Le CAC déclaré peut orienter le budget dans la mauvaise direction

Une campagne affichant un coût d’acquisition client, ou CAC, de 15 $ peut mériter moins de budget qu’une campagne affichant 60 $. Prenons une comparaison illustrative entre la recherche de marque et le paid social : les personnes qui recherchent une entreprise par son nom peuvent déjà avoir l’intention d’acheter, tandis qu’une campagne sur les réseaux sociaux peut toucher des personnes qui, autrement, ne deviendraient jamais clientes. Si la publicité n’a ajouté qu’une faible part des clients issus de la recherche de marque, son coût par client additionnel pourrait être plusieurs fois supérieur à son CAC déclaré.

Allouer davantage de budget à la campagne dont le CAC déclaré est le plus faible peut donc la récompenser pour avoir capté une demande existante, tout en réduisant l’investissement dans l’acquisition additionnelle. Pour un responsable marketing qui doit justifier les dépenses auprès de la finance, un résultat de tableau de bord facile à expliquer peut conduire à une décision budgétaire difficile. Une question plus utile est : « Combien de clients perdrions-nous sans cette dépense ? »

Mesurer les clients que la publicité ajoute

Répondre à cette question suppose de comprendre comment une campagne obtient le crédit d’un client. Le CAC mesure les dépenses d’acquisition par client, tandis que le retour sur dépenses publicitaires, ou ROAS, mesure le revenu par rapport aux dépenses publicitaires. Les rapports de plateforme classiques calculent ces métriques à l’aide de l’attribution : des règles qui attribuent les conversions, c’est-à-dire des actions finalisées comme des achats, à la publicité après une interaction avec une annonce ou une exposition à celle-ci. Une campagne peut obtenir ce crédit même si le client aurait acheté de toute façon.

L’exemple de la recherche de marque illustre le problème, car une annonce peut apparaître juste avant un achat qu’une personne avait déjà l’intention d’effectuer. Un client peut rechercher l’entreprise, cliquer sur son résultat sponsorisé et acheter, alors qu’il aurait cliqué sur son résultat organique si l’annonce avait été absente. Un taux de conversion élevé et un CAC déclaré faible peuvent donc refléter l’accès à des clients déjà prêts à acheter.

Pour estimer dans quelle mesure la publicité modifie le comportement, les tests d’incrémentalité comparent les résultats observés à un contrefactuel : ce qui se serait passé sans la campagne. Un test avec groupe témoin crée cette comparaison en privant un groupe de publicité et en mesurant l’écart de résultats. L’écart estimé correspond au lift, c’est-à-dire aux conversions additionnelles causées par la publicité. Le CAC incrémental divise les dépenses par le nombre de clients additionnels générés.

Cette mesure est importante partout où les campagnes touchent des personnes proches de l’achat. La recherche de marque, le retargeting (publicité adressée à des personnes ayant déjà interagi avec une entreprise) et certains programmes d’affiliation peuvent afficher une acquisition efficace tout en captant une part importante de la demande existante. Les campagnes qui touchent de nouvelles audiences peuvent sembler plus coûteuses tout en ajoutant davantage de clients. Ces tendances suggèrent des questions de test utiles ; le paid social, le paid search et l’activité d’affiliation nécessitent chacun des preuves propres à la campagne.

Les preuves propres à la campagne ont aussi des limites qui comptent pour la décision budgétaire. L’attribution peut créditer des achats qui se seraient produits via la recherche organique ou un autre canal, tandis que les tests d’incrémentalité exigent une comparaison solide et un volume d’activité suffisant pour détecter un effet significatif. Même une estimation utile de la contribution actuelle d’une campagne laisse une autre question en suspens : des dépenses supplémentaires permettront-elles d’acquérir suffisamment de clients additionnels à un coût acceptable ? Pour y répondre, il faut une autre comparaison de dépenses et une vision partagée de la valeur client.

Experts Okoone
PARLONS-EN !

Un projet en tête ?
Planifiez un appel de 30 minutes avec nous.

Des experts senior pour vous aider à avancer plus vite : produit, tech, cloud & IA.

Veuillez saisir une adresse email professionnelle valide.

