Chez lePERMISLIBRE, j’ai notamment travaillé sur une question en apparence simple : combien coûte l’acquisition d’un candidat, en prenant comme repère sa première heure de conduite ?
Pour y répondre, nous avons relié chaque candidat aux points de contact observés dans son parcours, attribué un coût à ces interactions, puis comparé plusieurs modèles d’attribution.
Ce travail illustre une conviction que je défends sur mes projets data : un coût d’acquisition doit pouvoir s’expliquer. En partant du chiffre, on doit pouvoir remonter aux dépenses, aux interactions et aux règles de calcul qui le produisent. C’est ce qui sert le jour où le chiffre bouge, ou quand deux méthodes donnent des résultats différents.
Définir ce que l’on appelle une acquisition
Nous avons retenu la première heure de conduite comme événement d’acquisition. Ce choix donne à la mesure un sens précis : la création d’un compte, le premier achat et la première heure de conduite sont trois étapes distinctes du parcours, et chacune peut porter son propre coût d’acquisition. Tant qu’on ne sait pas laquelle est utilisée, le chiffre ne s’interprète pas.
Le périmètre des dépenses demande la même rigueur. Je parle ici des coûts des campagnes publicitaires et de leur répartition. Un indicateur qui intégrerait aussi les coûts commerciaux, les prestations ou les salaires mesurerait autre chose.
Ces choix doivent rester visibles pour celles et ceux qui utilisent le chiffre, car ils déterminent les comparaisons possibles et les questions auxquelles l’indicateur peut répondre.
Affecter un coût à chaque point de contact
Deux méthodes s’offraient à nous pour valoriser les interactions.
La première consiste à affecter à chaque clic le CPC moyen de la campagne sur la journée. Le CPC moyen correspond au coût total des clics divisé par leur nombre, tel que le compte la plateforme publicitaire. C’est une moyenne : elle peut s’écarter du prix payé pour un clic donné.
La seconde consiste à diviser les dépenses de la campagne sur la journée par le nombre de clics retrouvés dans Google Analytics.
Seul le dénominateur change, mais cela suffit à modifier la façon dont les dépenses se répartissent entre les interactions observées.
Deux calculs pour une même campagne
Prenons un exemple fictif et simplifié (les chiffres ne sont pas ceux de lePERMISLIBRE). Pour une campagne donnée, sur une journée :
- 1 000 € de dépenses ;
- 500 clics comptés par la plateforme publicitaire ;
- 400 clics retrouvés dans Google Analytics.
On suppose que les deux décomptes portent sur un périmètre comparable, et que les 400 clics incluent toutes les observations retenues, qu’elles mènent ou non à une acquisition.
| Calcul | CPC moyen | Répartition sur les clics retrouvés |
|---|---|---|
| Dépenses de la journée | 1 000 € | 1 000 € |
| Clics au dénominateur | 500 | 400 |
| Montant affecté à un clic retrouvé | 2 € | 2,50 € |
| Total affecté aux 400 clics retrouvés | 800 € | 1 000 € |
Avec la première méthode, chacun des 400 clics retrouvés reçoit 2 €, soit 800 € au total. Les 200 € restants ne sont rattachés à aucune observation.
Avec la seconde, les 1 000 € sont intégralement répartis sur les 400 clics, soit 2,50 € par clic.
L’écart entre 2 € et 2,50 € tient uniquement à la règle de répartition. Dans les deux cas, il s’agit d’une valeur moyenne affectée, et aucune des deux méthodes ne donne le prix réel de chaque clic. La seconde fait simplement porter la totalité des dépenses sur les observations disponibles.
Cette différence doit apparaître dans les résultats : une équipe qui utilise un montant doit savoir comment il a été obtenu et ce qu’il représente.
Comprendre pourquoi un montant évolue
Ce choix a une conséquence très concrète. Gardons 1 000 € de dépenses et 500 clics côté plateforme, mais supposons que Google Analytics n’en retrouve plus que 250. Avec la seconde méthode, le montant affecté à chaque clic passe à 4 €.
Ni les dépenses ni les clics comptés par la plateforme n’ont changé. La hausse vient entièrement du nombre d’observations sur lesquelles les dépenses sont réparties.
C’est ce que j’attends d’un indicateur explicable : qu’il permette d’identifier ce qui a bougé avant de conclure quoi que ce soit sur la campagne.
L’écart entre les deux décomptes appelle ensuite son propre diagnostic, car les chiffres seuls n’en révèlent pas la cause. La règle de calcul permet en revanche de comprendre tout de suite comment il se répercute sur les montants. Aider les équipes à poser la bonne question quand un résultat change fait, pour moi, partie intégrante du travail data.
Distinguer coût des interactions et attribution
Le projet comparait aussi plusieurs modèles d’attribution, qui forment une couche distincte du raisonnement.
Affecter un coût à un point de contact, c’est lui rattacher une part des dépenses. Un modèle d’attribution détermine, lui, comment le crédit d’une conversion se répartit entre les interactions du parcours.
On peut donc garder les mêmes parcours et les mêmes coûts, changer seulement la règle d’attribution, et voir évoluer le nombre de conversions par campagne. L’intérêt est d’observer ce que chaque règle fait ressortir, avec des hypothèses explicites. Quand une conclusion dépend fortement du modèle choisi, cette dépendance doit être visible dans la discussion.
Reste une troisième question : combien d’acquisitions une campagne a-t-elle réellement provoquées ? C’est la question de l’incrémentalité, qui exige une méthode capable de mesurer un effet causal, comme une expérimentation. Répartir le crédit entre points de contact ne suffit pas à l’établir.
Intégrer les dépenses sans acquisition
Dernière distinction : le coût du parcours d’un candidat et le coût global d’acquisition sont deux mesures différentes.
En additionnant le coût des interactions observées avant sa première heure de conduite, on obtient le coût de son parcours, selon les conventions retenues. Un indicateur global doit aussi intégrer les dépenses liées aux parcours qui n’aboutissent pas ; sinon, il ignore une partie de ce qu’il a fallu dépenser pour obtenir les candidats qui convertissent.
Passer du parcours individuel à l’indicateur agrégé suppose donc de fixer les dépenses incluses, la population étudiée et les périodes comparées, en tenant compte du délai qui peut séparer un point de contact de la première heure de conduite.
Ce que je veux rendre possible dans un projet data
Sur un sujet comme celui-ci, je veux qu’une équipe puisse partir d’un indicateur et retrouver tout ce qu’il faut pour l’interpréter :
- l’événement qui définit l’acquisition ;
- les points de contact réellement observés ;
- les dépenses incluses et leur règle de répartition ;
- le modèle d’attribution des conversions ;
- les montants et les parcours laissés hors du calcul.
Le niveau de détail doit être adapté à chacun. La personne qui arbitre un budget doit comprendre la portée du chiffre ; celle qui maintient le système doit pouvoir retrouver les règles et les données qui le produisent.
C’est cette continuité que je cherche à construire entre le besoin métier et l’ingénierie : qu’une variation puisse être examinée, une hypothèse discutée, une règle modifiée en connaissance de cause.
Avant de décider à partir d’un coût d’acquisition, je veux pouvoir l’expliquer.
Si vous cherchez à relier vos dépenses marketing, les parcours de vos clients et vos événements métier, écrivez-moi en partant du chiffre que votre équipe a aujourd’hui du mal à interpréter.