Explication pratique - Modèle d'attribution à décroissance temporelle

Ici, le sujet du guide sur l'attribution par décroissance temporelle est abordé avec des exemples pratiques. Choisir un modèle d'attribution revient à choisir ce que l'on accepte de se tromper, et l'attribution par décroissance temporelle mise sur la récence comme biais.

L'attribution par décroissance temporelle accorde plus de crédit aux points de contact marketing survenus plus près de la conversion. C'est un compromis entre l'attribution au dernier clic, qui attribue tout au dernier point de contact, et l'attribution linéaire, qui répartit le crédit de façon égale entre tous les points de contact.

Le modèle est intuitif : une visite sur la page tarifs hier a probablement plus influencé un achat qu'une visite sur le blog six mois plus tôt. Mais la décroissance temporelle vaut ce que valent les données de parcours sur lesquelles elle s'appuie. Si les navigateurs bloquent les cookies, si les utilisateurs refusent le suivi ou si les clients changent d'appareil, le modèle peut devenir une estimation qui a l'air fiable mais qui repose sur des parcours incomplets.

Comment fonctionne la décroissance temporelle

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

Par exemple, imaginons qu'un utilisateur convertisse après ces points de contact :

1. Lit un article sur l'analytique et le RGPD 30 jours avant la conversion.
2. Clique sur une page de comparaison 10 jours avant la conversion.
3. Visite la page tarifs 2 jours avant la conversion.
4. Revient en direct et s'inscrit.

La décroissance temporelle attribue le plus de crédit à la page tarifs et au retour direct, un certain crédit à la page de comparaison, et moins de crédit à l'article initial. Cela peut être pertinent si votre cycle de vente est court et que l'intention récente compte.

Quand la décroissance temporelle est utile

Utilisez la décroissance temporelle lorsque le parcours d'achat comporte plusieurs points de contact et que les interactions tardives traduisent une intention plus forte. Les essais SaaS, les démos B2B, l'ecommerce à forte implication et l'acquisition portée par le contenu peuvent correspondre à ce schéma.

Elle est particulièrement utile quand le dernier clic surestime la recherche de marque ou le trafic direct. Un utilisateur peut vous découvrir via un article pédagogique, comparer des alternatives, puis taper votre URL plus tard. La décroissance temporelle préserve au moins une part de crédit pour cette découverte initiale.

Quand elle induit en erreur

La décroissance temporelle peut sous-évaluer la découverte initiale. Pour des produits complexes, le premier article, webinaire ou parrainage peut être la raison pour laquelle un acheteur est entré dans la catégorie. Si le modèle réduit le crédit trop rapidement, le travail en haut de l'entonnoir paraît faible.

Elle suppose aussi que les points de contact observés sont représentatifs. En réalité, les changements liés à la confidentialité masquent souvent des points de contact. La prévention du suivi de Safari, les transitions de l'application vers le web, les bloqueurs de publicité, le refus du consentement et le comportement multi-appareils peuvent rendre les parcours incomplets. Un modèle ne peut pas attribuer de crédit à des points de contact qu'il n'a jamais vus.

La décroissance temporelle peine aussi à prendre en compte l'influence hors ligne : appels commerciaux, bouche-à-oreille, mentions d'analystes, podcasts et discussions communautaires.

Comment choisir une demi-vie

Adaptez la demi-vie à votre cycle d'achat. Pour un produit en libre-service à faible coût, sept jours suffisent. Pour un logiciel destiné aux grandes entreprises, trente ou soixante jours sont plus réalistes. Testez la sensibilité du modèle en comparant l'évolution du crédit par canal selon différentes demi-vies.

Si de petites variations de demi-vie modifient radicalement les décisions budgétaires, votre modèle d'attribution est fragile. Utilisez-le comme un élément parmi d'autres, pas comme une vérité absolue.

Attribution respectueuse de la vie privée

Les outils d'analyse axés sur la confidentialité évitent l'identité persistante inter-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'une attribution au niveau de la personne pour prendre de bonnes décisions.

Adoptez une approche mixte :

• conversions agrégées par campagne et par référent ;
• performance des pages d'atterrissage ;
• champs de source d'inscription en first-party ;
• attribution déclarée par l'utilisateur ;
• tendances Search Console ;
• historique des sources d'opportunités dans le CRM ;
• expérimentations contrôlées lorsque c'est possible.