Les tests sur le search peuvent justifier des décisions budgétaires opposées

Deux exemples rapportés de recherche Google montrent pourquoi l’expérience doit déterminer le sens d’un changement budgétaire. Dans un test de recherche de marque sur Google, les résultats ont soutenu une réduction des dépenses d’environ 90 %, tandis que l’acquisition client n’a pas changé de manière significative. Les annonces payantes obtenaient le crédit d’achats qui, autrement, seraient venus de la recherche organique. Lorsque les dépenses payantes ont diminué, les résultats organiques ont absorbé cette demande.

La substitution organique explique pourquoi les conversions payantes ont pu baisser alors que l’acquisition est restée globalement inchangée. Les clients continuaient d’atteindre l’entreprise, mais leurs achats ne passaient plus par un clic payant recevant le crédit publicitaire. Pour le responsable du budget, le résultat utile était l’acquisition totale de clients via les canaux payants et organiques. Le constat soutenait une réduction substantielle dans les conditions testées, tandis que « n’a pas changé de manière significative » laisse la place à un effet que l’expérience n’a pas pu distinguer clairement.

Un exemple distinct de recherche hors marque soutenait une augmentation de l’investissement. Une étude Google sur le lift de conversion a rapporté un lift de conversion de 55 %, donnant à l’entreprise une raison d’accepter un CAC plus élevé et d’augmenter les dépenses. La croissance des nouveaux clients a ensuite progressé d’une manière cohérente avec ce constat.

Pris ensemble, ces résultats montrent qu’un même grand canal peut justifier des allocations différentes selon les conditions. Google vend de la publicité et bénéficie commercialement du maintien ou de l’augmentation des dépenses des annonceurs, un intérêt pertinent lorsqu’on interprète une étude Google sur le lift de conversion. Pourtant, les exemples de marque et hors marque ont conduit à des décisions opposées parce que la contribution mesurée différait. Aucun des deux résultats n’établit comment une autre campagne de search se comportera.

Un témoignage distinct d’un observateur non identifié étend le problème au-delà du search : deux canaux présentaient des chiffres de performance conventionnels presque identiques, mais leurs résultats incrémentaux appelaient des décisions budgétaires opposées. Des chiffres de tableau de bord similaires peuvent donc masquer des contributions différentes à l’acquisition. Mesurer ces contributions donne à l’entreprise une base pour l’allocation, mais c’est la valeur des clients additionnels qui détermine combien elle doit payer.

Définir la règle de décision du CAC incrémental avant de tester

La valeur client transforme un effet mesuré en décision de dépense. D’abord, comparez les résultats avec et sans la campagne, estimez combien de clients additionnels la dépense a générés, puis divisez la dépense par ces clients pour calculer le CAC incrémental. L’équipe compare ensuite ce coût au seuil de valeur client convenu. Selon le résultat, l’investissement peut augmenter, rester stable ou diminuer.

L’expérience doit correspondre à la décision de dépense envisagée. Tester si une campagne existante ajoute des clients répond à une question différente de celle qui consiste à tester si un budget plus important ajoute suffisamment de clients pour justifier une expansion. Selon la question, le canal, les données disponibles et l’objectif métier, l’équipe peut utiliser une étude de lift de conversion de plateforme, un groupe témoin géographique comparant des marchés avec des niveaux d’exposition publicitaire différents, ou une autre expérience contrôlée. La comparaison doit représenter le changement que l’entreprise envisage.

Le choix de l’expérience détermine la préparation nécessaire pour obtenir un résultat utile. La durée du test et la taille de l’échantillon influencent la capacité à détecter un lift significatif, tandis que le chevauchement entre l’exposition publicitaire des groupes test et témoin peut affaiblir la comparaison. Un test court ou un faible nombre de conversions peut laisser une incertitude importante sur la contribution de la campagne. L’équipe doit tenir compte de ces contraintes lors de la planification de l’expérience et de l’interprétation de ses résultats.

Interpréter un effet exige aussi un jugement distinct sur son économie. La significativité statistique indique qu’un résultat atteint un seuil de preuve selon les hypothèses du test ; elle n’établit pas la rentabilité. Une campagne peut provoquer des achats additionnels tout en acquérant des clients à un coût inacceptable. La règle de dépense doit donc préciser ce que l’entreprise est prête à payer avant que les résultats n’arrivent.

