Attribution multi-touch : les 9 modèles qui révèlent quelles pubs génèrent vraiment vos ventes

Additionnez les conversions que Meta, Google et TikTok ont chacun rapportées le mois dernier. Comparez ce total au nombre de ventes réellement arrivées sur votre compte en banque. Les plateformes revendiquent deux à trois fois plus de conversions que vous n'en avez vraiment faites.

Elles ne mentent pas vraiment. Elles comptent chacune la même vente. Un acheteur voit votre pub TikTok, clique le lendemain sur votre résultat Google Search, puis convertit trois jours plus tard via une pub Meta en retargeting, et les trois plateformes lèvent la main en disant « celle-là, c'est moi ». Chaque modèle d'attribution jamais conçu existe pour trancher cette dispute : décider quel point de contact, ou quel mélange, a réellement gagné la vente.

Voici ce que les dashboards ne vous disent jamais. Choisir un modèle ne révèle pas la vérité. Il choisit l'histoire que vous avez envie de croire. First Touch donne toute la vente à TikTok. Last Touch la donne à Meta. Même parcours, mêmes mille euros, deux modèles qui envoient votre budget dans des directions opposées. Et même le modèle le plus sophistiqué du marché, celui de Google, ne fait qu'arbitrer une bagarre pour le crédit. Aucun ne peut convoquer le seul témoin qui connaît vraiment la réponse : ce qui se serait passé si vous n'aviez jamais diffusé la pub.

Ceci est le guide honnête des neuf modèles d'attribution. Vous verrez comment chacun répartit le crédit, où chacun vous induit discrètement en erreur, la ligne exacte où la description s'arrête et où la preuve devrait commencer, et comment les meilleures équipes cessent de croire un seul chiffre.

Au menu :

• Les neuf modèles, ce que chacun sait faire, et l'angle mort que chacun cache.
• Pourquoi une seule et même vente produit neuf décisions de budget différentes.
• Le piège que presque personne ne nomme : pourquoi même l'attribution data-driven n'est pas causale.
• Ce que l'attribution ne peut structurellement pas voir, même avec un tracking parfait.
• Le framework à trois lentilles (MTA, MMM, incrémentalité) qui produit enfin un chiffre fiable.

Ce qu'est vraiment un modèle d'attribution

Un modèle d'attribution est une règle pour répartir le crédit d'une conversion entre les multiples points de contact qui l'ont précédée. Rien de plus. Il prend un parcours client que la plateforme a réussi à enregistrer, et décide comment diviser une vente entre les pubs, clics et visites du chemin.

Il existe deux familles. Les modèles rule-based appliquent une formule fixe, choisie par un humain (100% au dernier clic, ou une répartition égale, ou un poids sur le premier et le dernier). Les modèles data-driven apprennent les poids à partir de vos propres données de conversion au lieu de les imposer. Six des modèles ci-dessous sont rule-based, trois sont data-driven. Savoir dans quelle famille vous êtes compte plus que de connaître un modèle précis, car cela vous dit d'où vient le biais : un modèle rule-based est biaisé par la règle que vous avez choisie, un modèle data-driven est biaisé par les données qu'on lui a données.

Les 6 modèles rule-based

Les modèles rule-based sont rapides, transparents et ne demandent aucun historique. Vous pouvez en activer un aujourd'hui. Le prix de cette simplicité, c'est que la formule est une supposition sur la façon dont l'influence fonctionne, appliquée à l'identique à chaque parcours.

1. First Touch. Le découvreur

100% du crédit au premier point de contact. Le canal qui a fait connaître votre marque au prospect reçoit tout.

Quand l'utiliser : vous voulez savoir quels canaux remplissent le haut du funnel. Utile pour évaluer vos campagnes d'awareness isolément.

Angle mort : il ignore tout ce qui se passe entre la découverte et l'achat, y compris le canal qui a réellement conclu la vente.

2. Last Touch. Le closer

100% du crédit au dernier point de contact avant la conversion. Le canal qui a déclenché l'achat remporte tout. C'est encore le modèle par défaut de la plupart des plateformes pub, et c'est exactement pour ça que le retargeting et le search de marque paraissent si performants dans les dashboards natifs.