Pour les campagnes, utilisez des UTM qui décrivent la campagne, pas la personne. Évitez les paramètres de suivi propres à chaque utilisateur, sauf s'ils sont réellement nécessaires et légalement justifiés.

Recommandation pratique

Le time decay est utile pour un apprentissage directionnel : quels canaux apparaissent près de la conversion, quel contenu soutient une intention plus tardive, et si les rapports en dernier clic surestiment la demande de marque. Ce n'est pas un système de comptabilité morale du revenu.

Utilisez-le en complément de vues plus simples : premier contact pour la découverte, dernier contact pour la capture, linéaire pour un soutien large, et revenu backend pour la vérité. Si votre posture de confidentialité empêche des parcours utilisateur parfaits, acceptez-le. Un système de mesure légèrement moins précis mais plus digne de confiance vaut souvent mieux qu'un modèle de surveillance à l'apparence précise.

Exemple de tableau de pondération

Une demi-vie simple de sept jours pondère les points de contact ainsi avant normalisation : le jour même équivaut à 1.0, sept jours avant équivaut à 0.5, quatorze jours avant équivaut à 0.25, vingt et un jours avant équivaut à 0.125, et vingt-huit jours avant équivaut à 0.0625. Après avoir calculé les poids bruts, normalisez-les pour que le crédit total sur les points de contact observés atteigne 100 pour cent.

Ce tableau est facile à expliquer, ce qui est utile pour la confiance des parties prenantes. Mais cette simplicité expose aussi l'hypothèse du modèle : le temps se substitue à l'influence. Un point de contact récent n'est pas toujours plus persuasif, il est simplement plus proche de la conversion.

C'est pourquoi le time decay fonctionne mieux comme un angle de comparaison. Utilisez-le pour remettre en question les rapports en dernier clic, pas pour déclarer la valeur exacte de chaque canal. Si le modèle change une décision budgétaire, validez-la par des expérimentations, des tests d'incrémentalité, ou au moins des résultats commerciaux avant/après.

Pour la mise en œuvre, documentez la fenêtre de lookback, la demi-vie, les points de contact éligibles, les canaux exclus, et la façon dont le trafic direct est traité. La documentation de Google Analytics sur les modèles d'attribution constitue un bon contexte de base, mais ne copiez pas un réglage par défaut de la plateforme sans vérifier qu'il correspond à votre cycle de vente. Un modèle respectueux de la vie privée peut s'appuyer sur des sessions au niveau de la campagne et des horodatages de conversion sans conserver un profil permanent pour chaque visiteur. Si le parcours exige une analyse au niveau du compte, gardez-la en first-party et limitez l'accès aux résultats agrégés.

Liste de vérification pour la configuration du déclin temporel

Avant d'utiliser le time decay dans votre planification, documentez la fenêtre de lookback, la demi-vie, les points de contact éligibles, les canaux exclus, la règle appliquée au trafic direct, et le seuil minimal de données. Faites ensuite un test de sensibilité : si un petit changement de demi-vie inverse la recommandation budgétaire, le modèle est trop fragile pour être utilisé seul.

Utilisez le modèle pour comparer des récits, pas pour déclarer une propriété exacte du revenu. Associez-le aux relevés de conversion backend, aux tendances au niveau des campagnes, aux champs de source déclarés par l'utilisateur, et à des tests d'incrémentalité lorsque c'est possible.

Foire aux questions

Qu'est-ce que l'attribution à dégradation temporelle en marketing ?

L'attribution à dégradation temporelle accorde davantage de crédit aux points de contact marketing qui se produisent plus près de la conversion. Elle se situe entre l'attribution au dernier clic, qui crédite uniquement le dernier point de contact, et l'attribution linéaire, qui répartit le crédit également entre chaque point de contact. Le modèle part du principe que les interactions récentes pèsent plus dans la décision d'achat que les plus anciennes.

En quoi la dégradation temporelle diffère-t-elle de l'attribution au dernier clic ?

L'attribution au dernier clic accorde tout le crédit au dernier point de contact avant la conversion. La dégradation temporelle répartit le crédit sur l'ensemble du parcours mais pondère davantage les points de contact les plus proches de la conversion. Elle risque donc moins de surestimer la recherche de marque ou le trafic direct, comme le fait souvent le dernier clic.