Par exemple, une entreprise hypothétique qui valorise un nouveau client à 200 $ sur l’ensemble de sa durée de vie pourrait convenir de trois seuils. Un CAC incrémental inférieur à 120 $ justifierait une augmentation de l’investissement ; un CAC incrémental compris entre 120 $ et 180 $ justifierait son maintien ; et un CAC incrémental supérieur à 180 $ justifierait une réduction. Il s’agit de règles de décision illustratives, et non de benchmarks universels ni de résultats réels d’entreprise.

S’accorder à l’avance sur ces règles donne au marketing et à la finance une base commune pour agir à partir de l’expérience. Cela réduit aussi la possibilité de réinterpréter les résultats pour protéger une campagne ou un budget préféré. Une fois les seuils définis, le défi pratique consiste à concevoir et exécuter un test capable d’éclairer la décision.

L’IA peut aider les équipes à préparer et exécuter des expériences

Mener ce processus peut mettre à rude épreuve la capacité analytique d’une petite entreprise, car la conception, la préparation des données, le suivi et l’interprétation prennent tous du temps. Certaines équipes renoncent donc aux tests, tandis que les grandes entreprises peuvent s’appuyer sur des équipes de data science et des prestataires spécialisés. Les outils activés par l’IA peuvent réduire la charge de travail que les petites équipes doivent assumer elles-mêmes. Leur utilité dépend de la capacité de l’équipe à examiner le travail et à juger si l’expérience répond à sa question métier.

La préparation offre une opportunité importante de gain de temps. Pour un groupe témoin géographique, les grands modèles de langage généralistes, ou LLM, tels que ChatGPT ou Claude, peuvent aider à préparer les données et à examiner les tendances historiques des ventes régionales ; ces systèmes d’IA génèrent et analysent du texte et du code. L’objectif est d’identifier des marchés dont le comportement passé les rend adaptés aux groupes test et témoin. La comparaison de ces groupes fournit une base pour estimer ce qui aurait pu se produire sur les marchés test sans le changement publicitaire.

Une fois les groupes candidats disponibles, les mêmes outils peuvent aider à estimer la taille des groupes et la durée nécessaires pour détecter un lift significatif, puis à écrire et expliquer le code d’analyse. L’explication est importante, car quelqu’un doit vérifier le fonctionnement des calculs. ChatGPT et Claude sont des produits commerciaux d’IA dont les fournisseurs bénéficient de leur adoption ; leur usage doit donc être évalué à l’aune du travail analytique qu’ils aident l’équipe à accomplir.

D’autres outils prennent en charge des parties plus spécialisées du processus. Les équipes recherchant davantage de rigueur peuvent utiliser GeoLift open-source de Meta, tandis que des plateformes dédiées comme Haus intègrent des étapes du workflow de test. Meta a un intérêt commercial dans la mesure publicitaire via son activité publicitaire, et Haus bénéficie de la demande pour les plateformes de mesure. Avec chacune de ces options, l’équipe reste responsable de la vérification de la comparaison, des hypothèses et des calculs.

Après la mise en place, le suivi aide à repérer les événements susceptibles de modifier le sens de la comparaison. Une promotion régionale, par exemple, peut augmenter les achats sur un marché témoin censé représenter les résultats sans la campagne testée. Le monitoring par IA peut signaler ce changement assez tôt pour permettre à l’équipe d’en évaluer l’effet sur l’expérience. Les enregistrements de conversion peuvent tous être exacts alors même que la promotion affaiblit l’utilité du groupe témoin.

Une défaillance du tracking crée un problème différent, car les conversions enregistrées cessent de représenter l’activité réelle. Si une erreur supprime le reporting pendant plusieurs jours, la baisse apparente peut refléter des enregistrements manquants plutôt qu’un changement du comportement client. Une revue assistée par l’IA peut détecter l’anomalie pendant que l’expérience est en cours. Une détection précoce peut laisser à l’équipe le temps de corriger le problème et éviter de devoir répéter le test.

Une fois l’expérience terminée, l’IA peut préparer une première restitution du lift estimé et de son intervalle de confiance, qui exprime l’incertitude autour de l’estimation de l’effet. Elle peut calculer le CAC incrémental et comparer le résultat aux seuils de dépense convenus avant le test. Elle peut aussi examiner les marchés, les audiences ou les campagnes pour identifier des segments qui mériteraient d’être étudiés dans une expérience ultérieure. Ces ventilations peuvent orienter de nouveaux tests, tandis qu’une nouvelle allocation exige des preuves adaptées à cette décision.