Quand l'utiliser : vous optimisez pour la conversion immédiate et vos parcours sont courts.

Angle mort : il efface tout le travail d'acquisition et de nurturing qui a rendu le dernier clic possible. Il surpaie systématiquement les canaux de bas de funnel.

3. Linear. L'égalitaire

Crédit réparti équitablement entre tous les touchpoints. 3 touchpoints = 33,3% chacun.

Quand l'utiliser : vous voulez une vue d'ensemble sans biais et n'avez pas encore de conviction sur votre funnel.

Angle mort : il traite un touchpoint décisif et un touchpoint anecdotique exactement de la même façon. L'égalité n'est pas la précision.

4. Time Decay. Le récent d'abord

Plus de crédit aux touchpoints proches de la conversion. Un clic la veille de l'achat pèse plus qu'une vue il y a trois semaines.

Quand l'utiliser : cycles de vente longs (B2B, immobilier, formations haut de gamme), où les interactions récentes portent réellement plus de poids dans la décision.

Angle mort : il sous-évalue structurellement le haut du funnel, donc il punit en silence les canaux d'awareness qui ont lancé le parcours.

5. U-Shaped (Position-based). Le stratège

40% au premier touchpoint, 40% au dernier, 20% répartis sur le milieu. Il valorise la découverte et la conversion sans ignorer le parcours intermédiaire.

Quand l'utiliser : funnel classique avec une phase d'awareness distincte et un moment de conversion clair. Le modèle rule-based le plus populaire chez les media buyers expérimentés.

Angle mort : le 40/20/40 reste une hypothèse. Si votre vrai funnel fait l'essentiel du travail au milieu, ce modèle le rate.

6. W-Shaped. Le précis

30% au premier contact, 30% à la création du lead, 30% au dernier contact, 10% répartis sur le reste. Trois moments clés identifiés.

Quand l'utiliser : vous avez un processus structuré avec une étape de qualification de lead identifiable (formulaire, appel découverte). Fréquent en B2B et agences.

Angle mort : il ne marche que si ces trois moments sont proprement trackés. Ratez l'événement de création de lead, et le modèle s'effondre vers un U-shape bruité.

Les 3 modèles data-driven

Les modèles data-driven abandonnent la formule fixe et apprennent les poids à partir de vos parcours réels. C'est un vrai saut de sophistication, et c'est là que la plupart des gens supposent en silence qu'ils sont passés de la corrélation à la vérité. Ils ne le sont pas, et la section suivante explique pourquoi. Mais dans les limites des données observées, ce sont les répartitions les plus honnêtes que vous puissiez obtenir.

7. Full Path. Les 4 moments clés

Le Full Path identifie et pondère quatre moments décisifs du parcours client : première interaction, création du lead, création de l'opportunité, et closing. La distribution s'adapte dynamiquement à votre funnel au lieu d'être figée.

Quand l'utiliser : vous avez un CRM structuré avec des étapes de pipeline claires. Le modèle le plus pertinent pour les équipes commerciales qui suivent le parcours complet, du lead au deal signé.

8. Markov Chain. Les probabilités de transition

Le modèle de chaîne de Markov traite le parcours client comme une séquence de transitions probabilistes entre canaux et calcule l'effet de suppression : si je retire entièrement Google Search des parcours, de combien chute ma probabilité totale de conversion ? Cette chute est le crédit du canal.

Comment ça marche :

• Il construit une matrice de transition entre tous vos canaux.
• Il calcule la probabilité de conversion du système avec et sans chaque canal.
• Il attribue le crédit en proportion de l'impact de la suppression.

Quand l'utiliser : vous avez un volume de conversions significatif (100+/mois) et voulez comprendre la contribution de chaque canal au sein de l'écosystème plutôt qu'isolément.

9. Shapley Value. La théorie des jeux

La Shapley Value vient de la théorie des jeux coopératifs (Lloyd Shapley, 1953 ; Shapley est plus tard lauréat du prix Nobel d'économie 2012). Elle calcule la contribution marginale de chaque canal en moyennant ce que ce canal ajoute à travers toutes les coalitions possibles de canaux. C'est la logique derrière l'attribution data-driven de Google, qui combine une analyse contrefactuelle et une distribution du crédit par valeur de Shapley.

