Sommaire de l'article
- Last-click : le modèle par défaut qui fausse vos arbitrages
- Ce que fait l’attribution data-driven
- Comment le modèle calcule réellement le crédit
- Data-driven vs les autres modèles : ce qui change vraiment
- Pourquoi vos arbitrages budgétaires changent
- Les conditions pour que le data-driven tienne ses promesses
- Notre recommandation pour une PME en 2026
- Conclusion
La plupart des CMO que nous accompagnons pilotent encore leur budget média avec un modèle qui ne raconte qu'une moitié de l'histoire : le last-click. Tout le crédit d'une conversion atterrit sur le dernier clic avant l'achat, et le reste du parcours disparaît. Le problème, c'est que le jour où l'on bascule en attribution data-driven, les chiffres bougent — parfois beaucoup — et certains arbitrages budgétaires pris « au feeling du dernier clic » se révèlent franchement bancals. Voici ce qui change concrètement entre les deux approches, et comment décider sans se tromper.
Last-click : le modèle par défaut qui fausse vos arbitrages
Le last-click attribue 100 % du crédit d'une conversion au dernier point de contact avec lequel l'utilisateur a interagi avant de convertir. C'est simple, lisible, et c'est pour ça qu'il s'est imposé comme modèle par défaut pendant des années.
Mais cette simplicité a un coût. En supposant que la dernière interaction est seule responsable de la conversion, le last-click ignore purement et simplement tous les points de contact qui ont préparé la décision. Un internaute qui découvre votre marque via une vidéo, revient par un e-mail, puis convertit après une recherche Google : dans un monde last-click, seule la recherche Google touche le crédit. La vidéo et l'e-mail, eux, passent pour inutiles.
Conséquence directe sur vos arbitrages : vous coupez des leviers de découverte qui semblent ne « rien rapporter », et vous surinvestissez sur les canaux de fin de parcours qui ne font que récolter une intention déjà construite ailleurs. C'est exactement le piège que nous voyons le plus souvent en audit budgétaire.
Ce que fait l'attribution data-driven
L'attribution data-driven de Google attribue le crédit des conversions en fonction de la façon dont les internautes interagissent réellement avec vos différents points de contact avant de devenir clients. Elle utilise les données de votre propre compte pour déterminer quels mots-clés, annonces et campagnes ont le plus de poids dans l'atteinte de vos objectifs.
Concrètement, le modèle compare les parcours des utilisateurs qui convertissent à ceux qui ne convertissent pas. Il identifie ainsi les schémas d'interaction qui mènent réellement à la conversion, puis redistribue davantage de crédit aux étapes qui ont une probabilité plus élevée de déclencher un achat. Chaque modèle data-driven est spécifique à un annonceur : il n'y a pas de formule universelle, seulement vos données.
L'exemple donné par Google est parlant : une entreprise de tours à vélo découvre que les clients qui cliquent d'abord sur « Bike tour New York », puis sur « Bike tour Brooklyn waterfront », convertissent plus souvent que ceux qui n'ont vu que la seconde annonce. Le modèle réattribue alors une part du crédit à la première annonce — celle que le last-click aurait ignorée.
30 minutes suffisent pour voir l'écart entre ce que vous créditez et ce qui convertit vraiment.
Réserver un audit flashComment le modèle calcule réellement le crédit
Là où les modèles classiques appliquent une règle figée, le data-driven s'appuie sur le machine learning et des algorithmes probabilistes pour analyser chaque point de contact du parcours.
Comme l'explique le glossaire d'AppsFlyer, une brique clé est le recours à des modèles probabilistes de type chaîne de Markov, qui prédisent la probabilité qu'un utilisateur convertisse après avoir interagi avec une série de points de contact. Le modèle analyse l'ordre des interactions pour repérer celles qui pèsent le plus, et attribue le crédit en conséquence. Le machine learning fait le reste : il apprend en continu des nouvelles données et affine son attribution à mesure que les comportements évoluent.
GA4 en est l'illustration la plus accessible pour une PME : la plateforme construit un modèle data-driven sur mesure, mis à jour en permanence pour refléter l'influence réelle de chaque point de contact.
Data-driven vs les autres modèles : ce qui change vraiment
Pour bien situer le data-driven, il faut le comparer aux modèles à règles fixes que la plupart des équipes connaissent déjà.
| Modèle | Logique de crédit | Limite principale |
|---|---|---|
| Last-click | 100 % au dernier point de contact | Ignore tout ce qui précède l'achat |
| First-touch | 100 % au premier point de contact | Survalorise la découverte, oublie la conversion |
| Linéaire | Crédit réparti également | Traite tous les contacts comme équivalents |
| Time decay | Plus de crédit aux contacts récents | Règle arbitraire, pas basée sur vos données |
| Position-based | Crédit majoritaire au premier et au dernier | Distribution figée, peu nuancée |
| Data-driven | Crédit selon la contribution réelle observée | Exige du volume de données |
La différence de fond : tous les autres modèles appliquent une convention décidée à l'avance, tandis que le data-driven mesure la contribution réelle de chaque interaction à partir de vos données. C'est précisément ce qui fait bouger les chiffres au moment de la bascule — et ce qui rend les arbitrages plus justes.
