Les plateformes publicitaires appliquent des fenêtres d’attribution, des méthodes de comptage et des modèles statistiques différents, produisant des comptages de conversions qui se chevauchent et ne correspondent pas aux commandes réelles. C’est structurel, non un bug : chaque plateforme ne voit que ses propres données et applique une méthodologie qui maximise sa contribution déclarée.
Le problème d’incitation
Chaque plateforme adopte par défaut la fenêtre d’attribution la plus généreuse qu’elle peut justifier :
- Google Ads utilise par défaut une fenêtre d’attribution au clic de 30 jours
- Meta utilise 7 jours au clic et 1 jour à la vue (réduit après iOS 14.5)
- LinkedIn utilise par défaut 30 jours au clic et 7 jours à la vue
Quand un client clique sur une annonce Google le lundi, voit une annonce Meta le mercredi et convertit le vendredi, toutes les plateformes ayant touché le parcours revendiquent le crédit. La conversion est comptabilisée plusieurs fois dans les tableaux de bord. Chaque plateforme ne voit que ses propres données ; le chevauchement est invisible dans chaque dashboard individuel.
Au-delà du double comptage
Les dépenses publicitaires ne peuvent pas être rapprochées des revenus réels dans les interfaces des plateformes. Le ROAS auto-attribué de chaque plateforme est biaisé en faveur de sa propre contribution et ne tient pas compte des marges, de la valeur vie client ni des événements post-conversion comme les remboursements.
Ce qui devient possible dans l’entrepôt
L’entrepôt de données est le seul endroit où tous les canaux se rencontrent sur un terrain neutre. Une fois que les données publicitaires de chaque plateforme coexistent avec les données CRM, e-commerce et analytics web, plusieurs analyses deviennent possibles qui ne le sont pas dans les interfaces des plateformes.
Reporting cross-canal : au lieu de combiner manuellement les chiffres de plusieurs tableaux de bord, tous les canaux sont interrogeables depuis une seule table.
ROAS réel : rapprocher les dépenses publicitaires des revenus réels issus d’un CRM ou d’une plateforme e-commerce produit un dénominateur de revenus cohérent sur tous les canaux, plutôt que le chiffre auto-déclaré de chaque plateforme.
Attribution multi-touch : combiner les données de clic publicitaire (via gclid et paramètres UTM) avec les événements d’analytics web et les conversions CRM dans un même environnement permet d’assigner le crédit entre les points de contact avec des modèles first-touch, last-touch, linéaire ou data-driven.
Optimisation budgétaire : avec toutes les données de dépenses et de performance dans un seul environnement, la réallocation budgétaire entre canaux devient une requête sur les données plutôt qu’un exercice manuel sur tableur.
Analyse LTV : connecter la source d’acquisition à la valeur long terme du client nécessite de rapprocher les données publicitaires des données CRM — une opération uniquement possible dans l’entrepôt.
Le principe du ROAS global
Les données d’attribution spécifiques à chaque plateforme ne doivent pas être comparées directement entre canaux. Chaque plateforme utilise des fenêtres, des méthodes de comptage et des modèles statistiques différents ; réconcilier leurs conversions auto-attribuées produit des résultats trompeurs.
Le ROAS global — revenus totaux divisés par dépenses publicitaires totales — contourne le désaccord d’attribution. Il demande combien de revenus ont été générés par euro dépensé sur tous les canaux, sans nécessiter d’accord sur le crédit par canal.
Les modèles d’attribution basés sur les UTM (construits à partir de requêtes d’attribution au niveau de l’entrepôt) utilisent une méthodologie cohérente sur tous les points de contact et sont plus fiables que les chiffres auto-déclarés de n’importe quelle plateforme individuelle.
Échelle
Le département marketing moyen utilise 91 outils. Plus de la moitié des responsables marketing déclarent être déçus de leurs résultats analytics. Le marché mondial de l’entreposage de données a atteint 34 milliards de dollars en 2024 et devrait plus que doubler d’ici 2033, en partie grâce aux besoins en analytics marketing.