Comment ça marche :

• Elle évalue chaque combinaison possible de canaux.
• Elle calcule la contribution marginale moyenne de chaque canal sur ces combinaisons.
• Au-delà de ~10 canaux, le calcul exact devient impossible, donc elle utilise la simulation Monte Carlo et retourne un score avec un intervalle de confiance.

Quand l'utiliser : vous voulez la répartition de crédit la plus rigoureuse mathématiquement, surtout avant une grosse réallocation de budget.

Un même parcours, 9 répartitions différentes

Voici tout le problème en un tableau. Un lead voit une pub TikTok, clique sur Google Search, puis convertit via Meta retargeting. Le deal vaut 1 000 €. Regardez la même vente racontée de neuf façons.

Avec First Touch, vous versez le budget dans TikTok. Avec Last Touch, tout va à Meta. Avec Shapley, vous découvrez que Google Search est le vrai moteur : c'est le canal dont la suppression vous coûterait le plus de conversions. Trois modèles, trois décisions de budget complètement différentes, à partir d'une seule et même vente.

Rule-based vs data-driven : quand utiliser quoi

Cette dernière ligne, personne ne l'imprime jamais. Elle mérite donc sa propre section.

Le piège : l'attribution data-driven n'est toujours pas causale

Voici le mécanisme inconfortable. Chaque modèle de cette page, rule-based comme data-driven, travaille sur les conversions que vous avez déjà enregistrées. Il répond à une seule question : étant donné les parcours observés, comment répartir le crédit ? Il ne répond jamais à la question qui vous intéresse vraiment : cette vente aurait-elle eu lieu de toute façon, sans la pub ?

Cette seconde question, c'est l'incrémentalité, et c'est une question causale. L'attribution est corrélationnelle par construction. Shapley et Markov sont de la corrélation plus sophistiquée, pas une catégorie différente. Un modèle data-driven peut vous dire que le search de marque touche 80% de vos conversions et lui donner avec assurance l'essentiel du crédit, alors que la vérité est que ces acheteurs allaient taper votre nom de toute façon. Le modèle voit le touchpoint. Il ne peut pas convoquer le témoin du début de cet article : la version des faits où la pub n'a jamais été diffusée.

Ce n'est pas un avis tranché. C'est l'un des résultats les plus répliqués de la mesure publicitaire. Lewis et Rao (2015) ont mené 25 grandes expériences publicitaires et trouvé des ventes individuelles si volatiles que même des tests à plusieurs millions de dollars laissaient le retour sur dépense publicitaire statistiquement inconnaissable, avec des intervalles de confiance de plus de 100 points de pourcentage. Gordon et ses collègues (2019) ont comparé 15 expériences randomisées chez Facebook aux méthodes d'attribution observationnelles que les marketeurs utilisent vraiment, et ont trouvé que ces méthodes surestimaient ou faussaient régulièrement le vrai lift. Blake, Nosko et Tadelis (2015) ont mené la désormais célèbre expérience de search payant d'eBay et trouvé que les annonces sur mots-clés de marque produisaient quasiment zéro vente incrémentale, parce que ces acheteurs allaient arriver de toute façon. Le schéma est constant : les canaux qui paraissent les meilleurs dans n'importe quel modèle d'attribution sont souvent ceux situés au plus près d'un achat qui allait déjà avoir lieu.

La bonne façon de lire les neuf modèles est donc celle-ci. Ils sont excellents pour décrire les parcours que vous avez trackés et répartir le crédit tactique entre eux. Ils sont muets sur la question de savoir si la dépense a créé la vente. Traitez le résultat comme une hypothèse de contribution, pas comme un verdict de causalité.

Ce que l'attribution multi-touch ne peut structurellement pas voir

Même le travail de description a des limites dures, car le modèle ne peut peser que les touchpoints qu'il a enregistrés. Tout ce qui suit est un parcours que le calcul ne voit jamais.