Pourquoi vos arbitrages budgétaires changent
Quand on passe du last-click au data-driven, trois choses se produisent côté pilotage.
D'abord, les canaux de milieu et de haut de parcours récupèrent du crédit. Les leviers de notoriété et de considération, jusque-là invisibles, apparaissent enfin dans les rapports. On découvre souvent qu'une campagne « non rentable » en last-click joue en réalité un rôle décisif en amont.
Ensuite, l'allocation budgétaire devient plus rationnelle. En montrant quels points de contact pèsent vraiment dans la conversion, le modèle permet de réaffecter les budgets vers ce qui performe et de réduire la voilure sur les canaux qui ne faisaient que capter une intention déjà créée. C'est un gain direct sur l'efficacité de chaque euro investi, et donc sur votre ROAS.
Enfin, le pilotage des enchères automatiques s'aligne. Si vous utilisez une stratégie d'enchères automatisée orientée conversions, celle-ci s'appuie sur ces informations d'attribution pour mieux dépenser. Un modèle data-driven nourrit donc directement la mécanique d'optimisation, pas seulement vos tableaux de bord.
Au global, c'est votre lecture du ROI marketing qui se précise : vous mesurez enfin la contribution de chaque levier au revenu, ce qui rend vos décisions d'investissement défendables face à une direction qui demande des comptes.
On audite votre tracking, on choisit le bon modèle et on documente vos décisions média.
Voir la méthode Data DetectiveLes conditions pour que le data-driven tienne ses promesses
Le data-driven n'est pas magique, et c'est important de le dire à un comité de direction avant de l'activer.
Il lui faut du volume. Toutes les actions de conversion sont éligibles, quel que soit le volume, mais la performance du modèle s'améliore avec les données. Google recommande au moins 200 conversions et 2 000 interactions publicitaires sur 30 jours pour que le modèle identifie des schémas fiables. En dessous, il fonctionne quand même, mais avec moins de précision — un point à garder en tête pour une PME au trafic modeste.
Il reste complexe à mettre en œuvre et à optimiser. Ce n'est pas du plug-and-play : un setup propre suppose un tracking carré en amont, sans quoi le modèle apprend sur des données fausses.
Il dépend de votre conformité. Les règles de confidentialité comme le RGPD encadrent la collecte des données utilisées pour l'attribution, ce qui peut limiter le volume disponible et donc la précision du modèle. Un tracking respectueux du consentement est un prérequis, pas une option.
Il a ses angles morts. Le data-driven se concentre sur les points de contact publicitaires : il passe à côté du bouche-à-oreille, des recommandations ou des interactions en magasin. Et son fonctionnement reste partiellement une boîte noire — il n'est pas toujours simple d'expliquer à un dirigeant exactement comment le crédit a été réparti.
Notre recommandation pour une PME en 2026
Pour la plupart des PME que nous accompagnons, le data-driven est devenu le bon choix par défaut dès lors que deux conditions sont réunies : un volume de conversions suffisant pour nourrir le modèle, et un tracking fiable en amont. Sans ces deux fondations, basculer en data-driven revient à remplacer un modèle simpliste par un modèle sophistiqué qui raisonne sur des données bancales — on ne gagne rien.
Notre méthode tient en trois temps. On commence par fiabiliser le tracking et le consentement, car c'est le carburant du modèle. On compare ensuite, sur une période stable, ce que disent le last-click et le data-driven : l'écart de crédit par canal est souvent le déclencheur le plus convaincant pour une direction. On réaligne enfin les budgets et les stratégies d'enchères sur la lecture data-driven, en gardant à l'esprit que le modèle a besoin d'être ré-entraîné régulièrement à mesure que les comportements évoluent.
Le vrai sujet n'est pas technique, il est décisionnel. Tant que vos arbitrages reposent sur le last-click, vous prenez des décisions d'investissement sur une histoire incomplète. Le data-driven ne donne pas une vérité absolue — il donne une lecture nettement plus fidèle du parcours réel de vos clients, et c'est largement suffisant pour arrêter de couper les mauvais leviers.
Conclusion
Passer du last-click au data-driven, ce n'est pas changer de réglage dans une interface : c'est accepter que le dernier clic ne raconte qu'une fraction de la décision d'achat. Le jour où le crédit se redistribue sur l'ensemble du parcours, certains canaux jugés inutiles retrouvent leur valeur, d'autres perdent de leur superbe, et vos arbitrages budgétaires s'en trouvent réécrits. À condition d'avoir le volume et un tracking propre, c'est l'un des leviers les plus rentables pour fiabiliser le pilotage média d'une PME en 2026.
Sources et ressources complémentaires
Spécialiste data marketing. J'audite, répare et construis des systèmes data qui permettent de piloter efficacement votre marketing et d'exploiter à 100% vos données.