerre contre le terrorisme" inversait le résultat, à 33 pour cent pour l'intérieur et 52 pour cent pour la guerre contre le terrorisme. La même chose se produit quand "Réseaux sociaux" devient "Un post LinkedIn d'un collègue".

Les gens répondent pour avoir l'air raisonnables. Pew appelle cela le biais de désirabilité sociale : "People have a natural tendency to want to be accepted and liked, and this may lead people to provide inaccurate answers to questions that deal with sensitive subjects." Ses travaux montrent que les répondants surestiment leur fréquentation religieuse, leurs dons et leur probabilité de voter. Dans un formulaire d'inscription, la réponse flatteuse est "un ami me l'a recommandé" et la réponse peu flatteuse est "j'ai cliqué sur une publicité".

Le choix multiple dégrade la qualité. Pew note qu'"a 2019 Center study found that forced-choice questions tend to yield more accurate responses, especially for sensitive questions", et que le Center évite donc en général les listes à sélection multiple. Un champ "Comment avez-vous entendu parler de nous" à choix multiples produit plus de sélections au total et moins de signal par sélection.

Un biais est propre à ce champ plutôt qu'aux enquêtes en général : seuls ceux qui convertissent le voient. Il n'y a pas de groupe témoin, donc les données ne peuvent pas produire de taux. Vous pouvez dire que Podcast devance Reddit parmi les gens qui se sont inscrits. Vous ne pouvez pas dire qu'un podcast convertit mieux, parce que personne n'a compté les auditeurs du podcast qui ne se sont pas inscrits.

Comment les équipes la rapprochent-elles de leurs analytics ?

Elles joignent les deux sur une clé commune et lisent les désaccords comme une carte, pas comme une erreur. Le rapprochement ne fonctionne que si la réponse est stockée là où elle peut être jointe.

1. Écrivez la réponse dans un champ de la fiche compte ou commande, à côté de l'identifiant sur lequel l'analytics ou le CRM s'appuie déjà. Gardez le texte libre et la catégorie normalisée dans deux colonnes distinctes.
2. Capturez le canal côté clic sur la même fiche au même moment. En vocabulaire GA4 il s'agit de session_default_channel_group, dont la documentation précise qu'il est évalué sur un modèle "Paid and organic channels last click", distinct du modèle data-driven utilisé pour la dimension Default channel group au niveau événement.
3. Croisez les deux. Réponse auto-déclarée en lignes, canal de clic en colonnes. Ne les moyennez pas et ne les fondez pas en un seul pourcentage.
4. Lisez trois cellules. Auto-déclaration Podcast et canal de clic Direct : un canal invisible qui fonctionne, hors de portée du tag. Auto-déclaration Google et canal de clic Direct : une recherche de marque ou un favori, et le seau du trafic direct cache de la demande gagnée. Auto-déclaration d'une source que vous n'exploitez pas : soit un clic malheureux dans la liste, soit un affilié dont vous ignoriez l'existence.
5. Suivez le texte libre "Autre" séparément et relisez-le chaque trimestre. Quand une formulation revient, promouvez-la en option de liste et acceptez que sa part bondisse pour des raisons qui n'ont rien à voir avec une croissance réelle.

Deux garde-fous gardent les chiffres honnêtes. Randomisez l'ordre des options pour que la primauté se répartisse entre elles au lieu de se concentrer sur la première, ce qui est la pratique de Pew. Et gardez le champ facultatif, parce qu'un champ obligatoire transforme "je ne me souviens pas" en devinette, et une devinette entre dans vos données sans se distinguer d'un souvenir.

L'attribution auto-déclarée ne remplace pas un modèle d'attribution marketing, et les deux ne s'accorderont jamais. Quand un canal payant paraît large dans la plateforme et étroit dans le champ, la lecture honnête est que la publicité a capté une demande créée par un autre canal. C'est cet écart, et non l'un ou l'autre chiffre pris seul, qui constitue le résultat.

Questions fréquentes

Où placer le champ "comment avez-vous entendu parler de nous" ?

À l'étape d'inscription ou de paiement, une fois la conversion par ailleurs acquise, et en facultatif. Le placer plus tôt coûte des complétions ; le placer après le paiement perd les répondants qui partent aussitôt. Les recommandations de Pew sur l'ordre des questions s'appliquent directement : "earlier questions can unintentionally provide context for the questions that follow", donc un champ qui suit une liste d'intégrations ou de logos attirera des réponses qui les nomment.

