Attribution avancée. Markov & Shapley

Introduction. Pourquoi les modèles d'attribution comptent

Les plateformes publicitaires (Meta, Google, TikTok) s'attribuent toutes le mérite des conversions. Résultat : si vous additionnez les conversions déclarées par chaque plateforme, vous obtenez souvent 2 à 3 fois plus de conversions que vous n'en avez réellement.

La réalité est plus nuancée. Un prospect voit une publicité Meta, clique sur une annonce Google, reçoit un email de relance, puis achète après avoir vu une publicité TikTok. Qui mérite le crédit ? Tout le monde : mais pas à parts égales.

C'est exactement le rôle de l'attribution multi-touch (MTA) : distribuer le crédit de conversion entre tous les points de contact qui ont contribué au parcours d'achat. Metrikia propose 9 modèles pour répondre à cette question, chacun avec sa propre logique.

Les 9 modèles expliqués

Modèles déterministes (basés sur des règles)

Ces modèles appliquent des règles fixes pour distribuer le crédit. Simples à comprendre, rapides à calculer, mais parfois réducteurs.

1. First Touch (Premier point de contact)

Principe : 100 % du crédit va au premier point de contact.

Quand l'utiliser : Pour mesurer l'efficacité de vos campagnes de notoriété et d'acquisition. Si vous voulez savoir quelle source amène le plus de nouveaux prospects dans votre funnel, c'est le modèle qu'il vous faut.

Limite : Ignore totalement ce qui se passe après le premier contact. Un prospect peut être capté par Meta mais converti grâce à Google. First Touch ne verra que Meta.

2. Last Touch (Dernier point de contact)

Principe : 100 % du crédit va au dernier point de contact avant la conversion.

Quand l'utiliser : Pour mesurer l'efficacité de vos campagnes de closing. Si vous optimisez pour la conversion immédiate (retargeting, promos urgentes), Last Touch vous montre ce qui déclenche l'achat.

Limite : Ignore le travail de notoriété et de nurturing qui a précédé la conversion.

3. Linear (Linéaire)

Principe : Crédit distribué à parts égales entre tous les points de contact.

Quand l'utiliser : Quand vous considérez que chaque interaction a la même importance. Utile pour avoir une vue équilibrée sans biais vers le début ou la fin du parcours.

Limite : Ne reflète pas la réalité, un clic sur une publicité et un rendez-vous commercial n'ont pas la même valeur.

4. Time Decay (Décroissance temporelle)

Principe : Plus un point de contact est récent, plus il reçoit de crédit. La décroissance suit une fonction exponentielle.

Quand l'utiliser : Pour les cycles de vente courts où la récence est déterminante (e-commerce, offres flash). Les actions proches de la conversion comptent plus que celles d'il y a 3 semaines.

Limite : Sous-évalue systématiquement les campagnes de notoriété (qui interviennent tôt dans le parcours).

5. U-Shaped (Position-Based)

Principe : 40 % au premier point de contact, 40 % au dernier, 20 % répartis entre les points intermédiaires.

Quand l'utiliser : Quand vous voulez valoriser à la fois l'acquisition (premier contact) et la conversion (dernier contact) tout en reconnaissant le rôle du nurturing au milieu.

> Astuce pro : Le U-Shaped est souvent le meilleur compromis pour les équipes média qui débutent en attribution multi-touch. Il donne une vision équilibrée sans la complexité des modèles data-driven.

6. W-Shaped

Principe : 30 % au premier contact, 30 % à la création du lead, 30 % au dernier contact, 10 % répartis entre les autres.

Quand l'utiliser : Quand la qualification du lead est un moment clé de votre funnel. Typique en B2B où le passage de "visiteur" à "lead qualifié" représente une étape significative.

Limite : Nécessite que Metrikia identifie le moment de création du lead dans le parcours, assurez-vous que vos touchpoints sont bien trackés.

7. Full Path (Parcours complet)

Principe : 22.5 % au premier contact, 22.5 % à la création du lead, 22.5 % à la création de l'opportunité, 22.5 % au closing, 10 % répartis entre les intermédiaires.

Quand l'utiliser : Pour une visibilité complète sur le funnel B2B, de la découverte au closing. C'est le modèle le plus granulaire parmi les déterministes.

Limite : Exige un tracking complet de bout en bout. Si des étapes manquent, le modèle ne peut pas fonctionner correctement.

Modèles data-driven (probabilistes)

Ces modèles utilisent vos données réelles pour calculer la contribution de chaque canal. Plus complexes, mais plus proches de la réalité.

8. Markov Chain (Chaîne de Markov)

Principe : Modélise les points de contact comme des états dans une chaîne de Markov. Chaque état a des probabilités de transition vers les autres états (y compris la conversion et l'abandon).