• Perte de cookies et anti-tracking. Safari et Firefox bloquent les cookies tiers par défaut, l'Intelligent Tracking Prevention de Safari plafonne la durée de vie des cookies côté client, et les ad blockers suppriment le tracking purement et simplement. (Chrome a fait machine arrière sur sa propre suppression des cookies en avril 2025 et les autorise encore, mais le reste de l'écosystème a déjà avancé.) Les parcours se brisent en fragments que le modèle lit comme des utilisateurs distincts.
• App Tracking Transparency d'iOS. Depuis iOS 14.5 en avril 2021, le tracking cross-app exige un opt-in explicite, et seulement un quart des utilisateurs environ l'acceptent (Flurry). Le rapprochement déterministe, au niveau utilisateur, entre apps a cassé pour la majeure partie du trafic mobile.
• Parcours cross-device. Un prospect vous découvre sur son téléphone dans les transports et achète sur son ordinateur le soir. Sans identité connectée reliant les deux, l'attribution voit deux inconnus, pas un parcours.
• View-through et walled gardens. Les impressions qui ont influencé un acheteur sans jamais être cliquées sont en grande partie invisibles, et chaque plateforme rapporte ses propres conversions avec ses propres règles. Meta, Google et TikTok revendiqueront chacun volontiers la même vente.
• Offline et dark social. Une recommandation WhatsApp, une mention en podcast, un appel commercial : de vraies causes de conversion qui ne laissent aucun touchpoint trackable et reçoivent donc zéro crédit par défaut.

C'est pourquoi réinjecter des données serveur propres dans le système compte. Récupérer les événements perdus via le Conversions API et dédupliquer les conversions entre plateformes donne à n'importe quel modèle d'attribution plus de parcours sur lequel travailler. Cela ne rend pas le modèle causal pour autant. Cela rend un modèle corrélationnel moins aveugle.

Les trois lentilles : MTA, MMM et incrémentalité

Une mesure mature ne choisit pas une seule méthode. Elle triangule les trois, parce que chacune répare la plus grosse faiblesse des autres.

• L'attribution multi-touch (MTA) est la lentille tactique, au niveau utilisateur. Elle est granulaire et rapide, idéale pour l'optimisation en cours de campagne, mais elle est corrélationnelle et devient aveugle partout où le tracking casse.
• Le [Marketing Mix Modeling (MMM)](/blog/marketing-mix-modeling) est la lentille stratégique, top-down. Il travaille sur les dépenses et résultats agrégés, donc il n'a besoin d'aucun tracking utilisateur et survit à la perte des cookies, mais il est grossier et ne peut pas vous dire quelle créa a gagné mardi.
• Les tests d'incrémentalité (holdouts géographiques, expériences de conversion-lift randomisées) sont la lentille causale. C'est la seule des trois qui répond à « la pub a-t-elle causé la vente » en comparant des groupes exposés et non exposés. C'est la plus lente et la plus contraignante à mener, mais c'est l'arbitre qui vous dit laquelle des deux autres lentilles croire.

Utilisées ensemble, la boucle s'autocorrige : la MTA propose où va le crédit, l'incrémentalité teste si ce crédit est réel, et le MMM garde tout le budget honnête au niveau du portefeuille. C'est exactement la faille que les outils de tracking traditionnels laissent ouverte : ils livrent le chiffre d'attribution et s'arrêtent là, sans couche de vérification au-dessus.

C'est là que Metrikia s'inscrit. Il fait tourner les neuf modèles d'attribution sur les mêmes données en même temps, pour que vous ne soyez jamais piégé dans le biais d'un seul modèle, et il réconcilie ces modèles avec votre vrai chiffre d'affaires CRM plutôt qu'avec les conversions auto-rapportées par la plateforme. Les modèles d'attribution vous donnent l'hypothèse. La réconciliation avec le revenu encaissé, et à terme un test de holdout, vous dit si l'hypothèse survit au contact du réel.

