L’effet de suppression est le cœur mathématique de l’attribution data-driven. Il répond à la question que les modèles heuristiques ne peuvent pas poser : si ce canal n’existait pas, combien de conversions en moins verrions-nous ?
L’attribution par chaîne de Markov et l’attribution par valeurs de Shapley utilisent toutes deux les effets de suppression pour mesurer la contribution des canaux. Les approches diffèrent dans leur façon de calculer le contrefactuel (ce qui se passe sans le canal), mais le principe sous-jacent est le même : la valeur d’un canal est égale aux dommages causés par son absence.
La formule
L’effet de suppression d’un canal se calcule ainsi :
Effet de suppression(Canal X) = 1 - (P(conversion sans X) / P(conversion avec tous les canaux))Où :
P(conversion avec tous les canaux)est la probabilité de conversion de base en utilisant tous les canaux disponiblesP(conversion sans X)est la probabilité de conversion quand le canal X est supprimé du graphe de parcours
Un effet de suppression de 30 % signifie que la probabilité de conversion baisse de 30 % quand ce canal est supprimé. Un effet de suppression de 0 % signifie que le canal n’ajoute aucune valeur mesurable — les utilisateurs trouvent d’autres chemins pour convertir sans lui.
Exemple concret
Supposons que votre matrice de transition produise ces résultats :
- Probabilité de conversion totale avec tous les canaux : 50 %
- Probabilité de conversion sans Recherche payante : 35 %
- Probabilité de conversion sans Email : 45 %
- Probabilité de conversion sans Direct : 48 %
Les effets de suppression seraient :
- Recherche payante : 1 - (0,35 / 0,50) = 30 %
- Email : 1 - (0,45 / 0,50) = 10 %
- Direct : 1 - (0,48 / 0,50) = 4 %
La recherche payante a l’effet de suppression le plus élevé — la supprimer cause la plus grande baisse de probabilité de conversion. Cela signifie que la recherche payante est le canal le plus critique dans votre graphe de parcours, quel que soit l’endroit où elle apparaît dans la séquence du parcours.
Pourquoi les effets de suppression ne s’additionnent pas à 100 %
Ces pourcentages s’additionnent à 44 %, pas à 100 %. C’est attendu et correct. Les effets de suppression mesurent la contribution marginale, et ces contributions se chevauchent. Supprimer la recherche payante affecte les chemins qui incluaient aussi l’email. Les deux canaux interagissent — ils ne sont pas indépendants.
C’est en fait une fonctionnalité, pas une limitation. Le chevauchement vous dit quelque chose d’important sur l’interdépendance des canaux. Si deux canaux ont des effets de suppression individuels élevés mais que leur effet de suppression combiné n’est que légèrement supérieur à l’un ou l’autre seul, ils jouent des rôles similaires dans le parcours. Les utilisateurs substituent l’un à l’autre.
Normaliser en parts d’attribution
Pour obtenir des parts d’attribution qui s’additionnent à 100 % des conversions, normalisez les effets de suppression :
Total des effets de suppression = 30 % + 10 % + 4 % = 44 %
Part d'attribution (Recherche payante) = 30 % / 44 % = 68 %Part d'attribution (Email) = 10 % / 44 % = 23 %Part d'attribution (Direct) = 4 % / 44 % = 9 %Multipliez maintenant ces parts par votre total de conversions pour obtenir des conversions attribuées par canal. Si vous avez eu 1 000 conversions, la recherche payante obtient 680, l’email 230, et le direct 90.
L’étape de normalisation est ce qui rend l’attribution par effet de suppression comparable aux modèles heuristiques — elle produit des chiffres qui s’additionnent à votre total de conversions réel, tout comme l’attribution au premier contact, au dernier contact, ou linéaire.
Comment les effets de suppression diffèrent du crédit basé sur la position
Considérez un canal qui apparaît dans de nombreux parcours de conversion mais toujours au milieu de longs chemins. Sous l’attribution basée sur la position, il reçoit au plus une petite part des 20 % alloués aux contacts intermédiaires. Sous le dernier contact, il ne reçoit rien. Sous le premier contact, rien non plus.
Mais si supprimer ce canal du graphe de parcours cause une baisse de 25 % de la probabilité de conversion — parce qu’il sert de pont critique entre la notoriété et la conversion — son effet de suppression capture cette importance. Le canal est précieux non pas à cause de l’endroit où il se situe, mais à cause de ce qui se passe sans lui.
C’est le changement fondamental de l’attribution heuristique à l’attribution data-driven. Les modèles basés sur la position récompensent où un canal apparaît. Les effets de suppression récompensent ce qu’un canal fait.
Effets de suppression vs. tests d’incrémentalité
L’effet de suppression est une estimation basée sur un modèle de ce qui se passerait si un canal était supprimé. Les tests d’incrémentalité suppriment réellement le canal (via des tests en holdout) et mesurent l’impact dans le monde réel.
Les deux devraient être directionnellement alignés. Si l’attribution Markov donne à la recherche payante un effet de suppression de 30 %, et qu’un test en holdout montre un lift incrémental de 25 %, le modèle est raisonnablement calibré. Si l’effet de suppression dit 30 % mais l’incrémentalité dit 5 %, soit le modèle sur-crédite le canal (peut-être qu’il apparaît dans de nombreux parcours mais ne cause pas les conversions) soit le test d’incrémentalité avait des failles de conception.
Utilisez les résultats d’incrémentalité pour construire une intuition sur les endroits où vos calculs d’effet de suppression sont fiables et ceux où ils pourraient surestimer la contribution d’un canal. Au fil du temps, cette calibration rend les sorties du modèle plus exploitables même sans mener des expériences continues.
Contexte d’implémentation
Dans l’attribution par chaîne de Markov, l’effet de suppression est calculé en supprimant la ligne et la colonne d’un canal de la matrice de transition et en recalculant la probabilité d’atteindre CONVERSION depuis START via tous les chemins restants. Cela nécessite des opérations matricielles qui dépassent les capacités de SQL — généralement géré par des packages Python comme ChannelAttribution (R) ou marketing-attribution-models (Python).
Dans l’attribution par valeurs de Shapley, l’effet de suppression est implicite dans le calcul de la contribution marginale. Pour chaque sous-ensemble possible de canaux, les valeurs de Shapley calculent combien l’ajout d’un canal augmente la probabilité de conversion — ce qui est la perspective inverse de la suppression. Au lieu de “que perdons-nous sans lui ?”, Shapley demande “que gagnons-nous en l’ajoutant ?” Les réponses convergent vers le même insight via des chemins mathématiques différents.