Ce que le ROAS mesure vraiment de vos campagnes publicitaires

Un ROAS de 5x peut devenir 2x sans révéler quel chiffre est le bon

Considérez une campagne hypothétique qui affiche un ROAS de 5x dans Google Ads, Microsoft Ads, Meta Ads ou TikTok Ads, tandis que le backend affiche 2x. Les chiffres de 5x et 2x sont donnés à titre illustratif, et non comme données de benchmark. L’écart peut apparaître lorsque les systèmes utilisent des règles différentes pour attribuer une vente à une interaction publicitaire. Réconcilier les rapports peut produire un chiffre d’attribution unique tout en laissant sans réponse la question budgétaire.

Le ROAS intègre donc un choix de mesure que les dirigeants doivent expliciter. L’entreprise peut chercher à savoir quelle interaction observée doit recevoir le crédit du revenu. Elle peut aussi chercher à savoir si ce revenu aurait existé sans la publicité. Ces questions exigent des éléments de preuve différents.

Les attributions de plateforme et de backend ont des angles morts différents

Les enregistrements du backend peuvent omettre des interactions antérieures. Un CRM ou un système de commerce configuré en attribution au dernier clic peut attribuer le crédit à la dernière interaction enregistrée avant une commande, comme une recherche de marque ou une visite directe, tandis qu’une interaction payante antérieure ne reçoit aucun crédit. « Attribution backend » décrit donc une catégorie de systèmes plutôt qu’une méthodologie unique.

Considérez un client qui voit une publicité Meta, recherche ensuite la marque, clique sur une annonce Google et achète. L’entreprise n’a pourtant enregistré qu’un seul achat. Additionner les revenus déclarés par les plateformes peut conduire à un double comptage du crédit lorsque plusieurs plateformes s’associent à la même transaction.

Chaque système de mesure peut observer une partie différente du parcours client et appliquer des règles d’attribution différentes. Les dirigeants doivent distinguer le fait financier d’une transaction de la manière dont chaque système l’attribue. Les observations manquantes comptent, car une interaction non observée et une interaction inefficace sont deux situations différentes. Un client peut voir une publicité, ne pas cliquer dessus, rechercher la marque trois jours plus tard et acheter.

Le même problème de mesure peut apparaître sur les réseaux sociaux, le display, la vidéo et la TV connectée lorsque l’exposition a lieu sans clic traçable. Lorsqu’un canal produit une interaction enregistrée plus proche de l’achat et qu’une autre exposition n’est pas enregistrée, l’attribution au dernier clic favorisera par construction l’interaction enregistrée.

L’attribution répartit le crédit ; la causalité demande ce que la publicité a changé

L’attribution répartit le revenu observé entre les interactions marketing enregistrées. Un modèle au dernier clic attribue le crédit à la dernière interaction admissible, tandis qu’un modèle multi-touch répartit le crédit entre plusieurs interactions. L’attribution pilotée par les données, ou DDA, utilise les données et la modélisation pour déterminer cette répartition au lieu d’appliquer une règle fixe simple. Ces approches répondent à des questions de répartition des résultats observés.

Une question causale demande si le résultat change lorsque la publicité change. Y répondre exige un contrefactuel : une estimation de ce qui se serait produit sans le traitement mesuré. Un parcours de conversion ne peut pas révéler son propre contrefactuel, car un même client ne peut pas à la fois être exposé à la campagne et à une condition par ailleurs identique sans celle-ci. Des données de parcours plus riches améliorent l’observation sans créer cette comparaison manquante.

Supposons qu’une entreprise enregistre une impression Meta, une recherche Google générique, une visite issue d’un email et une recherche finale de marque avant l’achat. Un modèle multi-touch peut répartir la commande entre ces quatre interactions de plusieurs façons. Le DDA peut également modifier la manière dont le crédit est réparti lorsque des données exploitables existent. Déplacer 20 %, 30 % ou toute autre part entre les points de contact établit un poids d’attribution ; une interprétation causale exige des preuves causales distinctes.