Comment utiliser l'attribution sans vous mentir à vous-même

Une séquence qui fonctionne :

1. Commencez avec le U-Shaped pour une vue immédiatement équilibrée et intuitive tant que votre volume est faible.
2. Passez à un modèle data-driven (Shapley ou Markov) dès que vous dépassez environ 100 conversions par mois, et comparez-le à votre vue rule-based. L'écart entre les deux est la première carte des endroits où votre budget est mal alloué.
3. Réconciliez avec le revenu CRM, pas avec les conversions rapportées par la plateforme. Si un modèle adore un canal que votre ROAS réel juge médiocre, croyez le cash.
4. Validez les grosses réallocations avec un holdout avant de bouger de l'argent sérieux. Si Shapley dit que TikTok porte 5% de contribution marginale alors qu'il mange 30% de la dépense, coupez TikTok dans une région pendant deux semaines et observez si les conversions totales chutent vraiment. C'est la différence entre l'opinion d'un modèle et un fait mesuré.

Quel modèle d'attribution choisir

S'il vous faut une réponse : il n'existe pas de modèle correct unique, et en choisir un à l'avance est l'erreur. Faites tourner un modèle rule-based pour l'intuition et un modèle data-driven pour la rigueur, lisez-les côte à côte, et laissez leur désaccord signaler où enquêter. Puis vérifiez les canaux que vous vous apprêtez à couper avec une vraie expérience. Le modèle réduit le champ de recherche. L'expérience tranche.

Conclusion

Chaque modèle d'attribution redistribue le crédit entre les points de contact qu'il peut voir. Aucun ne prouve que la pub a causé la vente, parce que c'est une question causale et que l'attribution est un outil corrélationnel. Les neuf modèles de cette page sont réellement utiles : ils transforment un enchevêtrement de touchpoints en une hypothèse tactique de contribution, et leur désaccord est lui-même un signal. Mais à la seconde où vous traitez le plus joli chiffre comme la vérité, vous commencez à réallouer le budget vers ce qui se trouve au plus près de conversions qui allaient déjà avoir lieu. Utilisez les modèles pour former l'hypothèse. Utilisez la réconciliation avec le revenu réel, et les tests d'incrémentalité, pour savoir si elle est vraie.

FAQ

Qu'est-ce que l'attribution multi-touch ? L'attribution multi-touch répartit le crédit d'une conversion entre tous les points de contact du parcours client, au lieu de donner 100% à un seul clic. Elle peut utiliser des règles fixes (linear, time-decay, position-based) ou des algorithmes data-driven (Markov, Shapley).

Quel est le meilleur modèle d'attribution ? Il n'existe pas de meilleur modèle unique. Sur les données trackées, les modèles data-driven (Shapley, Markov) sont les plus précis car ils apprennent les poids de vos parcours au lieu de les supposer. Mais aucun modèle d'attribution ne mesure la causalité, donc la vue la plus fiable combine un modèle data-driven avec un test d'incrémentalité.

Quelle différence entre attribution first-click et last-click ? Le first-click donne 100% du crédit au point de contact qui a fait découvrir votre marque. Le last-click donne 100% au dernier point de contact avant la vente. Ils répondent à des questions opposées, et ils enverront votre budget dans des directions opposées sur le même parcours.

Le last-click est-il encore utilisé dans Google Ads ? Oui. Quand Google a retiré les modèles rule-based cross-touch en 2023, le last-click est resté disponible en option manuelle, tandis que l'attribution data-driven devenait le défaut.

Qu'est-ce que l'attribution data-driven dans GA4 et comment marche-t-elle ? Elle apprend les poids de crédit à partir de vos propres chemins de conversion plutôt que d'appliquer une règle fixe. Google combine une analyse contrefactuelle (comparer des parcours similaires avec et sans un touchpoint) et une distribution du crédit par valeur de Shapley. Elle a besoin d'un volume de données significatif pour tourner de façon fiable.

Quels modèles d'attribution Google a-t-il retirés de GA4 et Google Ads ? First-click, linear, time-decay et position-based. Google a annoncé le changement en avril 2023 et a définitivement retiré ces modèles en octobre 2023, gardant l'attribution data-driven par défaut et le last-click en option manuelle.

