Le Désaccord entre Modèles d'Attribution comme Signal

Chaque modèle d’attribution a un biais intégré. Le premier contact sur-crédite les canaux de découverte comme le référencement naturel et le marketing de contenu. Le dernier contact sur-crédite les canaux de conversion comme la recherche de marque et le reciblage. Le modèle linéaire traite une impression display aléatoire de la même manière qu’une demande de démo par e-mail. Le basé sur la position suppose que les premiers et derniers contacts sont toujours les plus importants. La décroissance temporelle suppose que la récence compte toujours le plus.

Se fier à un seul modèle incorpore ses angles morts dans les décisions budgétaires : les canaux que le modèle sous-crédite systématiquement se voient retirer leur budget indépendamment de leur contribution réelle. Faire tourner plusieurs modèles d’attribution en parallèle rend ces biais visibles plutôt que de les dissimuler dans un seul chiffre.

Le Désaccord est l’Insight

Quand le premier contact dit que le référencement naturel génère 40% des revenus et que le dernier contact dit 8%, vous savez que le vrai chiffre se situe quelque part entre les deux. Le désaccord lui-même est informatif : il vous dit que le référencement naturel joue un rôle dans les parcours clients, mais que sa contribution exacte est incertaine. Cette incertitude est réelle. Prétendre qu’elle n’existe pas en choisissant un seul modèle est pire que de la reconnaître.

Quand les modèles s’accordent, vous avez une grande confiance dans l’insight. « La recherche payante génère 25 à 28% des revenus selon tous les modèles » est une déclaration forte. Vous pouvez prendre des décisions budgétaires sur la base de cette plage avec une confiance raisonnable.

Quand les modèles divergent fortement, signalez-le aux parties prenantes. « Le social organique génère entre 5% et 22% des revenus selon le modèle » indique à la direction que la contribution de ce canal est genuinement incertaine. Ce type d’honnêteté sur les limites des données est plus précieux que la fausse précision d’un seul modèle.

Quantifier le Désaccord

Calculez un score de désaccord pour chaque canal : l’écart-type des pourcentages de revenus attribués selon les modèles. Les canaux avec un désaccord élevé sont des candidats à une investigation plus approfondie.

WITH model_shares AS (
  SELECT
    model_type,
    touchpoint__channel,
    SUM(touchpoint__attributed_revenue) AS channel_revenue,
    SUM(SUM(touchpoint__attributed_revenue)) OVER (
      PARTITION BY model_type
    ) AS total_revenue
  FROM {{ ref('mrt__attribution__comparison') }}
  GROUP BY model_type, touchpoint__channel
),

channel_percentages AS (
  SELECT
    touchpoint__channel,
    model_type,
    SAFE_DIVIDE(channel_revenue, total_revenue) * 100 AS revenue_pct
  FROM model_shares
)

SELECT
  touchpoint__channel,
  MIN(revenue_pct) AS min_pct,
  MAX(revenue_pct) AS max_pct,
  AVG(revenue_pct) AS avg_pct,
  STDDEV(revenue_pct) AS disagreement_score
FROM channel_percentages
GROUP BY touchpoint__channel
ORDER BY disagreement_score DESC

Les canaux en tête de cette liste — ceux avec l’écart le plus large — sont là où votre attribution est la plus incertaine. Ce sont les candidats aux tests d’incrémentalité pour trouver la vérité terrain.

Les canaux en bas, où tous les modèles s’accordent, sont ceux pour lesquels vous pouvez communiquer les performances avec confiance et allouer les budgets.

Alignement Stratégique entre Équipes

L’attribution multi-modèles permet à différentes équipes d’optimiser pour différents objectifs sans contradiction.

Les équipes axées sur la notoriété (contenu, marque, RP) peuvent utiliser le premier contact pour mesurer leur contribution à l’acquisition client. Le premier contact récompense la découverte, ce qui correspond exactement à ce que ces équipes devraient optimiser.

Les équipes axées sur la conversion (marketing à la performance, reciblage, e-mail) peuvent utiliser le dernier contact pour mesurer leur efficacité de fermeture. Le dernier contact récompense l’événement de conversion final, ce qui s’aligne avec leur mission.

La direction examine la plage entre les modèles pour comprendre le tableau complet. Quand un·e CMO demande « quelle est la contribution du marketing de contenu ? », la réponse est « entre 8% et 40% selon le modèle, avec une estimation médiane d’environ 22% ». Cette plage communique à la fois la contribution et l’incertitude, permettant des décisions éclairées plutôt que faussement précises.