Cette distinction fixe aussi la limite du travail de réconciliation. Une entreprise peut dédupliquer les transactions, standardiser les fenêtres de conversion et imposer des définitions communes pour améliorer la qualité du reporting. Ces étapes peuvent établir le montant du revenu enregistré et rendre les rapports par canal cohérents en interne. Estimer le revenu incrémental exige une comparaison non traitée montrant comment les résultats changent lorsque l’intervention est absente.

Les tests d’incrémentalité sont construits autour de cette comparaison. Le revenu incrémental est le revenu causé par une intervention qui, autrement, n’aurait pas existé. Un holdout retire l’intervention à un groupe de comparaison, ce qui permet à l’entreprise de comparer les résultats entre clients, marchés ou autres unités. L’estimation n’est crédible que lorsque les conditions de traitement et de comparaison permettent une inférence causale valide.

Un holdout géographique peut diffuser la publicité dans certaines régions tout en la retirant dans des régions comparables. Les études de conversion lift peuvent offrir une autre voie expérimentale dans des conditions appropriées. La conception du test peut dépendre de la comparabilité géographique, des cycles d’achat, du spillover de campagne, de la taille de l’échantillon et de la capacité à isoler l’intervention. Ces conditions déterminent si une différence mesurée fournit des éléments utiles pour une décision budgétaire.

Les règles de mesure peuvent modifier l’allocation du capital

La mesure devient un enjeu d’allocation du capital lorsque les canaux diffèrent dans les interactions que le système enregistre. Dans l’exemple Meta-vers-Google précédent, le backend peut observer le clic Google final tout en n’ayant pas d’enregistrement équivalent de l’impression Meta antérieure. L’attribution au dernier clic attribue alors la vente enregistrée selon cette dernière interaction observable. Les chiffres de ROAS qui en résultent reflètent l’architecture de mesure autant que le parcours client sous-jacent.

Accepter les revendications de conversion de chaque plateforme publicitaire crée un risque différent lorsque plusieurs plateformes s’associent à la même transaction. Les totaux des plateformes peuvent contenir un crédit qui se chevauche en raison de règles ou de fenêtres d’attribution qui se chevauchent. Les dirigeants doivent donc distinguer le revenu effectivement enregistré par l’entreprise du revenu additionnel causé par une intervention marketing. La réconciliation comptable peut répondre à la première question sans établir la seconde.

La direction peut tester le risque d’allocation en comparant les recommandations guidées par l’attribution avec les résultats d’expériences d’incrémentalité crédibles. Cela fait de la règle de mesure elle-même un élément de la décision budgétaire. Un écart entre les deux approches est une raison d’examiner quel type de preuve doit gouverner l’allocation du capital.

L’automatisation augmente le coût d’un mauvais objectif de mesure

Un agent superposé à la gestion des campagnes peut surveiller la performance déclarée et réallouer les dépenses. Lorsque des systèmes automatisés optimisent sur un ROAS fondé sur l’attribution, ils exécutent de manière cohérente cet objectif de mesure. La gouvernance doit donc traiter la qualité de l’objectif avant d’accroître l’autorité de dépense du système.

Le problème commence en amont de l’algorithme d’enchères. La déduplication, la résolution d’identité, les fenêtres de conversion, les conversions modélisées et les règles d’attribution façonnent les signaux disponibles pour un optimiseur. Un système techniquement performant peut appliquer ces entrées de manière cohérente tout en poursuivant un objectif faiblement lié à la valeur business incrémentale. La conception de la mesure fait donc partie de la gouvernance budgétaire dès lors que l’automatisation contrôle l’allocation du capital.

L’infrastructure interne peut prendre en charge la collecte de données server-side, la résolution d’identité et les pipelines de données marketing. Ces capacités peuvent améliorer l’attribution et le reporting. Leur valeur doit être évaluée au regard des décisions que l’entreprise doit prendre et des preuves que ces décisions exigent. Triple Whale, Northbeam et Rockerbox sont des alternatives packagées.