Quelle différence entre attribution déterministe et probabiliste ? L'attribution déterministe relie les touchpoints via des identifiants vérifiés (un login, un ID d'appareil), ce qui est précis mais s'effondre quand ces identifiants disparaissent après l'ATT et la perte des cookies. L'attribution probabiliste infère le rapprochement statistiquement à partir de signaux comme l'appareil et l'IP, ce qui couvre plus de parcours mais introduit de la mauvaise attribution.

Qu'est-ce que l'attribution view-through vs click-through ? Le click-through crédite un utilisateur qui a activement cliqué une pub puis converti. Le view-through crédite une impression simplement vue, non cliquée, avant une conversion dans une fenêtre donnée. Le view-through gonfle le crédit qu'une plateforme se revendique.

Quelle différence entre attribution et incrémentalité ? L'attribution répartit le crédit entre les touchpoints qu'elle a observés (corrélation). L'incrémentalité mesure si la pub a réellement causé des conversions qui n'auraient pas eu lieu autrement (causalité), en comparant un groupe exposé à un groupe de contrôle randomisé ou à une zone géographique mise en réserve.

Qu'est-ce qu'un walled garden en publicité ? Un walled garden est une plateforme pub (Google, Meta, Amazon, TikTok) qui fait tourner son propre modèle d'attribution sur son propre inventaire et rapporte ses propres conversions. Comme chacune revendique le crédit indépendamment, la somme des conversions rapportées par les plateformes dépasse régulièrement votre vrai total de deux à trois fois.

Comment iOS 14.5 (ATT) a-t-il affecté l'attribution ? Depuis avril 2021, les apps doivent demander la permission avant de suivre les utilisateurs sur d'autres apps, et seul un quart environ accepte. Cela a cassé le tracking déterministe au niveau utilisateur pour la majeure partie du trafic mobile et poussé les plateformes vers des conversions modélisées et probabilistes.

Les cookies tiers vont-ils disparaître de Chrome ? Non, plus maintenant. Après des années de suppressions annoncées, Google a décidé en avril 2025 de conserver les cookies tiers dans Chrome. Ils restent bloqués par défaut dans Safari et Firefox, donc l'attribution se dégrade quand même, simplement pas à cause de Chrome.

Références

Anderl, E. M., Becker, I., von Wangenheim, F., & Schumann, J. H. (2016). Mapping the customer journey: Lessons learned from graph-based online attribution modeling. International Journal of Research in Marketing, 33(3), 457-474. https://doi.org/10.1016/j.ijresmar.2016.03.001

Apple. (2021). App Tracking Transparency [Documentation développeur]. https://developer.apple.com/documentation/apptrackingtransparency

Blake, T., Nosko, C., & Tadelis, S. (2015). Consumer heterogeneity and paid search effectiveness: A large-scale field experiment. Econometrica, 83(1), 155-174. https://doi.org/10.3982/ECTA12423

Flurry Analytics. (2021). iOS 14.5 opt-in rate: App Tracking Transparency updates. https://www.flurry.com/blog/att-opt-in-rate-monthly-updates/

Google Ads Developer Blog. (2023, 20 avril). First click, linear, time decay, and position-based attribution models are going away in Google Ads API. https://ads-developers.googleblog.com/2023/04/first-click-linear-time-decay-and.html

Google Privacy Sandbox. (2025, 22 avril). Next steps for Privacy Sandbox and tracking protections in Chrome. https://privacysandbox.google.com/blog/privacy-sandbox-next-steps

Gordon, B. R., Zettelmeyer, F., Bhargava, N., & Chapsky, D. (2019). A comparison of approaches to advertising measurement: Evidence from big field experiments at Facebook. Marketing Science, 38(2), 193-225. https://doi.org/10.1287/mksc.2018.1135

Lewis, R. A., & Rao, J. M. (2015). The unfavorable economics of measuring the returns to advertising. The Quarterly Journal of Economics, 130(4), 1941-1973. https://doi.org/10.1093/qje/qjv023

Shapley, L. S. (1953). A value for n-person games. In H. W. Kuhn & A. W. Tucker (Eds.), Contributions to the theory of games (Vol. 2, pp. 307-317). Princeton University Press.

À propos de l'auteur

Baptiste Noel, cofondateur de Metrikia. MSc en neurosciences cliniques et MSc en haute performance.