La restitution doit ensuite expliquer le résultat dans des termes que la finance et la direction peuvent utiliser. L’IA peut aider à décrire le nombre estimé de clients additionnels, leur coût d’acquisition et la règle de dépense à laquelle le résultat correspond. Les personnes doivent toujours vérifier les calculs, valider l’analyse générée et juger si l’allocation proposée découle bien des résultats. La responsabilité de la décision reste celle de l’entreprise.

La revue humaine est particulièrement importante lorsqu’un système d’IA propose une explication causale à des événements qui se sont simplement produits en même temps. Si les conversions augmentent la semaine du lancement d’une campagne, le système peut créditer la campagne même si la saisonnalité, un changement de prix, l’activité d’un concurrent ou une erreur de mesure expliquent la hausse. Une expérience bien conçue fournit la preuve causale que l’IA peut aider à préparer, examiner et communiquer. Les exigences de volume minimal, les risques liés au chevauchement de l’exposition entre groupes et les vérifications de calcul restent partie intégrante du travail.

Tester le niveau de dépense que l’entreprise veut approuver

Même une expérience bien menée estime la performance à un niveau de dépense donné et dans des conditions données. Une campagne avec un CAC incrémental acceptable peut devenir non rentable à mesure que son budget augmente ; un résultat positif ne justifie donc qu’une allocation suivante limitée. L’entreprise doit ensuite mesurer si la dépense additionnelle continue d’acquérir des clients dans le seuil de coût convenu.

Les évolutions du marché peuvent aussi modifier la contribution d’une campagne, y compris la campagne de recherche de marque évoquée au départ. La recherche de marque peut ajouter des clients lorsque des concurrents enchérissent sur le nom de l’entreprise, car les alternatives disponibles ont changé. Un constat antérieur selon lequel les résultats organiques absorbaient la demande ne peut pas trancher la valeur de la campagne dans ces conditions. Le nouvel environnement concurrentiel crée une nouvelle question de test.

Lorsque les résultats restent non concluants, l’équipe doit poursuivre les tests et accumuler des preuves au fil du temps. À mesure que les dépenses ou les conditions de marché évoluent, elle doit répéter la mesure tout en conservant les règles convenues de valeur client.

Points clés à retenir pour les dirigeants

  • Un CAC faible peut mal orienter les budgets : Les responsables des budgets marketing doivent évaluer combien de clients la publicité ajoute. Une campagne qui capte une demande existante peut afficher un CAC faible tout en contribuant peu à l’acquisition additionnelle.
  • Mesurer les clients incrémentaux : Les équipes d’analytics marketing ont besoin d’une comparaison crédible des résultats avec et sans publicité. Diviser les dépenses par le nombre estimé de clients additionnels donne à la finance une mesure plus utile pour l’allocation.
  • Laisser les preuves propres à la campagne déterminer la dépense : Un test rapporté sur la recherche de marque a soutenu une réduction des dépenses d’environ 90 %, tandis qu’une étude distincte hors marque a soutenu une expansion. Les responsables budgétaires ont besoin de preuves propres à chaque campagne avant d’augmenter ou de réduire l’investissement.
  • S’accorder sur les règles de dépense avant de tester : Le marketing et la finance ont besoin de seuils partagés de CAC incrémental liés à la valeur client. Définissez ces seuils avant l’arrivée des résultats, et concevez l’expérience en fonction du changement de dépense envisagé.
  • Utiliser l’IA avec une supervision analytique : L’IA peut aider les analystes à préparer les données, concevoir les tests, signaler les anomalies et rédiger les conclusions. L’entreprise reste responsable de la validation des comparaisons, des calculs et des affirmations causales avant d’approuver des changements budgétaires.
  • Retester à mesure que les dépenses et les conditions évoluent : Un CAC incrémental acceptable justifie une allocation suivante limitée. Les équipes marketing ont besoin de nouvelles preuves à mesure que les budgets augmentent, que les concurrents agissent ou que les conditions de marché changent.

Alexander Procter

novembre 18, 2026

16 Min

Experts Okoone
PARLONS-EN !

Un projet en tête ?
Planifiez un appel de 30 minutes avec nous.

Des experts senior pour vous aider à avancer plus vite : produit, tech, cloud & IA.

Veuillez saisir une adresse email professionnelle valide.