Ce guide explique modele d'attribution a decroissance temporelle de manière pratique, avec un accent sur les décisions d'analytics respectueuses de la vie privée.

Un guide pratique de modele d'attribution a decroissance temporelle

L'attribution de la décroissance temporelle accorde plus de crédit aux points de contact marketing qui se rapprochent de la conversion. Il s'agit d'un juste milieu entre l'attribution au dernier clic, qui donne tout à la touche finale, et l'attribution linéaire, qui donne un crédit égal à chaque touche.

Le modèle est intuitif : une visite sur une page de tarification hier a probablement influencé un achat plus qu'une visite sur un blog il y a six mois. Mais la dégradation du temps est aussi efficace que les données de voyage qui la sous-tendent. Si les navigateurs bloquent les cookies, les utilisateurs refusent le suivi ou les clients changent d'appareil, le modèle peut devenir une estimation fiable construite sur des chemins incomplets.

Comment fonctionne la dégradation du temps

Un modèle de décroissance temporelle attribue des pondérations en fonction de la récence. Une version courante utilise une demi-vie. Si la demi-vie est de sept jours, un point de contact sept jours avant la conversion reçoit la moitié du poids d'un point de contact le jour de la conversion. Un point de contact quatorze jours avant reçoit un quart, et ainsi de suite.

Par exemple, imaginez qu'un utilisateur se convertisse après ces touches :

1. Lit un article d'analyse GDPR 30 jours avant la conversion.
2. Clique sur une page de comparaison 10 jours avant la conversion.
3. Tarifs des visites 2 jours avant la conversion.
4. Revient directement et s'inscrit.

La dégradation du temps donne le plus de crédit au prix et au retour direct, un peu de crédit à la page de comparaison et moins de crédit à l'article original. Cela peut être raisonnable si votre cycle de vente est court et que l’intention récente est importante.

Quand la dégradation du temps est utile

Utilisez la dégradation du temps lorsque le parcours d'achat comporte plusieurs touches et que les interactions ultérieures représentent généralement une intention plus forte. Les essais SaaS, les démos B2B, le commerce électronique à haute considération et l'acquisition basée sur le contenu peuvent correspondre à ce modèle.

Cela est particulièrement utile lorsque le dernier clic surcrédite la recherche de marque ou le trafic direct. Un utilisateur peut vous découvrir grâce à un article éducatif, comparer des alternatives, puis saisir votre URL plus tard. La dégradation du temps préserve au moins un certain crédit pour des découvertes antérieures.

Quand ça induit en erreur

La dégradation du temps peut sous-évaluer l’éducation préscolaire. Pour les produits complexes, le premier article, le webinaire ou la référence peut être la raison pour laquelle un acheteur est entré dans la catégorie. Si le modèle réduit le crédit de manière trop agressive, le travail en haut de l’entonnoir semble faible.

Cela suppose également que les points de contact observés sont représentatifs. En réalité, les modifications apportées à la confidentialité cachent souvent les touches. La prévention du suivi Safari, les transitions d'application vers le Web, les bloqueurs de publicités, le rejet du consentement et le comportement multi-appareils peuvent rendre les chemins incomplets. Un modèle ne peut pas attribuer de crédit à des points de contact qu'il n'a jamais vus.

La dégradation du temps se heurte également à l’influence hors ligne : appels commerciaux, bouche à oreille, mentions d’analystes, podcasts et discussions communautaires.

Comment choisir une demi-vie

Faites correspondre la demi-vie à votre cycle d’achat. Pour un produit libre-service à faible coût, sept jours peuvent être raisonnables. Pour les logiciels d’entreprise, trente ou soixante jours peuvent être plus réalistes. Testez la sensibilité en comparant l'évolution du crédit de canal sous différentes demi-vies.

Si de petits changements de demi-vie modifient radicalement les décisions budgétaires, votre modèle d’attribution est fragile. Utilisez-le comme une entrée, pas comme une source de vérité.