En quoi la dégradation temporelle diffère-t-elle de l'attribution linéaire ?

L'attribution linéaire accorde à chaque point de contact du parcours un crédit égal, quel que soit le moment où il s'est produit. La dégradation temporelle accorde au contraire davantage de crédit aux points de contact proches de la conversion et moins à ceux qui sont plus éloignés. Le compromis, c'est qu'elle peut sous-estimer le travail d'éducation initial qui a déclenché le parcours.

Qu'est-ce qu'une demi-vie dans l'attribution à dégradation temporelle ?

Une demi-vie détermine la vitesse à laquelle le crédit diminue à mesure qu'un point de contact s'éloigne de la conversion. Avec une demi-vie de sept jours, un point de contact survenu sept jours avant la conversion reçoit la moitié du poids d'un point de contact du jour de la conversion, et un point de contact survenu quatorze jours avant n'en reçoit qu'un quart. Une demi-vie courte concentre le crédit près de la conversion, une demi-vie longue le répartit davantage.

Quelle doit être la durée d'une demi-vie en dégradation temporelle ?

La demi-vie doit correspondre au cycle d'achat. Donnez à un produit en libre-service à faible coût une demi-vie de sept jours, et à un logiciel destiné aux entreprises trente ou soixante jours pour refléter un processus de vente plus long. Testez la sensibilité du crédit par canal à différents réglages de demi-vie avant d'en fixer un définitivement.

Quand faut-il utiliser l'attribution à dégradation temporelle ?

La dégradation temporelle fonctionne bien lorsque le parcours d'achat comporte plusieurs points de contact et que les interactions les plus récentes signalent une intention plus forte, ce qui convient aux essais SaaS, aux démonstrations B2B, à l'e-commerce à forte implication et à l'acquisition portée par le contenu. Elle est aussi utile lorsque le dernier clic surestime la recherche de marque ou le trafic direct pour une demande qui a en réalité commencé par une découverte antérieure. Utilisez-la comme un repère directionnel, pas comme le dernier mot sur la valeur des canaux.

Quelles sont les faiblesses de l'attribution à dégradation temporelle ?

La dégradation temporelle peut sous-estimer le travail d'éducation initial, comme le premier article, le premier webinaire ou la première recommandation qui a fait découvrir la catégorie à l'acheteur, si le crédit se dégrade trop vite. Elle suppose aussi que les points de contact observés représentent l'ensemble du parcours, ce qui ne tient plus quand les changements de confidentialité ou le comportement multi-appareils masquent une partie du chemin. L'influence hors ligne, comme les appels commerciaux, le bouche-à-oreille, les mentions d'analystes, les podcasts et les discussions communautaires, échappe totalement à ce que le modèle peut observer.

Pourquoi la perte de cookies et le refus de consentement peuvent-ils fausser l'attribution à dégradation temporelle ?

La dégradation temporelle ne peut attribuer de crédit qu'aux points de contact qu'elle observe réellement. La prévention du suivi de Safari, les transitions d'application vers le web, les bloqueurs de publicités, le refus de consentement et le comportement multi-appareils masquent tous des points de contact au modèle, ce qui laisse un parcours incomplet tout en produisant, pour chaque point de contact visible, un poids qui a l'air fiable. Le résultat paraît précis alors qu'il passe silencieusement à côté d'une partie du parcours.

L'attribution à dégradation temporelle peut-elle mesurer l'influence hors ligne comme les appels commerciaux ?

Non. La dégradation temporelle peine à saisir l'influence hors ligne comme les appels commerciaux, le bouche-à-oreille, les mentions d'analystes, les podcasts et les discussions communautaires, car ces points de contact n'entrent jamais dans les données de parcours suivies sur lesquelles repose le modèle. Le crédit que mériteraient ces canaux reste invisible pour le modèle.

Comment vérifier si un modèle de dégradation temporelle est fiable ?

Effectuez un test de sensibilité en comparant l'évolution du crédit par canal selon différents réglages de demi-vie. Si un petit changement de demi-vie suffit à inverser une décision budgétaire, le modèle est trop fragile pour être utilisé seul. Considérez la dégradation temporelle comme une donnée parmi d'autres, à croiser avec les enregistrements de conversion du backend, les tendances au niveau des campagnes, les champs de source auto-déclarée et, si possible, des tests d'incrémentalité.