Utilisez chaque méthode de mesure pour la question à laquelle elle peut répondre

L’attribution reste utile pour les décisions opérationnelles. Les équipes peuvent utiliser un framework d’attribution défini de manière cohérente pour diagnostiquer les campagnes, examiner les parcours clients enregistrés et fournir des signaux aux systèmes d’enchères. Son résultat décrit comment le framework choisi répartit les résultats observés. Les dirigeants doivent faire correspondre ce résultat à la décision à prendre.

Les tests d’incrémentalité soutiennent les décisions qui exigent une estimation causale. Un holdout crédible vérifie si les résultats changent lorsqu’une campagne, un canal ou une autre intervention est retiré. Le revenu backend peut servir de mesure de résultat lorsque les conditions de traitement et de contrôle utilisent la même métrique business. L’expérience relie alors la décision de dépense à une différence observée entre conditions traitées et non traitées.

Un holdout répond à une question définie dans des conditions définies. Son résultat peut dépendre du timing, de l’audience, de la géographie, des conditions concurrentielles et des interactions avec d’autres médias. Les dirigeants doivent donc savoir précisément ce qui a été retiré, comment le groupe de comparaison a été construit et quel résultat a changé. Ces détails déterminent dans quelle mesure le résultat peut être appliqué à un autre marché ou à un autre niveau de budget.

Le marketing mix modeling, ou MMM, utilise les variations agrégées des inputs marketing et des résultats business pour estimer la contribution des canaux. Ses conclusions dépendent de la conception du modèle et de la qualité des données. Son approche agrégée convient à une catégorie de décisions différente de l’attribution au niveau utilisateur et des expériences contrôlées d’incrémentalité.

Pour la direction générale, la décision de gouvernance commence par la question posée. Les données Google Ads, les données Meta Ads, un CRM, le DDA, Triple Whale, Northbeam, Rockerbox et un modèle interne peuvent fournir des inputs ou des méthodes de mesure différents. Attribuer le crédit enregistré appelle des règles d’attribution. Estimer le rendement causal appelle des preuves crédibles sur les résultats lorsque l’intervention publicitaire est retirée.

Principaux enseignements pour les dirigeants

• Le ROAS dépend des règles de mesure : Un ROAS de plateforme de 5x et un ROAS backend de 2x peuvent tous deux refléter des méthodes d’attribution différentes. La direction a besoin de définitions communes avant d’utiliser l’un ou l’autre chiffre pour l’allocation du capital.
• Les systèmes d’attribution voient des parcours clients différents : Les plateformes et les systèmes backend peuvent revendiquer ou omettre la même transaction selon les interactions observables, les fenêtres de conversion et les règles d’attribution. Réconciliez le revenu enregistré et identifiez les chevauchements de crédit avant de comparer la performance des canaux.
• L’incrémentalité fournit une preuve causale : L’attribution répartit le crédit entre les interactions observées, tandis que les holdouts estiment ce que la publicité a réellement changé. Utilisez des tests d’incrémentalité crédibles lorsque les décisions budgétaires dépendent du rendement causal.
• Les règles de mesure façonnent l’allocation du capital : Les canaux avec davantage d’interactions observables peuvent recevoir plus de revenu attribué, indépendamment de leur contribution incrémentale. Comparez les recommandations budgétaires guidées par l’attribution avec les résultats expérimentaux pour identifier le risque d’allocation.
• L’automatisation amplifie l’objectif de mesure : Les agents et les systèmes d’enchères optimisent de manière cohérente les signaux qu’ils reçoivent, y compris les faiblesses créées par la déduplication, la résolution d’identité et les choix d’attribution. Validez l’objectif de mesure avant d’élargir l’autorité de dépense automatisée.
• Faites correspondre la méthode à la décision : Utilisez l’attribution pour le reporting opérationnel, les tests d’incrémentalité pour les estimations causales et le MMM pour les questions pertinentes d’allocation agrégée. Définissez d’abord la question business, puis choisissez les preuves capables d’y répondre.