Comment ça fonctionne :

• Metrikia collecte tous les parcours de conversion (et de non-conversion) de vos prospects
• Une matrice de transition est construite : pour chaque canal, quelle est la probabilité de passer au canal suivant ?
• Les probabilités d'état stationnaire sont calculées
• L'effet de retrait (removal effect) est mesuré : si on supprime un canal de tous les parcours, de combien le taux de conversion baisse-t-il ?
• Chaque canal reçoit un crédit proportionnel à son effet de retrait

Quand l'utiliser : Quand vous avez suffisamment de données (au moins 100 conversions avec des parcours variés). Le modèle Markov révèle les canaux dont la suppression aurait le plus d'impact sur votre taux de conversion.

> Astuce pro : Le modèle Markov est particulièrement puissant pour détecter les canaux "invisibles", ceux qui ne convertissent jamais en dernier touch mais qui sont essentiels dans le parcours. Typiquement, le display ou le social organique.

9. Shapley Value (Valeur de Shapley)

Principe : Approche issue de la théorie des jeux. Chaque canal est un "joueur", la conversion est le "jeu". La valeur de Shapley calcule la contribution marginale de chaque joueur à travers toutes les coalitions possibles.

Comment ça fonctionne :

• Pour N canaux, il existe 2^N coalitions possibles (sous-ensembles de canaux)
• Pour chaque coalition, on mesure le taux de conversion avec et sans chaque canal
• La contribution marginale moyenne de chaque canal donne sa valeur de Shapley
• Pour les petits ensembles (N ≤ 10), Metrikia calcule la valeur exacte (ShapleyResult::exact())
• Pour les grands ensembles (N > 10), Metrikia utilise l'échantillonnage Monte Carlo (ShapleyResult::monteCarlo()) pour une approximation efficace
• Des intervalles de confiance à 95 % sont fournis pour les calculs Monte Carlo

Quand l'utiliser : Quand vous voulez la méthode la plus équitable mathématiquement. La valeur de Shapley est le seul modèle qui satisfait les 4 axiomes d'équité (efficacité, symétrie, joueur nul, additivité).

> Astuce pro : Si Metrikia affiche des intervalles de confiance larges sur vos résultats Shapley, c'est que vous avez trop de canaux par rapport à votre volume de données. Réduisez la granularité (regroupez les canaux similaires) ou attendez d'avoir plus de conversions.

Distribution du crédit. L'algorithme LRM

Tous les modèles ci-dessus calculent des pourcentages. Mais quand il faut distribuer une valeur de conversion réelle (ex: 1 000 €) en centimes entre 3 canaux à 33.33 % chacun, on se heurte au problème de l'arrondi.

Metrikia utilise le Largest Remainder Method (LRM) via son CreditDistributor :

• Chaque canal reçoit la partie entière de sa part (33.33 % de 100 000 centimes = 33 333 centimes)
• Les centimes restants (100 000, 99 999 = 1 centime) sont distribués aux canaux ayant les plus grands restes
• Invariant garanti : la somme des crédits est toujours exactement égale à la valeur de conversion

Ce n'est pas un détail technique anodin. Sans LRM, les erreurs d'arrondi s'accumulent et faussent vos rapports. Le CreditDistributor est utilisé par les 9 modèles d'attribution.

Choisir le bon modèle

Critère	Modèle recommandé
Cycle de vente court (< 7 jours)	Time Decay ou Last Touch
Cycle de vente long (> 30 jours)	W-Shaped ou Full Path
Peu de touchpoints (1-3)	First Touch ou Last Touch
Beaucoup de touchpoints (5+)	Markov ou Shapley
E-commerce	Time Decay ou U-Shaped
High-ticket / agence	Full Path ou Shapley
Début en attribution	U-Shaped (compromis simple)
Volume élevé (100+ conversions)	Markov ou Shapley

Configuration dans Metrikia

Sélectionner un modèle

• Rendez-vous dans Attribution > Paramètres
• Choisissez le modèle par défaut pour votre dashboard
• Vous pouvez basculer entre les modèles à tout moment sans perdre de données. Metrikia recalcule à la volée

Comparer les modèles

L'écran Attribution > Comparaison affiche les résultats de plusieurs modèles côte à côte. C'est la meilleure façon de repérer les divergences et de comprendre quel canal est sur- ou sous-évalué selon le modèle choisi.

Résultats par campagne

Dans le détail d'une campagne ou d'une publicité, l'onglet Attribution montre la contribution calculée par le modèle actif. Vous voyez immédiatement combien de crédit cette campagne reçoit et comment ce crédit se compare aux déclarations de la plateforme.

> Astuce pro : Comparez systématiquement les résultats Markov et Shapley. S'ils convergent, vous avez une attribution fiable. S'ils divergent fortement, vos données sont probablement insuffisantes, privilégiez un modèle déterministe en attendant d'avoir plus de volume.