Ce n’est pas du « model shopping » — choisir le modèle qui dit à chaque équipe l’histoire qu’elle veut entendre. C’est utiliser le biais intentionnel de chaque modèle pour éclairer la question pour laquelle il a été conçu : le premier contact pour « qui remplit le funnel ? », le dernier contact pour « qui ferme ? », le linéaire pour « à quoi ressemble un crédit équilibré ? »

Communication des Résultats aux Parties Prenantes

Commencez par les résultats, pas la méthodologie. « Le marketing de contenu influence 47% de nos conversions » passe mieux que « Notre modèle d’attribution par chaînes de Markov avec des fenêtres de lookback de 30 jours montre… » Gardez la méthodologie pour l’annexe.

Présentez des plages, pas une fausse précision. « La recherche payante génère 50 K€ à 80 K€ mensuels selon le modèle d’attribution » est plus honnête que de choisir un seul chiffre. La plage communique le niveau de confiance sans nécessiter un cours de statistiques. Si la plage est étroite, elle signale une grande confiance. Si elle est large, elle signale une incertitude réelle — et c’est une information précieuse.

Mettez explicitement en évidence l’accord et le désaccord. Structurez vos insights autour de ces deux catégories :

• « Tous les modèles s’accordent à dire que l’e-mail est notre canal le plus efficace. Confiance : élevée. »
• « Les modèles divergent sur la contribution du display (5-22%). Recommandation : exécuter un test d’incrémentalité avant de modifier les dépenses display. »

Structurez les recommandations en Défi-Insight-Recommandation-Résultat. Ce cadre vous oblige à relier les données à une décision :

• Défi : Nous devons décider d’augmenter les dépenses display.
• Insight : Les modèles d’attribution divergent sur la contribution du display (5-22% des revenus).
• Recommandation : Exécuter un test holdout de 4 semaines sur 3 marchés avant de scaler.
• Résultat : Si le lift incrémental dépasse 10%, augmenter le budget display de 20%.

Signaux d’Alerte Indiquant que Votre Attribution Échoue

Ces patterns indiquent que le désaccord entre modèles reflète des problèmes de qualité des données plutôt qu’une véritable incertitude de mesure :

Les revenus attribués ne correspondent pas aux revenus réels. Si vos modèles attribuent 100 K€ au marketing mais que la finance voit 80 K€ en banque, quelque chose ne va pas. Vérifiez votre suivi des conversions, comment vous joignez les touchpoints aux conversions et votre définition de « conversion ». Un test d’intégrité des revenus devrait détecter cela avant qu’il n’atteigne les parties prenantes.

Érosion des marges malgré un ROAS élevé. Si un canal montre un fort retour sur dépenses publicitaires mais que son scaling ne fait pas croître les profits proportionnellement, l’attribution sur-crédite probablement le canal. Le canal capture peut-être une demande qui se serait convertie de toute façon, sans créer de nouvelle demande.

Deals non traçables. En B2B, si plus de 60% des deals conclus ne peuvent être attribués à aucune activité marketing, votre tracking est incomplet. Soit les touchpoints ne sont pas capturés, soit votre résolution d’identité ne relie pas les sessions anonymes aux utilisateurs connus. Corrigez le tracking avant d’investir davantage dans la sophistication des modèles.

Tous les modèles s’accordent mais la réponse semble fausse. Si chaque modèle dit qu’un canal est sans valeur mais que votre intuition (ou les retours des clients) dit le contraire, les modèles manquent peut-être des touchpoints entièrement. Le dark social, le bouche-à-oreille et les mentions de podcast ne génèrent pas de clics traçables. L’absence de données n’est pas l’absence d’impact.

Quand un Seul Modèle Suffit

Toutes les organisations n’ont pas besoin d’une attribution multi-modèles. Un seul modèle peut suffire quand :

• Vos chemins de conversion sont courts (1 à 2 touchpoints), rendant le choix du modèle moins conséquentiel
• Vous êtes à un stade précoce où l’insight directionnel importe plus que la précision
• Votre capacité analytique est limitée et la couche de comparaison ajoute une complexité que votre équipe ne peut pas maintenir

Pour les organisations prenant de grandes décisions d’allocation budgétaire sur la base de données d’attribution, le désaccord entre modèles est une information matérielle. Faire tourner plusieurs modèles nécessite un seul modèle de comparaison supplémentaire dans le projet dbt.