Le champ doit-il être en texte libre ou en liste déroulante ?

Les deux, en deux colonnes. Une liste déroulante donne des catégories comparables dans le temps ; le texte libre est le seul moyen de trouver un canal que vous n'aviez pas anticipé. Pew documente l'arbitrage : une liste fermée a attiré 58 pour cent pour une option que seuls 35 pour cent citaient spontanément, tandis que 43 pour cent des réponses ouvertes étaient absentes de la liste fermée.

Pourquoi l'attribution auto-déclarée et Google Analytics divergent-elles ?

Parce qu'elles comptent des populations différentes avec des instruments différents. GA4 compte des sessions et attribue un canal à partir du référent et des paramètres UTM, avec repli sur Direct quand Source exactly matches "(direct)" et que le medium vaut (none) ou (not set). Le champ compte des personnes qui convertissent et enregistre un souvenir. Les raisons plus larges pour lesquelles deux outils rapportent des chiffres différents sont traitées dans pourquoi les outils analytics affichent des chiffres différents.

Peut-on calculer un taux de conversion à partir de l'attribution auto-déclarée ?

Non. Seuls ceux qui convertissent répondent, donc le dénominateur n'existe pas. Le résultat est un classement parmi les clients et une liste de canaux à explorer, pas un taux. Tout pourcentage calculé à partir de là est une part de répondants, et il devrait être étiqueté ainsi sur chaque graphique.

Combien d'options la liste doit-elle comporter ?

Peu. Pew conseille de limiter les choix de réponse "to a relatively small number, just four or perhaps five at most", en notant que les gens peinent à en garder davantage à l'esprit, à l'exception des questions factuelles ou démographiques où les listes longues aident. Une liste de vingt items mesure surtout quels items figurent en haut.

Randomiser l'ordre des options supprime-t-il le biais ?

Non, cela le redistribue. Pew est explicite : "Randomization of response items does not eliminate order effects, but it does ensure that this type of bias is spread randomly." Un ordre fixe concentre l'avantage de primauté sur un canal en permanence, ce qui est pire, parce que l'option gonflée ressemble alors à une tendance stable.

Pourquoi quelqu'un qui vous a trouvé via ChatGPT peut-il apparaître comme trafic direct ?

Le canal AI Assistant de GA4 ne se déclenche que lorsque le support correspond exactement à "ai-assistant", et il couvre les arrivées depuis ChatGPT, Gemini, Deepseek, Copilot et Grok. Si cette même personne tape ensuite votre domaine dans le navigateur au lieu de cliquer sur un lien suivi, GA4 enregistre une session Direct à la place. L'attribution auto-déclarée capte quand même ce passage, puisque le client répond simplement "ChatGPT".

Qu'est-ce que le biais de désirabilité sociale dans un champ "comment avez-vous entendu parler de nous" ?

C'est le terme employé par Pew pour désigner la tendance à donner une réponse qui fait bonne impression, même si elle est inexacte. Sur un formulaire d'inscription, "un ami me l'a recommandé" sonne mieux que "j'ai cliqué sur une publicité", ce qui pousse les répondants vers le canal le plus flatteur. Les recherches de Pew montrent le même schéma dans la surestimation de la fréquentation religieuse et des dons caritatifs déclarés.

L'attribution auto-déclarée peut-elle capter un client qui convertit plus d'un an après avoir entendu une publicité ?

Elle le peut, car un souvenir n'a pas de fenêtre de rétroactivité comme un cookie ou une plateforme publicitaire. Un client qui a entendu une publicité podcast pour la première fois quatorze mois avant de s'inscrire se trouve en dehors de toute fenêtre d'attribution proposée par une plateforme, mais répondra tout de même "podcast". L'attribution au clic n'a rien à montrer pour cette période.

Qu'est-ce que le dark social et pourquoi l'attribution auto-déclarée le capte-t-elle ?

Le dark social désigne le trafic qui ne laisse aucun référent qu'un tag pourrait enregistrer : une mention dans un podcast, un lien partagé dans un message privé sur Slack, une intervention en conférence ou la recommandation orale d'un collègue. L'attribution auto-déclarée le capte parce qu'elle interroge directement la personne qui a converti, au lieu de lire un paramètre d'URL qui n'a jamais été défini. Le suivi des clics range les quatre cas sous le même bucket (direct)/(none) ou Unassigned de GA4.