## Attribution respectueuse de la confidentialité

L'analyse axée sur la confidentialité évite l'identité persistante entre les sites, ce qui limite l'attribution multi-touch classique. C’est un compromis, mais il peut être sain. De nombreuses équipes n’ont pas besoin d’attribution au niveau de la personne pour prendre de bonnes décisions.

Utilisez une approche mixte :

• conversions globales de campagne et de référencement;
• performances de la page de destination;
• Champs source d'inscription first-party;
• attribution autodéclarée;
• tendances Search Console;
• historique de la source d'opportunité CRM;
• des expériences contrôlées lorsque cela est possible.

Pour les campagnes, utilisez les UTMs qui décrivent la campagne et non la personne. Évitez les paramètres de suivi spécifiques à l’utilisateur, à moins qu’ils ne soient vraiment nécessaires et légalement justifiés.

Recommandation pratique

La décroissance temporelle est utile pour l'apprentissage directionnel : quels canaux ont tendance à apparaître à l'approche de la conversion, quel contenu prend en charge l'intention ultérieure et si les rapports au dernier clic surcréditent la demande de la marque. Il ne s’agit pas d’un système de comptabilité morale pour les revenus.

Utilisez-le avec des vues plus simples : premier contact pour la découverte, dernier contact pour la capture, linéaire pour une prise en charge étendue et revenus backend pour la vérité. Si votre politique de confidentialité empêche des parcours utilisateur parfaits, acceptez-le. Un système de mesure légèrement moins précis mais plus fiable est souvent meilleur qu’un modèle de surveillance d’apparence précise.

Exemple de tableau de pondération

Une simple demi-vie de sept jours pourrait pondérer des points de contact comme celui-ci avant la normalisation : le même jour est égal à 1,0, sept jours avant est égal à 0,5, quatorze jours avant est égal à 0,25, vingt et un jours avant est égal à 0,125 et vingt-huit jours avant est égal à 0,0625. Après avoir calculé les pondérations brutes, normalisez-les afin que le crédit total sur les points de contact observés soit égal à 100 %.

Ce tableau est facile à expliquer, ce qui est utile pour la confiance des parties prenantes. Mais la simplicité expose également l'hypothèse du modèle : le temps remplace l'influence. Un point de contact récent n’est pas toujours plus convaincant; c'est simplement plus proche de la conversion.

C’est pourquoi la décroissance temporelle fonctionne mieux comme objectif de comparaison. Utilisez-le pour contester les rapports au dernier clic, et non pour déclarer la valeur exacte de chaque canal. Si le modèle modifie une décision budgétaire, validez-le avec des expériences, des tests d'incrémentalité ou au moins des résultats commerciaux avant et après.

Pour la mise en œuvre, documentez la période d'analyse, la demi-vie, les points de contact éligibles, les canaux exclus et la manière dont le trafic direct est géré. La documentation Google Analytics sur les modèles d'attribution constitue une base de référence utile, mais ne copiez pas une valeur par défaut de la plateforme sans vérifier si elle correspond à votre cycle de vente. Un modèle respectueux de la confidentialité peut utiliser des sessions au niveau de la campagne et des horodatages de conversion sans stocker de profil permanent pour chaque visiteur. Si le parcours nécessite une analyse au niveau du compte, conservez-le first-party et limitez l'accès aux résultats agrégés.

Liste de contrôle de configuration de la dégradation du temps

Avant d'utiliser la décroissance temporelle dans la planification, documentez la fenêtre rétrospective, la demi-vie, les points de contact éligibles, les canaux exclus, la règle de trafic direct et le seuil minimum de données. Effectuez ensuite un contrôle de sensibilité : si un petit changement de demi-vie annule la recommandation budgétaire, le modèle est trop fragile pour être utilisé seul.

Utilisez le modèle pour comparer des histoires, et non pour déclarer la propriété exacte des revenus. Associez-le aux enregistrements de conversion back-end, aux tendances au niveau de la campagne, aux champs source auto-déclarés et aux tests d'incrémentalité lorsque cela est possible.